【正文】 初始中心間的最小距離為 。任何中心的最大絕對坐標更改為 .000。深深感謝每一位關(guān)心和支持我的人。 感謝一直以來關(guān)心我學(xué)習(xí)、研究和發(fā)展的所有老師、同學(xué)、朋友。 感謝我的論文指導(dǎo)老師 ***老 師，在論文的寫作過程中，從論文的選題、開題、撰寫以及論文的修改斟酌方面始終給予我精心的指導(dǎo)，論文的研究工作才得以順利完成。最后，企業(yè)要想使聚類分析技術(shù)能夠真正地發(fā)揮作用還必須結(jié)合企業(yè)和市場的實際情況，通過對不同聚類方法所產(chǎn)生 結(jié)果的比較以及可視化聚類結(jié)果，使管理層可以充分理解并且善加利用，從而從真正意義上推動企業(yè)客戶關(guān)系管理的成功實施。 本文利用數(shù)據(jù)挖掘的算法對銀行客戶進行細分，目的是建立這種模式和方法，為銀行客戶關(guān)系管理提供決策支持，但不是唯一的要素，只能作為借鑒供銀行參考。所以面對具體的銀行客戶細分問題，還必須結(jié)合實際情況進行討論。 然而，我們也應(yīng)當認識到聚類分析可以為客戶細分提供支持，但這種細分并不等同于商業(yè)領(lǐng)域的細分，因為純粹的使用方法可能還起不到很好推動企業(yè)的作用，還需要結(jié)合對特定行業(yè)深刻的商業(yè)理解。 大量事實表明在客戶關(guān)系管理的客戶細分中，聚類分析是一種非常有效而實用的技術(shù)。 同時，以本文為例根據(jù) 5 個變量均值差值，可以設(shè)計出這 5 個變 量的權(quán)重，對已挖掘數(shù)據(jù)進行加權(quán)，并在已有的聚類結(jié)果中，獲得劃分類的臨界值，可以對新加入的客戶數(shù)據(jù)進行加權(quán)值的判別，若有三類，加權(quán)值越高的就屬于優(yōu)質(zhì)客戶，然后是普通客戶，最后是有待發(fā)掘價值的客戶。然后依次是“年齡”，“性別”，“信用”，“購買方式” 。確定年收入為最典型的聚類變量，另外四個按典型程度遞減分別為：年齡，性別，信用，購買方式。 對變量聚類結(jié)果的轉(zhuǎn)換：在近似矩陣中（表 7）中可以看到， x2 與 x3 對應(yīng)的特征為年齡和年收入，這兩個特 征相關(guān)度最大；其次是 x1 與 x4 對應(yīng)的特征性別和和信用特征，相關(guān)度其次；最后前面兩對特征聚合為一個類與 x5 對應(yīng)的特征即購買方式進行結(jié)合，形成一個類。 x1,x5 代表的性別和購買方式對群體之間的區(qū)分度不大，所以在定義群的時候可以作為次要考慮條件。 5 個變量平行比較， x1,x5 變量的聚類中心差異相對較小， x2,x3,x4,特別是 x3 變量的聚類中心差異較大，區(qū)別最為明顯。 挖掘結(jié)果轉(zhuǎn)換 Kmean 算法最終聚類中心（表 6）和每個聚類中的案例數(shù) （表 4）的結(jié)果顯示，若把這 20 個客戶分成 3 類。 對聚類結(jié)果的類別間距離進行方差分析結(jié)果表明，類別間距離差異的概率值均 ，聚類效果較好。 過程簡述為：在界面中輸入近似矩陣數(shù)據(jù)，選擇工具欄中“分析” ，選取“比較均值”功能中的單樣本 T 檢驗方法如下圖 7，得結(jié)果如表 5 所示。 過程與對個案分群一樣，只是在分群選擇為“變量”這一個選項上不同。 （ 3） 在系統(tǒng)聚類分析的選項框中，將 x1,x2,x3,x4,x5 拖入變量區(qū)域，”并將字符串型客戶編號拖入“標注個案”，分群選擇“個案”，輸出統(tǒng)計量和圖，如圖 3 所示，同時在方法選項中選擇聚類方法為組間聯(lián)接，度量標準選擇“區(qū)間”中的 Pearson 相關(guān)性，如圖 4 所示 。將選取的 20 名 客戶 5 個指標的數(shù)據(jù)輸入 SPSS統(tǒng)計軟件，將客戶編號項設(shè)置為名義量，“性別”，“年齡”，“年收入”，“信用”，“主要購買方式”這 5 項指標依次設(shè)置為 x1， x2， x3， x4， x5 這 5 個數(shù)值型變量。 將 20 名客戶數(shù)據(jù)聚類為 3 簇時的結(jié)果： 表 聚類結(jié)果 Results of Kmean Cluster 聚類成員 案例號 聚類 距離 1 1 2 2 3 1 4 2 5 2 6 3 14 7 3 8 3 9 3 10 2 11 3 12 1 13 1 14 3 15 3 16 2 17 2 18 2 19 3 20 1 層次聚類算法的挖掘過程 利用層次聚類算法不僅可以對客戶進行聚類，同時也可以對變量進行聚類，這是層次聚類算法區(qū)別于 Kmean 算法的一點，即對個案分群和對變量分群。 （ 4）軟件輸出聚類結(jié)果的文檔。 （ 2） 選擇工具欄中“分析”項，再選“分類”中的“ K 均值聚類”，如圖 1所示 。 （ 1） 數(shù)據(jù)輸入，變量設(shè)置。 ，以自底向上聚類分析方法為例： ：計算包含每對樣本間距離 (如歐氏距離 )的相似矩陣，把每個樣本作為一個簇； ：使用相似矩陣查找最相似的兩個簇； ：將兩個簇合并為一個簇，簇的個數(shù)通過合并被更新；同時更新相似矩陣，將兩個簇的兩行 (兩列 )距離用 1行 (1列 )距離替換反映合并操作； ：執(zhí)行 n1次步驟 2和步驟 3； :當所有樣本都 合并成一個簇或滿足指定的簇的數(shù)目時，整個過程結(jié)束。絕大多數(shù)層次聚類方法屬于這一類。通 常采用平方誤差準則： 21 || icpki mpE i? ? ?? ?? 其中， E是數(shù)據(jù)庫中所有對象的平方誤差總和， p是空間中的點，表示給定的數(shù)據(jù)對象， mj是簇 Cj的平均值。 ： k個對象，每個對象初始地代表了一個簇的平均值或中心 (質(zhì)心 )； ，根據(jù)其與各個質(zhì)心的距離 (一般用歐氏距離 )，將它賦給最近的簇； 。 (1) Kmean算法的基本原理和挖掘步驟 : 給定一 個包含 n個數(shù)據(jù)對象的數(shù)據(jù)庫，以及要生成的簇的數(shù)目 k，一個劃分類的算法將數(shù)據(jù)對象組織為 k個劃分 (kn)，其中每個劃分代表一個簇，同時滿足： ； （通常會采用一個劃分準則 (稱為相似度函數(shù) )，例如距離。對于已經(jīng)給出的數(shù)據(jù)，沒有先驗知識的前提下自動進行分類。而聚類是分析事物的內(nèi)在特點或規(guī)律，根據(jù)最大化類內(nèi)的相似性和最小化類間的相似性的原則，對事物進行分組。（毛國君， 2020） 聚類是無指導(dǎo)的學(xué)習(xí)方法，它區(qū)別于分類。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，在同一個類內(nèi)對象之間具有較高的相似度，不同類之間的對象差別較大。為達到客戶細分的目的，依據(jù)客戶細分的要求和特點，本文采用聚類分析的方法進行數(shù)據(jù)挖掘。對客戶數(shù)據(jù)進行處理準換數(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“主要購買方式”這五項作為變量，并 將非數(shù)值類的變量進行編碼，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。去除數(shù)據(jù)中的無關(guān)數(shù)據(jù)項、缺省數(shù)據(jù)項和重復(fù)數(shù)據(jù)項。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“主要購買方式”這五 個重要程度較高的特征作為數(shù)據(jù)挖掘的五個參數(shù)變量，并選取客戶這五個方面的數(shù)據(jù)。資信屬性數(shù)據(jù)，主要是描述個人客戶的信用情況，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其他地方的信用信息，如：本銀行的黑名單信息、中國人民銀行的黑名單信息、上海聯(lián)合征信系統(tǒng)的信息等。 中間 業(yè)務(wù)數(shù)據(jù)用于描述客戶在銀行進行相關(guān)中間業(yè)務(wù)服務(wù)時產(chǎn)生的數(shù)據(jù)，包括基金的購買、本外幣理財產(chǎn)品的購買、保險產(chǎn)品的購買等業(yè)務(wù)數(shù)據(jù)。 負債數(shù)據(jù)用于描述客戶在銀行辦理的各類貸款負債信息及為他人擔(dān)保負債(或有負債 )信息，包括住房貸款、個人消費貸款等的余額、發(fā)生額等數(shù)據(jù)。銀行業(yè)務(wù)屬性數(shù)據(jù)主要是描述個人客戶在商業(yè)銀行進行業(yè)務(wù)的相關(guān)數(shù)據(jù)，分為資產(chǎn)數(shù)據(jù)、負債數(shù)據(jù)、銀行卡數(shù)據(jù)、中間業(yè)務(wù)數(shù)據(jù)四類。 基本經(jīng)濟信息包括：健康狀況、供養(yǎng)人口、月收入、月供額、住宅狀況、住宅入住時間、現(xiàn)住房建筑面積、現(xiàn)住房性質(zhì)、納稅號、社會保險號、深市股東代碼、滬市股東代碼、證券保證金帳號、持卡數(shù)量、擔(dān)保數(shù)量等。 職業(yè)信息包括：職業(yè)、工作單位、單位類型、單位性質(zhì)、行政級別 (職務(wù) )、單位電話、單位地址、技術(shù)職稱等。個人客戶基本屬性數(shù)據(jù)用于描述個人客戶的身份、職業(yè)、家庭成員、經(jīng)濟狀況等方面的情況，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)濟信息等四部分。 （ 5）解釋與評估：使用適當?shù)目梢暬夹g(shù)和知識表示技術(shù)將模式以合適的形式提供給用戶，讓用戶對模型結(jié)果作出解釋，同時能夠評估模型的有效性。 （ 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。 3 數(shù)據(jù)挖掘方法在銀行客戶細分中的應(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。通過群體細分，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。性能分析與客戶行為分析和重點客戶發(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)系管理能夠達到既定的目標，建立良好的客戶關(guān)系。 （ 5）性能評估。從而幫助企業(yè)對有流失風(fēng)險的顧客提前采取相應(yīng)營銷措施。 （ 4）客戶流失分析。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)購買哪些商品。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，商家則因為增加了銷售量而獲利。根據(jù) 80/20（即 20%的客戶貢獻80%的銷售額）以及開發(fā)新客戶的費用是保留老客戶費用的 5倍等營銷原則，重點客戶發(fā)現(xiàn)在客戶關(guān)系管理中具有舉足輕重的作用。 （ 2） 重點客戶發(fā)現(xiàn)。通過群體細分， 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。 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。 ,可粗略地分為：機器學(xué)習(xí)方法、統(tǒng)計方法、神經(jīng)網(wǎng)絡(luò)方法、決策樹、可視化、最近鄰技術(shù)等。 (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。但它的側(cè)重點在于分析數(shù)據(jù)之間前后 (因果 )關(guān)系，因此對數(shù)據(jù)往往要求引入時間 屬性。 (Affinity grouping or Association Rules) 關(guān)聯(lián)規(guī)則是尋找數(shù)據(jù)庫中值的相關(guān)性，主要是尋找在同一個事件中出現(xiàn)的不同項的相關(guān)性，比如在一次購買活動中所買不同商品的相關(guān)性。 (Description and Visualization) 數(shù)據(jù) 可視化嚴格地講不是一個單獨的數(shù)據(jù)挖掘任務(wù)，它被用來支持其他挖掘任務(wù)。 (Clustering) 聚集是對記錄分組，把相似的記錄放在一個聚集里。 (Classification) 旨在生成一個分類函數(shù)或分類模型，該模型能把數(shù)據(jù)庫中的數(shù)據(jù)項映射到給定類別中的某一個。可以這樣概括： (1)指從數(shù)據(jù)（大型數(shù)據(jù)庫或數(shù)據(jù)倉庫）中提取隱含的、未知的、非平凡的及有潛在應(yīng)用價值的信息或模式的高級處理過程； (2)模式：即知識，它給出了數(shù)據(jù)特性或數(shù)據(jù)之間的關(guān)系，是對數(shù)據(jù)所包含的信息更抽象的描述； (3)是一個過程，它利用一種或多種計算機學(xué)習(xí)技術(shù)，從數(shù)據(jù)庫中的數(shù)據(jù)自動分析并提取知識，目的是確定數(shù)據(jù)的確趨勢和模式。但所有企業(yè)面臨的一個共同問題是：企業(yè)數(shù)據(jù)量非常大，而其中真正有價值的信息卻很少，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)運作、提高競爭力的信息，就像從礦石中淘金一樣，數(shù)據(jù)挖掘也因此而得名。由于各行業(yè) 業(yè)務(wù)自動化的實現(xiàn)，商業(yè)領(lǐng)域產(chǎn)生了大量的業(yè)務(wù)數(shù)據(jù)，這些數(shù)據(jù)不再是為了分析的目的而收集的，而是由于純機會的商業(yè)運作面產(chǎn)生。數(shù)據(jù)挖掘是一門交叉學(xué)科．它集成了許多學(xué)科中成熟的工具和技術(shù)，包括數(shù)據(jù)庫技術(shù)、統(tǒng)計學(xué)、機器學(xué)習(xí)、模型識別、人工智能、神經(jīng)網(wǎng)絡(luò)等等。 數(shù)據(jù)挖掘 數(shù)據(jù)挖掘的概述 所謂數(shù)據(jù)挖掘，是從海量的數(shù)據(jù)中，抽取出潛在的、有價值的知識 (模型或規(guī)則 )的過程。不同客戶對銀行的貢獻程度不同，銀行需要區(qū)分不同客戶的價值，發(fā)現(xiàn)哪些客戶可以源源不斷地為企業(yè)創(chuàng)造價值和利益。從競爭的角度看，一個真正有效的客戶關(guān)系管理策略應(yīng)該可以對客戶進行細分，使銀行能夠為不同層次的客戶提供不同水平的服務(wù)，并因此獲得最大的投入產(chǎn)出比。 客戶關(guān)系管理 的目標就在于協(xié)助企業(yè)不斷地獲取和積累客戶知識，并將這些知識運用在企業(yè)的生產(chǎn)、市場營銷和客戶服務(wù)等各個領(lǐng)域，以提升客戶滿意度和忠誠度，提高企業(yè)的核心競爭力，從而降低生產(chǎn)、 銷售和服務(wù)成本，增加企業(yè)效益?？蛻絷P(guān)系管理是一種旨在改善企業(yè)與客戶之間關(guān)系的新型運作機制，它實施于企業(yè)的市場營銷、銷售、服務(wù)與技術(shù)支持等與客戶有關(guān)的領(lǐng)域。 銀行客戶細分在客戶關(guān)系管理中的意義 客戶關(guān)系管理起源于西方的市場營銷理論，產(chǎn)生和發(fā)展于美國。客戶細分的實現(xiàn)技術(shù)很多，諸如人工神經(jīng)網(wǎng)絡(luò)、因素分析、擬和分析和聚類分析等都在實踐中有著廣泛的應(yīng)用。從以上學(xué)者對傳統(tǒng)市場細分變量的總結(jié)不難看出 ,它們實際上可以歸屬于三類 —— 環(huán)境細分、心理細分和行為細分。 Schiffman按照地理、人口、心理、社會文化、使用情境、利益以及混合細分變量進行歸納。 具體來說 ,人口特征包含了客戶展現(xiàn)出來的外部特征 ,行為因素則表現(xiàn)為客戶的具體購買行為 ,而心理特征不僅反映客戶的行為 ,還包含興趣和態(tài)度。 客戶細分的第一步就是要了解所要研究的對象特征。通過對客戶進行細分，為客戶提供更多的個 性化的服務(wù)，弄清客戶流失原