误分类模式在券商客户管理中的应用.docVIP

误分类模式在券商客户管理中的应用【摘要】证券市场的竞争日益激烈,如何准确判断出顾客未来的流失趋势,减少证券公司的客户关系维持成本,进而提高客户关系管理的效率就显得尤为重要。通过一种顾客流失预测的误分类模式,可以对证券公司的顾客进行分类管理,从而可以更加主动地应对顾客的流失情况 【关键词】误分类 券商 客户管理 流失预测 研究现状分析 证券市场的竞争日益激烈,国内券商的经营思路也由原来的以“销售为核心”的经营模式转向以“客户为核心”的经营模式。因此,如何提高客户关系管理的效率就显得尤为重要。给客户进行分类便是一种有效的客户关系管理的方法。客户分类是企业了解客户的重要手段,它基于企业对客户具有的价值的认知, 将客户划分为不同的重要等级,并以此制定客户的差别化服务政策, 通过政策的实施将客户分类的结果作用于企业实践① 对证券公司顾客进行分类的方式有很多。比如按照客户贡献的手续费多少及比重分类;按照顾客累积贡献判断分类;根据顾客的交易活跃度和投资收益率结合起来判断分类;按照投资周期或者投资地域分类;按照投资偏好进行分类等②。这些分类方式比传统的分类方式有了改进,可以改善公司客户关系管理的效率。然而,这些分类方式只能被动地等待着某些有流失可能的顾客流失,然后采取挽留措施。根据顾客的某些属性及其组合情况是可以有效地预测出顾客未来的流失倾向,从而可以更加主动地针对不同未来流失状态的顾客来制定不同的管理策略,避免不必要的顾客流失 误分类方法分析 误分类的样本一直被认为是不利的信息,很少被人研究。研究中所采用的证券公司顾客的相关数据既是训练集,又是检测集,因此使用了交叉验证方法。将数据样本分成十份相互独立的子样本来进行交叉验证。实证中大多数的流失顾客和非流失顾客会被神经网络流失预测体系正确地分类。然而也会出现某些流失顾客被分类成为非流失顾客,以及非流失顾客被分类成流失顾客的情况,也就是误分类了。非流失顾客被神经网络模型分类成为流失顾客说明这些顾客将来流失的可能比那些被分类成为非流失顾客的可能要大。因此,目前的流失顾客和非流失顾客根据他们被模型分类后的流失状态,分别再分成为两个子类。也就是说,本公司的两类顾客将被分成以下四组: 第一组:尚未流失的顾客,并且预测也不会流失; 第二组:尚未流失的顾客,但是预测会流失; 第三组:已经流失的顾客,但是预测可以挽回的顾客; 第四组:已经流失的顾客,并且预测不可以挽回的顾客 实证分析 数据描述。研究所使用的数据,是从某个证券公司的数据库中抽样获取的。其中,非流失顾客是在公司时间超过一年的顾客,而流失顾客是公司最近三个月内流失的顾客。研究在留下的1000名顾客中展开。通过他们被流失预测模型所预测的结果来决定对他们的管理策略。把这些顾客分成两组:已流失的顾客和尚在公司的顾客。顾客的流失状态作为顾客流失预测模型的因变量 用于分析的数据包含大量属性,其中含有一些与流失预测任务不相关的数据。通过使用卡方检验来进行相关性检验后,研究中选择了以下的9个变量作为神经网络的输入变量:顾客年龄、最高学历、总资产、每个月的平均交易次数、离证券公司的距离、交易方式、炒股年限、佣金以及购买本公司其他理财产品的种类 客户分类。神经网络在1000个顾客中分别进行十层交叉验证训练,其中有700个非流失顾客和300个流失顾客。该训练分别是在10个不同的子样本数据上面循环进行的,在分成的10组子样本中,先在9个样本中进行训练,剩下的1个样本进行检测。为了检验分类的精确度,在每一次的抽样中使用了10%的顾客作为检测集来检测每一次训练过的神经网络的精确性。这样,神经网络准确分类出了60%-84%的非流失顾客和65%-86%的流失顾客,平均分类的准确度为65%-80%。(见下表) 客户细分。根据每位顾客的有效性验证的结果,把所有的顾客分为四个组群。表格2显示了对本公司现有顾客进行市场细分的结果。在本公司的700名抽样的老顾客中,511名顾客被正确的分类成为非流失顾客,189名顾客被神经网络误分类成为流失顾客。同样地,在本公司抽样的近几个月流失的300名顾客中,有69名顾客被神经网络误分类成为非流失顾客,231名顾客被神经网络正确地分类在流失顾客中。(见下表) 在对本公司抽样的顾客进行细分之后,推断出了每一组顾客的特征,并且提出相对应的管理方案。为了推断出每一组顾客的特征,研究中对比了第一组和第二组顾客的特征值,同样地对比了第三组和第四组顾客的特征值。使用了卡方检验来检验对比的两组顾客所有的输入变量,看他们是否有显著的不同。为了使变量可以进行卡方检验,把不连续的输入变量改为顺序变量。这样做之后,就可以发现第一组和第二组顾客哪些属性值有显著的不同,同样地也可以看到第三组