大数据时代数据挖掘在银行客户关系管理中的应用研究_贺本岚

大数据时代数据挖掘在银行客户关系管理中的应用研究

贺本岚1，2

（1 中国科学院大学博士后科研流动站 北京 100190）

（2 中国工商银行博士后科研工作站 北京100032）

摘 要：当前，人类迈入“大数据”时代。我国商业银行建立了涵盖银行全部业务的数据仓库系统，拥有海量数据，但对数据的利用还远远不够深入。随着金融脱媒、利率市场化的进一步推进，商业银行之间的竞争焦点由产品的竞争转变为争夺客户的竞争。商业银行要获取客户就需要从海量客户数据中挖掘出信息和规律来加强客户关系管理。本文设计了数据挖掘在客户关系管理中的应用模型，对数据挖掘在银行客户关系管理中的应用文献进行了综述，并介绍了其在商业银行中的应用现状。

关 键 词：大数据；商业银行；数据挖掘；客户关系管理

1 引言

当前，人类社会已经迈入“大数据”时代，信息技术高速发展。我国商业银行基本完成数据大集中工程，建立了涵盖银行全部业务的数据仓库系统，银行的客户资料、交易数据、管理数据等业务数据以及后台信息系统服务数据呈爆炸式增长。尽管已经积累了大量的数据，但商业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。因此研究数据挖掘技术在客户关系管理中的应用具有重要的意义和作用。

2 客户关系管理与数据挖掘方法简介

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。商业银行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，可降低银行成本，吸引和保持更多客户。要实施客户关系管理，商业银行可对客户资料进行深入分析，根据“一对一”营销原则，满足客户的个性化需求，提高客户忠诚度和保有率，从而实现客户价值持续最大化，提升商业银行竞争力。

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[1]。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。商业银行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。其中，分类模型是根据已有数据的类特征判断未知数据的类，它与普通预测结果不同，其预测的结果是类别，主要包括决策树、KNN法、SVM法、VSM法、Bayes法、神经网络等方法。聚类模型是将数据对象分组成多个类，使得同一类中的对

象之间具有较高相似性，而不同类的对象差别较大，聚类技术包括划分方法、层次方法、基于密度的方法、基于网格的方法和基于模型的方法等[2]。关联分析是从大量数据中发现项集之间的关联或相关联系，关联规则挖掘首先找出频繁项集，然后产生形如B A ⇒的强关联规则。预测模型则是根据已有数据通过模型的训练学习，发现规律和趋势，推测未来目标数据值，方法包括线性回归、多元回归、非线性回归等。序列发现与关联分析相似，二者不同之处在于序列发现中事件数据间关联性与时间相联系。即，不仅需知道序列事件是否发生，而且需同时确定事件发生的时间。

3 数据挖掘在银行客户关系管理中的应用分析

客户关系管理一词起源于美国，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。

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，具体应用模型如下：

图1 数据挖掘在客户关系管理中的应用模型

3.1 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。客户分类即根据客

户的背景资料（如年龄、职业、行业等）、消费偏好等信息将客户分为不同类型。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。

3.2 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。

3.3 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。

3.4 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。

4 数据挖掘在银行客户关系管理中的应用文献综述

国内现有研究文献中，关于数据挖掘在银行客户关系管理中应用的研究还比较少。

目前，数据挖掘在银行客户关系管理中的应用研究文献主要可分为以下几类：第一类是数据挖掘在银行客户关系管理中的应用领域理论探讨研究，这类文献比较多，如杨辉（1998）、何俊、温家明（2002）、蒋缨、强海涛（2003）、郭莹、张晓燕（2003）、黄解军、万幼川、潘和平、彭朝晖（2003）、韩冬（2004）、张颖（2004）、张颖，杜斌，钟永红（2005）、杨红（2005）、黄华卿，张维，熊熊（2006）、左爱群，杜波（2006）、王颖（2006）、丁咏（2006）、张蓉（2006）、曾媛媛（2007）、艾亚文，匡山（2009）、孔德汉（2010）等。这些学者认为数据挖掘在银行客户关系管理应用层面包括客户分类、预防客户流失等。

第二类是如何结合数据挖掘构建银行客户关系管理系统，如李兴国，于海峰，金芳芳（2004）、张忠磊，孙玉娟（2006）、蒋利红（2008）、郑华（2008）、常雪琦，刘伟（2009）。这些学者主要从业务处理系统、客户联系系统和客户数据挖掘管理中心等方面构建以数据挖掘为核心的客户关系管理系统。

第三类主要集中在运用数据挖掘方法对银行客户进行分类、预测研究，如田玲（2003）、周意（2005）、赵基（2005）、于海波（2010）、郑英姿（2011）等，运用的数据挖掘方法包括聚类算法、决策树模型、关联规则等。

可以看出，目前数据挖掘在银行业客户关系管理中的应用研究主要停留在理论分析阶段，运用数据挖掘技术进行建模分析的文章较少，这也可能是受数据获取的影响。在仅有的少数实证分析论文中，有些论文的数据也是通过模拟得到，而且实证研究应用的方向主要是客户分类研究，对于客户价值、客户风险管理、客户流失、客户利润贡献度等方面的实证研究较少。如何将数据挖掘全面应用到银行客户关系管理究，将理论与实际应用相结合，是需要进一步考察研究的重点。

5 数据挖掘在商业银行中的应用现状

国外的许多商业银行将数据挖掘技术应用于自身经营管理。其中，数据挖掘技术应用最多的有以下四个方面：一是基于客户关系管理的目标市场识别和客户分类、聚类，从而采取有针对性的客户营销和服务策略；二是通过对数据进行分析，挖掘出数据模式和特征，预测客户的金融需求以及金融市场的变化趋势，从而有利于商业银行制定决策、规避风险；三是运用多种数据挖掘技术预防和侦查洗钱、信用卡诈骗等金