论文部分内容阅读
摘要:随着金融市场竞争的加剧和消费者的需求日趋个性化,如何在快速多变的市场中保持老客户与争取新客户成为关乎各类银行成长和发展的关键,以客户为中心的客户关系管理(CRM)思想就是在这样的环境和变化中逐渐为银行重视与推崇。然而,如何成功地实施一个CRM项目,关键在于如何对客户与银行交互过程中的各种数据进行收集、分析,挖掘出隐含在数据中的有用信息,然后用分析所得的知识做出决策。这就需要先进的技术和工具的支持,数据挖掘的出现为银行CRM的实施提供了良好的技术支持,着眼于对数据挖掘技术在银行CRM客户生命周期的四个阶段中的具体应用。
关键词:数据挖掘;客户关系管理;银行CRM;客户生命周期
中图分类号:F832.2文献标志码:A文章编号:1673-291X(2009)20-0112-02
一、引言
在当前市场环境中,作为提供金融服务产品的银行业, 面临着多方面的压力和挑战。银行服务的客户数量是衡量银行业务开展的重要指标,当前的客户已不再是被动的身份,面对诸多的选择,服务不好就会导致客户的流失。从国内银行的竞争上看,在现行的市场游戏规则下,各家银行都提供相似的服务,在人员、资金和技术上已不是决定竞争实力的关键,重点在于管理, 特别是基于对客户了解和分析的客户关系管理。
二、CRM与数据挖掘技术简介
客户关系管理(CRM)不仅是一种通过完善的客户服务和深入的客户分析来满足客户的需求,保证实现客户终身价值的管理理念,而且是一种旨在改善企业与客户之间关系的新型管理机制,使企业从“以产品为中心”向“以客户为中心”的模式转移,即企业关注的焦点是从内部运作转移到客户关系上来。
很多银行花大力气去积累有关客户的信息,但并不能有效地进行客户关系管理。因为信息只是一些原材料,需经过组织、分析并理解后,才可以用来构建有关客户的知识,进而指导银行的市场、销售、客户服务等各个环节,提高银行的效率和效益。但银行如何管理和分析大量、复杂的客户信息,从中找出对自身管理决策有价值的信息和知识,则需要有先进的技术和工具的支持,数据挖掘等新兴技术的出现,则为银行CRM的实现提供了良好的支持。
数据挖掘(DM)是个比较广泛的概念。广义的数据挖掘指的是一般性数据分析,它既包括统计分析方法,也包括挖掘方法。狭义的数据挖掘则是指基于非线性关系的数据分析方法。数据挖掘是信息技术发展到一定阶段的必然产物,是从数据库、数据仓库或其他信息库的大量数据中,挖掘出有用的知识的一个过程。
如果从银行角度说,数据挖掘则是一种新的客户信息处理技术,其主要特点是对银行数据库中的大量业务数据进行抽取、转换、分析和其他模式处理,从中提取出能辅助银行决策的关键性数据。因此,数据挖掘可被定义为:是提取有用信息和知识的数据产生过程,是从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的知识和规则,并能够根据已有的信息对未来所发生行为做出预测,为银行经营决策提供依据的过程。
三、数据挖掘技术在银行CRM中的应用
在银行CRM 中,数据挖掘应用广泛。如金融市场分析和预测、账户分类、信用评估等。这些金融业务都需要收集和处理大量数据,数据挖掘可通过对这些已有数据的分析和处理,找到数据对象的特征和对象之间的关系,并可观察到金融市场的变化趋势,然后利用挖掘出的知识进行合理地分析预测,进而发现潜在客户及现有客户的金融和商业兴趣等。数据挖掘在银行CRM中的应用模型如下图所示:
CRM最简单的含义可理解为:管理所有与客户的相互作用。在实践中,需要在客户关系的各个阶段使用与客户相关的信息来预测客户的行为。我们将客户关系的各个阶段定义为客户生命周期。客户生命周期包括四个阶段:一是获取客户,二是提高客户价值,三是保持高效益客户,四是防止客户流失。数据挖掘技术在CRM的不同生命周期具有不同的作用:
(一)利用聚类分析方法进行客户分类,获取客户
发现和开拓新客户对于任何一家银行来说至关重要。客户分类又称为客户细分,是将大量的客户分成不同的类型,同一类型的客户拥有某些相似的属性,如背景资料、盈利能力、消费偏好等。通过客户细分,可使银行准确把握现有客户的状况,针对每类客户使用不同的营销方式或提供不同的服务,使银行以最小的投入获得最大的回报。
聚类分析方法是通过无指导学习,按最大化类内部的相似性、最小化类之间的相似性的原则,自动对数据分类。对于客户关系管理系统中的大量数据,管理人员常常希望能得到有意义的提示,以做出正确的客户分类判断。此时,使用聚类分析结果,先给出多个不同的相对较大的类划分,然后再进行精确划分。通过聚类分析,银行往往可以发现客户的群体行为,发现客户的共性,掌握他们的投资理念,从而提供针对性的服务,提高银行服务的成功率。还可以通过分类或聚类分析对客户进行群分后,再由模式分析预测哪些人可能成为其客户,以帮助管理人员找到潜在客户。例如,银行如果要进行一次直接邮递推广活动,我们可以根据对目标市场客户群体的识别更加具有针对性,只寄出少量的信件,就可得到很高的回应率。由于避免了传统的撒网式促销,虽然减少了直接邮递的数量,却能增加盈利。这样,我们不仅减少了对那些不符合特征客户的打扰,而且还能够极大地增加投资的回报率。
(二)利用关联分析方法进行交叉销售,提高客户价值
交叉销售就是指银行通过和客户交流,向现有客户提供新产品和新服务,从而保持现有客户资源、提升现有客户价值的销售方式,它建立在银行和客户双赢的基础之上。关联分析则是给定一组或一个记录集合,通过分析记录集合,推导出其相关性,目的是为了挖掘出隐含在数据间的相互关系。银行利用关联分析方法分析客户的交易行为与其他属性(如客户的年龄、性别、教育程度、职业等)的关联关系,即寻找影响客户交易行为的因素,并建立预测模型对客户将来可能发生的交易行为进行预测,分析哪些客户最有可能对银行的服务感兴趣,会对哪些金融产品感兴趣,哪些理财产品或服务通常会一起发生在同一次交易里,从而实施有效的交叉销售,提高银行的客户价值。
如果银行通过交叉销售方式来实现销售量的增加,以下两个步骤通常是必须要遵循的。一是通过聚类分析实现客户细分,锁定交叉销售所要面对的目标客户;二是通过关联分析确定最优的销售组合,并向相应的客户展开交叉销售。
(三)利用分类法保留客户,提高客户忠诚度
数据分类是通过在训练集上针对某一属性进行类划分,建立描述并区分数据类或概念的模型,再使用该模型对数据集进行划分。随着各个行业竞争的加剧,银行获得新客户的成本正在不断地上升,因此,保持原有客户对所有企业来说,显得至关重要。而且企业争取一个新客户的成本是保留一个老客户的7—10倍,因此,企业最关心的话题是如何才能留住客户,尤其是那些“优质客户”(在广义上,优质客户就是那些虽然仅仅占全部人数的20%,但为银行创造80%效益的客户),增加客户对企业的忠诚度。
银行为留住老客户,就必须了解客户的需求。可以假设类标号属性是“顾客是否流失”,再利用数据挖掘工具对大量的客户资料进行分析,建立数据模型,确定客户的交易习惯、交易额度和交易频率,分析客户对某个产品的忠诚程度、持久性等,即确定每类客户的特征,对客户群进行分类,从而为他们提供个性化定制服务,以提高客户忠诚度,最大程度地保持住老客户。
(四)利用孤立点分析法发现客户异常行为,防止客户流失
孤立点是数据集中与一般数据模型不相符合的那些数据。一般情况下,在数据被导入数据仓库前,应该经过数据清理,以消除不一致的情况。但是,在实际应用中,往往会发现一些客观存在的、非操作人员的人为因素而导致的异常数据。对于这些异常数据,我们无法按一般可行的分类规则对其进行划分,也无法通过聚类的方法将其与其他数据建立有效的联系,但这些数据往往包含着实际的应用价值。
客户流失是银行难以控制的常见问题,流失现象会给银行带来很多不利影响。在客户关系管理系统中,利用孤立点分析法,除了可用于欺诈发现外,还可发现客户的异常行为,从而使银行减少和避免不必要的客户流失。比如,我们为客户账户的日常行为(如发生额、业务笔数)设立一个阀值,客户账户的日常行为都应该在此阀值之中,如果某账户的日交易金额或日交易笔数超过了该阀值,表明该账户出现了异常行为,有可能成为流失客户。工作人员应及时分析原因,采取一定的措施挽留住该客户。
在客户生命周期的整个过程中,各个不同阶段都包含许多重要的事件,数据挖掘还可以用于判断客户所处的生命周期状态,并可预测客户进入客户生命周期下一阶段的时间以及客户的行为。银行对客户生命周期各个阶段的准确把握与管理,有利于根据客户的状态采取相应的交叉销售或增值销售等市场活动,从而实现银行的最高利润。
四、结论
“谁拥有客户信息,谁就拥有未来”。中国银行行长经济顾问、中国银行国际金融研究所所长朱民博士说:“国内银行业的经营体制20 年前以产品为中心,10 年前以市场为中心,现在以客户为中心,未来将会以客户信息为中心”。在银行 CRM 中有效利用数据仓库和数据挖掘等现代信息技术,可以为银行高层决策者提供准确的客户分类、忠诚度、盈利能力以及潜在用户等有用信息,指导他们制定最优的银行营销策略,降低银行运营成本,增加利润以及加速银行的发展。
参考文献:
[1]Jiawei Han,Micheline Kamber.数据挖掘:概念与技术(原书第2版)[M].范明,孟小峰,译.北京:机械工业出版,2007:3.
[2]方蕾,王金桃.数据挖掘在客户生命周期中的应用研究[J].武汉理工大学学报:信息与管理工程版,2008,30(4):613-615.
[3]王实,等.银行业CRM理论与实务[M].北京:电子工业出版社,2005.
[4]于海峰.基于数据仓库的银行客户关系管理系统的研究[D].合肥:合肥工业大学,2004.
[责任编辑 张宇霞]
关键词:数据挖掘;客户关系管理;银行CRM;客户生命周期
中图分类号:F832.2文献标志码:A文章编号:1673-291X(2009)20-0112-02
一、引言
在当前市场环境中,作为提供金融服务产品的银行业, 面临着多方面的压力和挑战。银行服务的客户数量是衡量银行业务开展的重要指标,当前的客户已不再是被动的身份,面对诸多的选择,服务不好就会导致客户的流失。从国内银行的竞争上看,在现行的市场游戏规则下,各家银行都提供相似的服务,在人员、资金和技术上已不是决定竞争实力的关键,重点在于管理, 特别是基于对客户了解和分析的客户关系管理。
二、CRM与数据挖掘技术简介
客户关系管理(CRM)不仅是一种通过完善的客户服务和深入的客户分析来满足客户的需求,保证实现客户终身价值的管理理念,而且是一种旨在改善企业与客户之间关系的新型管理机制,使企业从“以产品为中心”向“以客户为中心”的模式转移,即企业关注的焦点是从内部运作转移到客户关系上来。
很多银行花大力气去积累有关客户的信息,但并不能有效地进行客户关系管理。因为信息只是一些原材料,需经过组织、分析并理解后,才可以用来构建有关客户的知识,进而指导银行的市场、销售、客户服务等各个环节,提高银行的效率和效益。但银行如何管理和分析大量、复杂的客户信息,从中找出对自身管理决策有价值的信息和知识,则需要有先进的技术和工具的支持,数据挖掘等新兴技术的出现,则为银行CRM的实现提供了良好的支持。
数据挖掘(DM)是个比较广泛的概念。广义的数据挖掘指的是一般性数据分析,它既包括统计分析方法,也包括挖掘方法。狭义的数据挖掘则是指基于非线性关系的数据分析方法。数据挖掘是信息技术发展到一定阶段的必然产物,是从数据库、数据仓库或其他信息库的大量数据中,挖掘出有用的知识的一个过程。
如果从银行角度说,数据挖掘则是一种新的客户信息处理技术,其主要特点是对银行数据库中的大量业务数据进行抽取、转换、分析和其他模式处理,从中提取出能辅助银行决策的关键性数据。因此,数据挖掘可被定义为:是提取有用信息和知识的数据产生过程,是从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的知识和规则,并能够根据已有的信息对未来所发生行为做出预测,为银行经营决策提供依据的过程。
三、数据挖掘技术在银行CRM中的应用
在银行CRM 中,数据挖掘应用广泛。如金融市场分析和预测、账户分类、信用评估等。这些金融业务都需要收集和处理大量数据,数据挖掘可通过对这些已有数据的分析和处理,找到数据对象的特征和对象之间的关系,并可观察到金融市场的变化趋势,然后利用挖掘出的知识进行合理地分析预测,进而发现潜在客户及现有客户的金融和商业兴趣等。数据挖掘在银行CRM中的应用模型如下图所示:
CRM最简单的含义可理解为:管理所有与客户的相互作用。在实践中,需要在客户关系的各个阶段使用与客户相关的信息来预测客户的行为。我们将客户关系的各个阶段定义为客户生命周期。客户生命周期包括四个阶段:一是获取客户,二是提高客户价值,三是保持高效益客户,四是防止客户流失。数据挖掘技术在CRM的不同生命周期具有不同的作用:
(一)利用聚类分析方法进行客户分类,获取客户
发现和开拓新客户对于任何一家银行来说至关重要。客户分类又称为客户细分,是将大量的客户分成不同的类型,同一类型的客户拥有某些相似的属性,如背景资料、盈利能力、消费偏好等。通过客户细分,可使银行准确把握现有客户的状况,针对每类客户使用不同的营销方式或提供不同的服务,使银行以最小的投入获得最大的回报。
聚类分析方法是通过无指导学习,按最大化类内部的相似性、最小化类之间的相似性的原则,自动对数据分类。对于客户关系管理系统中的大量数据,管理人员常常希望能得到有意义的提示,以做出正确的客户分类判断。此时,使用聚类分析结果,先给出多个不同的相对较大的类划分,然后再进行精确划分。通过聚类分析,银行往往可以发现客户的群体行为,发现客户的共性,掌握他们的投资理念,从而提供针对性的服务,提高银行服务的成功率。还可以通过分类或聚类分析对客户进行群分后,再由模式分析预测哪些人可能成为其客户,以帮助管理人员找到潜在客户。例如,银行如果要进行一次直接邮递推广活动,我们可以根据对目标市场客户群体的识别更加具有针对性,只寄出少量的信件,就可得到很高的回应率。由于避免了传统的撒网式促销,虽然减少了直接邮递的数量,却能增加盈利。这样,我们不仅减少了对那些不符合特征客户的打扰,而且还能够极大地增加投资的回报率。
(二)利用关联分析方法进行交叉销售,提高客户价值
交叉销售就是指银行通过和客户交流,向现有客户提供新产品和新服务,从而保持现有客户资源、提升现有客户价值的销售方式,它建立在银行和客户双赢的基础之上。关联分析则是给定一组或一个记录集合,通过分析记录集合,推导出其相关性,目的是为了挖掘出隐含在数据间的相互关系。银行利用关联分析方法分析客户的交易行为与其他属性(如客户的年龄、性别、教育程度、职业等)的关联关系,即寻找影响客户交易行为的因素,并建立预测模型对客户将来可能发生的交易行为进行预测,分析哪些客户最有可能对银行的服务感兴趣,会对哪些金融产品感兴趣,哪些理财产品或服务通常会一起发生在同一次交易里,从而实施有效的交叉销售,提高银行的客户价值。
如果银行通过交叉销售方式来实现销售量的增加,以下两个步骤通常是必须要遵循的。一是通过聚类分析实现客户细分,锁定交叉销售所要面对的目标客户;二是通过关联分析确定最优的销售组合,并向相应的客户展开交叉销售。
(三)利用分类法保留客户,提高客户忠诚度
数据分类是通过在训练集上针对某一属性进行类划分,建立描述并区分数据类或概念的模型,再使用该模型对数据集进行划分。随着各个行业竞争的加剧,银行获得新客户的成本正在不断地上升,因此,保持原有客户对所有企业来说,显得至关重要。而且企业争取一个新客户的成本是保留一个老客户的7—10倍,因此,企业最关心的话题是如何才能留住客户,尤其是那些“优质客户”(在广义上,优质客户就是那些虽然仅仅占全部人数的20%,但为银行创造80%效益的客户),增加客户对企业的忠诚度。
银行为留住老客户,就必须了解客户的需求。可以假设类标号属性是“顾客是否流失”,再利用数据挖掘工具对大量的客户资料进行分析,建立数据模型,确定客户的交易习惯、交易额度和交易频率,分析客户对某个产品的忠诚程度、持久性等,即确定每类客户的特征,对客户群进行分类,从而为他们提供个性化定制服务,以提高客户忠诚度,最大程度地保持住老客户。
(四)利用孤立点分析法发现客户异常行为,防止客户流失
孤立点是数据集中与一般数据模型不相符合的那些数据。一般情况下,在数据被导入数据仓库前,应该经过数据清理,以消除不一致的情况。但是,在实际应用中,往往会发现一些客观存在的、非操作人员的人为因素而导致的异常数据。对于这些异常数据,我们无法按一般可行的分类规则对其进行划分,也无法通过聚类的方法将其与其他数据建立有效的联系,但这些数据往往包含着实际的应用价值。
客户流失是银行难以控制的常见问题,流失现象会给银行带来很多不利影响。在客户关系管理系统中,利用孤立点分析法,除了可用于欺诈发现外,还可发现客户的异常行为,从而使银行减少和避免不必要的客户流失。比如,我们为客户账户的日常行为(如发生额、业务笔数)设立一个阀值,客户账户的日常行为都应该在此阀值之中,如果某账户的日交易金额或日交易笔数超过了该阀值,表明该账户出现了异常行为,有可能成为流失客户。工作人员应及时分析原因,采取一定的措施挽留住该客户。
在客户生命周期的整个过程中,各个不同阶段都包含许多重要的事件,数据挖掘还可以用于判断客户所处的生命周期状态,并可预测客户进入客户生命周期下一阶段的时间以及客户的行为。银行对客户生命周期各个阶段的准确把握与管理,有利于根据客户的状态采取相应的交叉销售或增值销售等市场活动,从而实现银行的最高利润。
四、结论
“谁拥有客户信息,谁就拥有未来”。中国银行行长经济顾问、中国银行国际金融研究所所长朱民博士说:“国内银行业的经营体制20 年前以产品为中心,10 年前以市场为中心,现在以客户为中心,未来将会以客户信息为中心”。在银行 CRM 中有效利用数据仓库和数据挖掘等现代信息技术,可以为银行高层决策者提供准确的客户分类、忠诚度、盈利能力以及潜在用户等有用信息,指导他们制定最优的银行营销策略,降低银行运营成本,增加利润以及加速银行的发展。
参考文献:
[1]Jiawei Han,Micheline Kamber.数据挖掘:概念与技术(原书第2版)[M].范明,孟小峰,译.北京:机械工业出版,2007:3.
[2]方蕾,王金桃.数据挖掘在客户生命周期中的应用研究[J].武汉理工大学学报:信息与管理工程版,2008,30(4):613-615.
[3]王实,等.银行业CRM理论与实务[M].北京:电子工业出版社,2005.
[4]于海峰.基于数据仓库的银行客户关系管理系统的研究[D].合肥:合肥工业大学,2004.
[责任编辑 张宇霞]