《商業(yè)分析實務(wù)》商業(yè)分析在銀行業(yè)客戶營銷中的應(yīng)用

商業(yè)分析在銀行業(yè)客戶營銷中的應(yīng)用銀行業(yè)客戶營銷的發(fā)展客戶營銷分析中常用的分析方法客戶細(xì)分及其應(yīng)用數(shù)據(jù)挖掘模型及其應(yīng)用01銀行業(yè)客戶營銷的發(fā)展數(shù)據(jù)庫營銷數(shù)據(jù)庫營銷是指收集、分析和使用客戶信息以及購買習(xí)慣、人口統(tǒng)計信息、生活方式及其他有關(guān)數(shù)據(jù)，將這些信息建立客戶檔案，鎖定目標(biāo)客戶群，進(jìn)行個性化營銷，建立客戶關(guān)系并鼓勵重復(fù)購買，提高終身價值及客戶忠誠度。數(shù)據(jù)庫營銷是一種具有客戶針對性和互動式的營銷方法。它通過獨特的信息媒體和信息渠道，將目標(biāo)客戶、潛在客戶的資科信息存儲在計算機的數(shù)據(jù)庫中并進(jìn)行分類，以便對客戶提供更多及時服務(wù)，加強與客戶緊密關(guān)系．使公司能進(jìn)一步了解和把握市場，更好地滿足客戶的需求。數(shù)據(jù)庫營銷就是企業(yè)通過收集和積累消費者的大量信息，經(jīng)過處理后預(yù)測消費者有多大可能去購買某種產(chǎn)品，以及利用這些信息給產(chǎn)品以精確定位，有針對性地制作營銷信息以達(dá)到說服消費者去購買產(chǎn)品的目的。數(shù)據(jù)庫營銷發(fā)展的三個階段客戶數(shù)據(jù)和營銷數(shù)據(jù)庫的開發(fā)狀況客戶分割和模型使用營銷項目種類和頻率戰(zhàn)役管理和營銷管理水平營銷鏈的閉合程度對企業(yè)經(jīng)營策略的影響初級階段處于起步階段的以制造業(yè)、零售業(yè)和一般服務(wù)業(yè)的企業(yè)居多。數(shù)據(jù)庫營銷的主要任務(wù)是建立營銷數(shù)據(jù)庫，取得客戶和潛在客戶的基本資料。實用階段基本特點是：營銷數(shù)據(jù)庫已經(jīng)基本建立，業(yè)務(wù)數(shù)據(jù)和客戶服務(wù)數(shù)據(jù)的對接和更新已經(jīng)規(guī)范化。企業(yè)對客戶的消費行為、人口和心理特征、盈利水平有比較準(zhǔn)確的了解，可以制訂有針對性的營銷計劃。發(fā)達(dá)階段數(shù)據(jù)庫內(nèi)容豐富，數(shù)據(jù)項目可多達(dá)幾千條。有不同時點的客戶截面數(shù)據(jù)留存，詳細(xì)的客戶特征追蹤如地址變換，企業(yè)通過營銷和客服人員與客戶的接觸記錄和客戶回應(yīng)歷史，并由于數(shù)據(jù)的豐富，可以不斷創(chuàng)造新的衍生變量。數(shù)據(jù)庫營銷發(fā)展階段以數(shù)據(jù)推動的營銷的作用準(zhǔn)確找到目標(biāo)顧客降低營銷成本開展有針對性的一對一服務(wù)培養(yǎng)長期的顧客關(guān)系與競爭對手進(jìn)行區(qū)別競爭為客戶增值開展交叉銷售，提高營銷效率識別最有利可得的客戶，從他們那里獲得更多的交易。識別和正確描述最有可能成為現(xiàn)實客戶的潛在客戶，把他們從潛在客戶轉(zhuǎn)變成現(xiàn)實客戶。識別仍然是預(yù)期客戶的老客戶，使他們重新在對本企業(yè)的采購上活躍起來。識別本機構(gòu)最具盈利性的產(chǎn)品，制定適當(dāng)?shù)拇黉N和價格策略。識別新的的市場機會，制定打開這些市場的新策略。測定廣告和促銷的效果，減少浪費，提高效率。評估配銷渠道和個人渠道成員的效益，降低成本，提高銷量。02客戶營銷分析中常用的分析方法基本分析法整體分析法對比分析法動態(tài)分析法指數(shù)分析法因素分析法趨勢分析法多維分析法戰(zhàn)略分析方法PEST分析PDCA分析法KANO分析法BCG分析法SCP分析法SWOT分析法戰(zhàn)略鐘模型數(shù)據(jù)挖掘方法數(shù)據(jù)挖掘的分類法數(shù)據(jù)挖掘的任務(wù)是從大量的數(shù)據(jù)中發(fā)現(xiàn)模式。所謂模式是指關(guān)于數(shù)據(jù)集的某種抽象描述。一般而言，模式按照其作用可以分為兩大類：預(yù)測型模式(PredictivePattern)和描述型模式(DescriptivePattern)。預(yù)測型模式能夠根據(jù)已有的數(shù)據(jù)集，預(yù)測某些(未知的)數(shù)據(jù)項的值。描述型模式是對數(shù)據(jù)中存在的規(guī)律、規(guī)則作出一種描述，或者根據(jù)數(shù)據(jù)間的相似性將數(shù)據(jù)分組，它一般不能直接用于預(yù)測。預(yù)測型模式序列模式分類模式回歸模式偏差分析描述型模式聚類模式關(guān)聯(lián)模式序列模式關(guān)聯(lián)規(guī)則(AssociationRule)關(guān)聯(lián)規(guī)則也稱為關(guān)聯(lián)模式，是形如X—Y的邏輯蘊涵式，其中X和Y是關(guān)于數(shù)據(jù)庫中屬性取值的判斷。例如有這樣一條關(guān)聯(lián)規(guī)則：{黃油，牛奶)一{面包)(30％，2％)，其含義是購買黃油和牛奶的顧客還將購買面包，30％和2％分別是該規(guī)則的置信度和支持度，支持度2％表示分析的全部事務(wù)中有2％同時購買了黃油、牛奶和面包，置信度30％意味購買黃油和牛奶的顧客中有30％的顧客也購買了面包。序列模式(SequentialPattern)序列模式與關(guān)聯(lián)規(guī)則相仿，也是為了挖掘出數(shù)據(jù)之間的聯(lián)系。但序列模式分析把數(shù)據(jù)之間的關(guān)聯(lián)性與時間聯(lián)系起來(側(cè)重點在于分析數(shù)據(jù)項的前后或因果關(guān)系)。為了發(fā)現(xiàn)序列模式，不僅需要知道事件是否發(fā)生，而且需要確定事件發(fā)生的時間。例如，在購買彩電的人們當(dāng)中，60％的人會在3個月內(nèi)購買影碟機。分類模式(ClassificationPattern)分類的概念是在已有數(shù)據(jù)集(訓(xùn)練集)的基礎(chǔ)上學(xué)會一個分類函數(shù)或構(gòu)造出一個分類模型，即我們通常所說的分類器(Classifier)。該函數(shù)或模型能夠把訓(xùn)練集中的數(shù)據(jù)記錄映射到給定類別中的某一個，從而可以應(yīng)用于數(shù)據(jù)預(yù)測。數(shù)據(jù)挖掘方法聚類模式(ClusteringPattern)聚類是把一組數(shù)據(jù)按照相似性和差異性歸成若干類別。其目的是使得屬于同一類別的數(shù)據(jù)間的相似性盡可能大，而不同類別中的數(shù)據(jù)間的相似性盡可能小?；貧w模式(RegressionPattern)回歸模式的函數(shù)定義與分類模式相似，它們的差別在于分類模式的預(yù)測值是離散的，回歸模式的預(yù)測值是連續(xù)的。如給出某種動物的特征，可以用分類模式判定這種動物是哺乳動物還是鳥類；給出某個人的教育情況、工作經(jīng)驗，可以用回歸模式判定這個人的年工資在哪個范圍內(nèi)，是在6000元以下，還是在6000元到10000元之間，或者在10000元以上。偏差分析(DeviationDetection)數(shù)據(jù)庫中的數(shù)據(jù)常有一些異常記錄，從數(shù)據(jù)庫中檢測出這些偏差是很有意義的。偏差包括很多潛在的知識，如分類中的反常實例、不滿足規(guī)則的特例、觀測結(jié)果與模型預(yù)測值的偏差等。數(shù)據(jù)挖掘方法銀行產(chǎn)品交叉銷售模型示例規(guī)則1:定期存款,股票基金==〉得利寶解讀:持有定期存款并購買過股票基金的客戶，會買得利寶。應(yīng)用:銀行可以向該類型客戶推薦得利寶產(chǎn)品銀行客戶流失管理中，可構(gòu)建邏輯回歸模型預(yù)測客戶流失概率；結(jié)合客戶價值執(zhí)行客戶保有策略。大數(shù)據(jù)分析方法大數(shù)據(jù)分析的五個基本方面PredictiveAnalyticCapabilities（預(yù)測性分析能力）DataQualityandMasterDataManagement（數(shù)據(jù)質(zhì)量和主數(shù)據(jù)管理）AnalyticVisualizations（可視化分析）SemanticEngines（語義引擎）DataMiningAlgorithms（數(shù)據(jù)挖掘算法）大數(shù)據(jù)分析的處理流程采集統(tǒng)計/分析導(dǎo)入/預(yù)處理挖掘客戶營銷分析的發(fā)展趨勢將大數(shù)據(jù)融入企業(yè)長期發(fā)展戰(zhàn)略大數(shù)據(jù)營銷衍生于互聯(lián)網(wǎng)行業(yè)，又作用于互聯(lián)網(wǎng)行業(yè)。依托多平臺的大數(shù)據(jù)采集，以及大數(shù)據(jù)技術(shù)的分析與預(yù)測能力，能夠使廣告更加精準(zhǔn)有效，給企業(yè)帶來更高的投資回報率。其特點有：多平臺化數(shù)據(jù)采集；強調(diào)時效性；個性化營銷；性價比高；關(guān)聯(lián)性(2)對客戶進(jìn)行全面洞察客戶是銀行業(yè)需要重視的對象，利用用戶大數(shù)據(jù)，企業(yè)可以具體實現(xiàn)如下一些功能：用戶行為與特征分析。企業(yè)重點客戶篩選。大數(shù)據(jù)用于改善用戶體驗。社會化客戶關(guān)系管理（SCRM）中的客戶分級管理支持。03客戶細(xì)分及其應(yīng)用客戶細(xì)分的概念客戶細(xì)分是根據(jù)客戶的屬性，行為，需求，偏好和價值等維度細(xì)分客戶，通過識別不同客戶群體的特征，對不同的細(xì)分群體通過合適的渠道和溝通策略，提供差別化的產(chǎn)品和服務(wù)。細(xì)分可以根據(jù)三個方面的考慮來進(jìn)行：1.外在屬性如客戶的地域分布，客戶的產(chǎn)品擁有，客戶的組織歸屬——企業(yè)用戶、個人用戶、政府用戶等。2.內(nèi)在屬性內(nèi)在屬性行為客戶的內(nèi)在因素所決定的屬性，比如性別、年齡、信仰、愛好、收入、家庭成員數(shù)、信用度、性格、價值取向等。3.消費行為分類在不少行業(yè)對消費行為的分析主要從三個方面考慮，即所謂RFM：最近消費（Recency）、消費頻率(Frequency)與消費額（Monetary）。客戶細(xì)分流程客戶細(xì)分常見方法（一）多維度細(xì)分學(xué)者研究認(rèn)為評判標(biāo)準(zhǔn)有十個，分別是：可識別性（identifiability）、響應(yīng)性（responsiveness）、實質(zhì)性（substantiality）、可及性（accessibility）、穩(wěn)定型（stability）、可訴性（actionability）、行為區(qū)隔（differentialbehavior）、可行性（feasibility）、可盈利性（profitability）、富可視性（Projectability）（二）動態(tài)性細(xì)分客戶細(xì)分的目的是為了滿足不同細(xì)分客戶群對產(chǎn)品的不同偏好，如果客戶細(xì)分模型是靜態(tài)而客戶是不斷動態(tài)變化的，營銷活動效果會大打折扣?，F(xiàn)階段的客戶細(xì)分研究大多以描述性、靜態(tài)模型為主，涉及到動態(tài)模型相對較少，動態(tài)性將是未來客戶細(xì)分研究的新方向之一。（三）預(yù)測性細(xì)分預(yù)測客戶行為一直都是營銷領(lǐng)域的前沿問題，諸如對客戶流失的預(yù)測、客戶潛在價值的預(yù)測、客戶生命周期價值的預(yù)測不論是營銷理論研究還是營銷實踐都是非常熱門的?；谛袨樘卣鞯目蛻艏?xì)分04數(shù)據(jù)挖掘模型及其應(yīng)用基于數(shù)據(jù)挖掘的客戶分析客戶資源是市場競爭至關(guān)重要的寶貴資源，擁有客戶就意味著擁有市場。數(shù)據(jù)挖掘技術(shù)能從日積月累的數(shù)據(jù)中挖掘出對企業(yè)決策有幫助的潛在知識和規(guī)則，挖掘現(xiàn)有客戶的消費潛力，減少客戶的流失，為企業(yè)的決策和發(fā)展提供幫助?？蛻糌暙I(xiàn)分析客戶的購買力對企業(yè)的盈利有很大的影響，客戶的貢獻(xiàn)越多，企業(yè)相應(yīng)的利潤也就越豐厚。所以按客戶的貢獻(xiàn)大小對客戶群進(jìn)行分類，然后對不同的貢獻(xiàn)率的客戶采取不同的措施，對于企業(yè)提高收益具有巨大的意義?？蛻魞r值分析

客戶是企業(yè)最重要的資源了，擁有越多的客戶的企業(yè)有更多地發(fā)展機會，而不同的客戶對于企業(yè)的價值是不一樣的，這就需要對客戶的價值進(jìn)行分析，有助于企業(yè)合理利用，提高企業(yè)的收益。數(shù)據(jù)挖掘模型的分類數(shù)據(jù)挖掘模型中有監(jiān)督學(xué)習(xí)就是分類，通過已有的訓(xùn)練樣本去訓(xùn)練得到一個最優(yōu)模型，然后利用這個最優(yōu)模型將所有輸入映射為相應(yīng)的輸出，對于輸出進(jìn)行判斷實現(xiàn)分類，這就對未知數(shù)據(jù)進(jìn)行了分類。監(jiān)督學(xué)習(xí)中的典型例子是K最近鄰（KNN）和支持向量機（SVM）。無監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)的不同之處，主要是它沒有訓(xùn)練樣本，而是直接對數(shù)據(jù)進(jìn)行建模。無監(jiān)督學(xué)習(xí)的典型案例就是聚類了，其目的是把相似的東西聚在一起，而不關(guān)心這一類是什么。聚類算法通常只需要知道如何計算相似度就可以了，它可能不具有實際意義。描述性的(也稱作“無監(jiān)督學(xué)習(xí)”)無監(jiān)督學(xué)習(xí)算法類的模型，主要通過對數(shù)據(jù)集全部或部分變量的屬性發(fā)現(xiàn)數(shù)據(jù)集潛在的規(guī)律。此類算法構(gòu)建模型不需要有因變量，考慮的是所有變量之間的關(guān)系，即在N維空間里每個樣本之間的距離。預(yù)測性的(也稱作“有監(jiān)督學(xué)習(xí)”)有監(jiān)督學(xué)習(xí)算法類的模型，用數(shù)據(jù)集里的一個或多個變量來預(yù)測數(shù)據(jù)集里的另一個或多個其他變量，模型要求數(shù)據(jù)集里有一個因變量?？蛻糌暙I(xiàn)分析步驟構(gòu)造數(shù)據(jù)集市。根據(jù)對客戶貢獻(xiàn)大小的研究，分析貢獻(xiàn)大小與客戶屬性特征相關(guān)的屬性。數(shù)據(jù)預(yù)處理。對客戶屬性如客戶姓名、滿意度、工作地、貢獻(xiàn)度和購買次數(shù)等，進(jìn)行必要的清洗、集成、轉(zhuǎn)換、離散和歸約等一系列的處理工作，達(dá)到挖掘算法的規(guī)范和標(biāo)準(zhǔn)。

建立相關(guān)屬性集。通過對屬性相關(guān)性的分析，刪除那些與數(shù)據(jù)挖掘不相關(guān)的屬性，剩下相關(guān)的屬性就組成了相關(guān)數(shù)據(jù)集。建立模型。根據(jù)上一步得到的相關(guān)數(shù)據(jù)集對客戶貢獻(xiàn)度建立模型。首先對相關(guān)數(shù)據(jù)集進(jìn)行分析和訓(xùn)練形成訓(xùn)練數(shù)據(jù)集。然后歸納判定樹。接著，對分類規(guī)則進(jìn)行提取。最后，對得到的基本模型進(jìn)行評價和改進(jìn)。

使用模型進(jìn)行分類。當(dāng)模型的準(zhǔn)確率改進(jìn)到某個可以接受的閾值，就可以用這個模型對貢獻(xiàn)度未知的客戶進(jìn)行分類。將客戶數(shù)據(jù)輸入模型，然后就可以得到這個客戶對應(yīng)的客戶貢獻(xiàn)率分類結(jié)果?？蛻魞r值分析步驟基于K均值算法的客戶細(xì)分分析。首先選取500名客戶5年的購買數(shù)據(jù)作為數(shù)據(jù)挖掘的樣本數(shù)據(jù)，樣本數(shù)據(jù)主要包括客戶代號、平均采購額度和購買次數(shù)3個方面信息。然后設(shè)置K值，然后執(zhí)行K均值聚類算法。算法執(zhí)行后，樣本數(shù)據(jù)就進(jìn)行了分類。根據(jù)分類結(jié)果可判斷不同價值的客戶群體?；跊Q策樹