数据挖掘在银行CRM中应用.docVIP

数据挖掘在银行CRM中应用 　　摘要:随着市场经济竞争的不断加剧,信息对银行的生存和发展起着越来越重要的作用。在科技高速发展的今天,面对雪崩式增长的庞大海量信息,银行通过手工方式很难对客户数据的分布找出规律,并进行分析决策,必须借助相应的数据工具,发现客户数据中隐藏的规律或模式为银行的决策服务。银行建立以客户为中心的服务体系,对于维系老客户,争取新客户,挖掘黄金客户,增强市场竞争能力有重要的意义。 　　关键词:CRM 数据挖掘 数据仓库 　　 　　1 CRM的概念 　　客户关系管理(Customer Relationship Management,CRM) 最初由Gartner Group提出,是“以客户为中心”的新型管理机制,是现代管理科学与信息技术结合的产物,是企业为实现信息化运营目标所创造和使用的软、硬件系统集成技术和管理方法、解决方案的总和。CRM不仅是一种通过完善的客户服务和深入的客户分析来满足客户的需求,保证实现客户终身价值的管理理念,而且是一种旨在改善企业与客户之间关系的新型管理机制,使企业从“以产品为中心”向“以客户为中心”的模式转移,即企业关注的焦点是从内部运作转移到客户关系上来。 　　2 数据仓库和数据挖掘 　　2.1 数据仓库的概念 “数据仓库”这个名词是在号称“数据仓库之父”WilliamH.Inmon的《建立数据仓库》一书中首次出现的,他把数据仓库定义为:一个面向主题的、集成的、非易失的、随时间变化的、用来支持管理人员决策的数据集合。 　　2.1.1 面向主题 操作型数据库的数据组织面向事务处理任务,各个业务系统之间各自分离;而数据仓库中的数据按照一定的主题域进行组织。主题是一个抽象的概念,是指用户使用数据仓库进行决策时所关心的重点方面,一个主题通常与多个操作型信息系统相关。 　　2.1.2 集成的数据 对源数据的集成是数据仓库建设中最关键,也是最复杂的一步。数据仓库中存储的数据是从各个分散子系统中提取出来的,但并不是原有数据的简单拷贝,而是经过了统一综合。由于源数据不适合用来分析,在进入数据仓库之前必须经过综合、计算、抛弃等方法来分析处理不需要的数据项,并增加一些可能涉及的外部数据,以此来消除不一致和错误之处,以保证数据的质量。否则,用那些不准确或不正确的数据分析得出的结果不能做出科学的决策。 　　2.1.3 数据不可更新 数据保存到数据仓库后,最终用户只能通过分析工具进行查询和分析,而不能修改,即数据仓库的数据对最终用户而言是只读的。 　　2.1.4 数据随时间变化 数据仓库数据的不可更新是针对应用而言,即用户分析处理时不更新数据。但不是说,数据进入数据仓库以后就永远不变,这些数据会随时间变化而定期更新。每隔一段固定的时间间隔,将抽取运行数据库系统中产生的数据,经过转换后集成到数据仓库中。随着时间的变化,数据以更高的综合层次被不断综合,以适应趋势分析的要求。当数据超过数据仓库的存储期限,或对分析无用时,就从数据仓库中删除这些数据。 　　2.2 数据挖掘 数据挖掘是指从大量数据集中抽取隐含的,潜在的,有用的信息的方法和过程。它是数据库技术、人工智能、机器学习、统计分析、模糊逻辑、人工神经网络等学科相结合的产物。数据仓库上的数据挖掘是数据挖掘技术的主流。 　　数据挖掘的突出特点是在业务问题和目标明确但考察的问题不清楚时,对数据进行探索,揭示隐藏其中的规律性,进而将其模型化。 　　数据挖掘从技术上看,基本过程分为:数据准备、挖掘操作、结果表达和解释三个阶段。 　　数据挖掘常用到决策树、遗传算法、贝叶斯网络、神经网络、粗糙集方法、统计分析和可视化等技术,各种技术方法都有它的特点与不足,都有其潜在应用范围和应用领域,与之对应的数据挖掘技术和算法主要有: 　　①信息论方法:利用信息论中信息增益寻找数据库中具有最大信息量的字段,建立决策树的一个节点,并根据字段的不同取值建立树的分枝,在每个分枝子集中重复建树的下层节点和分枝的过程,建成决策树。②集合论方法:粗集方法、概念树方法。③人工神经网络方法:前馈网络:含感知机,反向传输模型,函数式网络。反馈式网络:用于联想记忆和优化计算。自组织网络:用于聚类。④遗传算法:模拟生物进化过程的方法。⑤统计分析方法:相关分析、回归分析、差异分析、因子分析、聚类分析、判别分析等。 　　3 数据仓库和数据挖掘在银行CRM中的应用 　　3.1 利用聚类分析方法进行客户分类 客户分类又称为客户细分,是指把一个庞大的消费群体划分为一个个细分的客户群,同一细分群中的客户具有某些相似的特征。和通常所做的单纯按照性别、年龄等进行的固定分类不同,聚类分析方法是通过无指导学习,按最大化类内部的相似性、最小化类之间的相似性的原则,自动对数据分类。 　　对于客户