论文部分内容阅读
随着互联网技术的迅猛发展和全球数据量的急速攀升,人类已经步入“大数据”时代。对我国商业银行而言,面对互联网企业的竞争以及即将到来的利率市场化挑战,只有从客户需求出发,对客户进行深入了解,为客户提供优质的产品和服务,才能在变革中保持领先地位。 为帮助商业银行深入了解客户,将大量客户真实数据转化为企业价值,本文综合运用多种数据挖掘技术,构建了商业银行高端客户细分模型,并采用我国某商业银行的真实数据进行实证分析。在模型建立过程中,首先通过引入最小关注客户群尺寸参数(m*)对K-means聚类方法进行改进,实现了客户类型的识别;随后,利用聚类分析与决策树组合数据挖掘模型对高端客户的行为特征进行了细化分析;最后,首次将分配规律数据挖掘算法应用于商业银行金融资产配置,探索出客户金融资产配置的规律,并通过识别潜在的具有类似特征的客户拟定营销方案。 通过对商业银行的真实客户数据进行实证分析,本文得到以下结论:商业银行高端客户可主要分为三种类型——“核心价值型”、“理财增值型”和“现金实用型”;对三个客户类别影响显著的驱动因素分别是“存款占比”、“是否购买过短期理财产品”以及“是否购买过单笔300万以上理财产品”;仅以“理财增值型”客户为例,客户在资金配置过程中存在以下规律:1)当客户将自身财富的3-7%投入存款、1-14%投入其他三项,将有不低于28%的置信度确定客户会将82-95%的财富投入理财产品;2)当客户将自身财富的77%投入理财、14%投入其他三项,将有25%的置信度确定客户会将9%的财富投入存款。同时,根据分配规律挖掘出的规律对商业银行高端客户进行有针对性的营销后,六个月后对客户进行跟踪观察,实现存款新增940余万元,证明了该模型的有效性。