【正文】 躍的客戶由日均交易次數(shù)確定）中較為多見(jiàn)。較強(qiáng)的關(guān)系由較粗的線表示。網(wǎng)狀圖表明現(xiàn)有客戶即非流動(dòng)者）更多的是那些已婚男性，那些用其它賬戶進(jìn)行信用卡支付的人。c 關(guān)聯(lián)分析及聚類的結(jié)果為了進(jìn)一步了解房貸客戶可以使用聚類。如圖所示，客戶似乎分為七種自然的聚類。例如，我們比較聚類1和聚類4，聚類1中包含的是較年輕并絕大多數(shù)已婚%），并且年收入較高的女性。聚類的結(jié)果對(duì)于市場(chǎng)定位和分割研究是非常有用的，但是對(duì)于預(yù)測(cè)建模的作用則沒(méi)這么明顯。這些規(guī)則不僅對(duì)發(fā)現(xiàn)模式、關(guān)系和趨勢(shì)很重要，對(duì)于預(yù)測(cè)建模例如決定采用/不采用哪些輸入變量）也很重要。其中，第一條聯(lián)合分析規(guī)則表明，有156名%的）房貸客戶的投資賬戶余額低于4988美元，%是被動(dòng)流失的。其它的規(guī)則可以類似地進(jìn)行理解。要注意的是，客戶流失狀態(tài)滯后輸入變量六個(gè)月。在本例中。該標(biāo)志屬性是0－16之間的隨機(jī)數(shù)。 0YujCfmUCw：數(shù)據(jù)準(zhǔn)備的數(shù)據(jù)流圖 4）建立模型及評(píng)估預(yù)測(cè)建模是本例中最重要的分析，神經(jīng)網(wǎng)絡(luò)和決策樹(shù)尤其適用于對(duì)房貸客戶的流失建模。神經(jīng)網(wǎng)絡(luò)模型在輸入層、隱藏層和輸出層分別有15個(gè)、5個(gè)和3個(gè)神經(jīng)元。Logistic回歸模型統(tǒng)計(jì)有效，表明數(shù)據(jù)吻合得很好。從用評(píng)估圖節(jié)點(diǎn)產(chǎn)生的提升表中可以看出每個(gè)預(yù)測(cè)模型都是有效的，從左至右分別為L(zhǎng)ogistic回歸、決策樹(shù)和神經(jīng)網(wǎng)絡(luò)）?；鶞?zhǔn)值即評(píng)估每個(gè)模型的底限）是1，它表示當(dāng)從樣本中隨機(jī)抽取記錄的百分點(diǎn)時(shí)能成功地“擊中”現(xiàn)有客戶。左）所示，每個(gè)模型的提升值均大于1，在100%時(shí)收斂于1。 sQsAEJkW5T：提升圖左）和三個(gè)模型的分析結(jié)果右） 值得注意的是神經(jīng)網(wǎng)絡(luò)和決策樹(shù)得出的預(yù)測(cè)模型并不完全一致，右）兩個(gè)模型結(jié)果的比較可以看出來(lái)。對(duì)于這些預(yù)測(cè)模型來(lái)說(shuō)，評(píng)估它們相對(duì)表現(xiàn)的最佳辦法應(yīng)該是看它們預(yù)測(cè)目標(biāo)變量客戶流失狀態(tài)）的精確率。決策樹(shù)模型的預(yù)測(cè)相對(duì)精確，%，因此根據(jù)評(píng)估標(biāo)準(zhǔn)，決策樹(shù)模型是最好的預(yù)測(cè)模型，應(yīng)該在ZABNK預(yù)測(cè)房貸客戶的流失中使用。結(jié)果表明，ZBANK的房貸客戶中，那些39歲以上，在投資帳戶中余額超過(guò)4976美元的女性更可能主動(dòng)流失。從到目前位置的結(jié)果來(lái)看，決策樹(shù)客戶流失預(yù)測(cè)模型能夠更精確地根據(jù)交易和人口統(tǒng)計(jì)的信息判斷出流失客戶和非流失客戶，從而產(chǎn)生增值效益。同樣，客戶流失模型可以判斷哪些是流失風(fēng)險(xiǎn)較低的房貸申請(qǐng)者。在Clementine中部署模型的數(shù)據(jù)流圖如圖所示。銀行中其他人員即使沒(méi)有安裝Clementine，也可以使用記事本等軟件打開(kāi)查看。其中按照客戶流失概率的大小，對(duì)客戶進(jìn)行排序。在實(shí)際使用中，一般還需要考慮誤分類及其相關(guān)成本，還有流失客戶和非流失客戶在樣本和總體中的相對(duì)比重。面對(duì)競(jìng)爭(zhēng)和挑戰(zhàn)、重點(diǎn)是做好客戶市場(chǎng)細(xì)分，有效發(fā)掘客戶需求，提供客戶差異化服務(wù)。對(duì)一個(gè)銀行來(lái)說(shuō)，在經(jīng)營(yíng)管理中應(yīng)用市場(chǎng)細(xì)分理論是很有必要的?？蛻艏?xì)分(Customer Segmentation是指按照一定的標(biāo)準(zhǔn)將企業(yè)的現(xiàn)有客戶劃分為不同的客戶群。Suzanne Donner認(rèn)為：正確的客戶細(xì)分能夠有效地降低成本，同時(shí)獲得更強(qiáng)、更有利可圖的市場(chǎng)滲透。所謂客戶細(xì)分主要指企業(yè)在明確的戰(zhàn)略、業(yè)務(wù)模式下和專注的市場(chǎng)條件下，根據(jù)客戶的價(jià)值、需求和偏好等綜合因素對(duì)客戶進(jìn)行分類，分屬于同一客戶群的消費(fèi)者具備一定程度的相似性，而不同的細(xì)分客戶群間存在明顯的差異性。影響消費(fèi)者購(gòu)買決策因素的差異決定了消費(fèi)者的需求、消費(fèi)者的消費(fèi)行為必然存在區(qū)別。(2 消費(fèi)檔次假說(shuō)。但消費(fèi)量的增加并非線性增長(zhǎng)，而是呈現(xiàn)出區(qū)間性臺(tái)階式的變化形式，一旦消費(fèi)者達(dá)到某種消費(fèi)層次之后，消費(fèi)變化的趨勢(shì)將變得非常平緩。(3 企業(yè)資源的有限性和有效市場(chǎng)競(jìng)爭(zhēng)的目的性。為了充分發(fā)揮資源的最大效用，企業(yè)必須區(qū)分不同的客戶群，對(duì)不同的客戶制定不同的服務(wù)策略，集中資源服務(wù)好重點(diǎn)客戶。有效的客戶細(xì)分還必須具有相對(duì)的穩(wěn)定性，足以實(shí)現(xiàn)在此基礎(chǔ)上進(jìn)行的實(shí)際應(yīng)用，如果變化太快，應(yīng)用方案還未來(lái)得及實(shí)施，群體就已面目全非，這樣的細(xì)分方法就顯得毫無(wú)意義。客戶細(xì)分模型是指選擇一定的細(xì)分變量，按照一定的劃分標(biāo)準(zhǔn)對(duì)客戶進(jìn)行分類的方法。其次是對(duì)數(shù)據(jù)的處理能力和容錯(cuò)能力，現(xiàn)代數(shù)據(jù)庫(kù)的存儲(chǔ)容量越來(lái)越大，數(shù)據(jù)結(jié)構(gòu)也趨于多樣性，誤差數(shù)據(jù)也會(huì)隨之增多，這就要求模型能適應(yīng)數(shù)據(jù)在量和樣上的膨脹，對(duì)誤差數(shù)據(jù)能做出判別和處理。在對(duì)客戶進(jìn)行細(xì)分的方法中，除了傳統(tǒng)的按照客戶基本屬性進(jìn)行分類的方法以外，還有其他多種客戶細(xì)分模型，如基于客戶價(jià)值貢獻(xiàn)度的細(xì)分模型、基于不同需求偏好的細(xì)分模型和基于消費(fèi)行為的細(xì)分模型。1）RFM模型。R－Recency指客戶上次消費(fèi)行為發(fā)生至今的間隔，間隔越短則R越大；F—Frequency指在一段時(shí)期內(nèi)消費(fèi)行為的頻率；M—Monetary指在某一時(shí)期內(nèi)消費(fèi)的金額。2）客戶價(jià)值矩陣模型。用購(gòu)買次數(shù)F和平均購(gòu)買額A構(gòu)成客戶價(jià)值矩陣，用平均購(gòu)買額替代了RFM 模型中存在多重共線性的兩個(gè)變量，消除了RFM模型中購(gòu)買次數(shù)和總購(gòu)買額的多重共線性的影響。依據(jù)客戶購(gòu)買次數(shù)的高低和平均購(gòu)買額的多少，客戶價(jià)值矩陣將客戶劃分成四種類型，即樂(lè)于消費(fèi)型客戶、優(yōu)質(zhì)型客戶、經(jīng)常客戶和不確定客戶。總的來(lái)講，客戶細(xì)分的方法主要有四類，一、基于客戶統(tǒng)計(jì)學(xué)特征的客戶細(xì)分；二、基于客戶行為的客戶細(xì)分；三、基于客戶生命周期的客戶細(xì)分；四、基于客戶價(jià)值相關(guān)指標(biāo)的客戶細(xì)分。在未來(lái)的業(yè)務(wù)中，知道誰(shuí)是客戶是個(gè)非常好的起始點(diǎn)，以了解瞬息萬(wàn)變的市場(chǎng)環(huán)境。客戶細(xì)分就是根據(jù)其特征將相似的客戶歸組到一起，這是了解客戶和針對(duì)特定客戶組進(jìn)行市場(chǎng)定向所不可缺少的。這些條件可由簡(jiǎn)單的年齡、性別、地理位置或這些變量的組合來(lái)構(gòu)成。決定使用哪些條件取決于客戶細(xì)分的目的和應(yīng)用方法。需要記住的一點(diǎn)是：由于市場(chǎng)環(huán)境是動(dòng)態(tài)變化的，細(xì)分建模過(guò)程應(yīng)當(dāng)是重復(fù)性的，且模型應(yīng)隨著市場(chǎng)的變化而不斷革新。由于變量選擇的優(yōu)劣對(duì)細(xì)分結(jié)果質(zhì)量的影響非常顯著，所以變量選擇應(yīng)該建立在理解業(yè)務(wù)需求的基礎(chǔ)之上，以需求為前提，在消費(fèi)者行為和心理的基礎(chǔ)上，根據(jù)需求選擇變量。第三步：所需數(shù)據(jù)及其預(yù)處理。我們稱這個(gè)過(guò)程中的這個(gè)階段為初始化和預(yù)處理。行為數(shù)據(jù)是客戶行為，可通過(guò)客戶的賬戶信息、購(gòu)買產(chǎn)品的信息等捕獲。這在識(shí)別或描述客戶組的特征時(shí)很有用。目前，通常采用聚了技術(shù)來(lái)進(jìn)行客戶細(xì)分。第五步：評(píng)估結(jié)果。細(xì)分的結(jié)果應(yīng)該通過(guò)下面幾條規(guī)則來(lái)測(cè)試：與業(yè)務(wù)目標(biāo)相關(guān)的程度；可理解性和是否容易特征化；基數(shù)是否足夠大，以便保證一個(gè)特別的宣傳活動(dòng)；是否容易開(kāi)發(fā)獨(dú)特的宣傳活動(dòng)等。根據(jù)客戶細(xì)分的結(jié)果，市場(chǎng)部門制定合適的營(yíng)銷活動(dòng)，進(jìn)行有針對(duì)性的營(yíng)銷。目前用戶需求呈現(xiàn)多樣化、個(gè)性化的趨勢(shì)，只有通過(guò)深入分析用戶消費(fèi)行為，精確識(shí)別、細(xì)分用戶市場(chǎng)，開(kāi)發(fā)出針對(duì)不同層次用戶的服務(wù)品牌進(jìn)行服務(wù)營(yíng)銷，方能使得各方價(jià)值發(fā)揮到最大，實(shí)現(xiàn)共贏。 fjnFLDa5Zo細(xì)分方法介紹在數(shù)據(jù)挖掘中，往往通過(guò)聚類分析的方法來(lái)實(shí)現(xiàn)細(xì)分。使用者需要首先確定數(shù)據(jù)分為K群，該方法會(huì)自動(dòng)確定K個(gè)群的中心位置，繼而計(jì)算每條記錄距離這K個(gè)中心位置的距離，按照距離最近的原則把各個(gè)記錄都加入到K個(gè)群，重新計(jì)算K個(gè)群的中心位置，再次計(jì)算每條記錄距離這K個(gè)中心位置的距離，并把所有記錄重新歸類，再次調(diào)整中心位置，依次類推……，當(dāng)達(dá)到一定標(biāo)準(zhǔn)時(shí)，結(jié)束上述步驟。2）兩步聚類法：這種方法首先需要確定一個(gè)最大群數(shù)比如說(shuō)n），并把數(shù)據(jù)按照一定的規(guī)則分為n個(gè)群，這是該方法的第一步。兩步聚類法的一個(gè)顯著優(yōu)點(diǎn)是可以不指定聚類群數(shù)，它可以根據(jù)據(jù)結(jié)構(gòu)本身自動(dòng)確定應(yīng)該把數(shù)據(jù)分為多少群。為了提升客戶的全面經(jīng)驗(yàn)，許多金融機(jī)構(gòu)將數(shù)據(jù)挖掘應(yīng)用于客戶細(xì)分在客戶個(gè)人屬性以及產(chǎn)品之間提取直觀的聯(lián)系。這使得金融機(jī)構(gòu)可以提供特定的產(chǎn)品與服務(wù)來(lái)滿足客戶的需要。對(duì)于前者，數(shù)據(jù)挖掘模型學(xué)習(xí)客戶的行為特征與已經(jīng)確定的我們感興趣的輸出變量之間的關(guān)系。另一方面，非監(jiān)督學(xué)習(xí)方法基于客戶的輸入屬性產(chǎn)生不同的類別，而且不需要設(shè)定我們感興趣的輸出變量。 tfnNhnE6e5客戶細(xì)分實(shí)例假設(shè) Z 銀行擁有以下數(shù)據(jù)：1．客戶號(hào)；2．儲(chǔ)蓄賬戶余額；3．活期賬戶余額；4．投資賬戶余額；5．日均交易次數(shù)；6．信用卡支付模式；7．是否有抵押貸款；8．是否有賒賬額度；9．客戶年齡；10．客戶性別；11．客戶婚姻狀況；12．客戶家庭情況孩子數(shù)）；13．客戶年收入；14．客戶是否擁有一輛以上小汽車；15．客戶流失狀態(tài)。為了做到這些，Z銀行使用細(xì)分模型特征化了其客戶，并且依賴客戶屬性分割這些客戶為截然不同的類別。此外，假設(shè)Z銀行使用監(jiān)督學(xué)習(xí)以及非監(jiān)督學(xué)習(xí)建模技術(shù)來(lái)生成客戶的特征。 HbmVN777sL：投資賬戶余額分段 對(duì)于監(jiān)督學(xué)習(xí)模型，基于上面涉及到的十三個(gè)變量基礎(chǔ)進(jìn)行細(xì)分。關(guān)于投資賬戶余額的分布可以由直方圖節(jié)點(diǎn)來(lái)決定如何適當(dāng)?shù)膶⒚總€(gè)客戶分類到三個(gè)箱柜中：高、中和低投資組合價(jià)值。進(jìn)而可以構(gòu)建Logistic回歸模型來(lái)生成基于不同單個(gè)客戶投資價(jià)值的不同分類的特征屬性。進(jìn)一步的結(jié)果表明，在預(yù)測(cè)每個(gè)客戶的投資價(jià)值的預(yù)測(cè)模型中統(tǒng)計(jì)上顯著的變量有儲(chǔ)蓄賬戶余額和活期賬戶余額。 V7l4jRB8Hs：Logistic回歸模型 非監(jiān)督學(xué)習(xí)細(xì)分模型是基于十四個(gè)變量來(lái)做出的。對(duì)于非監(jiān)督學(xué)習(xí)細(xì)分，通?？梢允褂萌N數(shù)據(jù)挖掘算法，也就是，兩步聚類、Kohonen 網(wǎng)絡(luò)以及Kmeans聚類。 83lcPA59W9關(guān)于每一類的信息也列了出來(lái)。另一方面，第2類描述了大多數(shù)為已婚女性且擁有賒賬額度的客戶。我們可以看到，第2類中擁有大多數(shù)的主動(dòng)以及被動(dòng)流失的客戶。此外，第4類中具有最大的現(xiàn)存客戶。 mZkklkzaaP：五個(gè)類別中流失狀態(tài)以及流失率的比較 最后，關(guān)于投資賬戶的直方圖也可以根據(jù)五個(gè)類別分別繪出。另一方面，第3類則是由持有高價(jià)值投資賬戶的客戶組成。利用這些知識(shí)，Z 銀行現(xiàn)在能夠設(shè)計(jì)適當(dāng)?shù)你y行產(chǎn)品來(lái)滿足那些不同的客戶群體。然而，如果目標(biāo)客戶的選擇不明確，營(yíng)銷活動(dòng)往往花費(fèi)巨大而取得的實(shí)際效益不佳，甚至可能遭遇由于活動(dòng)響應(yīng)率太低而無(wú)法收回成本的境況。另一方面，用戶越來(lái)越看重個(gè)性化服務(wù)，對(duì)新的金融產(chǎn)品具有較大的需求。這些管理系統(tǒng)增加了公司采取的促銷活動(dòng)的數(shù)量，卻并不一定能改善促銷活動(dòng)的效率。所以，有效促銷活動(dòng)不在于數(shù)量的多少，而在于要在恰當(dāng)?shù)臅r(shí)機(jī)，通過(guò)恰當(dāng)?shù)姆绞?，向恰?dāng)?shù)挠脩敉其N恰當(dāng)?shù)漠a(chǎn)品。這不僅可以提升客戶的滿意度，增強(qiáng)客戶對(duì)公司的忠誠(chéng)度，而且可以降低客戶獲取費(fèi)用，增加營(yíng)銷活動(dòng)投資回報(bào)率，直接帶來(lái)公司效益的增加。 ORjBnOwcEd什么是營(yíng)銷響應(yīng)？營(yíng)銷響應(yīng)模型是一種預(yù)測(cè)模型。利用響應(yīng)模型來(lái)預(yù)測(cè)哪些客戶最有可能對(duì)營(yíng)銷活動(dòng)進(jìn)行響應(yīng)，這樣，當(dāng)以后有類似的活動(dòng)時(shí)，可以針對(duì)具有較高響應(yīng)可能性的客戶進(jìn)行相應(yīng)的營(yíng)銷活動(dòng)。2MiJTy0dTT如何提高營(yíng)銷響應(yīng)率？金融機(jī)構(gòu)應(yīng)當(dāng)在深入了解客戶需求和客戶特征的基礎(chǔ)上，制定營(yíng)銷策略，從而達(dá)到增加營(yíng)業(yè)收入和客戶滿意度的雙重目標(biāo)。所謂“知己知彼，百戰(zhàn)不殆”，建立在對(duì)客戶需求良好把握基礎(chǔ)之上極具針對(duì)性的營(yíng)銷將極大地提高營(yíng)銷活動(dòng)的成功率。 對(duì)誰(shuí)開(kāi)展?fàn)I銷活動(dòng)? ? 何時(shí)開(kāi)展?fàn)I銷活動(dòng)? ? uEh0U1Yfmh：營(yíng)銷活動(dòng)的四個(gè)要素 1選擇合適的客戶金融機(jī)構(gòu)對(duì)以往的營(yíng)銷數(shù)據(jù)進(jìn)行分析，采用決策樹(shù)等數(shù)據(jù)挖掘方法，識(shí)別出具有高響應(yīng)率的客戶的特征。據(jù)統(tǒng)計(jì)，通過(guò)減小目標(biāo)客戶的數(shù)量，通?？梢怨?jié)省25%40%的營(yíng)銷費(fèi)用，同時(shí)增加營(yíng)銷響應(yīng)率。通過(guò)使用每個(gè)用戶偏愛(ài)的方式與之接觸，也有利于提升客戶響應(yīng)率。3選擇合適的時(shí)間在當(dāng)今競(jìng)爭(zhēng)激烈的社會(huì)里，客戶有很多滿足自己需求的機(jī)會(huì)和選擇。這種事件驅(qū)動(dòng)的促銷方式，通常也可以取得較高的響應(yīng)率?；顒?dòng)計(jì)劃者需要根據(jù)實(shí)際情況，針對(duì)具體的客戶，選擇一個(gè)最優(yōu)的活動(dòng)次數(shù)，既使得客戶的各種需求得到較好的滿足，又避免因?yàn)檫^(guò)于頻繁的接觸而導(dǎo)致客戶的反感。需要在增加的成本和提高的響應(yīng)率帶來(lái)的收益之間尋找一個(gè)最優(yōu)點(diǎn)。通過(guò)選擇更有針對(duì)性地選擇客戶和根據(jù)客戶的需求和偏好來(lái)推廣促銷活動(dòng)，可以將促銷活動(dòng)的投資收益率提高25%50%。為此，分析人員收集了以往進(jìn)行類似產(chǎn)品的營(yíng)銷時(shí)公司執(zhí)行營(yíng)銷活動(dòng)的相關(guān)數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)挖掘應(yīng)用，計(jì)算客戶影響概率，得到客戶響應(yīng)率模型，進(jìn)而對(duì)客戶對(duì)新產(chǎn)品的響應(yīng)概率進(jìn)行預(yù)測(cè)。1）商業(yè)理解識(shí)別出可能響應(yīng)直接營(yíng)銷活動(dòng)的客戶，提高營(yíng)銷活動(dòng)的響應(yīng)率。利用直方圖、分布圖來(lái)初步確定哪些因素可能影響客戶響應(yīng)。其中是否響應(yīng)是預(yù)測(cè)的目標(biāo)變量，共有兩個(gè)屬性：否：客戶未響應(yīng)營(yíng)銷活動(dòng)；是：客戶響應(yīng)營(yíng)銷活動(dòng)。下圖是按照響應(yīng)與否察看收入與孩子數(shù)目之間的散點(diǎn)圖。同時(shí)考慮“孩子數(shù)目”和“收入”屬性，發(fā)現(xiàn)響應(yīng)比率與“收入”和“孩子數(shù)目”的比值相關(guān)，這個(gè)比值通常被成為“相對(duì)收入”。%。總的說(shuō)來(lái)，隨著孩子數(shù)目增加，客戶響應(yīng)率降低。在數(shù)據(jù)理解中發(fā)現(xiàn)，是否響應(yīng)與“收入”和“孩子數(shù)目”的比率有關(guān)，因此，派生出“相對(duì)收入”屬性，定義為：如果“孩子數(shù)目”為0，則“相對(duì)收入”＝“收入”；否則，“相對(duì)收入”＝“收入”/“孩子數(shù)目”。RT決策樹(shù)分類模型，以客戶屬性為輸入變量，以客戶是否響應(yīng)為目標(biāo)變量進(jìn)行分類。 BkeGuInkxI：部分?jǐn)?shù)據(jù)流圖 ，發(fā)現(xiàn)與客戶響應(yīng)相關(guān)的共有4條規(guī)則，與客戶不響應(yīng)相關(guān)的共有8條規(guī)則。 PgdO0sRlMo： 神經(jīng)網(wǎng)絡(luò)模型在輸入層、隱藏層和輸出層分別有20個(gè)、3個(gè)和2個(gè)神經(jīng)元。%。RT對(duì)是否響應(yīng)建模，得到的規(guī)則包括：，客戶傾向于不響應(yīng)；，需根據(jù)實(shí)際業(yè)務(wù)情況進(jìn)行解釋），沒(méi)有抵押貸款，且年齡小于等于45時(shí)，傾向于不響應(yīng)；，沒(méi)有抵押貸款，且年齡大于45的客戶響應(yīng)率高。其中“客戶響應(yīng)”表示目標(biāo)變量的真實(shí)值，$C響應(yīng)、$N響應(yīng)、$、神經(jīng)網(wǎng)絡(luò)、Camp。可見(jiàn)，%）最高。 h8c52WOngM：Camp。按照流失概率的高低排序，通過(guò)Clementine Solution Publisher發(fā)布。中國(guó)銀行業(yè)資產(chǎn)規(guī)模進(jìn)一步得到擴(kuò)張，但信貸過(guò)快增長(zhǎng)中潛在風(fēng)險(xiǎn)增大，不良貸款比