数据挖掘在互联网金融客户关系管理中的应用分析..docxVIP

数据挖掘在零售银行客户关系管理中的应用分析 蔡洋萍 （湖南农业大学经济学院 湖南 长沙 410128）摘要：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。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。研究分析大数据时代零售银行客户关系管理，重点分析大数据技术在零售银行客户获取、客户情绪分析、客户行为预测、客户市场细分当中的应用。关键词：数据挖掘 零售银行 客户关系管理 在我国利率市场化进程不断推进的背景下，长期以往以经营传统对公存贷业务为重心的商业银行利润空间将因利差收益缩窄而营收面临考验，商业银行不得不从新思索新的经营方向与营收来源。从国际商业银行的发展历程演变看，零售银行业务将是我国商业银行新的利润增长点。但是，随着我国互联网金融在“草根”阶层的深化，商业银行面临来自利率市场化与互联网企业跨界开展金融业务的双重挑战。因此，长期以来粗放式经营零售业务的商业银行不得不开始思索其零售银行业务如何转型与发展。当前，尽管商业银行已经积累了大量的数据，但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。一、客户关系管理与数据挖掘概念（一）客户关系管理客户关系管理（CRM）一词起源于美国，是由美国营销之父——Gartner Group 提出来的。Gartnet Group 认为客户关系管理就是企业为应对竞争和留存客户，努力改善自身的经营管理，与客户进行关系的维护和交流，实现利润的最大化和长期的发展。因此，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。金融企业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，可降低企业成本，吸引和保持更多客户。以兴业银行为例，自2005年起，兴业银行先后开发了个人营销服务系统、企业级客户信息交换系统、零售银行财富规划系统等一系列的CRM相关系统，并对原有的客户服务中心系统进行了向CRM功能的转型升级，从而形成了初具规模的零售业务CRM系统群。（二）数据挖掘技术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。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。金融企业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。见表1：表1：数据挖掘五类模型数据挖掘模型简介分类模型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。聚类模型将数据对象分组成多个类，使得同一类中的对象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。关联分析模型从大量数据中发现项集之间的关联或相关联系，关联规则挖掘首先找出频繁项集，然后产生形如A?B的强关联规则。预测模型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、非线性回归等。序列发现模型与关联分析相似，二者不同之处在于序列发现中事件数据间关联性与时间相联系。即，不仅需知道序列事件是否发生，而且需同时确定事件发生的时间。资料来源：根据银联信资料整理二、数据挖掘在客户关系管理中的应