基于數(shù)據(jù)挖掘的銀行客戶分類研究.doc

基于數(shù)據(jù)挖掘的銀行客戶分類研究 摘 要：針對銀行競爭日益加劇，傳統(tǒng)的客戶管理方式日益難以滿足客戶需求的現(xiàn)狀，本文提出一種基于改進(jìn)的k-means聚類算法的客戶細(xì)分方法，該方法針對k-means聚類算法易受噪聲點(diǎn)干擾、對初始的中心點(diǎn)非常敏感、無法確定聚類個(gè)數(shù)的不足，通過剔除低密度數(shù)據(jù)點(diǎn)的方法去除噪聲點(diǎn)，并結(jié)合數(shù)據(jù)點(diǎn)的密度和相對距離，選取間隔較遠(yuǎn)的高密度數(shù)據(jù)點(diǎn)作為初始化中心點(diǎn)，最后通過改進(jìn)的silhouette評價(jià)指標(biāo)確定聚類個(gè)數(shù)及聚類結(jié)果。本文最后基于該方法對銀行客戶數(shù)據(jù)進(jìn)行聚類分析，并根據(jù)聚類結(jié)果制定出針對性的營銷策略，實(shí)驗(yàn)結(jié)果表明：該方法能很好地解決傳統(tǒng)k-means聚類算法的不足，在實(shí)際應(yīng)用中可以解決銀行客戶細(xì)分問題，有助于提升營銷決策質(zhì)量和客戶關(guān)系管理。 關(guān)鍵詞： 客戶細(xì)分；數(shù)據(jù)挖掘；k-means 0 引言 近年來，隨著國家逐步加大對金融政策的改革，市場存、貸利率逐步放開，商業(yè)銀行之間的競爭日益激烈。而銀行之間的競爭根本上則是對客戶的爭奪，如何贏得客戶并將客戶價(jià)值最大化已經(jīng)成為金融行業(yè)生存的發(fā)展的決定性因素。然而隨著客戶的需求日益多樣化，傳統(tǒng)的營銷方式已經(jīng)日益難以滿足客戶需求，在此背景下，銀行必須充分挖掘客戶信息，從而了解自己客戶群的特征以及不同需求，進(jìn)而對客戶進(jìn)行分類管理，實(shí)行針對性的營銷、維護(hù)以及淘汰。這樣不僅可以穩(wěn)定、拓展客戶群益，同時(shí)也能最大限度降低客戶管理費(fèi)用，從而實(shí)現(xiàn)銀行利潤最大化。 信息的高速發(fā)展以及銀行大數(shù)據(jù)平臺的日益完善，使銀行對客戶數(shù)據(jù)的深入挖掘成為可能。本文在此背景下，提出一種基于改進(jìn)的 的聚類分析方法，并基于該方法對某銀行客戶樣本數(shù)據(jù)進(jìn)行聚類分析，將客戶細(xì)分成有共同特征的客戶群，最后針對不同的客戶群體制定出有效的營銷策略。 1.數(shù)據(jù)提取 客戶分析維度的選取對模型的分析結(jié)果有著決定性的意義，合理的分析維度不僅需要滿足建模的可行性，而且需要能從各個(gè)角度反映客戶的價(jià)值，同時(shí)保證其自身之間的獨(dú)立性和完整性。本文結(jié)合銀行實(shí)際情況，選取了以下10個(gè)客戶屬性作為分析的維度，如表1所示。 根據(jù)上述客戶屬性，本文提取了某銀行自2014年至2015年開戶的所有客戶數(shù)據(jù)，共21078條客戶數(shù)據(jù)。 2.數(shù)據(jù)預(yù)處理 客戶數(shù)據(jù)中包含不完整、含噪聲的數(shù)據(jù)，如果直接使用這樣的數(shù)據(jù)進(jìn)行分析將會對分析的結(jié)果產(chǎn)生嚴(yán)重的影響，因此對原始數(shù)據(jù)進(jìn)行預(yù)處理就顯得尤為重要。本文預(yù)處理過程分為缺失值處理、數(shù)據(jù)標(biāo)準(zhǔn)化以及數(shù)據(jù)標(biāo)準(zhǔn)化以3個(gè)步驟。 2.1缺失值處理 本文提取的數(shù)據(jù)中，大部分客戶屬性的數(shù)據(jù)相對完整，尤其對數(shù)據(jù)挖掘結(jié)果影響較大的客戶價(jià)值屬性（儲蓄日均、理財(cái)日均等）比較完整，僅部分客戶基本屬性有所缺失，具體分析為：年收入屬性含有1742個(gè)缺失值，工作類型屬性含有946缺失值，另外文化程度還有1256個(gè)缺失值?？紤]到這3個(gè)屬性對挖掘的影響不是很大，本文采用取中間值替代的方法，來填補(bǔ)這些空缺值。 2.2 數(shù)據(jù)類型轉(zhuǎn)換 反映客戶特征的屬性，由于各自描述事物的差異，因而所屬的字符類型也會有明顯的差異，但是在實(shí)際的數(shù)據(jù)挖掘過程中，我們處理的往往都是數(shù)值型的數(shù)據(jù)，因而需要將字符串等其他類型的數(shù)據(jù)統(tǒng)一轉(zhuǎn)換成數(shù)值類型的數(shù)據(jù)，如：性別屬性中，用1表示“男”，2表示“女”，具體轉(zhuǎn)換詳情如表1所示，這里不作過多闡述。 2.3數(shù)據(jù)標(biāo)準(zhǔn)化 樣本數(shù)據(jù)中，各屬性度量單位的不同可能會對數(shù)據(jù)挖掘的結(jié)果產(chǎn)生重大影響，因此在對數(shù)據(jù)進(jìn)行模型分析之前，需要對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，將轉(zhuǎn)化為不受單位限制的無量綱的純屬值。本文采用標(biāo)準(zhǔn)差變換，公式為： 其中， 為樣本數(shù)據(jù)第j個(gè)屬性的均值， sj為第j個(gè)屬性的標(biāo)準(zhǔn)差，計(jì)算公式為： 數(shù)據(jù)標(biāo)準(zhǔn)化后的數(shù)據(jù)如下： 3 聚類分析 在聚類算法中， k-means算法使用最為廣泛，然而也存在如下幾個(gè)不足之處：1.初始聚類中心的選取對聚類結(jié)果影響比較大。2.在聚類前必須輸入簇的數(shù)目k值，但是這k值通常是無法事前確定的。3.算法對于噪聲數(shù)據(jù)與異常數(shù)據(jù)非常敏感。本文針對k-means算法的上述缺陷對算法進(jìn)行改進(jìn)，并基于該方法對樣本數(shù)據(jù)進(jìn)行聚類分析。 3.1 噪聲點(diǎn)剔除 處于數(shù)據(jù)集的低密度區(qū)域的數(shù)據(jù)對象被稱為噪聲點(diǎn)或孤立點(diǎn)，為了避免這些數(shù)據(jù)點(diǎn)對聚類過程的干擾，我們首先要將這些數(shù)據(jù)點(diǎn)剔除。本文首先計(jì)算各數(shù)據(jù)點(diǎn)的點(diǎn)密度，將點(diǎn)密度小于某一閾值的數(shù)據(jù)點(diǎn)剔除，具體算法如下： 1）計(jì)算數(shù)據(jù)集中各數(shù)據(jù)點(diǎn)之間的平均距離，公式如下： 其中n為樣本總數(shù)， 為點(diǎn)i與點(diǎn)j之間的歐式距離。 2）計(jì)算數(shù)據(jù)集中每一個(gè)數(shù)據(jù)點(diǎn)的密度參數(shù)。對于空間中任一數(shù)據(jù)點(diǎn)p，以p為中心，以AvgDist為半徑的區(qū)域內(nèi)數(shù)據(jù)對象的個(gè)數(shù)稱為點(diǎn) 的密度參數(shù)，記作density（p，AvgDist），公式為： 其中u（x）公式表示為： 4）遍歷數(shù)據(jù)集，如果某一點(diǎn)的密度參小于平均密度參數(shù)的 ，則認(rèn)為該點(diǎn)為噪聲點(diǎn)，將其從數(shù)據(jù)集中剔除。計(jì)算完畢后新的數(shù)據(jù)集記作 。 噪聲點(diǎn)剔除的效果如下圖所示，可以看出經(jīng)過噪聲處理后，低密度的噪聲點(diǎn)被去除。 3.2 初始點(diǎn)選取 k-means聚類算法對初始的中心點(diǎn)較為敏感，不合理的初始中心點(diǎn)會導(dǎo)致聚類結(jié)果局限于局部最優(yōu)解，而不是全局最優(yōu)，最終影響聚類的結(jié)果。本文提出一種改進(jìn)的初始點(diǎn)選取方法，即選取距離相隔較遠(yuǎn)的點(diǎn)密度最大的點(diǎn)作為初始中心點(diǎn)，算法如下： 1）根據(jù)點(diǎn)密度計(jì)算公式（7）重新計(jì)算數(shù)據(jù)集 中每一個(gè)數(shù)據(jù)點(diǎn)的密度參數(shù)。 2）將最大點(diǎn)密度的數(shù)據(jù)點(diǎn)作為第一個(gè)初始化中心點(diǎn)加入到集合 中，同時(shí)將其從數(shù)據(jù)集D中刪除。 3）計(jì)算數(shù)據(jù)集D中各點(diǎn)到集合 中各初始中心點(diǎn)的距離之和，并計(jì)算平均距離，計(jì)算公式為： 4）遍歷數(shù)據(jù)集D，將到初始中心點(diǎn)距離之和大于平均距離的數(shù)據(jù)點(diǎn)加入到數(shù)據(jù)集C中。 5）遍歷數(shù)據(jù)集C，將最大密度的數(shù)據(jù)點(diǎn)作為下一個(gè)初始化中心點(diǎn)加入到數(shù)據(jù)集A中，同時(shí)將其從數(shù)據(jù)集D中刪除，并清空數(shù)據(jù)集C。 6）重復(fù)步驟（3）、（4）、（5）直至集合C中的數(shù)據(jù)點(diǎn)個(gè)數(shù)達(dá)到kmax。由于銀行客戶類別數(shù)通常不會超過10，因此本文此處kmax的取值為10。 算法執(zhí)行完畢后，數(shù)據(jù)集A中的初始化中心點(diǎn)處于整個(gè)數(shù)據(jù)集中高密度區(qū)域內(nèi)，并且相互之間相距較遠(yuǎn)，這樣可以很好地描述數(shù)據(jù)集中的數(shù)據(jù)分布情況，提高k-means聚類結(jié)果的精度。 3.3 k-means聚類 k-means聚類算法在聚類之前無法確定分類個(gè)數(shù)k值， k的取值過大或過小都不能準(zhǔn)確反映客戶分類情況，使聚類失去意義。本文采用改進(jìn)的輪廓系數(shù)指標(biāo)對聚類的結(jié)果進(jìn)行評判，由于在傳統(tǒng)的輪廓系數(shù)計(jì)算公式中，需要反復(fù)計(jì)算每一個(gè)點(diǎn)到其他所有點(diǎn)的距離，必然導(dǎo)致計(jì)算量較大，本文對該公式稍作改進(jìn)，使用中心點(diǎn)替代的方法計(jì)算輪廓系數(shù)，改進(jìn)后的公式如下： 確定聚類有效的標(biāo)準(zhǔn)是使聚類結(jié)果達(dá)到類內(nèi)緊密、類間遠(yuǎn)離。從類內(nèi)緊密性角度出發(fā)，我們希望類內(nèi)距離pj 越小越好，從類間遠(yuǎn)離性角度出發(fā)，我們希望最小類間距離sj越大越好。同時(shí)為了使指標(biāo)不受量綱影響，我們通過類內(nèi)距離和最小類間距離的最大值對該距離差進(jìn)行壓縮，使其落在區(qū)間之間。因此輪廓系數(shù)值silhouette在-1和1之間變化，聚類效果越好，該值越大，反之聚類效果越差，則該值就越小。 本文結(jié)合k-means算法以及silhouette聚類有效性指標(biāo)，對樣本數(shù)據(jù)進(jìn)行聚類分析，算法如下： 1）選取聚類數(shù)的搜索范圍 kmin，kmax 2）從kmin循環(huán)至kmax，執(zhí)行以下步驟： a） 從集合C中按加入該集合的先后順序取出k個(gè)數(shù)據(jù)點(diǎn)，其中k為簇的個(gè)數(shù)，即 b） 以這k個(gè)數(shù)據(jù)點(diǎn)作為初始聚類的中心點(diǎn)，利用k-means算法進(jìn)行聚類。 c） 聚類完成后，利用公式（12）計(jì)算本次聚類的silhouette silhouette 值。 3）循環(huán)完畢后，比較每次聚類的silhouette值，選取silhouette值最大時(shí)的k值以及聚類結(jié)果作為最終的聚類結(jié)果。 由于銀行中客戶類別數(shù)一般不會超過10，因此本文中， kmin取值為2， kmax取值為10，實(shí)驗(yàn)結(jié)果如下： 從上表中可以看出，當(dāng) 取值為5時(shí)，輪廓系數(shù)值最大，此時(shí)的聚類結(jié)果達(dá)到類內(nèi)最緊密、類間最遠(yuǎn)離，因此本文選擇 =5為最優(yōu)解，最終聚類結(jié)果如下表所示： 4 聚類結(jié)果分析 聚類分析完成后，我們還需要對這5類數(shù)據(jù)進(jìn)行客戶特征分析，根據(jù)每一類不同的客戶特征制定不同的營銷策略。本文通過計(jì)算每一類數(shù)據(jù)均值和標(biāo)準(zhǔn)差，并結(jié)合銀行實(shí)際業(yè)務(wù)，對每一類客戶數(shù)據(jù)進(jìn)行分析。 由表5分析可以看出第一類客戶特點(diǎn)：該類客戶年齡較小，文化程度較高，持有比高級別的銀行卡，儲蓄、保本理財(cái)、保險(xiǎn)、國債等風(fēng)險(xiǎn)較小收益較低業(yè)務(wù)的指標(biāo)值較小，而非保本理財(cái)、基金、證券等風(fēng)險(xiǎn)較大收益較高業(yè)務(wù)的指標(biāo)值較大，此外貸款金額較大。對于這類客戶，在客戶關(guān)系維護(hù)時(shí)，應(yīng)該針對客戶年齡較低的特點(diǎn)，制定適合年輕人的維護(hù)方式。在業(yè)務(wù)營銷方面，應(yīng)該重點(diǎn)營銷收益較高的業(yè)務(wù)或者貸款聯(lián)動性業(yè)務(wù)，如基金業(yè)務(wù)、存貸盈業(yè)務(wù)等。 由表6分析可以看出第二類客戶特點(diǎn)：該類客戶儲蓄、理財(cái)、基金等各項(xiàng)業(yè)務(wù)指標(biāo)值均較低，但是最高卡級別比較高?？梢钥闯觯擃惪蛻魹榱魇У母邇r(jià)值客戶，對于這類客戶應(yīng)該認(rèn)真分析其流失原因，并有針對性地做好客戶維挽工作。 由表7分析可以看出第三類客戶特點(diǎn)：該類客戶最高卡級別較低，年收入較低，儲蓄、理財(cái)、基金等各項(xiàng)業(yè)務(wù)指標(biāo)值均較低。可以看出該類客戶為低價(jià)值客戶，在銀行資源有限的情況下，可以考慮停止針對該類客戶的營銷活動，而將資源投向產(chǎn)出比更高的高價(jià)值客戶群。 由表8分析可以看出第4類客戶特點(diǎn)：該類客戶年齡較大，最高卡級別較高，儲蓄、保本理財(cái)、保險(xiǎn)等風(fēng)險(xiǎn)較小收益較低業(yè)務(wù)的指標(biāo)值較大，相反基金、證券等風(fēng)險(xiǎn)較大收益較高業(yè)務(wù)的指標(biāo)值較小，貸款金額較小。在客戶關(guān)系維護(hù)方面，應(yīng)該針對客戶年齡較大的特點(diǎn)，制定適合中老年人的維護(hù)方式。在業(yè)務(wù)營銷方面，應(yīng)該重點(diǎn)營銷儲蓄、保本理財(cái)?shù)确€(wěn)健性收益產(chǎn)品。 由表9分析可以看出第5類客戶特點(diǎn)：該類客戶年收入較高，文化程度較高，并且貸款金額較大，但是儲蓄、理財(cái)、基金等其他業(yè)務(wù)指標(biāo)值很小，最高卡級別也較低。該類客戶為潛在客戶，在客戶關(guān)系維護(hù)方面，應(yīng)該針對客戶文化層次較高的特點(diǎn)，制定側(cè)重文化藝術(shù)的高品位維護(hù)方式。在業(yè)務(wù)營銷方面，建議以貸款業(yè)務(wù)為突破口，展開交叉營銷。 結(jié)束語 為了更好地實(shí)現(xiàn)銀行客戶分層管理，提升營銷決策質(zhì)量和客戶關(guān)系管理，本文提出了一種基于改進(jìn)的 聚類算法，該方法能解決傳統(tǒng) 算法易受噪聲點(diǎn)干擾、對初始的中心點(diǎn)非常敏感以及無法確定聚類個(gè)數(shù)的不足，在實(shí)際應(yīng)用中可以很好地解決銀行客戶細(xì)分問題。此外本文最后根據(jù)聚類結(jié)果并結(jié)合銀行自身狀況，制定出針對性的營銷策略，這對銀行如何提升客戶關(guān)系管理、增強(qiáng)客戶體驗(yàn)有一定的參考意義。 本方法仍有一些不足之處，當(dāng)客戶數(shù)據(jù)量很大時(shí)，會出現(xiàn)計(jì)算時(shí)間過長的現(xiàn)象，因此在后續(xù)的研究過程中，會考慮引入分布式處理方式來提高數(shù)據(jù)處理的速度。 參考文獻(xiàn)： 1 Shunye W. An improved k-means clustering algo-rithm based on dissimilarity C/Mechatronic Sci-ences，Electric Engineering and Computer （MEC），Proceedings 2013 International Conference on IEEE，2013：2629-2633. 2 孟 子健，馬江洪.一種可選初始聚類中心的改進(jìn)均值算法J.理論新探，2014，12（3） 3 QIAN JIANJUN， YANG JIAN， XU YONG. Local structure-based image decomposition for feature extraction with applications to face recognitionJ. IEEE Transtractions on Image Processing ， 2013，22（9）：3591- 3603 4 鄧搖海，覃搖華，孫搖欣.一種優(yōu)化初始中心的 K-means聚類算法J .計(jì)算機(jī)技術(shù)與發(fā)展，2013，23（11）：98- 102. 5 方方.“大數(shù)據(jù)”趨勢下商業(yè)銀行應(yīng)對策略研究J.新金融，2014（12）：25-28 6 Ghemawat S. ACM Syrup on Operating Systems PrinciplesM. New York ACM， 2013：29-43 7 陸珉峰，虞鵬飛.互聯(lián)網(wǎng)金融背景下商業(yè)銀行“大數(shù)據(jù)”戰(zhàn)略研究J. 經(jīng)濟(jì)與管理，2015（3）：31-38 8 張建珍， 張秀珍， 周星星. 模糊聚類算法在銀行客戶分類管理中的應(yīng)用J. 智能計(jì)算機(jī)與應(yīng)用， 2014， 6 （4）：78 -82 9 曾小青. 基于消費(fèi)數(shù)據(jù)挖掘的多指標(biāo)客戶細(xì)分新方法J. 計(jì)算機(jī)應(yīng)用研究， 2013，30（10）：2944-2947 10 張順龍，庫濤， 周浩. 針對多聚類中心大數(shù)據(jù)集的加速K-means 聚類算法J. 計(jì)算機(jī)應(yīng)用研究，2015，33（9）：36-40 11 Luo Biao，Yang Wei-wei. Customer value classification Model and applica