基于关联规则的银行潜在客户挖掘研究.docVIP

基于关联规则的银行潜在客户挖掘研究-电子商务论文 基于关联规则的银行潜在客户挖掘研究 文／南楠 摘要：电子商务的迅速发展，电子理财产品的崛起，对传统银行的服务造成前所未有的冲击。针对在当前情况下银行如何有效保留老客户挖掘新客户进行研究，将FP-树频繁集算法引入到银行管理销售中，实际应用后表明效果良好，具有一定的实用价值。 关键词 ：银行服务；数据挖掘；关联规则；潜在客户 引言 伴随着互联网＋时代的到来，各种理财服务余额宝、P2P、社区银行、小型贷款等新兴金融服务业的崛起，对传统银行服务业带来了巨大冲击。在此浪潮下，银行服务模式的转变、体制的改革都是为了适应客户的需求，客户这个主体对象的流失将直接导致银行的亏损，甚至是破产。对此局面各个银行都提出了不同举措，围绕区域经济和目标客户的差异性特点，有针对性的拓展特色产品和业务，加大产品创新力度，在维持老客户的基础上，进一步从大量的客户资料中挖掘潜在客户提供专项服务提高银行自身竞争力，最终达到获取更高利润目的[1]。本文将关联规则改进后应用到银行客户数据挖掘中，并使用可视化界面实现挖掘结果，最终表明对银行制订专项营销策略提供有力支撑。 1、银行服务与关联规则 在市场多元化的背景下，现有银行的服务已受到巨大挑战。网络化、移动化趋势的不断加快，促使客户需要更高效、贴近的服务，虚拟支付方式的出现以其简单、直观、易操作的特点将传统银行的竞争力逐步消弱。面对此危机，各个银行不断拓宽业务，提出不同产品定位不同人群，同时发展线上线下两路客户群，提倡实行一对一、点到点的服务模式，争取固本求新。 海量的数据，盲目的营销策略是现有银行在大数据环境下面对的实际情况。银行的数据库每日大量的数据输入、检索、统计，但对数据隐含的有用信息却无从获知，例如对数据记录进行分析，针对不同客户办理业务时提供其感兴趣的金融服务，银行希望通过与客户交流沟通获取需求方向，第一步是明确客户目标，对有预期的客户提供服务与产品，同时改善自身营销方式，以达到保持老客户、发展新客户的目的。关联规则即是利用事务的不同属性和不同维度间关系，挖掘事务中数据间隐藏关系，在金融业中通过分析客户交易数据与相关属性，获取内在关联关系，预测客户未来会发生的交易行为，建立专项服务向客户有目的的提供理财产品、金融服务，从而提升银行客户的价值感[2]。 关联规则一般定义为挖掘事务集中数据间有意义的关系，设I={I1，I2??Im}是一组数据集，U是一组事务集。T是U中部分数据集组合表示一个事务，T∪I。T中有一个数据集A，如果A∪T，则称事务T支持数据集A。关联规则是如下形式的一种蕴含：A→B，其中A、B是两组数据集，A∪I，B∪I，且A∩B=ф。A是关联规则推导前提条件，B是推导出结果，一般通过4个指标来衡量[3]： （1）可信度 可信度就是在事务集组U中的数据集A中，有c%也包含数据集B，c%即称为关联规则A→B的可信度。简单来说就是在事务T中出现A后，出现B的概率有多大。 （2）支持度 支持度就是在事务集组中同时出现数据集A和B的概率，一般用s%表示。 （3）期望可信度 期望可信度指在事务集组U中数据集B出现的概率，一般用e%表示。 （4）作用度 作用度是指可信度与期望可信度的比值。 关联规则中支持度描述了事务发生的概率大小，可信度描述了关联规则的准确度，作用度表明这条关联规则的意义，当可信度与期望可信度的比值大于1时，表明次关联规则是有实用意义的，反之则无意义。一般情况下，挖掘前都要给出两个阈值：最小支持度和最小可信度，挖掘出的关联规则的支持度与可信度都应大于二者的最小值。 2、改进挖掘流程 2.1 传统数据挖掘流程 传统的数据挖掘流程主要是从算法技术实现的角度来设置挖掘流程，没有与相应的适用环境接轨，无专业知识的渗透涉及，所得出的结果不是片面就是毫无用处，一般的处理流程如图1所示： 2.2 改进数据挖掘流程 数据挖掘的流程应该根据适用场所的不同专门设计，本文中主要是对银行潜在客户进行挖掘，获得最佳的银行金融产品销售策略，选择的方法是关联规则挖掘，因此结合算法和专业知识，把上述传统流程予以改进，得到一个商业问题转化为数据信息挖掘后结果再转化成可实施的决策方案的新型挖掘流程。具体流程如图2所示： 图2的数据模型设计时考虑到客户的独有属性，并在相关属性中选择具有代表的特征值进行挖掘，分析推导出的关联规则即要确保老客户不会流失，同时挖掘出潜在的目标客户，得出的营销策略也将