数据挖掘在互联网金融客户关系管理中的应用分析

数据挖掘在互联网金融客户关系管理中的应用分析
Prepared on 22 November 2020
数据挖掘在零售银行客户关系管理中的应用分析
蔡洋萍1
（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，
1基金项目：湖南省社科基金项目“我国村镇银行风险控制问题研究（13YBB102）”阶段性研究成果。

作者简介：蔡洋萍（1982-），女，汉族，江西宜春人，金融学博士，湖南农业大学经济学院讲师，研究方向：中小企业融资、农村金融。

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
二、数据挖掘在客户关系管理中的应用
客户关系管理旨在深刻理解客户，掌握客户需求，并实现客户价值最大化，由以下四个步骤构成：客户识别、客户吸引、客户维持、客户发展。

这四个步骤可以视为提取客户信息并转换为积极的客户关系的循环过程。

而数据挖掘技术通过从海量数据中提取隐含的客户特征和行为可以帮助完成这个过程。

根据客户关系管理流程，结合客户关系管理及数据挖掘方法特点，在客户关系管理每个步骤中都可以使用到数据挖掘方法，具体应用模型见图1：
图1数据挖掘在客户关系管理中的应用模型
（一）客户识别
客户识别是客户关系管理的初始环节，包括目标客户分析和客户细分。

即通过客户购买记录数据找出客户特征，识别银行的潜在客户以及最具盈利价值的客户，并进行客户细分，将具有相似特征的客户进行归类，从而为银行实施客户关系管理提供基础。

根据客户识别特点，可实施客户分类。

通过客户分类，可以帮助银行掌握不同客户群的特征，找出客户消费的行为和规律，计算出不同客户对银行的贡献程度，从而筛选出客户群体的种类。

可采用的分类方法包括聚类分析法、KNN法、SVM法等。

（二）客户吸引
识别潜在目标客户后，银行需要对这些客户采取针对性措施吸引客户，即直接营销。

直接营销即银行通过邮寄、电子邮件等各种渠道直接向目标客户推销产品。

这就需要了解客户的个性化需求，数据挖掘中的预测模型正是可以实现这一功能。

银行根据客户信息和历史交易数据，可以预测到目标客户最可能购买哪种产品和服务，从而有针对性地进行营销，降低营销成本。

（三）客户维持
将客户吸引过来以后，银行需要与客户保持良好的互动和接触，不断了解客户需求，针对不同客户设计不同的产品和服务，实现“一对一”的营销，将给银行带来的盈利客户发展为忠实客户，不断提升其忠诚度。

在客户维持阶段，可以用数据挖掘里的序列发现来进行分析。

序列发现注重强调时间序列的影响，即通过时间序列搜索出重复发生概率较高的模式，可监测客户长期的经常购买行为。

（四）客户发展
除了维系现有客户以外，还需进一步提升现有客户价值，进行客户发展，可采取的方式包括客户价值分析、交叉销售等。

客户价值分析指银行预期从客户获得的价值。

交叉销售是指银行基于现有客户发现其多种需求，向其提供多种满足其需求的相关产品和服务的销售方式。

通过交叉销售银行既可以降低营销成本，维系现有客户资源，还可以实现现有客户价值最大化。

此时，可采用数据挖掘中的关联规则进行分析。

利用关联规则可以分析客户交易行为与客户背景信息（如年龄、性别、收入、教育程度等）之间的关联关系，找出客户交易行为的影响因素，分析银行哪些金融产品和服务最可能会一起发生在同一交易中等等，确定最优的销售组合。

三、大数据时代的零售银行客户关系管理
（一）对私客户数据获取新途径
麦肯锡的研究显示，金融业在大数据价值潜力指数中排名第一。

银行、证券、保险、信托、直投、小贷、担保、征信等金融，以及P2P、众筹等新兴的互联网金融领域，正在利用大数据进行一场新的革命。

这样的历史机遇会造就一批大数据服务提供商。

银行在所有的金融行业中，将是运用大数据最深化的。

这主要因为大数据决策模式对银行更具有针对性。

发展模式转型、金融创新和管理升级都需要充分利用大数据技术、践行大数据思维，并且银行也具备实施大数据的条件。

在大数据应用的过程中，最重要也是最基本的事情就是如何获取尽可能多的可用数据。

银行通过以下几种新途径可以有效增加银行个人用户的数据量：
1、不断改进移动银行APP
银行的手机端APP（后者称移动银行APP），是通过智能手机联系个人与银行的一个重要渠道。

从目前的发展情况来看，手机银行APP的动户率仍然较低，主要原因还是应用场景的缺乏。

商业银行需要对手机银行APP这一重要的渠道进行不断的改进，不仅要融入SOLOMO的重要理念，增加更多的社交功能（比如分享、评论、私信等功能）和本地化服务（比如附近可以使用农行信用卡的商户），还要通过更为有效的营销策略和平台策略对客户进行持续的吸引（比如在手机银行中整合入电商平台的打折促销活动、定时抽奖活动等）。

这些功能服务下客户的使用数据和交易数据都能大大提高银行数据库的含金量。

2、与互联网科技平台合作
互联网科技企业是对手更是合作伙伴，商业银行应该加强同它们的合作。

首先应该加强技术上的合作。

互联网科技企业很大程度是科技立业，信息技术是其最大的优势，而商业银行业是个高度依赖现代信息技术的产业，因此商业银行应该加强同这些企业的科技合作，开发出更多的适合本银行的软件系统。

其次应加强客户信息共享方面的合作。

互联网科技企业拥有大量一手的网络客户信息与交易信息，而商业银行则具有各个行业内大型企业的相关信息，二者可以做到优势互补、资源共享。

通过与互联网企业展开深层次合作，商业银行在进行业务创新，改变盈利模式的过程中就拥有了技术和信息流方面的支持。

而互联网企业的文化和管理模式对传统商业银行的互联网化也有很好的借鉴作用，因此合作还能减少商业银行进行转型所面临的许多隐性成本。

比如在与微信进行合作的过程中，银行可以加强以下两点以达到更好的合作效果：
①完善支付，建立高层次金融综合服务平台。

在移动互联网金融领域，银行在为客户提供微信金融服务的同时，应尽快超越腾讯等第三方机构，着眼建设更高层次的竞争平台，即建设以“微信金融+微信生活”为核心的全方位的金融综合服务平台，让客户不仅能在该平台上办理各类银行业务，还能实现消费金融领域的移动支付。

目前手机主要通过微信平台的二维码扫一扫功能完成购物。

而微信平台在消费金融领域的发展方向应是“微信银行+微信生活+微信支付+微信营销”，同时还应依托手机实现地理位置的搜索定位，完成对附近银行网点、自助区、自助设备的搜寻、导航，并与网点排队叫号系统联动，提前导入客户所需银行服务，为客户提供精准的金融服务。

总之，要将微信打造成一个全方位的线上金融服务平台。

对银行而言，要实现这一步并不容易。

与传统的金融模式截然不同，线上金融所有的支付、营销流程都必须实时在线完成，这些都对银行的产品服务、支付流程、营销流程、业务流程再造提出了很高的要求。

究其原因，一是因为线上和线下客户的特征有很大差异，银行要服务这部分客户，就需重新设计相应的金融产品；二是因为线上交易的特殊性，也需要银行再造支付、营销流程。

金融产品的变化不仅涉及银行线下营销观念的改变，还涉及银行业务流程的再造，这些都需要银行内部管理机制的高度协同和共同推进，对于银行来说也是一个很大的挑战；三是在以往的电子商务模式中，银行主要承担支付结算的角色，处于整个服务链条的末端，比较被动。

而现在银行更希望从客户源头切入，通过微信金融平台将银行服务贯穿于电子商务的整个过程中，并打通融资、结算、理财等一系列金融服务链条，以扩大业务范围、增加利润。

②借助营销，抢占线上金融消费市场。

鉴于线上金融主要采取批量化、集约化处理模式，所以银行传统的柜面服务终将被微信金融平台所替代。

届时，客户与银行柜面人员无需会面，通过手机定位导航服务与社交网络完美结合，微信金融平台就将被打造成
一个基于移动互联网的虚拟金融电子商务社交圈，银行可随时随地为客户提供综合性的金融、商务服务，为客户打造社交化的金融E生活。

目前，银行亟须抓住微信与电子商务的发展契机，借助微信金融平台，采用银企合作、交叉营销模式，以第三方支付的方式开拓微信金融新业务，挖掘新的客户资源，迅速抢占线上金融消费市场，使银行综合性跨业服务图谱拓展得更宽，成为金融创新的蓝海。

微信营销应是银行建设微信金融平台的第一步，下一步则需通过搭建更加开放的平台，与电子商务公司、航空公司以及其他金融机构实现跨界合作，使微信金融平台的服务更加丰富和多元化。

同时，以线上线下相结合的模式，通过交叉营销、跨界服务等手段，商业银行可在微信金融平台上与特约商户、线下企业开展广泛合作，体现联盟价值，充分发挥合作营销作用，深度锁定上下游企业、终端客户。

此外，银行还要积极介入本地重点行业和客户群，针对百货、餐饮、商旅、物流、电力、通讯、高新技术等传统优势行业及新兴领域，构建战略联盟，在互惠互利、共同发展的前提下，开发各类区域性微信服务，加载增值服务内涵，锁定客户资金流，共同维护客户。

在降低自身运营成本的同时有效推广微信金融平台的应用，并以此布局抢滩消费金融市场。

（二）客户情绪分析
所谓情绪分析，是指收集客户在包括社交网络在内的网络平台上的言论和活动，不仅包括他自己的部分，还包括他最近关联到的其他好友，由此得到的数据，经过一套科学设计过的计算、分析系统，得出某个具体客户近期的情绪走向，为预测客户行动、帮助银行指定具体的应对措施提供帮助。

对于银行来说，客户情绪分析最有用的一点是帮助银行更有效率地回馈客户。

银行都组织过各种客户回馈活动，但又不知究竟应当挑选哪些客户进行回馈、哪些客户经过维护可以促成更多的交易——大部分时候，银行只是完成既定的任务，将礼品派送出去就完事，以为这样就能在激烈的竞争中留住自己的目标客户。

而现在，银行可以在客户情绪分析工具的帮助下更有选择的进行类似的活动。

例如，近期要做一个针对产品的活动，就以产品为关键词，对当前的客户情绪进行研判，得出主流客户群体对于银行产品的态度，再依照态度的不同来选择不同的活动策略和活动力度。

这样不仅能帮银行节约成本、提高效率，最为重要的是，这也是维持现有客户忠诚度，并尽可能多地吸收目标客户的有效方式。

（三）客户行为预测
银行可以根据客户以往的消费记录，尤其是与金融产品直接相关的消费记录，以及目前所持有的银行产品的使用情况建立数据收集模型，通过一定时间的数据收集和分析之后，便能为银行下一步的产品策划与营销提供翔实的数据参考。

在此基础上，诸如交叉销售、深度挖潜、提升单个客户贡献度、保持客户忠诚度等等业绩或营销目标都能更轻松的完成。

当你知道客户的情绪变化，还知道客户可能的购买需求，只要你能以合适的方式将客户所需要的东西及时递上，客户自然会乐意接受。

同时，大数据应用还能帮助银行实现有效的风控。

国外已经有一些金融机构利用大数据来帮助金融产品交易、信用卡消费等方面的风控。

尤其是在信用卡、无抵押贷款等产品上，通过大数据建立的模型，银行能准确的知晓某个客户的生活和消费情况，从而选择是不是要发放卡片/贷款给他，或者要不要给他提升额度、延迟还款期。

一旦某个客户出现异常行为，银行也能在最短的时间内知晓，并采取相应的措施防止风险案件的发生。

（四）数据挖掘助力市场细分
1.客户数据信息的整合
目前几乎所有商业银行的客户数据都是分布在不同的系统中，如果要统一银行内部所有的业务数据，就必须提供一个完整的银行客户数据模型，该模型应该能够自动提取、保存现有数据，且能满足隐含给客户关系管理的需要。

数据挖掘技术能够按照统一的数据标准和规则，利用相关技术，将分散在银行各个业务系统中的个人业务数据整合到统一的个人信息数据仓库中，最终形成一个统一的客户视图。

2.多维数据下的精确分类
在非结构化的大数据基础上，数据挖掘可以做到对客户的精确细分，这建立在关联分析和聚类分析的基础上。

关联分析和聚类分析是客户精确细分中常用的两大方法。

关联分析可以用来对分类标记已知的各种缺失数据做出预测或映射，如在知道某位用户的分类属性的情况下，预测其月均存款额。

决策树方法和聚类分析可以帮助公司根据用户的某项特征（如每位用户的盈利能力）来对某项业务市场进行细分。

参考文献：
[1]李曙光.数据挖掘在我国零售银行业务中的应用[J].武汉理工大学学报（社会科学版）,2006（04）
[2]黄昶君.大数据助推银行零售业务量化经营—大数据时代的零售数据挖掘和利用探索[J].海南金融,2014（01）
[3]董引娣.数据挖掘中关联规则在零售业中的应用[J].重庆科技学院学报,2010（01）
[4]康书生,曹荣.互联网大数据技术在融资领域的应用研究[J].金融理论与实践,2014（01）
[5]顾芸菡.数据挖掘在金融方面的应用[J].数字化用户,2014（01）
.。