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 This model paper was revised by the Standardization Office on December 10, 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

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。

联系方式：，E－mail，地址：长沙市芙蓉区湖南农业大学经济学院 410128。

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，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

资料来源：根据银联信资料整理

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