数据挖掘在零售银行精准营销中的应用研究——以S银行为例

第1章绪论

1.1论文研究背景

近几年來,为适应新业务发展和监管的需要,国内各商业银行掀起了新一轮信息化系统的建设热潮,商业银行领域产生了大量的业务数据,与此同时,随着大数据"时代的来临,各种非结构化信息数据也纳入到银行数据化系统里来,麦肯锡公司的报告表明,2009年美闽商业银行等金融机构收集存储的数据量就已经超过1EB(相当于一百成了TB）。随着技术的发展,银行数据的积累将会以惊人的速度提升着,以国内最具代表性的中国工商银行为例,中国工商银行大约每天的数据量都在TB级别。

21世纪核也的竞争就是数据化的竞争,有人把数据比喻为蕴藏能量的煤矿。煤炭按照性质有焦煤、无烟煤、肥煤、贫煤等分类,而露天煤矿、深山煤矿的挖掘成本又不一样。"得数据者,得市场,得客户。"Nationalwide Insurance首席营销官matt Jauchius表示;"收集消费者的大量数据(客户的消费习惯、喜好、交互信息),然后分析这些数据,预测消费者的行为,这是企业未来竞争优势的基础,因为这样企业才能提供更好的消费体验。在此背景下,"数据化运营"的概念开始在企业界特别是银行业所接受并开展相关实践。虽然各行业对"数据化运营"的定义有所区别,但其基本要素和核心是一致的,那就是"企业级海量数据的存储和分析挖掘应用为核也支持的,企业全员参与的,以精准、细分和精细化为特点的企业运营制度和战略"。可以看出数据化运营的成功与否取决于两个核也的实现:一是数据价值的按掘,二是挖掘结果对业务运营的指导价值和实现效果。

数据价值的挖掘也即数据挖掘。数据挖掘是一种信息处理技术,主要是对数据库存储的大量业务数据进行抽取、分析和处埋,提取出来辅助企业决策的关键性信息和规则。数据挖掘作为一种深层次的数据分析技术,最终目标是发现有应用价值的知识,如规则、模式和模型等,为企业的管理和决策提供有利的参考依据。数据挖掘是一项探测大量数据以发现有意义的模式(pattern)和规则(rule)的业务流程。当前,银行确实拥有大量的客户信息和账号交易记录,每天的交易量累积都是天文数字,但大数据的价值并不在"大",对于业务决策有价值的挖掘结果、挖掘成本比数量更为重要。银行企业数据量非常大,而其中真正有价值的信息却很少,因此从大量的数据中经过深层分析,获得有利于商业运作、提高竞争力的信息,就像从矿石中淘金一样,数据挖掘也因此而得名。所以,如何利用好数据挖掘技术,有效利用这些大规模数据,为商业决策提供真正有价值的信息是成为赢得竞争的关键。

.........................

1.2研究的内容与意义

本文研究内容主要包括下面三个方面:

1)是研究如何基于数据挖掘相关理论和技术,实现对S银行借记卡用户客群进行细分,指导业务部门进行精准营销,提高营销效果;

2)是研究如何基于数据挖掘相关理论和技术,实现对S银行专项理财用户的购买产品交易进行关联分析,指导业务部门进行交叉销售,提高产品响应;

3)是研究如何基于数据挖掘相关理论和技术,实现对S银行理念及上的高等级用户客群进行流失预测,指导业务部站进行客户挽留,提高客户忠诚度;

本研究旨在将数据挖掘在零售银行市场营销中的应用的相关理论和方案进行实际案例实证,具有一定的理论和现实意义。

理论意义:

精准营销,尤其是零售银行的精准营销应用,是一个系统化的问题,它涉及零售银行企业运营的各个方面。"如果只考虑单个环节或者单个技术,就无法实现或达到预期的精准营销效果,因此我们需要从数据源系统-数据挖掘-市场营销活动设计和营销结果评估和反馈机制等分层次、系统化地进行架构设计和系统整合。而本论文提出的数据挖掘在零售银行市场营销中的应用研究正是将银行内部IT系统中的数据仓库、数据集市、客户关系管理系统(CRM)、营销活动信息系统等各系统有机整合,从而使银行的数据流、信息流和业务流统合在了一起,形成了一套行之有效的系统化运行模式。本文系统地在零售银行市场营销领域进行了积极的探索与研究,并在S银行实际项目中验证性地加以实践运用,可以作为该领域内的借鉴参考实现样例,其意义必将深远。

........................

第2章相关理论

2.1聚类分析

聚类(Clustering)是把异构的总体数据划分成一些更均匀的小组或群集的任务。聚类分析可以从大量数据中寻找隐含的数据分布和模式在商务上,聚类能帮助市场分析人员从客户基本库中发现不同的客户群,并用购买模式来刻画不同客户群的特征。通过聚类分析,将数据划分为若干类,然后在每一类中寻找模式或者潜在的有用信息。

聚类与分类的区别在于聚类不依赖预定文的类别定义。在分类中,通过在预分类的实例上训练得到模型,然后基于该模型对毎条记录分配一个预定义的类别。在聚类中,没有预定义的类,也没有实例。基于记录的自相似性把它们分组在一起。它由用户决定把什么意义(如果有的话)附加到结果群集上。比如:病人症状群集可表示不同的疾病;客户属性的群集可以表示不同的市场划分。

数据库中的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。聚类技术主要包括了划分方法,层次聚类的方法,基于密度的聚类方法,基于距离的聚类方法和基于模型的方法。还有一些聚类算法继承了多种聚类方法的思想。

....................

2.2关联规则

在众多的关联规则数据挖掘算法中,最著名的就是Apriori算法,该算法具体分为以下两步进行:

1.生成频繁项目集。一个频繁项目集是一个支持度高于最小值尺度阔值的项目集;

2.2.从频繁项目集中生成所有的可信关联规则。这里可信关験规则是指置信度大于最小置信度阈值的规则。

关联分析是一种无指导的数据挖掘,它能够从未制定目标的数据中发现模式,运个模式是否有意义需要人工来解释。关联分析可用于许多数据中许多属性可能与分类和预测任务不相关的应用上。它最早源于销售点数据,也就是那个耳熟能详的"啤酒和纸尿裤"的案例,但它的应用不仅限于零售数据分析,关联规则可用于发现序列关联(SequentialPatternAnalysis)和其他非传统意义上的购买组合。序列关联就是指购买某一个项目会导致另一项购买的发生,其他类似的相关性分析还有很多应用可能,例如;

>记录银行贷款申请是星期几提出的数据可能与申请的成功不相关。此外,其他的属性可能是冗余的。因此,可以进行相关性分析,删除学习过程中不相关的或冗余的属性。在机器学习中,这一过程称为特征选择;

>零售客户使用的银行产品(存款、理财、贷款等)可以只别客户可能需要的其他产品;

>异常的保险索赔组合可能是一个欺诈的迹象,可以引发进一步的调查;

....................

第3章S银行零售业务市场营销业务的现状............12

3.1S银行零售业务营销现状与问题............12

3.1.1借记卡客户细分及差异化营销效果不佳..............13

第4章数据挖掘在S银行精准营销中的设计和应用..............20

4.1基于聚类分析的借记卡客户细分及差异化营销..............20

4.1.1业务问题需求分析..............20

第5章数据挖掘在精准营销中的应用效果评估................41

5.1数据挖掘在精准营销中应用的评估体系............41

第5章数据挖掘在精准营销中的应用效果评估

5.1数据挖掘在精准营销中应用的评估体系

对于数据挖掘模型在市场营销活动中的应用评估体系,可以分为两部分;包括模型的评估和营销的评估效果。

5.1.1模型评估方法

对于数据挖掘模型的评估,根据模型类型有所不同。

数据挖掘模型大致可以分为无监督的描述性模型和有监督的预测性模型。对于无监督的描述性模型,因为不同的模型主要是从数据里发现内在的模式和规则,不同的模型的目标有所不同,所以各有其特有的评价指标和方法,无法统一归纳,所以这里的模型评估主要解释有监督的预测性模型的评估。

为了全面了解和评估数据挖掘模型和营销活动对市场营销的效果和价值,除了需要用前述模型评估指标对数据挖掘模型效果进行评估外,还需要采用合适的指标对市场营销活动进行评估。

模型化对照組是从客群总体中根据模型评分而选择出的客户群,但并不将该客户群作为营销目标,观察该客群在不接受营销活动时下对某产品的响应情况;

此外,根据营销评估方案的设计内容,对营销活动的结果进行评估还包括执行率、接通率、成功率等营销评价指标。

......................

第6章结论与展望

6.1结论

S银行的应用实例表明,我们提出的数据挖掘与精准营销组合策略在零售银行市场营销领域提供了一个系统化的方法,将对数据的洞察与市场营销全生命期管理的思路结合起来,能极大的提高市场营销的效率,成功率,降低营销成本,最终提高企业利润。由于实际项目局限和保密限制,本文的实例只是从零售银行行业通用性的角度来阐述其中的一下具体技术架构和具体实施方案,但本文提出的方法仍然可以扩展到同行业的其他银行,提供了一个有限的实践参考。

值得注意的是,本文所提出的数据挖掘与精准营销组合策略的实施需要考虑下几个方面:

首先,该组合方案的实施应基于跨领域、跨学科的团队。该团队中应该包含IT开发工程师,数据分析建模人员,专业市场营销人员,金融产品经理等各类人才,能从不同的角度来解决项目中所有可能问题。尽管多学科团队成员的多样性可以带来一些优势,但如果团队管理不善,则优势可能会变成劣势。这可能会导致一些消极的群体态势,增加部门间障碍和开发实施的风险。目前众多群体决策技术,如群体投票制、名义群体、名义组织的相互作用和共识决策技术,都可以用在我们提到的实施过程中来避免消极的群体态势和增加团队决策的有效性。这将帮助研发团队收集和分享所需要的信息、创建和确定行动的替代方案、在这些替代方案中结合团队成员的不同观点进行选择并增强团队性承诺去实施决策。

其次,整个市场营销不是一次性的,而是系统的、并发的的、逐步优化的过程。本文提出的解决方案应该同时与组织部门改革、银行IT系统利旧和创新建设、项目预算/进度和规范同步实施,在每一步中进行持续的迭代开发和优化,持续改进优化,最终达到预期目标。

最后,数据挖掘和精准营销理论和实践不是静态的,随着人们的知识和发现日新月异,随时都会有新的理论和方法涌现,我们应该采取开放的也态,跟踪新的技术发展趋势,勇于尝试,不断吸收数据科学的新成果,持续提高数据化营销的核心价值和业务指导能力。

参考文献（略）