在如今互聯(lián)網(wǎng)金融時代的潮流下,隨著國內(nèi)銀行業(yè)務(wù)范圍的擴大、客戶量的增長、時間的累積以及數(shù)據(jù)收集和存儲技術(shù)的迅速發(fā)展,產(chǎn)生了一種“客戶數(shù)據(jù)豐富,但知識貧乏”的現(xiàn)象。銀行業(yè)的激烈競爭實質(zhì)上是客戶資源的競爭,如何挖掘龐大而多維的數(shù)據(jù)背后隱藏的潛在市場,如何發(fā)現(xiàn)客戶的消費需求傾向,如何篩選并挽留易流失的客戶等等問題,迫切需要一種能夠高效、多維度、精準(zhǔn)化的客戶細(xì)分模型為銀行實現(xiàn)企業(yè)利益最大化提供決策指導(dǎo)。聚類算法是客戶細(xì)分中運用最為廣泛的方法,然而傳統(tǒng)的K-Means算法在實際應(yīng)用中把所有屬性特征按同等貢獻度看待,沒有考慮不同屬性特征對聚類結(jié)果可能造成的不同影響,忽略了業(yè)務(wù)含義。為解決K-Means算法所導(dǎo)致的聚類偏差并提升聚類效果,本文在K-Means算法的基礎(chǔ)上進行改進,通過Logistic逐步回歸加權(quán)的方式篩選重要屬性并賦予屬性權(quán)重,使之能夠按屬性貢獻度對數(shù)據(jù)對象進行差異化度量,從而設(shè)計一種基于屬性加權(quán)的聚類算法應(yīng)用到銀行客戶細(xì)分場景中。本文使用的是從某銀行數(shù)據(jù)庫和CRM系統(tǒng)中隨機抽樣的客戶全年交易記錄及相關(guān)信息數(shù)據(jù),通過客戶的當(dāng)月AUM月日均(金融總資產(chǎn))這一指標(biāo)把客戶分為低端客戶、中端...

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.1主要思路流程圖

蘭州財經(jīng)大學(xué)碩士學(xué)位論文基于屬性加權(quán)的聚類算法在銀行客戶細(xì)分中的應(yīng)用研究9息、客戶交易及動賬最值信息五個維度應(yīng)用客戶細(xì)分模型，經(jīng)過對基于屬性加權(quán)聚類算法的設(shè)計、比較、分析、評估和驗證，得到可以應(yīng)用于實際的銀行客戶細(xì)分算法和精準(zhǔn)有效的客戶細(xì)分結(jié)果，為銀行決策者提供更加準(zhǔn)確的指導(dǎo)性建....

圖2.1Logistic函數(shù)

蘭州財經(jīng)大學(xué)碩士學(xué)位論文基于屬性加權(quán)的聚類算法在銀行客戶細(xì)分中的應(yīng)用研究13值范圍定義在0~1之間，表示因變量為1的概率。其原理如下：本文所用的Logistic回歸的因變量是二分類的，只有0和1兩種取值。假設(shè)因變量取1的概率是，則因變量取0的概率則為1，事件的優(yōu)勢比則為兩者概率之....

圖3.1客戶細(xì)分模型結(jié)構(gòu)

蘭州財經(jīng)大學(xué)碩士學(xué)位論文基于屬性加權(quán)的聚類算法在銀行客戶細(xì)分中的應(yīng)用研究27客戶中也有帶來低收益的客戶。圖3.1客戶細(xì)分模型結(jié)構(gòu)如圖3.1顯示，為客戶細(xì)分模型的結(jié)構(gòu)，呈金字塔形，上下層之間呈遞進關(guān)系，水平層之間呈依賴關(guān)系。其中，客戶分層是上下結(jié)構(gòu)，是基于大方向的劃分，簡單高效，而....

圖3.2變量選擇與確定

蘭州財經(jīng)大學(xué)碩士學(xué)位論文基于屬性加權(quán)的聚類算法在銀行客戶細(xì)分中的應(yīng)用研究31完全相反的變量，而變化趨勢不規(guī)則或者變化趨勢平緩的變量依據(jù)業(yè)務(wù)含義按需篩選；對于分類變量，選擇各分類值對應(yīng)的目標(biāo)變量AUM值變化率與基準(zhǔn)AUM值變化率相比波動較大的指標(biāo)。（3）業(yè)務(wù)分析銀行客戶細(xì)分模型的目....

本文編號：3968973