第一章   緒論

1.1 研究背景和選題意義

隨著網(wǎng)絡技術和數(shù)據(jù)庫技術的成熟，銀行所提供的網(wǎng)上銀行服務也越來越多元化，除了能在線購買銀行產(chǎn)品外，還能使用網(wǎng)上銀行所提供的轉賬服務。這種商業(yè)模式在逐步向電子化轉變的同時，也為客戶帶來了更加方便的交易模式和更多的選擇，除此之外，同時可以讓銀行真正了解到客戶的服務需要與投資的行為特征，提供了強有力的支持。而數(shù)據(jù)挖掘技術，則是銀行在電子商務領域中必不可少的重要工具，它能夠為銀行營運者做出適當?shù)臓I銷策略，創(chuàng)造更多銀行利潤提供數(shù)據(jù)支持和指導方向，是銀行電子商務中尤為重要的、不可或缺的應用技術。除此之外，由于數(shù)據(jù)庫和網(wǎng)絡技術的飛速發(fā)展，銀行收集了大量而且不同類型的數(shù)據(jù)，這些數(shù)據(jù)包括有客戶的基本信息、交易紀錄、以及產(chǎn)品的基本信息等等數(shù)據(jù)。為了能夠給銀行帶來更多的利潤，銀行必須要將這些收集到的數(shù)據(jù)，轉化成為對銀行經(jīng)營生產(chǎn)有幫助的信息，于是在這樣的一個轉化過程中，數(shù)據(jù)挖掘的概念油然而生。數(shù)據(jù)挖掘技術經(jīng)過了多年的發(fā)展及演變，其技術不斷在豐富，數(shù)據(jù)挖掘技術包括了聚類分析法、關聯(lián)規(guī)則、決策樹和神經(jīng)網(wǎng)絡等技術，而這些技術現(xiàn)在已經(jīng)應用在不同的科學領域中，還獲得了不錯的效果。時至今日，數(shù)據(jù)挖掘的各種技術與方法都已經(jīng)應用在銀行中去，為銀行制定營銷策略提供了指導，使得銀行不再盲目投放營銷資源，給銀行的經(jīng)營帶來了良好的效果。

由于信息管理技術和網(wǎng)絡技術這些科學技術的高速發(fā)展，電子商務在這些技術的刺激下也蓬勃的發(fā)展起來且呈現(xiàn)百花齊放的局面。銀行除了面對同行的競爭外，還要面對一些新興的電子商務平臺所帶來的沖擊，例如支付寶、財付通等第三方支付平臺。銀行同行之間，以及和電子商務平臺之間的競爭變得越來越激烈。在以前商業(yè)模式下多數(shù)銀行都是通過發(fā)行不同的產(chǎn)品，通過這樣的方式來吸收客戶提高客數(shù)量，以此達到提高經(jīng)濟效益的目的。然而，銀行提供的金融產(chǎn)品最大的特點就是同質性，不同的銀行之間的金融產(chǎn)品沒有太大差別。但是不同的客戶他們的需求都是具有異質性的，銀行要想留住客戶就只能夠改變現(xiàn)有的經(jīng)營理念。

本文以 H 銀行網(wǎng)上轉賬系統(tǒng)的客戶分類項目為具體案例，針對該項目的特定需求，利用數(shù)據(jù)挖掘技術中的聚類分析法，設定相關變量，運用 SPSS 軟件進行檢驗分析。將付費客戶按指定變量進行分類，并鎖定分類后的部分特征明顯的客戶群體，制定有針對性的營銷方案，促進付費客戶的增長。

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

1.2 國內外研究現(xiàn)狀

知識發(fā)現(xiàn) (Knowledge discovery in Database, KDD)與數(shù)據(jù)挖掘(Data Mining, DM)是數(shù)據(jù)庫領域中重要的課題之一。知識發(fā)現(xiàn) KDD，這個詞是一九八九年八月，一個在美國召開的學術會議上所產(chǎn)生的。另外，數(shù)據(jù)挖掘技術在一九九五年召開的學術會議上，被正式劃分成在科研領域的知識發(fā)現(xiàn)以及在工程領域的數(shù)據(jù)挖掘。而在此后數(shù)據(jù)挖掘技術不斷發(fā)展，針對它的研究也獲得了有效的成績�，F(xiàn)在，主要從三個方面去對知識發(fā)現(xiàn)進行研究與探索，它們其中包括原理、技術與應用。多種理論與方法的合理整合是大多數(shù)研究者采用的有效技術。

隨著時代的發(fā)展，數(shù)據(jù)挖掘在電子商務各個領域上的使用情況日益普及。例如在金融行業(yè)或零售行業(yè)中，它能廣泛應用在客戶細分、客戶開拓、客戶挽留、差別化服務和資源投放等等方面。辟如零售業(yè)的應用領域，亞馬遜就是其中數(shù)據(jù)挖掘的應用平臺。由于在日常的零售業(yè)務中，它能夠獲得大量的零售數(shù)據(jù)，而這些數(shù)據(jù)都是能夠反映客戶的購買特征和購買需要，而通過利用數(shù)據(jù)挖掘去分析這一類的數(shù)據(jù)，便能夠準確地找出那些有價值的客戶并且能夠了解他們的購買模式，從而判斷出客戶的購買趨勢，制定有針對性的營銷策略。

而在銀行方面，則主要側重于客戶關系模式的應用，許多知名軟件提供商都有自己銀行業(yè)數(shù)據(jù)挖掘解決方案，如：SYSBASE、ORACLE、IBM SPSS等。通過軟件商提供的數(shù)據(jù)挖掘解決方案，銀行可以把客戶進行分類，實行差別化服務。這些都是對于數(shù)據(jù)挖掘應用的體現(xiàn)。

就目前國內的情況來看，雖然大部分企業(yè)都開始認識到要利用數(shù)據(jù)挖掘去指導企業(yè)營銷方向，但由于我們的數(shù)據(jù)挖掘技術發(fā)展比國外要慢，而且沒有國外的成熟，加上很多企業(yè)系統(tǒng)建立已久，都不是面向數(shù)據(jù)挖掘的，它跟真正的數(shù)據(jù)挖掘應用還存在一大段的距離。在這樣的情況下，企業(yè)要想真正的利用數(shù)據(jù)挖掘技術為其帶來好處，則必須要建立集中式數(shù)據(jù)存儲的數(shù)據(jù)倉庫，才能夠充分享受數(shù)據(jù)挖掘所帶來的效果。

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

第二章  聚類分析法的應用研究

2.1 數(shù)據(jù)挖掘方法的研究與分析

2.1.1 聚類分析同類方法的比較與分析

聚類是把大量的數(shù)據(jù)樣本按照指定的參數(shù)變量進行劃分并把數(shù)據(jù)樣本中類似的數(shù)據(jù)歸為一類，而不同類別之前的數(shù)據(jù)樣本是不類似的。數(shù)據(jù)樣本之間是否相似是按照選定的數(shù)據(jù)指標參數(shù)來衡量，而數(shù)據(jù)樣本間的相似度我們可以用距離來表示。聚類的過程其實可以簡單理解為逐步合并類的過程，首先每一個數(shù)據(jù)樣本都歸為一類，然后將相似度最高也就是距離最短的數(shù)據(jù)樣本合并成一類，，然后再與其它類進行合并。如此反復，則每一次合并，其類別的個數(shù)都會減少一個，直到所有樣本數(shù)據(jù)都合并成為一個類，不過如果只合并為一類就會使聚類失去了意義，所以當所有數(shù)據(jù)樣本聚類到某一水平的時候，便可以停止繼續(xù)合并。而這個時候得到的類別就是聚類分析的結果。

當聚類分析具體應用到客戶分類中的時候，我們可以將不同的賬戶日均余額、轉帳總金額、客戶年齡等的指標加以表現(xiàn)。那么用數(shù)學符號就可以將客戶分類表示如下：

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

2.2 聚類分析技術的應用研究

2.2.1 聚類分析的典型應用場景

對于銀行的營運團隊來說聚類分析的典型應用場景是十分的廣泛，他們幾乎每次的營銷活動也需要使用到。例如，把銀行客戶按照指定的維度僻如有客戶的利潤貢獻、客戶賬戶的日均余額、客戶類型以及客戶的年齡等去進行聚類細分，從而把客戶細分成不同的群體。假如將客戶分成兩上個群體，其中一個群體占總數(shù)的 70%，年齡在 27 歲左右，他們對銀行的貢獻不大，但是他們卻經(jīng)常購買和使用銀行服務；另一個群體只占總數(shù)的 30%，這個群體的年齡大概在 45 歲左右，他們使用銀行服務不多但是貢獻卻是最大。對于這兩類的客戶群體，他們都是銀行的目標群體，但銀行在制定營銷策略時就應該有不同。對于第一個群體來說，雖然他們貢獻不大，但從他們購買銀行產(chǎn)品和使用銀行服務的頻率來看，這類群體表現(xiàn)出極其忠誠，而忠誠的客戶對于銀行來說是非常寶貴的財產(chǎn)。所以，對于這個群體銀行應該是要密切關注，防止客戶流失，并進一步分析這個群體的其它特征，逐步把他們向高價值客戶轉變。而另一個群體雖然貢獻比較大，但由于他們使用銀行的產(chǎn)品和服務頻率較低，表現(xiàn)出其忠誠度不高，所以對于這個群體營運的重點是積極地向他們介紹合適的銀行產(chǎn)品與服務，以此來提升他們對銀行的忠誠度。由于這類群體的年齡在 45 歲左右，因此運營團隊也會根據(jù)這一特點去設計和制定相應的營銷策略。

從上面的一個普通案例可以看出，聚類分析其實就是按照一定的指標來將目標的群體進行不同類別的劃分，而這種類別劃分往往就是銀行精細化營運，差別化服務的重要手段。因為只有通過分類分析，才能找出不同群體間的差別與其各自的特征，才能為營銷策略提供指導方向。

除了上述的應用場景外，聚類分析在數(shù)據(jù)化運營的實踐中還有以下比較常見的業(yè)務應用場景：

目標客戶的群體分類：根據(jù)業(yè)務發(fā)展需要篩選出合適的指標變量來對客戶群體實行聚類分析，把那些具有明顯特征的目標客戶群體挑選出來，然后針對這些目標戶群體制定不同營銷策略與方針，實現(xiàn)差別化、個性化服務，提升銀行的營運效果。

不同產(chǎn)品的價值組合：銀行除了能夠對客戶進行聚類之外，還可以對其自身設計的產(chǎn)品進行聚類分析。通過把不同的產(chǎn)品按照特定的指標變量進行聚類，將看似沒有關聯(lián)的產(chǎn)品組合起來，實現(xiàn)交叉銷售。

發(fā)現(xiàn)孤立點和異常值：在聚類的過程中，有時候會發(fā)現(xiàn)有些數(shù)據(jù)樣本的行為特征和整體數(shù)據(jù)樣本的行為特征極不相似。通常我們會把這種數(shù)據(jù)樣本剔除掉，但其實這樣的數(shù)據(jù)樣本價值也非常重要。它可以發(fā)現(xiàn)在日常業(yè)務中一些特殊的，為銀行的風險管理帶來參考意義。

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

第三章    H 銀行客戶分類現(xiàn)狀及解決方案 ............. 14

3.1 H 銀行客戶分類項目背景 ....................... 14

3.2 H 銀行客戶分類項目需求分析 ........................ 14

第四章  聚類分析在客戶分類中的應用 ............... 21

4.1 聚類分析指標體系的建立 .................. 21

4.1.1  銀行客戶分類聚類分析指標系統(tǒng) .................... 21

4.1.2 H 銀行客戶分類指標建立 .................. 22

第四章  聚類分析在客戶分類中的應用

4.1 聚類分析指標體系的建立

4.1.1 銀行客戶分類聚類分析指標系統(tǒng)

利用聚類分析，首先要對研究的對象進行分類，然后再量化分析與研究，所以要先建立相應的評價指標。至于怎么去選取有效的信息去建立指標體系，必須要根據(jù)業(yè)務邏輯推測和業(yè)務經(jīng)驗判斷，決不能隨便去選擇變量指標，否則會嚴重損害聚類的效果，使得聚類失去意義。對于銀行客戶的分類，影響的因素有很多，例如客戶的存款、理財總值、負債、甚至客戶的性別、年齡等，都能夠影響分類的結果。如下圖 4-1 所示，該圖概括了比較銀行行業(yè)里比較常用的客戶分類指標變量。

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

結論與啟示

聚類分析是數(shù)據(jù)挖掘領域中一項重要的研究課題，它能作為單獨的工具以發(fā)現(xiàn)數(shù)據(jù)源數(shù)據(jù)的分布信息，是對客戶分類的一種有效手段。本文正是通過對聚類算法的分析研究，將其應用于 H 銀行客戶分類項目中，為銀行篩選出有價值的客戶群體，并將分類結果應用于市場營銷中，為企業(yè)制定營銷計劃、實現(xiàn)數(shù)據(jù)化運營提供了非常有價值的實踐。

1.  本文的主要工作：

1)  研究了聚類分析算法的概念，對聚類分析算法進行了深入研究，對聚類分析算法的應用進行了研究。

2)  系統(tǒng)介紹了聚類分析中常用的聚類算法，分析了各自的優(yōu)缺點以及適用條件，為人們快速準確地找到適合特定領域的聚類算法提供了參考。

3)  重點研究聚類分析法中的系統(tǒng)聚類算法，并把該算法應用于 H 銀行客戶分類項目中。本文用于聚類的數(shù)據(jù)是銀行客戶數(shù)據(jù)，著重討論了如何建立數(shù)據(jù)市集、對數(shù)據(jù)進行預處理、異常數(shù)據(jù)的處理和分類指標體系的建立。并對客戶分類的全過程進行了詳細的論述。

4)  分析論證聚類的結果，并對聚類算法篩選出的有價值客戶群體進行定向推廣。分析實行定向推廣后的付費客戶增長率，驗證聚類算法在市場營銷中的適用性。

2.  今后的研究計劃：

1)  現(xiàn)有的聚類算法在研究還需要繼續(xù)深入。在數(shù)據(jù)挖掘的理論和實踐中，人們已經(jīng)提出許多聚類算法，但每一種的算法都有某種優(yōu)點但同時也存在著某些不足，可能適于用處理某類問題卻無法處理另一類情況，沒有一種聚類算法可以適用于全部情況。

2)  就聚類分析的對象而言，本文僅針對網(wǎng)上轉賬系統(tǒng)中的客戶進行分類，聚類指標變量選取有一定的局限性，在今后在研究中，應考慮客戶在銀行中的其它屬性，使聚類的指標變量更全面，聚類結果更加真實有效。

3)  本文應用的聚類算法只實現(xiàn)了二維空間上的聚類，通過參考相關資料和前人經(jīng)驗，聚類還能實現(xiàn)高維空間聚類，如何利用這種高維聚類算法，也是今后的主要任務之一。

參考文獻（略）