数据挖掘在信用卡客户精准营销中应用.docVIP

数据挖掘在信用卡客户精准营销中应用 　　摘要：随着大数据时代的到来和计算机技术和互联网技术的不断发展，商业银行如何在竞争中获胜，取决于能否在庞大的客户数据中挖掘出可创造高利润值的优质客户。本文基于对数据挖掘在商业银行信用卡客户的应用研究进行了探讨。首先，对数据挖掘在商业银行信用卡业务中的相关概念、特征与具体过程进行研究。其次，就我国目前的商业银行的实际情况，对信用卡客户的数据挖掘提出了几条应注意的事项。最后，提出了数据挖掘技术可望为银行带来丰厚回报。 　　关键词：数据挖掘 信用卡 精准营销 商业银行 　　商业银行历来以庞大的客户群体为自身业务发展的重要依托，随着大数据时代的到来，大量客户信息，包括客户基本信息、交易信息等原始数据，以及由原始数据衍生而来的消费行为分析、需求偏好等深度挖掘得到的数据更是对客户持续进行营销，特别是改变传统的“广种薄收”方式，实现精准营销的重要基础。现代社会随着计算机技术和互联网技术的不断发展，进入了信息革命和信息爆炸的时期，信息技术在现代银行经营业务中得到了普遍应用。银行在日常经营过程中会产生大量的客户信息，尤其是商业银行客户中的信用卡客户，往往是商业银行较一般客户群体更为活跃、更为优质、贡献度更大的客户群体，此类客户的基础信息比一般储蓄客户信息丰富，也奠定了商业银行对该类群体信息进行数据挖掘的基础。 　　一、数据挖掘概念、过程与特征 　　在市场营销中有个著名的“二八定律”，即80%的利润来自于20%的客户。因此，对于信用卡客户，20%甚至更少的高净值客户的消费金额、贡献价值往往是一般客户的十倍甚至几十倍。如何牢牢把握住此类客户的需求，以及通过商业银行的供给去推动此类客户的需求，是营销成功的关键点。高净值客户往往又更高的服务要求，虽然此类客户群体对金融产品和服务的需求更多，但他们对个人隐私及相关权益的保护意识也更强。在营销过程中，既能实现商业银行的销售目的，又能尽可能的减少对客户的“打扰”、提升用户体验，通过数据挖掘后实施精准营销是有效的手段之一。 　　在这种需求背景下，数据挖掘技术得以应运而生。数据挖掘，又称为数据库中知识发现，简单地讲就是从大量的数据中挖掘或抽取出知识。具体来说，数据挖掘技术就是从大量的、有噪声的、不完全的、先前不知道的、模糊的随机详细数据中提取潜在有商业价值的、隐含的有效知识和信息，以帮助决策者寻找数据间的潜在关联，发现被忽略的因素和隐藏在数据库中的规律和联系。商业银行掌握了信用卡客户大量的交易数据，而这些交易信息中既有规律可循，也有部分偶发的交易（即噪声）。通过数据挖掘对交易数据的解读，抓住可循的规律，可以掌握大部分普通客户的一般交易行为和使用偏好。而部分起初意思“噪声”的信息，也有可能正是部分信用卡客户透露了新的需求，新的偏好。在传统的数据分析方法下，这些“偶发的异常”信息通常被剔除，而通过深度的数据挖掘，商业银行能够发现潜在的需求，为精准营销现有产品甚至为客户精准定制营销产品大有裨益。 　　数据挖掘的过程不是一个简单的“数据→模型→结果”的简单公式套用过程，而是一个不断循环逐步求精直至达到业务目标的过程。一般来说，数据挖掘过程由业务理解、选择数据、数据预处理、建模、评估、应用六个步骤组成。 　　（一）业务理解 　　业务理解阶段要明确数据挖掘的对象，认清数据挖掘所要实现的目标和成功的标准，确定将要采取什么数据挖掘方法来处理业务问题，制定初步的项目计划。此阶段，旨在对信用卡客户消费行为的分析，比如，卡片使用频率、信用额度使用比例、还款时间、免息还款期占用时间等，应对信用卡的交易记录进行数据挖掘。旨在对信用卡客户消费偏好的分析，比如，支付渠道偏好、商户类型偏好等，应以信用卡的交易记录为基础，结合持卡人基本信息进行进一步的数据挖掘。 　　（二）选择数据 　　在明确业务目标之后，就需要搜索所有与业务对象有关的内部和外部数据，从中选择出适合于数据挖掘应用的数据。这一步骤中，需要通过收集各种数据描述，如平均值、标准差等统计量了解数据的分布。平均值的使用是分析中常用的方案，对于一般的信用卡客户也是适用的。但是对于部分信用卡客户，日常消费少，交易笔数少，但间或出现集中消费的情况且单笔消费金额大。如果对于此类信用卡客户，仅仅是简单的通过平均值的方法进行分析，往往会因样本数据采集的原因被遗漏或者被当作异常值剔除，但此类客户有可能是“二八定律”中的高贡献度客户。 　　（三）数据预处理 　　现实世界中的数据仓库极易受噪声、空缺数据和不一致性数据的影响，因为数据仓库储存数据量巨大。数据质量将对数据挖掘工作有重要的影响。用错误的数据进行分析，将导致错误的结论，一旦运用到商业银行的经验决策中将可能比没有数据支持的经验判断更容易引起严重的负面影响。因而，选择好数据后，还需要对数