基于属性加权的聚类算法在银行客户细分中的应用研究

发布时间：2024-05-10 20:24

　　在如今互联网金融时代的潮流下,随着国内银行业务范围的扩大、客户量的增长、时间的累积以及数据收集和存储技术的迅速发展,产生了一种“客户数据丰富,但知识贫乏”的现象。银行业的激烈竞争实质上是客户资源的竞争,如何挖掘庞大而多维的数据背后隐藏的潜在市场,如何发现客户的消费需求倾向,如何筛选并挽留易流失的客户等等问题,迫切需要一种能够高效、多维度、精准化的客户细分模型为银行实现企业利益最大化提供决策指导。聚类算法是客户细分中运用最为广泛的方法,然而传统的K-Means算法在实际应用中把所有属性特征按同等贡献度看待,没有考虑不同属性特征对聚类结果可能造成的不同影响,忽略了业务含义。为解决K-Means算法所导致的聚类偏差并提升聚类效果,本文在K-Means算法的基础上进行改进,通过Logistic逐步回归加权的方式筛选重要属性并赋予属性权重,使之能够按属性贡献度对数据对象进行差异化度量,从而设计一种基于属性加权的聚类算法应用到银行客户细分场景中。本文使用的是从某银行数据库和CRM系统中随机抽样的客户全年交易记录及相关信息数据,通过客户的当月AUM月日均(金融总资产)这一指标把客户分为低端客户、中端...

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

图1.1主要思路流程图

兰州财经大学硕士学位论文基于属性加权的聚类算法在银行客户细分中的应用研究9息、客户交易及动账最值信息五个维度应用客户细分模型，经过对基于属性加权聚类算法的设计、比较、分析、评估和验证，得到可以应用于实际的银行客户细分算法和精准有效的客户细分结果，为银行决策者提供更加准确的指导性建....

图2.1Logistic函数

兰州财经大学硕士学位论文基于属性加权的聚类算法在银行客户细分中的应用研究13值范围定义在0~1之间，表示因变量为1的概率。其原理如下：本文所用的Logistic回归的因变量是二分类的，只有0和1两种取值。假设因变量取1的概率是，则因变量取0的概率则为1，事件的优势比则为两者概率之....

图3.1客户细分模型结构

兰州财经大学硕士学位论文基于属性加权的聚类算法在银行客户细分中的应用研究27客户中也有带来低收益的客户。图3.1客户细分模型结构如图3.1显示，为客户细分模型的结构，呈金字塔形，上下层之间呈递进关系，水平层之间呈依赖关系。其中，客户分层是上下结构，是基于大方向的划分，简单高效，而....

图3.2变量选择与确定

兰州财经大学硕士学位论文基于属性加权的聚类算法在银行客户细分中的应用研究31完全相反的变量，而变化趋势不规则或者变化趋势平缓的变量依据业务含义按需筛选；对于分类变量，选择各分类值对应的目标变量AUM值变化率与基准AUM值变化率相比波动较大的指标。（3）业务分析银行客户细分模型的目....

本文编号：3968973