基于组合分类器的银行客户分类模型研究.pdfVIP

一发展战略 一现代管理科学 12010年第10期 ! 基于组合分类器的银行客户分类模型研究 ●李勇 许晓晓赵金涛 摘要：客户分类管理，对于银行有效地实施客户关系管理具有重要意义．由于目前分类准确度存在问题，如何有效地 对客户进行分类预测就戍了十分重要并亟待解决的课题。本文以银行丰富的客户基本信息以及交易行为为对象，建立客 户分类预测模型，改进单一或简单组合分类器模型，提出一种基于S01d聚类和决策树的组合分类嚣方法，建立了客户分 类预测模型并对模型进行优化，并探讨该模型的实际应用。 关键词：客户关系管理；客户分类；SOM；决策树；组合分类器 一．研究方法概述 簇内部指标的有效性的度量都基于簇凝聚度和簇离 本文采用数据挖掘技术对重庆某银行客户信息进行 散度。而簇的凝聚度通常以误差平方和SSE来度量；簇离 分析．采用SoM聚类方法对该银行已出现过风险的客户散度通常以总组间变差SSB来度量。相应公式如下： 进行基于风险程度的聚类．将客户分为中风险客户和高风 险客户．丽未出险风险的客户设为低风险客户。通过决策 sSE=乞dist(ci，x)2 XeC 树分类器方法对三种风险客户建立分类预测模型．得出对 其中c；表示簇C。的质心 该银行客户风险分类预测效果较好的分类模型。以便及时 K 有效的发现低风险和高风险客户．并对不同风险客户采取 总SSB=艺midist(ci，c)2 i-l 相关管理措施．以指导该银行的客户关系管理。 其中Ci表示簇C；的质心；c表示总体质心；mi表示簇 分类器技术是模式识别及机器学习的重要研究领域。 C；中有lni个个体。 通过研究发现。某些模式识别问题，通常有多个特征可用 3．决策树。决策树方法是较为常用的分类方法，它的 于表征和识别模式．如果特征之间的差异太大。则难以将 预测效果较好且以树形结构表示．树的节点处给出对结果 它们集中到单一分类器中进行决策。有效融合SOM与决预测起较为重要作用的属性。结果形象直观．便于获得更 策树分类的优势．是本文在技术改进方面研究的侧重点。 多的挖掘信息以及应用。C4．5方法是在国际上影响较大的 1．数据模型。数据模型是对客户风险聚类和建立客 决策树方法。闻此本文采用C4．5决策树方法，对客户建立 户风险分类预测的数据挖掘模型的前提和条件。 价值预测分类模型。 聚类数据模型主要属性包括客户代码(ID)、第一、二、 决策树C4．5算法采用信息增益率(Gain Ratio)作为决 三、四季度收益(C。。C2，C3，C4)及一年的收益(a11)，属性类 策树模型中的属性选择的测试条件．可有效避免传统方法 型均为interval。 中熵和Gini指标可能产生大量输出的测试条件的情况．提 分类数据模型主要属性(及属性类型)为客户ID 高模型的性能。研究中采用后剪枝方法，在该方法中。初始 (Nominal)、性别(Binary)、年龄(Interval)，以及年初余额、 决策树按照最大规模生长，然后进行剪枝的步骤，按照自 各季度笔数POS消费、金额POS消费、笔数柜台存款(均 底而上的方式修剪完全增长的决策树。当模型不能再改进 为Interval)。和风险客户分组groupl、g