大数据时代数据挖掘在银行客户关系管理中应用及研究.pdfVIP

大数据时代数据挖掘在银行客户关系管理中的应用研究 贺本岚1，2 （1 中国科学院大学博士后科研流动站 北京 100190） （2 中国工商银行博士后科研工作站 北京 100032） 摘 要：当前，人类迈入“大数据”时代。我国商业银行建立了涵盖银行全部业务的数据仓库系统， 拥有海量数据，但对数据的利用还远远不够深入。随着金融脱媒、利率市场化的进一步推进，商业银行之 间的竞争焦点由产品的竞争转变为争夺客户的竞争。商业银行要获取客户就需要从海量客户数据中挖掘出 信息和规律来加强客户关系管理。本文设计了数据挖掘在客户关系管理中的应用模型，对数据挖掘在银行 客户关系管理中的应用文献进行了综述，并介绍了其在商业银行中的应用现状。 关 键 词：大数据；商业银行；数据挖掘；客户关系管理 1 引言 当前，人类社会已经迈入“大数据”时代，信息技术高速发展。我国商业银行基本完成数据大集中工 程，建立了涵盖银行全部业务的数据仓库系统，银行的客户资料、交易数据、管理数据等业务数据以及后 台信息系统服务数据呈爆炸式增长。尽管已经积累了大量的数据，但商业银行对数据的利用还远远不够深 入，出现“数据丰富但信息贫乏”的局面。如何利用好这些数据，从中提取出有益于商业银行经营和决策 的信息给我国银行业带来巨大的挑战。  同时，随着金融脱媒、利率市场化的进一步推进，面对互联网金融带来的冲击，银行传统的商业模式 发生了巨大变化，银行之间的竞争也日趋激烈。其竞争焦点由产品的竞争转变为争夺客户的竞争，拥有客 户也就意味着拥有了市场，就能在激烈的竞争中取胜。因此，客户关系管理正越来越受到银行的重视。  面对上述内外部环境的双重挑战，商业银行要获取客户，就需要深入了解客户的偏好，明晰客户需求。 数据挖掘正是达到这一目的实现有效客户关系管理的关键技术，商业银行可以从海量的客户数据中挖掘出 有价值的信息和规律，预测出客户的需求和偏好，建立合适的模型使客户价值最大化，防止客户流失，从 而为客户提供有针对性的产品和服务，打造不可复制的核心竞争力。因此研究数据挖掘技术在客户关系管 理中的应用具有重要的意义和作用。  2 客户关系管理与数据挖掘方法简介 客户关系管理是一个获取、保持和增加可获利客户的方法和过程，认为客户是企业最重要的资产，通 过提高客户忠诚度可最终提高企业的利润率。商业银行通过实施客户关系管理，提升业务流程管理，提供 更快速、周到的优质服务，可降低银行成本，吸引和保持更多客户。要实施客户关系管理，商业银行可对 客户资料进行深入分析，根据“一对一”营销原则，满足客户的个性化需求，提高客户忠诚度和保有率， 从而实现客户价值持续最大化，提升商业银行竞争力。  数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的但又是潜在 有用的信息和知识的过程[1] 。数据挖掘与传统的数据分析不同，数据挖掘是在没有确定假设的前提下去挖 掘信息、发现知识，其目的不在于验证某个假定模式的正确性，而是自己在数据库中找到模型。商业银行 利用数据挖掘方法对客户数据进行科学的分析，发现其数据模式及特征、存在的关联关系和业务规律，并 根据现有数据预测未来业务的发展趋势，对商业银行管理、制定商业决策、提升核心竞争力具有重要的意 义和作用。  数据挖掘主要分为五类模型：分类、聚类、关联、预测和序列发现。其中，分类模型是根据已有数据 的类特征判断未知数据的类，它与普通预测结果不同，其预测的结果是类别，主要包括决策树、KNN法、 SVM法、VSM法、Bayes法、神经网络等方法。聚类模型是将数据对象分组成多个类，使得同一类中的对象 1    之间具有较高相似性，而不同类的对象差别较大，聚类技术包括划分方法、层次方法、基于密度的方法、 基于网格的方法和基于模型的方法等[2] 。关联分析是从大量数据中发现项集之间的关联或相关联系，关联 A B ⇒ 规则挖掘首先找出频繁项集，然后产生形如 的强关联规则。预测模型则是根据已有数据通过模型 的训练学习，发现规律和趋势，推测未来目标数据值，方法包括线性回归、多元回归、非