（系统工程专业论文）基于数据挖掘的商业银行零售客户细分研究.pdf

东南大学学位论文独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得 的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含 其他人已经发表或撰写过的研究成果，也不包含为获得东南大学或其他教育机构 的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均 已在论文中作了明确的说明并表示了谢意。 研究生签名： 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位 论文的复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人 电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论 文被查阅和借阅，可以公御( 包括刊登) 论文的全部或部分内容。论文的公析i ( 包 括刊登) 授权东南大学研究生院办理。 期：凌也互：f 。 r，i = 基于数据挖掘的商业银行零售客户细分 研究 研究生：钱娟导师：曹杰教授东南大学 摘要 随着我国加入w r o 后外资银行的进入，使得国内银行业面临的竞争压力越 来越大，零售客户对商业银行来说显得愈发重要，有效发掘客户、管理客户资源 已成为银行的制胜关键。而客户细分能够有效实现银行以客户为中心、服务为目 的的战略目标，为不同的客户群提供更为个性化的服务，使银行的有限资源能够产 生最大效用。另一方面，银行拥有海量的客户信息数据，数据挖掘技术的应用为银 行客户数据中隐藏知识的发现提供了有利支持。 本文针对目前客户细分中的研究不足，从生活方式的视角设计了一个基于数据 挖掘的客户细分模型，并通过自编的调查问卷采集银行零售客户数据，对上述细分 模型进行了实证分析。具体研究内容包括： 。? 一。+-。 首先，本文在详细阐述数据挖掘理论和客户细分理论的基础上：从生活方式的 角度提出了客户细分模型的内容框架及研究假设。并根据模型的研究目的和实际 情况，以a i o 量表为研究工具，设计了适合本研究的“商业银行零售客户生活方 式调查问卷 进行调查取样，最后共获得4 0 8 份有效问卷。 其次，针对回收的有效样本数据，本文着重进行了实证分析。首先运用s p s s 软件进行了信度分析和效度分析，然后利用因子分析将银行客户的生活方式归纳 为六个维度，并依据得到的生活方式维度，通过k m e a i l s 聚类分析将客户细分 为三大类。在此基础上，通过卡方检验分析了不同客户在人口统计变量上的差异， 对每一类客户的特征进行了提取，有助于提高银行营销活动的针对性和有效性。 接下来，本文使用挖掘软件w e k a 中的a p r i 商算法对聚类分析所得的三类客户 及“购买基金 类客户在银行零售业务办理方面的行为规律进行了关联分析，根 据所得的关联规则结果提出了一些营销建议。 最后，对全文进行总结，并提出了本文的创新点及研究展望。 关键词：客户细分；商业银行；生活方式；聚类分析；关联规则 r e s e a r c ho nr e t a i lcu s t o m e r s e g m e n t a t i o no f co m m e r c i a lb a n k b a s e do nd a t n m i n i n g s t i l d e l l c ( 疆a nj u 锄s 1 】p e n ，i s 叱c a oj i e s o u t l l e 髂tu r n i v e 岱蚵 a b s t r a c t a s 南而印b a l l k sa r e 锶t e m gb e c 娜eo fo u rc 0 眦时sj o i i l i n gw r o ，恤e p l r t 塔s u r e o u rf i n a l l c i a li i l d u s t 叮f a c i n gi sb e c o m i n gb i g g e r 砒l db i g g e r ，s or e t a i l c u s t t 糯e r sa r em o 时i m 即r t 柏tt 0c o 姗【i l 硎a lb a n k ，a n dd i g 舀n g 锄dm a l l 蟛n gm e i r i n f o r m a t i o nh a sb e c o m em ek e yt h e n 伽s t o m e rs e g m e n t a t i o nc 飘h e l pt 0a c t l i e v e b a n k st a 玛e to fc e i l t 甜n go nc u s t o m c r 锄da i m i n g0 ns e r v i c e ，b e c a l l s ei tp r o 讥d 器 d i 丘矗e mc i i s t o m e r sw i mm o r ep e r s o n a l i z e ds e i c e s ，s oa st od c v e l o pm em a x i m u m e f j r 圮t i v e n e s sm a l ( i n gl l s eo fl i m i t e dr c s o u r o e s o nm eo m e rh a i l d ，m eb 锄kh a si m g c ， ，。 一， ： ；a m o t i n 簪一d a t 封锄dt h ed a 罅m i n i n gt e c h n o l o g yp r o v i d e sas 位o n gs u p p o r tt od i s c o v e r ：一f 一 ， 一 t h eh i d d 醯k n o w l e d g e 洫c u s t o m e rd a t ao fc o 舢袱- r c i a lb a i l l 【 t a l i n gm ec l m e n ts h o r t a g eo f 饥塔t o m e rs e g m c n t a 缸o ni n t 0c o n s i d e r a t i o 乌a a 咖e rs 锲即e n t a d o nm o d e lb a s e do nd a t am i l l i n g 丘o mt h ep i 跚s p l e c 时v eo fl i f e s 研et l a s b 蹦ld e s i g 删a n d l 饥i tc o n d l l c b 锄唧d c a la 1 1 l a l y s i sb ym er e t a i la l s i d m 髓d a e c 0 u 删b y s e l f c 0 i l s 缸u c t 。dq u e m d 蛐衄讹t h em a i ns t u d y i n gc o n 锄懈删e ： f i r s t l y m ec 0 n 锄l t 妇n 创出砒1 dr 销e a f 出h 弹i o m e s i so fa 威o m 酉s 铝m e n t a l i o n m o d di sr a i s o d 丘o mt h ev i e wo fl i 凰t y l eb 弱o do nm e 0 叫o fd a 圭am i i l i n ga n dc t l s l m n 盯 s 键m e n t a 矗o i la n da c 删i n gt 0m er e s e 疵hp 删p o s e 趾da c t u ms i t u a t i o 玛t a ：ga i o s c a l e 嬲ar e s e a r c ht o o l ，aq u e s t i o i l l l a i r cn a m o d “q u 髑：t i o 衄酊r e0 nr e t a i lc i l s t o m e r s l i f e s t y l eo fc o r 啪e r c i a lb a l l l ( i sd e s i 朗e df o r l i ss t u 电趾d4 0 8 砌i dq u 酬o i l i l 椭 a r er e t u m e d s e c o n d l y ，w i 吐l 吐l ee f f t i v es a i n p i ed a t a s ，t h ee m p i r i c a la n a l y s e sa r ep 柏彻e d f 硫t ，l er e l i a b i l i t y 锄m y s i sa n dv a l i d 时a n a l y s i sa r et e s t e d ，a n dt l l e ni ti n d u c 髓s i x m m e i l s i o n so fm ei i 脚l eo fb a n l ( c u s t o m e 稻m r o u 曲日1 ef i 猁【( ) r 嬲a l y s i sb ys p s s ， 锄do nn l i sf o u l l d a t i o 玛t h ec u s t o m e f sa r ed i v i d e di n t 0t h l p a r t sb yd 璐t e r 锄a l y s i s n f 1 1 r m 锄o r c ，a n c f 锄a l y z i 】唱m ed i f f e r e l l c co nd e m o 黟印h i cv a l i a b l 髓o f 也et b r s u b m a r k e t sw i mc h i - s q u a r c st e s t s ，i tp i c k su pt 量1 e 棚曲函s t i c so fe a c hc l a s so f c u s t o m e r s ，砌c hi sh e l p 僦蠡) rb 0 0 s t i n gm ep e n i n 铋c e 锄dv 面i d 时o fb a n l 【s m a r k e t i n ga c t i o l l s 1 1 1 e l la n e rp r e d a t ap r e p r o c e s s i n 舀a p r i o r ia l g o r i n l h lo fw e k a i s u s e dt om a k ea s s o c i a t i o nm l c s 觚a l y s i so fb e h a v i o r s0 nr e t a i lb a n 粒n g sf 0 吼e db y c l l s t o m e f l s ，i l l c l u d i n g 廿l e l r e ec a t e g o r i e s b a s e do nc l u s t e r 锄a l y s i sa i l dn l o s e c i i s t o m e r sw h oh a v eb o u g h t 如n d 舶mb 砌己a tl a s t ，s o m em a r k e t i n gp r o p o s a l sa r e a d v a l l c c da c c o r d i n gt 0t l l er c s u l t so fa s s o c i a t i o n1 1 l l e s f i n a l l y ，黜a r i z 骼m em e s i s ，p r o p o s e sm ei 1 1 n o v a t i o i l sa n dm ep r o s p e c to f r e s e a f l c hc o n c e n l e d k e yw o r d s ：c t o m e rs e g m e l l t a t i o n ；c o i l l m e r c i a lb a i l k ；“f e s t y l e ；c l l l s t e ra n a l y s i s ； a s s o c i a t i o nr u l e s i n 目录 摘要i a b s t r a c t 。i i 第一章绪论1 1 1 研究背景及意义- 1 1 1 1 研究背景1 1 1 2 研究意义1 1 2 国内外研究现状2 1 2 1 人口统计细分2 1 2 2 生活方式细分3 1 2 3 客户利益细分3 1 。2 4 客户行为细分4 1 2 5 客户价值细分5 1 3 本文的研究内容与方法6 1 3 1 本文的研究内容与框架6 1 - 3 2 本文研究方法8 1 4 本章小结8 第二章相关理论研究回顾9 2 1 数据挖掘理论概述9 2 1 1 数据挖掘的概念9 2 1 2 数据挖掘的功能9 2 1 3 数据挖掘算法在客户细分中的应用1 1 2 1 4 数据挖掘的实施过程1 3 2 2 客户细分理论研究1 5 2 2 1 客户细分的概念1 5 2 2 2 客户细分的原则1 6 2 2 3 传统的客户细分方法及步骤1 6 2 2 4 基于数据挖掘的客户细分过程1 7 2 2 5 商业银行客户细分的意义1 9 2 3 本章小结2 0 第三章基于生活方式视角的客户细分模型研究2 l 3 1 生活方式细分的相关理论2 l 3 1 1 生活方式的概念2 l 3 1 2 生活方式细分研究方法2 2 3 1 3 生活方式细分应用现状2 5 3 2 研究模型的构建2 6 3 2 1 研究模型的框架2 6 3 2 2 研究假设：2 7 3 3 实证研究设计2 8 3 3 1 变量说明2 8 3 3 2 问卷设计2 9 3 3 3 抽样设计：3 0 3 3 4 资料处理方法3 l 3 4 本章小结3 2 第四章实证分析3 3 4 1s p s s 软件介绍3 3 4 2 有效样本结构分析：3 4 4 3 信度和效度分析3 6 4 3 1 信度分析3 7 。辱翠2 ：教鼢析：。+ 。一3 8 。4 商业银行零售客户生活方式细分1 。二。+ ：。3 9 4 4 1 因子分析4 0 4 4 2 聚类分析4 6 4 4 3 基于生活方式细分的人口统计变量分析5 0 4 5 关联规则分析5 6 4 5 1 关联规则的基本概念5 6 4 5 2 客户行为规律的关联规则分析5 8 4 6 本章小结6 2 第五章结论与展望6 3 5 1 结论6 3 5 2 研究不足及展望6 4 致谢6 5 参考文献6 6 附录a 7 l 附录b 7 3 在攻读硕士学位期间发表的论文、专著及参与的科研项目7 6 v 东南大学硕士学位论文 第一章绪论 第一章绪论 1 1 研究背景及意义 1 1 1 研究背景 自我国加入w t o 以后，外资银行大规模进入，我国银行，尤其是商业银行的经 营环境发生了很大的变化，银行业的竞争日趋激烈。各大银行纷纷采取先进的信息 技术手段提升自身的服务水平【。方面，银行提供给用户的产品有一个显著的特点 一同质性。不同银行之间的产品及服务没有显著大的差别；而另一方面，银行又 都存有各自不同的海量的用户信息数据。通过对这些海量数据的挖掘分析和研究， 可以发现不同用户不同的消费偏好一j 习惯，进而开展有讦府仨的营销活动，保留高 价值客户，实现商业银行以创造更多利润为目标的企业宗旨2 1 。而数据挖掘技术的出 现，为银行实现这个目标提供了强有力的武器，成为银行获取竞争优势的一个重要 手斟3 1 。， f_ + ：随着网络技术的发展和计算机使用的日益广泛，电子化数据越来越多抓“数据丰 ；：富而知识贫乏”的闯题日益突显【4 1 ，而数据挖掘技术正为此类问题开辟了条道路， 其在具体商业运用方面的研究与推广已取得较大成果。而银行业务的一个重要特点 就是拥有海量用户，在经历了业务快速发展的初期阶段以后，银行的增量市场日益 萎缩，存量市场日益饱和，原来粗放的经营模式已开始向精细营销模式过渡，从“以 产品和服务为中心打的运营方式转换到“以客户为中心”的运营方式，其核心是要 能够对海量的客户群体进行细分研究，了解客户消费行为特征和差异，从而能够针 对不同的客户群提供有差异化的营销策略【5 1 。数据挖掘技术的应用，能有效帮助银行 进一步了解客户，进而对客户进行分类，有针对性地开展各种营销活动，从而使留 住老客户，争取新客户，确定利润的主要来源成为了可能。同时，银行内部丰富的 客户资料和历史消费数据是实旅数据挖掘的有力保证。因此，本文就是在这样的背 景之下，研究并积极寻求有效的客户细分方法和科学的细分模型，以协助银行正确 地实现客户细分并有针对性地进行商业决策，为国内商业银行提供理论支持和应用 参考。 1 1 2 研究意义 本文旨在通过数据挖掘技术和统计分析方法的结合，实现准确、有效的客户细 东南大学硕士学位论文 第一章绪论 分，为银行的客户数据分析和进一步的数据挖掘等工作提供支撑。一方面，在理论 上可以丰富商业银行客户细分与数据挖掘领域的研究；另一方面，在实践上可以为 客户关系管理中客户细分问题的解决提供更多的方法选择，对我国商业银行在“以 客户为中心 的管理理念的背景下，利用信息技术提高银行竞争力具有一定的指导 意义与应用价值。 本文的选题来源于国家自然科学研究项目一基于商务智能的零售银行管理与 决策支持系统研究( 项目编号：6 0 8 0 4 0 4 7 ) ，主要研究数据挖掘技术在商业银行零 售客户细分方面的应用，对银行客户细分的挖掘模型开展相应研究，并在对银行客 户数据进行挖掘的基础上，探讨数据挖掘技术在银行客户细分方面应用的有效性， 并根据挖掘结果提出相关的参考营销策略。因此，通过本文的研究，可以为国内商 业银行开展零售业务、提高经营管理水平提供决策帮助。 1 2 国内外研究现状 hl 从文献研究来看卜目前国内外的客户细分研究主要围绕着人口统计、生活方 ： 一j一 ：一。 式、利益、行为、价值等变量进行，研究维度也从一维到多维，研究工具也从统 计分析到数据挖掘。 1 2 1 人口统计细分 传统的基于客户统计学特征的客户细分方法主要是从客户的年龄、性别、地 理等人口统计特征，婚姻家庭状况、行业、职业等社会特征以及性格、心理特征 等角度出发，对客户进行细分。该方法的优点是简单易行，但缺乏有效性，难以 反映客户的需求和价值，难以指导企业如何去吸引客户、保持客户，难以适应客 户关系管理的需要。因此，国内外文献纯粹研究人口统计细分的相对比较少。 随着以客户生命阶段为维度内涵的细分方法的出现，相应的基于人口统计的 细分就转化为对客户生命阶段的划分。在实践中有如下两种成熟的方法【6 】：首先 是p c o p l eu k 方法，它将客户的生命历程分为8 个发展阶段，每阶段中又分为数 量不等的子阶段，总计有4 6 类；其次就是c l 撕t a s 公司开发的p r i z m 方法，它 将所有位于1 6 个大客户群中的客户分成6 0 个不同的组，覆盖生活方式、4 个生 命阶段和4 种收入层次，此时人口统计细分的维度的重心开始向生活方式偏移。 2 东南大学硕士学位论文 第一章绪论 1 2 2 生活方式细分 生活方式是指从社会生活机制中衍生并发展起来的各种方式，是一个系统的概 念。而基于生活方式角度去研究客户细分，也是源于这样一种假设_ 对客户了解 得越多，越能采取越积极有效的营销手段。 l a z e r ( 1 9 6 3 ) 首先提出以生活方式为背景来识别和细分客户忉，但是并没有 对其内涵做出规范，直到w d l s 和t i 酣( 1 9 7 1 ) 提出用a i o ，即活动( a 嘶v i t y ) 、 兴趣( i n t e r e s t s ) 和观点( o p i l l i o n ) ，来表达生活方式【8 1 ，以及p l u m m c r ( 1 9 7 4 ) 利用人口统计特点( 教育程度、居住环境、收入、生活阶层) 来丰富生活方式【9 】， 基于生活方式的客户细分才有了一定的应用价值，至此维度内涵扩展成四维。具 体来说，活动表现为人们如何支配平时的时间；兴趣就是对周围的环境的关注程 度；观点则是与自己或环境相关的各种评论；人口特征包括一些外在特性，例如 教育程度、居住环境、收入、生活阶层等。之后，b u s h m 觚( 1 9 8 2 ) 又进一步做 出改进【l 们，他继承了l a s e r 的系统论的观点，建立了一个二维分类矩阵来研究市 j ：o ：= 。7 场细分中的客户。这一改进在增强方法系统性的同时扩展了其适用性，在方法论 ，二 。上逐渐向利益细分方法靠拢。 1 2 3 客户利益细分 利益细分最先由h a l e y ( 1 9 6 3 ) 提出，它利用具有因果关系的因素而不是描述 性的因素来识别市场【l l 】，其区别于传统细分方法的优势就在于它透过客户表象的 行为、态度和动机来挖掘背后的真正利益。利益是一个比较复杂的概念，在具体 的市场中，它可能是客户偏好的一种产品特征、服务方式或其他任何与产品或服 务相关的环节。利益细分不仅在维度内涵上具有弹性，其细分技术也相当丰富， 诸如拟合分析( c o n j o n 锄a l y s i s ) 【1 2 】、因素分析( f a c t o ra 1 1 a l y s i s ) 、聚类分析( c 1 u s t e r a n a l y s i s ) 、人工神经网络( a n i 6 c i a ln e u r a ln e t 、) l ，o r l ( s ，a n n ) 【1 4 1 等，是实践中 应用最广泛也最有效的一种方法。 v n e l l s ( 1 9 9 6 ) 等总结了拟合分析中常用的方法，分别从分割类型、分割程 序、优化标准三个方面表述了这些技术的特点f 1 5 】；m 和m u e l l e r ( 1 9 7 8 ) 概括 了利用因素分析进行客户细分的基本理论。因素分析是通过对原始指标体系内部 结构及相关性的研究，借助一定的统计技术，将初始指标转化为与之信息等价的、 3 东南大学硕士学位论文第一章绪论 独立的新指标系列，即因子集合，以此来探寻事物的本质【1 6 j ；b o o n e 和r o e h m ( 2 0 0 2 a ) 研究了用h o 曲e l d 人工神经网络技术进行客户细分的h o p f i e l d 和 k a g m a r ( h k ) 聚类方法，他们认为h 0 p 丘e l d 网络中的每个神经元同所有其它神 经元都相连，信息能够以多个方向在神经元间流动，因而比其它人工神经网络更 具优势【1 1 7 1 ，b o o n e 和r 0 c h m ( 2 0 0 2 b ) 概括了该方法的主要特性，并指出该方法 可以处理随机的输入，能够处理相对非结构化的数据【1 8 】；许苗村，蒋先刚( 2 0 0 8 ) 通过把经济学中的特征分析模型与数据挖掘中的k - m e a n s 聚类算法相结合，对 客户资信评级进行了分类1 1 9 】：严丽平( 2 0 0 7 ) 提出了一种基于聚类算法和r b f 神经网络的电信客户细分模型，并通过实证验证了模型的合理性和实用性【2 0 】；周 颖，吕巍，井淼( 2 0 0 7 ) 用数据挖掘中的误差平方和准则函数的k - m e 孤s 聚类 算法建立了客户细分模型，为企业制定营销策略提供依据【2 l 】。 1 2 4 客户行为细分 基于客户行为的客户细分是通过分析数据库中已有客户的消费行为模式来 将客户进行分类，是一种以行为模式数据为基础、以信息技术为支撑的细分方法， r f m 是目前使用最多的一种客户消费行为研究方法。r f m 方法是由h u 曲伪 ( 1 9 9 4 ) 首先提出的，其以三个行为变量来描述和区分客户【2 2 1 。r ( r e c c l l c y ) 是指上次购买至今的时间间隔，f ( f r e q u e n c y ) 是指在某一期间购买的次数，m ( m o n e t a r y ) 是指在某一期间内购买的金额。但黜? m 分析方法也存在其不足之 处，如分析过程过于复杂，细分后客户群过多等。 为了回避l 强m 分析方法的缺点，m 椰( 1 9 9 8 ) 提出用购买次数f 与平均 购买额a 构造二维的客户价值矩阵模型来修正i 溥m 方法【2 3 1 。这种方法的优点在 于简化了客户细分群体，而且易于产生针对每一个客户群的与跨越客户群的营销 战略。吕昀卿( 2 0 0 6 ) 在其硕士学位论文中考虑了客户的非经济价值【2 4 】，选取了 “客户当前价值 和“客户增值价值 两个维度指标来研究银行客户价值细分， 从而避免了利用r f m 法计算的缺陷。 在以行为为基础的细分中，客户忠诚度又是一个关键变量。最具代表性的是 研究者把忠诚分成态度忠诚和行为忠诚两个维度。d i c k 和b 栅( 1 9 9 4 ) 认为， 只有当重复购买行为伴随着较高的态度取向时才产生真正的客户忠诚【2 5 1 。g n 衔n 4 东南大学硕士学位论文第一章绪论 ( 1 9 9 5 ) 依据重复购买的程度和积极态度的强度把忠诚分为四类，并提出了客户 关系阶梯，共分七个等级：猜疑者、潜在的购买者、不合格的购买者、第一次购 买的客户、重复购买的客户、忠诚客户以及倡导者【2 6 】；l e r 和b r o 、j l ，n ( 1 9 9 6 ) 把忠诚分为行为忠诚( 实际表现出来的重复购买行为) 、意识忠诚( 未来可能购 买的意向) 和情感忠诚( 对企业及其产品的态度) 三个方面组成的客户忠诚度【2 7 】 来进行分析；潘越( 2 0 0 4 ) 着重于对客户行为趋向的评价，衡量指标有再购买意 向( 再购买周期) 、再购买行为( 频率和数量) 等【2 8 】；丁洪涛等( 2 0 0 9 ) 讨论了 基于客户终身价值和客户忠诚度的客户细分方法，提出了一个基于客户当前价 值、客户潜在价值和客户忠诚度的三维电信客户细分模型，并针对不同的细分群 体提出相应的保持策略【2 9 】；王林林( 2 0 0 6 ) 以调研设计中的关联属性为市场细分 的纬度，分析了移动顾客满意度与忠诚度在各细分市场的特征【3 0 1 。 1 2 5 客户价值细分 一基于价值的客户细分是以价值为基础进行客户细分的，企业根据每类客户的 价值制定相应的资源配置和保持策略，将较多的注意力分配给较具价值的客户， 有效改善企业的盈利状况。一般对于企业而言，最关心的是客户生命周期价值。 针对客户生命周期价值的研究，c o u t 1 e a u x ( 1 9 8 6 ) 阐述了客户生命周期价值对 于管理决策的重要作用，认为其不仅可以用于计算客户获得的市场预算成本，而 且能够用于决策如何配置有限的资源用于保持现有的客户【3 1 1 ；s h e r d e n ( 1 9 9 4 ) 提出了客户管理中的著名2 8 原则，即2 0 的客户创造了8 0 的利润，从而指出 预测客户的生命价值对企业的市场战略具有重要的意义【3 2 】；r e i c l l l l e l d ( 1 9 9 6 ) 等人提出企业为了提高利润和销售，必须要成功保持现有客户，特别是一些比其 他客户具有更高盈利能力的客户【3 3 】；s n l l i l ( 2 0 0 1 ) 等人对客户生命周期价值做 了深入的研究，对企业现有客户价值进行了定义，并指出所有客户的价值包括通 过客户活动得到的未来价值，构建了动态的客户生命周期价值模型【3 4 1 。目前，国 内对客户生命周期价值方面的研究集中在对客户生命周期阶段的研究以及在客 户保持中的应用。西安交通大学的陈明亮、李怀祖( 2 0 0 1 ) 从客户保持战略的角 度，提出客户生命周期价值的首要任务是客户价值的细分，并对客户价值的判断 标准进行了分析，主要是针对客户当前价值和潜在价值所产生的细分进行客户战 5 东南大学硕士学位论文第一章绪论 略讨论，但对其计算模型并没有深入研究【3 5 】；陈明亮( 2 0 0 2 ) 又通过系统的实证 研究，提出关于客户利润一般变化趋势的假设，并给出了一个典型的呈倒“u 形的客户利润变化特征曲线【3 6 】；重庆大学的陈静宇( 2 0 0 2 ) 定义了客户价值和客 户关系价值，认为客户价值即客户给企业所带来的收益，取决于时间和价格两个 因素，通过图形阐述了客户价值随时间变化的特性，并指出客户关系价值是指企 业为获得某一客户的实际价值所付出的成本【3 7 】；金国栋( 2 0 0 3 ) 以客户价值为核 心，提出并研究了客户相对价值细分理论和客户价值生涯周期形态细分理论【3 8 】： 桂晓梅( 2 0 0 9 ) 从客户的当前价值和潜在价值两个方面，建立了一个客户价值评 价指标体系，并应用该评价指标体系通过算例对客户价值进行计算实现了客户细 分【3 9 】；邬金涛、赵汴( 2 0 0 5 ) 提出客户终身价值是客户在与企业关系保持期间贡 献给企业所有利润的贴现值，它包括客户的当前价值、未来价值、经济价值和非 经济价值，并根据终身价值的大小和类别，对客户进行二维交叉细分【删。 基于价值的客户细分方法，对客户价值的预测只能是一个大概的估计值，难 以精确，而且在选择划分维度方面有一定的局限性，因此造成了基于价值的客户 细分方法在实际企业中的应用范围不大。 1 3 本文的研究内容与方法 1 3 1 本文的研究内容与框架 目前国内外对客户细分的研究已经取得了很大的成果，但也存在一些不足之 处，主要体现在细分方法的选择和研究工具的应用上。一方面，目前的研究大多 是以客户价值、客户行为或客户利益为切入点进行的细分研究，研究客户生活方 式细分的文献相对较少。虽然西方等发达国家对生活方式细分研究较早，也取得 了一些研究成果，但针对某一具体行业进行的模型研究并不多见。而国内对生活 方式的研究起步较晚，很多都是描述性文献，进行实证研究的很少；另一方面， 在客户细分研究的实证分析阶段，很多文献仍然采用传统的统计分析方法，这在 数据处理方面存在一定的局限性。 因此，本文针对目前研究工作中的不足之处，利用数据挖掘技术，结合客户 细分理论和生活方式理论的最新进展，考虑国内银行的行业特征，从生活方式的 视角对商业银行的零售客户进行了细分研究。论文的研究方案与技术路线如图 6 东南大学硕士学位论文第一章绪论 1 1 所示。 ，一一一。一、 + 研究背景 研究意义 国内外研 究现状 滋函函豳 目前研究 存在不足 提出研究 问题 、+、一，4 口7 i ”“，- 霄艟慨， ：v 二：3 。一r j 。? t j | 。 _ 构建生活方 漆雾舫k：i 式细分模型 r ，i 一”j 1；一矿纠| 妙 t ； 1 j ? ：m 7 一“ + 。， “， 卜 ，一； 、：麓实证分析 ； j ， ， ：7 因 ： 聚关 ， “ “ 一二 i 子 一 “ 类 - 、乞 联 ： 一。j 。 。j 曼分，7 ：、善分i 。 。 ： 分 一， ! 。 ： 、 析析 ， 析 ? “。厂，。0 ：一js p s s 软件 ，w e k a 软件 。1 j t t：? 鼍 5i ：4 ，一j 氛，_ 也淑? h “。锄一! ：，堍 ：o 一。j ：，e z t 叠i 鞋i _ 。一# 、舒 乏，上土 豳、 h 、 f = =，2 客户特征描述 营销策略建议、 蠹如j 厶女，j 意。 4-r 矿 、， 图1 1 本文研究方案与技术路线 本文的研究思路与内容主要按照图1 1 展开，全文共分为五个章节。 第一章为绪论。主要介绍本文的研究背景和意义，分析国内外的研究现状和 存在的问题，针对目前的研究不足提出本文的研究思路和方法。 第二章为理论回顾。主要包括数据挖掘理论研究和客户细分理论研究两个方 面，为本文研究提供理论基础。 第三章为基于生活方式的客户细分模型研究。借助a i o 量表构建商业银行 零售客户的细分模型框架，并进行专业的实证研究设计，为下一章的实证分析研 究做好准备。 第四章为实证分析。以收集到的有效样本数据为研究对象，分别利用s p s s 和w e k a 软件进行因子分析、聚类分析和关联规则分析，从得出的研究结果出 7 东南火学硕上学位论文第一章绪论 发提出营销建议。 第五章，研究结论与展望。总结本文的研究成果与创新点，指出本研究的不 足之处和后续研究的方向。 1 3 2 本文研究方法 本文主要采用如下两种研究方法： a ) 理论分析与实证研究相结合 本文将采用理论分析与实证研究相结合的分析方法。理论分析主要采取文献 研究方式，通过广泛阅读相关领域文献，从挖掘的概念、功能、算法和模型理论 框架出发，对数据挖掘作总体介绍。在此基础上，结合客户细分理论和生活方式 的相关知识，确定客户细分指标体系，提出商业银行的零售客户细分模型，并通 过自编调查问卷来收集样本数据的方式进行实证分析。 b ) 定性研究与定量研究相结合 本文将采用在定性研究的基础上进行定量研究的研究方法。在对商业银行客 户细分这一具体应用进行客观分析的基础上，对数据挖掘所需的原始样本数据进 行预处理，再运用s p s s 统计分析软件和w e k a 数据挖掘软件进行聚类分析和 关联规则分析，并根据研究结果提出相应的营销策略。 1 4 本章小结 本章首先阐述了本文的研究背景及意义，然后从人口统计、生活方式、客户 利益、客户行为和客户价值五个方面探讨了国内外客户细分的研究现状，指出了 目前研究的不足之处，在此基础上，从研究方法和研究工具两方面加以考虑，提 出了本文的研究内容与方法。 8 东南大学硕士学位论文 第二章相关理论研究回顾 第二章相关理论研究回顾 2 1 数据挖掘理论概述 数据挖掘是从存放的数据库、数据仓库或其它信息库的大量数据中挖掘潜在 有用知识的过程，它是信息技术发展到一定阶段的必然结果，是拥有大规模数据 库、高效的计算能力、经营能力和有效的计算方法后的产物。数据挖掘涉及了多 个学科的思想和方法，包括数据库系统、数理统计学、人工智能、神经网络、可 视化和信息科学。 2 1 1 数据挖掘的概念 数据挖掘( d a t am i 血培) 一词，在1 9 9 5 年首届国际知识发现与数据挖掘大会上 被首次提出后，迅速在世界范围内成为研究热点。数据挖掘是源于数据库中的知识 发现( 妇l o w l e d g ed i s c o v e 巧i 1 1d 舭a s e ，k d d ) 的一项以人工智能为基础的数据分析 技术，其主要功能是在大量数据中自动发现潜在有用的知识，这些知识可以被表示 为概念、规则、规律、模式等f 4 1 1 。 理解数据挖掘的定义可以从技术和商业两个层面进行。从技术层面看，数据挖 掘是从大量的、不完整的、有噪声的、模糊的、随机的实际数据中，提取隐含在其 中的、但又是潜在有用的信息和知识的过程；从商业层面看，数据挖掘是一种崭新 的商业处理技术，其主要特征是对商业数据库中的大量业务数据进行抽取转化分析 和模式化处理，从中挖掘出辅助商业决策的关键知识，即从一个数据库中自动发现 相关商业模式，从而为企业做出正确的市场预测等提供支持。 + 数据挖掘使用各种数据分析和建模技术去发现隐藏在海量数据中的模式和关 系，通过合理的资源分配减少成本，提供个性化的关系管理方式以提高客户忠诚度， 以最佳的方式对客户做出回应，提高企业的收入以及利润【4 2 1 。目前数据挖掘在银行 客户关系管理( c l 】s t i 咖e rr e l 撕。徜pm 锄a g 锄印：t ，c i t m ) 中的应用主要表现在客户 细分、获取新客户、交叉销售及客户维持等多个方面【4 3 ，棚。本文的研究内容正是数 据挖掘技术在分析型c r m 中的一个重要应用客户细分方法。 2 1 2 数据挖掘的功能 数据挖掘的目标是从数据库中发现隐含的、有意义的知识，它通过预测未来 9 东南大学硕士学位论文第二章相关理论研究回顾 趋势及行为，做出前摄的、基于知识的决策。数据挖掘综合了多个学科技术，有 很多功能，当前的主要功能如下【4 5 ，侗： l 、自动预测趋势和行为 数据挖掘自动在大型数据库中寻找预测性信息，以往需要进行大量手工分析 的问题如今可以迅速直接由数据本身得出结论。一个典型的例子是市场预测问 题，数据挖掘使用过去有关促销的数据来寻找未来投资中回报最大的用户，其它 可预测的问题包括预报破产以及认定对指定事件最可能做出反应的群体等。 2 、关联分析 数据关联是数据库中存在的一类重要的可枯发现的知识。若两个或多个变量 的取值之间存在某种规律性，就称为关联。关联可分为简单关联、时序关联、因 果关联。关联分析的目的是找出数据库中隐藏的关联网。有时并不知道数据库中 数据的关联函数，即使知道也是不确定的，因此关联分析生成的规则带有可信度。 3 、聚类 j ：z 等。嚣数据库中盼记录可被化分为一系列有意义的子集；即聚类。聚类增强了人们 。对客观现实的认识，是概念描述和偏差分析的先决条件。聚类技术主要包括传统 的模式识别方法和数学分类学。8 0 年代初，m c h a l s 虹提出了概念聚类技术，其 要点是在划分对象时不仅考虑对象之间的距离，还要求划分出的类具有某种内涵 描述，从而避免了传统技术的某些片面性。 4 、分类 按照分析对象的属性、特征，建立不同的组别来描述事物。例如：商业银行 可以根据以前的数据将新客户进行分类，针对不同的客户群给出有效的营销对 策，对其以后使用新业务的可能性进行预测。 5 、概念描述 概念描述就是对某类对象的内涵进行描述，并概括这类对象的有关特征。概 念描述分为特征性描述和区别性描述，前者描述某类对象的共同特征，后者描述 不同类别对象之间的区别。生成一个类的特征性描述只涉及该类对象中所有对象 的共性；生成区别性描述的方法很多，如决策树方法、遗传算法等。 6 、偏差检测 数据库中的数据常有一些异常记录，从数据库中检测这些偏差很有意义。偏 l o 东南大学硕士学位论文第二章相关理论研究回顾 差包括很多潜在的知识，如分类中的反常实例、不满足规则的特例、观测结果与 模型预测值的偏差、量值随时间的变化等。通过对少数的、极端的特例对象进行 分析，揭示其内在的原因。例如：对商业银行客户欺诈行为进行总结分析和预测。 值得注意的是：数据挖掘的各项功能不是独立存在的，它们在数据挖掘的实 施过程中相互联系，共同发挥作用。 2 1 3 数据挖掘算法在客户细分中的应用 数据挖掘是一门多学科交叉应用的新兴技术，在银行、电信、保险、交通和 零售等商业应用领域都发挥着积极的作用。数据挖掘中聚类分析、关联分析、决 策树和人工神经网络等方法广泛应用于商业软件中，它们在客户细分领域同样发 挥着重要作用【4 7 ，4 8 ，4 9 1 。 1 、聚类方法 当怀疑存在一些自然分组，可以代表彼此之问有诸多共性的客户群体时，就 可以使用聚类方法。将一群物理的或抽象的对象，根据它们之间的相似程度分为 若干组，其中相似的对象构成一组，这一过程就称为聚类过程。 在客户细分的应用中，聚类方法与其它大多数算法相比更易于理解，尤其当 输入变量是数值型时，这种算法效果比较好。聚类方法是一种无监督的方法，不 需要使用者具备相应的先验知识。但是得到的聚类结果算法无法自行解释，只有 依靠其它的方法来理解，例如决策树方法。常用的聚类算法有k - m e a n s 算法和 模糊c 均值( f c m ) 聚类算法。 将聚类应用于客户细分，一般按照以下步骤进行： 1 ) 判断数据是否有聚类趋势，若有则继续执行以下的步骤，否则认为该数 据集不适合聚类分析； 2 ) 选择一种聚类算法用于待聚类的客户数据d ，将d 划分为若干个类 c = c l ，c 2 ，c p ) 。其中d = c lu c 2u uq ；