【文章內(nèi)容簡(jiǎn)介】 純?yōu)榱搜芯康男枰?，更主要是為商業(yè)決策提供真正有價(jià)值的信息，進(jìn)而獲得利潤(rùn)。但所有企業(yè)面臨的一個(gè)共同問題是：企業(yè)數(shù)據(jù)量非常大，而其中真正有價(jià)值的信息卻很少，因此從大量的數(shù)據(jù)中經(jīng)過深層分析，獲得有利于商業(yè)運(yùn)作、提高競(jìng)爭(zhēng)力的信息，就像從礦石中淘金一樣，數(shù)據(jù)挖掘也因此而得名。（ .， 2020) 5 因此，數(shù)據(jù)挖掘可以描述為：按企業(yè)既定業(yè)務(wù)目標(biāo)，對(duì)大量的企業(yè)數(shù)據(jù)進(jìn)行探索和分析， 揭示隱藏的、未知的或驗(yàn)證已知的規(guī)律性，并進(jìn)一步將其模型化的先進(jìn)有效的方法?？梢赃@樣概括： (1)指從數(shù)據(jù)（大型數(shù)據(jù)庫(kù)或數(shù)據(jù)倉(cāng)庫(kù)）中提取隱含的、未知的、非平凡的及有潛在應(yīng)用價(jià)值的信息或模式的高級(jí)處理過程； (2)模式：即知識(shí)，它給出了數(shù)據(jù)特性或數(shù)據(jù)之間的關(guān)系，是對(duì)數(shù)據(jù)所包含的信息更抽象的描述； (3)是一個(gè)過程，它利用一種或多種計(jì)算機(jī)學(xué)習(xí)技術(shù)，從數(shù)據(jù)庫(kù)中的數(shù)據(jù)自動(dòng)分析并提取知識(shí)，目的是確定數(shù)據(jù)的確趨勢(shì)和模式。 數(shù)據(jù)挖掘涉及的學(xué)科領(lǐng)域和方法很多，有人工智能、數(shù)據(jù)統(tǒng)計(jì)、可視化、并行計(jì)算等，數(shù)據(jù)挖掘有多種分類方法： ，可分為分類模型發(fā)現(xiàn)、聚類、關(guān)聯(lián)規(guī)則發(fā)現(xiàn)、序列分析、偏差分析、數(shù)據(jù)可視化等。 (Classification) 旨在生成一個(gè)分類函數(shù)或分類模型，該模型能把數(shù)據(jù)庫(kù)中的數(shù)據(jù)項(xiàng)映射到給定類別中的某一個(gè)。既可以用此模型分析已有的數(shù)據(jù)，也可以用它來預(yù)測(cè)未來的數(shù)據(jù)。 (Clustering) 聚集是對(duì)記錄分組，把相似的記錄放在一個(gè)聚集里。聚集和分類的區(qū)別是聚集不依賴于預(yù)先定義好的類，不需要訓(xùn)練集。 (Description and Visualization) 數(shù)據(jù) 可視化嚴(yán)格地講不是一個(gè)單獨(dú)的數(shù)據(jù)挖掘任務(wù)，它被用來支持其他挖掘任務(wù)?？梢暬遣捎脠D形、圖表等易于理解的方式表達(dá)數(shù)據(jù)挖掘結(jié)果。 (Affinity grouping or Association Rules) 關(guān)聯(lián)規(guī)則是尋找數(shù)據(jù)庫(kù)中值的相關(guān)性，主要是尋找在同一個(gè)事件中出現(xiàn)的不同項(xiàng)的相關(guān)性，比如在一次購(gòu)買活動(dòng)中所買不同商品的相關(guān)性。 (Sequence Analysis) 序列模式分析同樣也是試圖找出數(shù)據(jù)之間的聯(lián)系。但它的側(cè)重點(diǎn)在于分析數(shù)據(jù)之間前后 (因果 )關(guān)系，因此對(duì)數(shù)據(jù)往往要求引入時(shí)間 屬性。序列模式分析非常適于尋找事物的發(fā)生趨勢(shì)或重復(fù)性模式。 (Deviation Analysis) 偏差分析是用來發(fā)現(xiàn)與正常情況不同的異常和變化，并進(jìn)一步分析這種變化是否是有意的詐騙行為，還是正常的變化。如果是異常行為，則提示預(yù)防措施：如果是正常的變化，那么就需要更新數(shù)據(jù)庫(kù)記錄。 ,可粗略地分為：機(jī)器學(xué)習(xí)方法、統(tǒng)計(jì)方法、神經(jīng)網(wǎng)絡(luò)方法、決策樹、可視化、最近鄰技術(shù)等。 ，可細(xì)分為歸納學(xué)習(xí)方法 (決策樹、規(guī)則歸納等自、基于范例學(xué)習(xí)、遺傳算法、進(jìn)化策略等； 計(jì)方法中，可細(xì)分為：回歸分析 (多元回歸、自回歸等 )、判別分析 (貝葉斯判別、費(fèi)歇爾判別、非參數(shù)判別等 )、聚類分析 (系統(tǒng)聚類、動(dòng)態(tài)聚類等 )、探索性分析 (主元分析法、相關(guān)分析法等 )等。 6 數(shù)據(jù)挖掘在客戶關(guān)系管理中的應(yīng)用途徑 （ 1）客戶的獲取。分類和聚類等挖掘方法可以把大量的客戶分成不同的類（群體），適合于用來進(jìn)行客戶細(xì)分。通過群體細(xì)分， CRM 用戶可以更好地理解客戶，發(fā)現(xiàn)群體客戶的行為規(guī)律。在行為分組完成后，還要進(jìn)行客戶理解、客戶行為規(guī)律發(fā)現(xiàn)和客戶組之間的交叉分析。 （ 2） 重點(diǎn)客戶發(fā)現(xiàn)。就是找出對(duì)企業(yè)具有 重要意義的客戶，重點(diǎn)客戶發(fā)現(xiàn)主要包括：發(fā)現(xiàn)有價(jià)值的潛在客戶；發(fā)現(xiàn)有更多的消費(fèi)需求的同一客戶；發(fā)現(xiàn)更多使用的同一種產(chǎn)品或服務(wù)；保持客戶的忠誠(chéng)度。根據(jù) 80/20（即 20%的客戶貢獻(xiàn)80%的銷售額）以及開發(fā)新客戶的費(fèi)用是保留老客戶費(fèi)用的 5倍等營(yíng)銷原則，重點(diǎn)客戶發(fā)現(xiàn)在客戶關(guān)系管理中具有舉足輕重的作用。 （ 3）交叉營(yíng)銷。商家與其客戶之間的商業(yè)關(guān)系是一種持續(xù)的不斷發(fā)展的關(guān)系，通過不斷地相互接觸和交流，客戶得到了更好更貼切的服務(wù)質(zhì)量，商家則因?yàn)樵黾恿虽N售量而獲利。交叉營(yíng)銷指向已購(gòu)買商品的客戶推薦其它產(chǎn)品和服務(wù)。有幾種挖掘 方法都可以應(yīng)用于此問題，關(guān)聯(lián)規(guī)則分析能夠發(fā)現(xiàn)顧客傾向于關(guān)聯(lián)購(gòu)買哪些商品。聚類分析能夠發(fā)現(xiàn)對(duì)特定產(chǎn)品感興趣的用戶群，神經(jīng)網(wǎng)絡(luò)、回歸等方法能夠預(yù)測(cè)顧客購(gòu)買該新產(chǎn)品的可能性。 （ 4）客戶流失分析。分類等技術(shù)能夠判斷具備哪些特性的客戶群體最容易流失，建立客戶流失預(yù)測(cè)模型。從而幫助企業(yè)對(duì)有流失風(fēng)險(xiǎn)的顧客提前采取相應(yīng)營(yíng)銷措施。利用數(shù)據(jù)挖掘技術(shù)，可以通過挖掘大量的客戶信息來構(gòu)建預(yù)測(cè)模型，較準(zhǔn)確地找出易流失客戶群，并制定相應(yīng)的方案，最大程度地保持住老客戶。 （ 5）性能評(píng)估。以客戶所提供的市場(chǎng)反饋為基礎(chǔ)，通過數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)清潔與集中過程，將客戶對(duì)市場(chǎng)的反饋?zhàn)詣?dòng)地輸入到數(shù)據(jù)倉(cāng)庫(kù)中，從而進(jìn)行客戶行為跟蹤。性能分析與客戶行為分析和重點(diǎn)客戶發(fā)現(xiàn)是相互交迭的過程，這樣才能保證企業(yè)的客戶關(guān)系管理能夠達(dá)到既定的目標(biāo)，建立良好的客戶關(guān)系。 分類和聚類等挖掘方法可以把大量的客戶分成不同的類（群體），適合于用來進(jìn)行客戶細(xì)分。通過群體細(xì)分，企業(yè)可以更好地理解客戶，發(fā)現(xiàn)群體客戶的行為規(guī)律。在行為分組完成后，還要進(jìn)行客戶理解、客戶行為規(guī)律發(fā)現(xiàn)和客戶組之間的交叉分析；同時(shí)對(duì)客戶進(jìn)行細(xì)分，為客戶提供更多的個(gè)性化的服務(wù)，弄清客戶流失原因，提前進(jìn)行預(yù)防，減少企 業(yè)損失，為企業(yè)創(chuàng)造更多的利潤(rùn)。 3 數(shù)據(jù)挖掘方法在銀行客戶細(xì)分中的應(yīng)用 數(shù)據(jù)挖掘的一般過程 （ 1）數(shù)據(jù)選擇：從現(xiàn)有數(shù)據(jù)中，選擇相關(guān)的數(shù)據(jù)確定哪些數(shù)據(jù)與本次數(shù)據(jù)分析相關(guān)的。 （ 2）數(shù)據(jù)預(yù)處理：對(duì)于選擇出的數(shù)據(jù)，進(jìn)行“清洗”工作，將數(shù)據(jù)轉(zhuǎn)變?yōu)椤案蓛簟睌?shù)據(jù)。 （ 3）數(shù)據(jù)轉(zhuǎn)換：將“干凈”數(shù)據(jù)轉(zhuǎn)換成數(shù)據(jù)挖掘算法所需要的格式。 （ 4）數(shù)據(jù)挖掘：使用合適的數(shù)據(jù)挖掘算法完成數(shù)據(jù)分析。 （ 5）解釋與評(píng)估：使用適當(dāng)?shù)目梢暬夹g(shù)和知識(shí)表示技術(shù)將模式以合適的形式提供給用戶，讓用戶對(duì)模型結(jié)果作出解釋，同時(shí)能夠評(píng)估模型的有效性。 7 客戶分類指標(biāo)的建立 商業(yè)銀行個(gè)人客戶常用的細(xì)分方法有： （ 1）按數(shù)據(jù)屬性分類 用于商業(yè)銀行個(gè)人客戶細(xì)分的數(shù)據(jù)包括客戶的基本屬性數(shù)據(jù)、銀行業(yè)務(wù)屬性數(shù)據(jù)、資信屬性數(shù)據(jù)等： A. 客戶的基本屬性數(shù)據(jù)。個(gè)人客戶基本屬性數(shù)據(jù)用于描述個(gè)人客戶的身份、職業(yè)、家庭成員、經(jīng)濟(jì)狀況等方面的情況，將其劃分為客戶身份信息、職業(yè)信息、家庭成員信息、家庭基本經(jīng)濟(jì)信息等四部分。 個(gè)人客戶身份信息包括：地區(qū)、姓名、性別、證件類型、證件號(hào)碼、民族、出生日期、國(guó)籍、戶口所在地、婚姻狀況、文化程度、手機(jī)號(hào)、家庭電話、電予信箱、家庭地址、郵編、宅 電等。 職業(yè)信息包括：職業(yè)、工作單位、單位類型、單位性質(zhì)、行政級(jí)別 (職務(wù) )、單位電話、單位地址、技術(shù)職稱等。 家庭成員信息包括：是否有配偶、配偶姓名、配偶證件名稱、配偶證件號(hào)碼、配偶聯(lián)系電話、配偶工作單位、配偶月均收入、配偶地區(qū)號(hào)、子女姓名、子女證件名稱、子女證件號(hào)碼、子女聯(lián)系電話、子女工作單位等。 基本經(jīng)濟(jì)信息包括：健康狀況、供養(yǎng)人口、月收入、月供額、住宅狀況、住宅入住時(shí)間、現(xiàn)住房建筑面積、現(xiàn)住房性質(zhì)、納稅號(hào)、社會(huì)保險(xiǎn)號(hào)、深市股東代碼、滬市股東代碼、證券保證金帳號(hào)、持卡數(shù)量、擔(dān)保數(shù)量等。 數(shù)據(jù)。銀行業(yè)務(wù)屬性數(shù)據(jù)主要是描述個(gè)人客戶在商業(yè)銀行進(jìn)行業(yè)務(wù)的相關(guān)數(shù)據(jù)，分為資產(chǎn)數(shù)據(jù)、負(fù)債數(shù)據(jù)、銀行卡數(shù)據(jù)、中間業(yè)務(wù)數(shù)據(jù)四類。 資產(chǎn)數(shù)據(jù)用于描述客戶在銀行的各項(xiàng)存款 (活期存款、通知存款、定期存單、定期一本通、存本取息、零存整取、定活二便等 )、投資 (記名國(guó)庫(kù)券 )等數(shù)據(jù)。 負(fù)債數(shù)據(jù)用于描述客戶在銀行辦理的各類貸款負(fù)債信息及為他人擔(dān)保負(fù)債(或有負(fù)債 )信息，包括住房貸款、個(gè)人消費(fèi)貸款等的余額、發(fā)生額等數(shù)據(jù)。 銀行卡數(shù)據(jù)用于描述客戶所擁有的銀行借記卡、貸記卡的數(shù)目、卡號(hào)、卡內(nèi)余額、卡消費(fèi)余額、卡的各類標(biāo)志等數(shù)據(jù)。 中間 業(yè)務(wù)數(shù)據(jù)用于描述客戶在銀行進(jìn)行相關(guān)中間業(yè)務(wù)服務(wù)時(shí)產(chǎn)生的數(shù)據(jù)，包括基金的購(gòu)買、本外幣理財(cái)產(chǎn)品的購(gòu)買、保險(xiǎn)產(chǎn)品的購(gòu)買等業(yè)務(wù)數(shù)據(jù)。 。資信屬性數(shù)據(jù)，主要是描述個(gè)人客戶的信用情況，不僅包括在本銀行的數(shù)據(jù)，還包括在其他銀行以及社會(huì)其他地方的信用信息，如：本銀行的黑名單信息、中國(guó)人民銀行的黑名單信息、上海聯(lián)合征信系統(tǒng)的信息等。 （ 2）按客戶各類特征分類 ,如表 1 所示 : （環(huán)境細(xì)分，人口統(tǒng)計(jì)細(xì)分）：收入，工作年限，住房面積等； B. 行為因素的細(xì)分：購(gòu)買行為與反應(yīng)行為； C. 心理細(xì)分：生活方式細(xì)分 （活動(dòng)、興趣、評(píng)價(jià)），利益細(xì)分（尋求的利益）； 表 8 Tab1. Subdivision Correspondence with a variety of Factors 人口統(tǒng)計(jì)細(xì)分 行為細(xì)分 心理細(xì)分 生活方式細(xì)分 利益細(xì)分 維度特征 人口特征 行為特征 心理特征 心理特征 緯度內(nèi)涵 各種外部特征 購(gòu)買行為，反應(yīng)行為 活動(dòng) 興趣 評(píng)價(jià) 尋求的利益 細(xì)分依據(jù) 人口 需求 行為 行為 行為 態(tài)度 心理 行為 利益 心理 行為 方法論 事前細(xì)分 事前細(xì) 分 事后細(xì)分 細(xì)分目標(biāo) 了解市場(chǎng)結(jié)構(gòu)其他方法的補(bǔ)充 產(chǎn)品定位、定價(jià)決策、客戶關(guān)系管理 新產(chǎn)品引入策略，廣告策略及其他各種營(yíng)銷策略 （數(shù)據(jù)來源：劉英姿等，客戶細(xì)分方法研究綜述 ） 客戶數(shù)據(jù)的選擇和準(zhǔn)備 數(shù)據(jù)選擇 從現(xiàn)有數(shù)據(jù)中，選擇相關(guān)的數(shù)據(jù)確定哪些數(shù)據(jù)與本次數(shù)據(jù)分析相關(guān)的。本文采用第二種分類方式，結(jié)合表 1的人口特征、行為特征和心理特征的維度，從客戶各種特征的相對(duì)重要程度考慮，本文選取“人口特征”和“行為特征”中的“性別”，“年齡”，“年收入”，“信用信息是否列入黑名單”和“主要購(gòu)買方式”這五 個(gè)重要程度較高的特征作為數(shù)據(jù)挖掘的五個(gè)參數(shù)變量，并選取客戶這五個(gè)方面的數(shù)據(jù)。 數(shù)據(jù)預(yù)處理 對(duì)于選擇出的數(shù)據(jù)，進(jìn)行“清洗”工作，將數(shù)據(jù)轉(zhuǎn)變?yōu)椤案蓛簟睌?shù)據(jù)。去除數(shù)據(jù)中的無關(guān)數(shù)據(jù)項(xiàng)、缺省數(shù)據(jù)項(xiàng)和重復(fù)數(shù)據(jù)項(xiàng)。本文選取預(yù)處理后客戶數(shù)據(jù)如表 2所示： 表 Date 特征分類 人口特征 行為特征 心理特征 客戶編號(hào) 性別 年齡 年收入（ K） 信用信息是否 列入黑名單 主要購(gòu)買方式 興趣愛好 1 F 35 40 否 借記卡 羽毛球 2 F 55 89 否 現(xiàn)金 網(wǎng)球 3 M 25 39 否 網(wǎng)銀 游泳 4 M 35 59 否 網(wǎng)銀 上網(wǎng) 5 M 40 61 是 借記卡 乒乓球 6 M 45 45 否 現(xiàn)金 羽毛球 9 7 F 40 32 否 現(xiàn)金 網(wǎng)球 8 M 42 44 否 借記卡 網(wǎng)球 9 M 43 40 否 網(wǎng)銀 羽毛球 10 F 38 60 否 借記卡 乒乓球 11 F 55 25 否 現(xiàn)金 網(wǎng)球 12 M 35 39 否 借記卡 網(wǎng)球 13 M 27 39 否 網(wǎng)銀 網(wǎng)球 14 F 43 40 是 借記卡 羽毛球 15 F 41 52 否 借記卡 網(wǎng)球 16 M 43 58 是 現(xiàn)金 游泳 17 F 29 70 否 網(wǎng)銀 羽毛球 18 F 39 61 是 借記卡 網(wǎng)球 19 M 55 52 否 現(xiàn)金 游泳 20 F 19 30 是 借記卡 網(wǎng)球 數(shù)據(jù)轉(zhuǎn)換 將“干凈”數(shù)據(jù)轉(zhuǎn)換成數(shù)據(jù)挖掘算法所需要的格式。對(duì)客戶數(shù)據(jù)進(jìn)行處理準(zhǔn)換數(shù)據(jù)挖掘所需格式，選取 其中 “人口特征”和“行為特征”中的“性別”，“年齡”，“年收入”，“信用信息是否列入黑名單”和“主要購(gòu)買方式”這五項(xiàng)作為變量，并 將非數(shù)值類的變量進(jìn)行編碼，性別特 征中“ F”編碼為 1，“ M”編碼為 0；信用信息是否列入黑名單特征中“是”編碼為 1，“否”編碼為 0；主要購(gòu)買方式中“借記卡”編碼為 1，“現(xiàn)金”編碼為 2，“網(wǎng)銀”編碼為 3。得出下列可直接用于數(shù)據(jù)挖掘的數(shù)據(jù)格式，如表 3所示： 表 of Date Mining 特征分類 人口特征 行為特征 客戶編號(hào) 性別 年齡 年收入（ K） 信用信息是否 列入黑名單 主要購(gòu)買方式 1 1 35 40 0 1 2 1 55 89 0 2 3 0 25 39 0 3 4 0 35 59 0 3 5 0 40 61 1 1 6 0 45 45 0 2 7 1 40 32 0 2 8 0 42 44 0 1 9 0 43 40 0 3 10 1 38 60 0 1 11 1 55 25 0 2 12 0 35 39 0 1 13 0 27 39 0 3 10 14 1 43 40 1 1 15 1 41 52 0 1 16 0 43 58 1 2 17 1 29 70 0 3 18 1 39 61 1 1 19 0 55 52 0 2 20 1 19 30 1 1 數(shù)據(jù)挖掘 數(shù)據(jù)挖掘使用的算法 對(duì)客戶數(shù)據(jù)進(jìn)行挖掘，需要是使用合適的數(shù)據(jù)挖掘算法完成數(shù)據(jù)分析。為達(dá)到客戶細(xì)分的目的，依據(jù)客戶細(xì)分的要求和特點(diǎn)，本文采用聚類分析的方法進(jìn)行數(shù)據(jù)挖掘。聚集 (Clustering)，是對(duì)記錄分組，把相似的記錄放在一個(gè)聚集里。聚集和分類的區(qū)別是聚集不依賴于預(yù)先定義好的類，不需要訓(xùn)練