【正文】 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。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。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。 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。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)。 （ 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)。 （ 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。 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。 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。 數(shù)據(jù)。 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)。 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)。 。 （ 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。 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)。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。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。聚集 (Clustering)，是對(duì)記錄分組，把相似的記錄放在一個(gè)聚集里。符合客戶細(xì)分的要求和特點(diǎn)。分類是按照一定的標(biāo) 準(zhǔn)或規(guī)則，將事物歸屬到某個(gè)事先已知的類別之中。 聚類分析（ Cluster Analysis）是研究“物以類聚”問題的一種統(tǒng)計(jì)分析方法。其中包括快速聚類分析法 (Kmean Cluster Analysis) 和層次聚類分析法（ Hierarchical Cluster Analysis）。）。這個(gè)過程不斷重復(fù)，直到準(zhǔn)則函數(shù)收斂。 (2)層次聚類分析法的基本原理和挖掘步驟 11 : 層次聚類分析法分為自底向上和自頂向下兩種挖掘策略： 自底向上的策略首先將每個(gè)對(duì)象作為一個(gè)簇，然后合并這些原子簇為越來越大的簇，直到所有的對(duì)象都在一個(gè)簇中，或者某個(gè)終結(jié)條件被滿足。 自頂向下的策略與凝聚的層次聚類相反，它首先將所有對(duì)象置于一個(gè)簇中，然后逐 漸細(xì)分為越來越小的簇，直到每個(gè)對(duì)象自成一簇，或都達(dá)到了某個(gè)終結(jié)條件，例如達(dá)到了某個(gè)希望的簇?cái)?shù)目，或者兩個(gè)最近的簇之間的距離超過了某個(gè)閾值。 Kmean 算法的挖掘過程 本文的數(shù)據(jù)挖掘過程借助 SPSS Statistics 軟件進(jìn)行，對(duì) 20 名客戶進(jìn)行分類，取 K 值為 3，即將客戶分為三類。將選取的 20 名客戶 5 個(gè)指標(biāo)的數(shù)據(jù)輸入 SPSS統(tǒng)計(jì)軟件，將客戶編號(hào)項(xiàng)設(shè)置為名義量，“性別”，“年齡”，“年收入”，“信用”，“主要購(gòu)買方式”這 5 項(xiàng)指標(biāo)依次設(shè)置為 x1， x2， x3， x4， x5 這 5 個(gè)數(shù)值型變量。 （ 3） 在 K 均值分析的選項(xiàng)框中，將 x1,x2,x3,x4,x5 拖入變量區(qū)域，在“保存”中，選擇保存“聚類成員”與“聚類中心的距離”；選擇聚類數(shù)為 3，方法為“迭代與分類”，如圖 2 所示。 12 (上圖 )圖 Input and Variable Set Up 13 （上圖）圖 均值聚類分析選項(xiàng)框 of Kmean Cluster Kmean 算法的數(shù)據(jù)挖掘的結(jié)果 Kmean 算法數(shù)據(jù)挖掘結(jié)果如下表 4 所示， 其中包括初始聚類中心，迭代歷史記錄，每個(gè)聚類中的案例說和 K=3 時(shí)的聚類成員。 ，即客戶分群： 層次聚類法對(duì) 20 名客戶的聚類過程與 Kmean 算法類似： （ 1） 數(shù)據(jù)輸入，變量設(shè)置。 （ 2） 選擇工具欄中“分析”項(xiàng)，再選“分類”中的“系統(tǒng)聚類”。 （ 4） 軟件輸出個(gè)案聚類結(jié)果的文檔。 15 (上圖 )圖 Cluster Analysis Box （上圖）圖 of System Cluster Analysis 16 層次聚類算法的數(shù)據(jù)挖掘結(jié)果 5 所示： （上圖）圖 Cluster Diagram 結(jié)果，如圖 6 所示 （上圖）圖 Cluster Diagram 17 在得出 5 個(gè)變量的相似矩陣后，對(duì)近似矩陣做均值分析，可以確定這 5 個(gè)變量中的最典型變量，即均差值最大的變量。 （上圖）圖 T 檢驗(yàn) Matrix Ttest 表 T檢驗(yàn)結(jié)果 of Relative Matrix Ttest 單個(gè)樣本檢驗(yàn) 檢驗(yàn)值 = 0 差分的 95% 置信區(qū)間 t df Sig.(雙側(cè) ) 均值差值 下限 上限 x1 .750 4 .495 .168800 .79374 x2 .960 4 .391 .202400 .78769 x3 4 .191 .286400 .79152 x4 .491 4 .649 .117800 .78343 x5 .125 4 .907 .032200 .74751 18 解釋與評(píng)估， 結(jié)果 轉(zhuǎn)換 對(duì)數(shù)據(jù)挖掘的結(jié)果進(jìn)行解釋和評(píng)價(jià) Kmean 算法得出的數(shù)據(jù)挖掘結(jié)果即，將 20 名客戶聚為三類，其中第一類包含 5 個(gè)客戶，相應(yīng)客戶編號(hào)分別為 :1， 3， 12， 13， 20；第二類包含 7 個(gè)客戶，相應(yīng)客戶編號(hào)分別為： 2， 4， 5， 10， 16， 17， 18；第三類包含 8個(gè)客戶，相應(yīng)客戶編號(hào)分別為： 6， 7， 8， 9， 11， 14， 15， 19。 ，即對(duì)客戶聚類得出的數(shù)據(jù)挖掘結(jié)果即：對(duì)個(gè)案的結(jié)果解釋和評(píng)價(jià)與 Kmean 算法中聚類結(jié)果類似，即聚類后客戶被分為指定個(gè)數(shù)的群體，每個(gè)群體中包含的客戶數(shù)和客戶相應(yīng)的編號(hào)； 對(duì)變量聚類得出的結(jié)果即：變量聚為一類其近似矩陣中行相似度系數(shù)最大為，然后聚為一類，其近似矩陣中行相似度系數(shù)第二大為 ，然后 x2 與x3 的類與 x1 和 x4 的類合并，形成一個(gè)二階類，這個(gè)類最后與 x5 聚類為一個(gè)類。第一類客戶數(shù)量最少，第二類客戶較多，第三類客戶數(shù)最多。 根據(jù) 1,2,3 類中心的 x2,x3,x4 大小，可以把這三類分別年輕收入較低群信用一般群，中年高收入信用較差群體和年齡較大的中等收入信用較好群。 ，對(duì)個(gè)案聚類和對(duì)變量的聚類結(jié)果如下： 對(duì)個(gè)案的解釋與 Kmean算法中聚類結(jié)果類似，即聚類后將客戶分為指定群，并確定該群的主要群體特性，此處不再贅述。 (見圖 6) 表 Cluster Center 聚類 1 2 3 x1 x2 x3 x4 x5 19 表 Matrix 案例 矩陣文件輸入 x1 x2 x3 x4 x5 x1 .021 .077 .115 x2 .021 .245 x3 .077 .245 .048 .062 x4 .115 .048 x5 .062 同時(shí)，對(duì)變量近似矩陣的均值差值檢驗(yàn)，即單樣本 T 檢驗(yàn)的結(jié)果 (表 8)中，可以看出， x3 變量的均值差值最大，為 ，其次是 x2， x1， x4， x5；這、同時(shí)，根據(jù)差分的 95%置信區(qū)間的下限和上限，可以得出 5 個(gè)變量的均值差值都可信，并且可以把 x3 即年收入作為最典型的聚類指標(biāo)。 表 檢驗(yàn)值 = 0 差分的 95% 置信區(qū)間 t df Sig.(雙側(cè) ) 均值差值 下限 上限 x1 4 x2 4 x3 4 x4 4 x5 4 知 識(shí)運(yùn)用 Kmean 算法進(jìn)行的數(shù)據(jù)挖掘： 根據(jù)結(jié)果解釋，可以分別對(duì)聚類后的三個(gè)群體實(shí)施不同的客戶營(yíng)銷策略，例如： 對(duì)收入較低年輕群信用一般群體，這一類是銀行有待發(fā)掘其客戶價(jià)值和潛質(zhì)的人群，可以向這類群體可以提供最新的同時(shí)帶有優(yōu)惠的營(yíng)銷產(chǎn)品，既可以用新鮮的產(chǎn)品吸引年輕人的眼球，也能用優(yōu)惠之便為收入較低的人群省去一筆費(fèi)用； 對(duì)高收入中年群體信用較差群體，這一類是銀行需要重點(diǎn)保持的優(yōu)質(zhì)客戶群，可以向這類人群提供高端的營(yíng)銷產(chǎn)品和專門的 VIP 服務(wù)，即能滿足高收入者的高端產(chǎn)品需求，也能讓其享受 VIP 待遇，滿足中 年人社會(huì)尊重的需求； 20 對(duì)中等收入年齡較大的群信用較好群體，這類人群數(shù)量最多，是銀行需要保持提升其客戶價(jià)值的群體，可以先用優(yōu)惠的營(yíng)銷策略吸引客戶并讓其體驗(yàn)高端客戶的待遇，將其向高端客戶引導(dǎo)； ： 根據(jù)變量的典型程度，確定“年收入”為最典型的聚類變