《商業(yè)分析實(shí)務(wù)》商業(yè)分析在銀行業(yè)客戶營(yíng)銷中的應(yīng)用

商業(yè)分析在銀行業(yè)客戶營(yíng)銷中的應(yīng)用銀行業(yè)客戶營(yíng)銷的發(fā)展客戶營(yíng)銷分析中常用的分析方法客戶細(xì)分及其應(yīng)用數(shù)據(jù)挖掘模型及其應(yīng)用01銀行業(yè)客戶營(yíng)銷的發(fā)展數(shù)據(jù)庫(kù)營(yíng)銷數(shù)據(jù)庫(kù)營(yíng)銷是指收集、分析和使用客戶信息以及購(gòu)買習(xí)慣、人口統(tǒng)計(jì)信息、生活方式及其他有關(guān)數(shù)據(jù)，將這些信息建立客戶檔案，鎖定目標(biāo)客戶群，進(jìn)行個(gè)性化營(yíng)銷，建立客戶關(guān)系并鼓勵(lì)重復(fù)購(gòu)買，提高終身價(jià)值及客戶忠誠(chéng)度。數(shù)據(jù)庫(kù)營(yíng)銷是一種具有客戶針對(duì)性和互動(dòng)式的營(yíng)銷方法。它通過獨(dú)特的信息媒體和信息渠道，將目標(biāo)客戶、潛在客戶的資科信息存儲(chǔ)在計(jì)算機(jī)的數(shù)據(jù)庫(kù)中并進(jìn)行分類，以便對(duì)客戶提供更多及時(shí)服務(wù)，加強(qiáng)與客戶緊密關(guān)系．使公司能進(jìn)一步了解和把握市場(chǎng)，更好地滿足客戶的需求。數(shù)據(jù)庫(kù)營(yíng)銷就是企業(yè)通過收集和積累消費(fèi)者的大量信息，經(jīng)過處理后預(yù)測(cè)消費(fèi)者有多大可能去購(gòu)買某種產(chǎn)品，以及利用這些信息給產(chǎn)品以精確定位，有針對(duì)性地制作營(yíng)銷信息以達(dá)到說服消費(fèi)者去購(gòu)買產(chǎn)品的目的。數(shù)據(jù)庫(kù)營(yíng)銷發(fā)展的三個(gè)階段客戶數(shù)據(jù)和營(yíng)銷數(shù)據(jù)庫(kù)的開發(fā)狀況客戶分割和模型使用營(yíng)銷項(xiàng)目種類和頻率戰(zhàn)役管理和營(yíng)銷管理水平營(yíng)銷鏈的閉合程度對(duì)企業(yè)經(jīng)營(yíng)策略的影響初級(jí)階段處于起步階段的以制造業(yè)、零售業(yè)和一般服務(wù)業(yè)的企業(yè)居多。數(shù)據(jù)庫(kù)營(yíng)銷的主要任務(wù)是建立營(yíng)銷數(shù)據(jù)庫(kù)，取得客戶和潛在客戶的基本資料。實(shí)用階段基本特點(diǎn)是：營(yíng)銷數(shù)據(jù)庫(kù)已經(jīng)基本建立，業(yè)務(wù)數(shù)據(jù)和客戶服務(wù)數(shù)據(jù)的對(duì)接和更新已經(jīng)規(guī)范化。企業(yè)對(duì)客戶的消費(fèi)行為、人口和心理特征、盈利水平有比較準(zhǔn)確的了解，可以制訂有針對(duì)性的營(yíng)銷計(jì)劃。發(fā)達(dá)階段數(shù)據(jù)庫(kù)內(nèi)容豐富，數(shù)據(jù)項(xiàng)目可多達(dá)幾千條。有不同時(shí)點(diǎn)的客戶截面數(shù)據(jù)留存，詳細(xì)的客戶特征追蹤如地址變換，企業(yè)通過營(yíng)銷和客服人員與客戶的接觸記錄和客戶回應(yīng)歷史，并由于數(shù)據(jù)的豐富，可以不斷創(chuàng)造新的衍生變量。數(shù)據(jù)庫(kù)營(yíng)銷發(fā)展階段以數(shù)據(jù)推動(dòng)的營(yíng)銷的作用準(zhǔn)確找到目標(biāo)顧客降低營(yíng)銷成本開展有針對(duì)性的一對(duì)一服務(wù)培養(yǎng)長(zhǎng)期的顧客關(guān)系與競(jìng)爭(zhēng)對(duì)手進(jìn)行區(qū)別競(jìng)爭(zhēng)為客戶增值開展交叉銷售，提高營(yíng)銷效率識(shí)別最有利可得的客戶，從他們那里獲得更多的交易。識(shí)別和正確描述最有可能成為現(xiàn)實(shí)客戶的潛在客戶，把他們從潛在客戶轉(zhuǎn)變成現(xiàn)實(shí)客戶。識(shí)別仍然是預(yù)期客戶的老客戶，使他們重新在對(duì)本企業(yè)的采購(gòu)上活躍起來。識(shí)別本機(jī)構(gòu)最具盈利性的產(chǎn)品，制定適當(dāng)?shù)拇黉N和價(jià)格策略。識(shí)別新的的市場(chǎng)機(jī)會(huì)，制定打開這些市場(chǎng)的新策略。測(cè)定廣告和促銷的效果，減少浪費(fèi)，提高效率。評(píng)估配銷渠道和個(gè)人渠道成員的效益，降低成本，提高銷量。02客戶營(yíng)銷分析中常用的分析方法基本分析法整體分析法對(duì)比分析法動(dòng)態(tài)分析法指數(shù)分析法因素分析法趨勢(shì)分析法多維分析法戰(zhàn)略分析方法PEST分析PDCA分析法KANO分析法BCG分析法SCP分析法SWOT分析法戰(zhàn)略鐘模型數(shù)據(jù)挖掘方法數(shù)據(jù)挖掘的分類法數(shù)據(jù)挖掘的任務(wù)是從大量的數(shù)據(jù)中發(fā)現(xiàn)模式。所謂模式是指關(guān)于數(shù)據(jù)集的某種抽象描述。一般而言，模式按照其作用可以分為兩大類：預(yù)測(cè)型模式(PredictivePattern)和描述型模式(DescriptivePattern)。預(yù)測(cè)型模式能夠根據(jù)已有的數(shù)據(jù)集，預(yù)測(cè)某些(未知的)數(shù)據(jù)項(xiàng)的值。描述型模式是對(duì)數(shù)據(jù)中存在的規(guī)律、規(guī)則作出一種描述，或者根據(jù)數(shù)據(jù)間的相似性將數(shù)據(jù)分組，它一般不能直接用于預(yù)測(cè)。預(yù)測(cè)型模式序列模式分類模式回歸模式偏差分析描述型模式聚類模式關(guān)聯(lián)模式序列模式關(guān)聯(lián)規(guī)則(AssociationRule)關(guān)聯(lián)規(guī)則也稱為關(guān)聯(lián)模式，是形如X—Y的邏輯蘊(yùn)涵式，其中X和Y是關(guān)于數(shù)據(jù)庫(kù)中屬性取值的判斷。例如有這樣一條關(guān)聯(lián)規(guī)則：{黃油，牛奶)一{面包)(30％，2％)，其含義是購(gòu)買黃油和牛奶的顧客還將購(gòu)買面包，30％和2％分別是該規(guī)則的置信度和支持度，支持度2％表示分析的全部事務(wù)中有2％同時(shí)購(gòu)買了黃油、牛奶和面包，置信度30％意味購(gòu)買黃油和牛奶的顧客中有30％的顧客也購(gòu)買了面包。序列模式(SequentialPattern)序列模式與關(guān)聯(lián)規(guī)則相仿，也是為了挖掘出數(shù)據(jù)之間的聯(lián)系。但序列模式分析把數(shù)據(jù)之間的關(guān)聯(lián)性與時(shí)間聯(lián)系起來(側(cè)重點(diǎn)在于分析數(shù)據(jù)項(xiàng)的前后或因果關(guān)系)。為了發(fā)現(xiàn)序列模式，不僅需要知道事件是否發(fā)生，而且需要確定事件發(fā)生的時(shí)間。例如，在購(gòu)買彩電的人們當(dāng)中，60％的人會(huì)在3個(gè)月內(nèi)購(gòu)買影碟機(jī)。分類模式(ClassificationPattern)分類的概念是在已有數(shù)據(jù)集(訓(xùn)練集)的基礎(chǔ)上學(xué)會(huì)一個(gè)分類函數(shù)或構(gòu)造出一個(gè)分類模型，即我們通常所說的分類器(Classifier)。該函數(shù)或模型能夠把訓(xùn)練集中的數(shù)據(jù)記錄映射到給定類別中的某一個(gè)，從而可以應(yīng)用于數(shù)據(jù)預(yù)測(cè)。數(shù)據(jù)挖掘方法聚類模式(ClusteringPattern)聚類是把一組數(shù)據(jù)按照相似性和差異性歸成若干類別。其目的是使得屬于同一類別的數(shù)據(jù)間的相似性盡可能大，而不同類別中的數(shù)據(jù)間的相似性盡可能小?；貧w模式(RegressionPattern)回歸模式的函數(shù)定義與分類模式相似，它們的差別在于分類模式的預(yù)測(cè)值是離散的，回歸模式的預(yù)測(cè)值是連續(xù)的。如給出某種動(dòng)物的特征，可以用分類模式判定這種動(dòng)物是哺乳動(dòng)物還是鳥類；給出某個(gè)人的教育情況、工作經(jīng)驗(yàn)，可以用回歸模式判定這個(gè)人的年工資在哪個(gè)范圍內(nèi)，是在6000元以下，還是在6000元到10000元之間，或者在10000元以上。偏差分析(DeviationDetection)數(shù)據(jù)庫(kù)中的數(shù)據(jù)常有一些異常記錄，從數(shù)據(jù)庫(kù)中檢測(cè)出這些偏差是很有意義的。偏差包括很多潛在的知識(shí)，如分類中的反常實(shí)例、不滿足規(guī)則的特例、觀測(cè)結(jié)果與模型預(yù)測(cè)值的偏差等。數(shù)據(jù)挖掘方法銀行產(chǎn)品交叉銷售模型示例規(guī)則1:定期存款,股票基金==〉得利寶解讀:持有定期存款并購(gòu)買過股票基金的客戶，會(huì)買得利寶。應(yīng)用:銀行可以向該類型客戶推薦得利寶產(chǎn)品銀行客戶流失管理中，可構(gòu)建邏輯回歸模型預(yù)測(cè)客戶流失概率；結(jié)合客戶價(jià)值執(zhí)行客戶保有策略。大數(shù)據(jù)分析方法大數(shù)據(jù)分析的五個(gè)基本方面PredictiveAnalyticCapabilities（預(yù)測(cè)性分析能力）DataQualityandMasterDataManagement（數(shù)據(jù)質(zhì)量和主數(shù)據(jù)管理）AnalyticVisualizations（可視化分析）SemanticEngines（語義引擎）DataMiningAlgorithms（數(shù)據(jù)挖掘算法）大數(shù)據(jù)分析的處理流程采集統(tǒng)計(jì)/分析導(dǎo)入/預(yù)處理挖掘客戶營(yíng)銷分析的發(fā)展趨勢(shì)將大數(shù)據(jù)融入企業(yè)長(zhǎng)期發(fā)展戰(zhàn)略大數(shù)據(jù)營(yíng)銷衍生于互聯(lián)網(wǎng)行業(yè)，又作用于互聯(lián)網(wǎng)行業(yè)。依托多平臺(tái)的大數(shù)據(jù)采集，以及大數(shù)據(jù)技術(shù)的分析與預(yù)測(cè)能力，能夠使廣告更加精準(zhǔn)有效，給企業(yè)帶來更高的投資回報(bào)率。其特點(diǎn)有：多平臺(tái)化數(shù)據(jù)采集；強(qiáng)調(diào)時(shí)效性；個(gè)性化營(yíng)銷；性價(jià)比高；關(guān)聯(lián)性(2)對(duì)客戶進(jìn)行全面洞察客戶是銀行業(yè)需要重視的對(duì)象，利用用戶大數(shù)據(jù)，企業(yè)可以具體實(shí)現(xiàn)如下一些功能：用戶行為與特征分析。企業(yè)重點(diǎn)客戶篩選。大數(shù)據(jù)用于改善用戶體驗(yàn)。社會(huì)化客戶關(guān)系管理（SCRM）中的客戶分級(jí)管理支持。03客戶細(xì)分及其應(yīng)用客戶細(xì)分的概念客戶細(xì)分是根據(jù)客戶的屬性，行為，需求，偏好和價(jià)值等維度細(xì)分客戶，通過識(shí)別不同客戶群體的特征，對(duì)不同的細(xì)分群體通過合適的渠道和溝通策略，提供差別化的產(chǎn)品和服務(wù)。細(xì)分可以根據(jù)三個(gè)方面的考慮來進(jìn)行：1.外在屬性如客戶的地域分布，客戶的產(chǎn)品擁有，客戶的組織歸屬——企業(yè)用戶、個(gè)人用戶、政府用戶等。2.內(nèi)在屬性內(nèi)在屬性行為客戶的內(nèi)在因素所決定的屬性，比如性別、年齡、信仰、愛好、收入、家庭成員數(shù)、信用度、性格、價(jià)值取向等。3.消費(fèi)行為分類在不少行業(yè)對(duì)消費(fèi)行為的分析主要從三個(gè)方面考慮，即所謂RFM：最近消費(fèi)（Recency）、消費(fèi)頻率(Frequency)與消費(fèi)額（Monetary）?？蛻艏?xì)分流程客戶細(xì)分常見方法（一）多維度細(xì)分學(xué)者研究認(rèn)為評(píng)判標(biāo)準(zhǔn)有十個(gè)，分別是：可識(shí)別性（identifiability）、響應(yīng)性（responsiveness）、實(shí)質(zhì)性（substantiality）、可及性（accessibility）、穩(wěn)定型（stability）、可訴性（actionability）、行為區(qū)隔（differentialbehavior）、可行性（feasibility）、可盈利性（profitability）、富可視性（Projectability）（二）動(dòng)態(tài)性細(xì)分客戶細(xì)分的目的是為了滿足不同細(xì)分客戶群對(duì)產(chǎn)品的不同偏好，如果客戶細(xì)分模型是靜態(tài)而客戶是不斷動(dòng)態(tài)變化的，營(yíng)銷活動(dòng)效果會(huì)大打折扣?，F(xiàn)階段的客戶細(xì)分研究大多以描述性、靜態(tài)模型為主，涉及到動(dòng)態(tài)模型相對(duì)較少，動(dòng)態(tài)性將是未來客戶細(xì)分研究的新方向之一。（三）預(yù)測(cè)性細(xì)分預(yù)測(cè)客戶行為一直都是營(yíng)銷領(lǐng)域的前沿問題，諸如對(duì)客戶流失的預(yù)測(cè)、客戶潛在價(jià)值的預(yù)測(cè)、客戶生命周期價(jià)值的預(yù)測(cè)不論是營(yíng)銷理論研究還是營(yíng)銷實(shí)踐都是非常熱門的?；谛袨樘卣鞯目蛻艏?xì)分04數(shù)據(jù)挖掘模型及其應(yīng)用基于數(shù)據(jù)挖掘的客戶分析客戶資源是市場(chǎng)競(jìng)爭(zhēng)至關(guān)重要的寶貴資源，擁有客戶就意味著擁有市場(chǎng)。數(shù)據(jù)挖掘技術(shù)能從日積月累的數(shù)據(jù)中挖掘出對(duì)企業(yè)決策有幫助的潛在知識(shí)和規(guī)則，挖掘現(xiàn)有客戶的消費(fèi)潛力，減少客戶的流失，為企業(yè)的決策和發(fā)展提供幫助。客戶貢獻(xiàn)分析客戶的購(gòu)買力對(duì)企業(yè)的盈利有很大的影響，客戶的貢獻(xiàn)越多，企業(yè)相應(yīng)的利潤(rùn)也就越豐厚。所以按客戶的貢獻(xiàn)大小對(duì)客戶群進(jìn)行分類，然后對(duì)不同的貢獻(xiàn)率的客戶采取不同的措施，對(duì)于企業(yè)提高收益具有巨大的意義。客戶價(jià)值分析

客戶是企業(yè)最重要的資源了，擁有越多的客戶的企業(yè)有更多地發(fā)展機(jī)會(huì)，而不同的客戶對(duì)于企業(yè)的價(jià)值是不一樣的，這就需要對(duì)客戶的價(jià)值進(jìn)行分析，有助于企業(yè)合理利用，提高企業(yè)的收益。數(shù)據(jù)挖掘模型的分類數(shù)據(jù)挖掘模型中有監(jiān)督學(xué)習(xí)就是分類，通過已有的訓(xùn)練樣本去訓(xùn)練得到一個(gè)最優(yōu)模型，然后利用這個(gè)最優(yōu)模型將所有輸入映射為相應(yīng)的輸出，對(duì)于輸出進(jìn)行判斷實(shí)現(xiàn)分類，這就對(duì)未知數(shù)據(jù)進(jìn)行了分類。監(jiān)督學(xué)習(xí)中的典型例子是K最近鄰（KNN）和支持向量機(jī)（SVM）。無監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)的不同之處，主要是它沒有訓(xùn)練樣本，而是直接對(duì)數(shù)據(jù)進(jìn)行建模。無監(jiān)督學(xué)習(xí)的典型案例就是聚類了，其目的是把相似的東西聚在一起，而不關(guān)心這一類是什么。聚類算法通常只需要知道如何計(jì)算相似度就可以了，它可能不具有實(shí)際意義。描述性的(也稱作“無監(jiān)督學(xué)習(xí)”)無監(jiān)督學(xué)習(xí)算法類的模型，主要通過對(duì)數(shù)據(jù)集全部或部分變量的屬性發(fā)現(xiàn)數(shù)據(jù)集潛在的規(guī)律。此類算法構(gòu)建模型不需要有因變量，考慮的是所有變量之間的關(guān)系，即在N維空間里每個(gè)樣本之間的距離。預(yù)測(cè)性的(也稱作“有監(jiān)督學(xué)習(xí)”)有監(jiān)督學(xué)習(xí)算法類的模型，用數(shù)據(jù)集里的一個(gè)或多個(gè)變量來預(yù)測(cè)數(shù)據(jù)集里的另一個(gè)或多個(gè)其他變量，模型要求數(shù)據(jù)集里有一個(gè)因變量?？蛻糌暙I(xiàn)分析步驟構(gòu)造數(shù)據(jù)集市。根據(jù)對(duì)客戶貢獻(xiàn)大小的研究，分析貢獻(xiàn)大小與客戶屬性特征相關(guān)的屬性。數(shù)據(jù)預(yù)處理。對(duì)客戶屬性如客戶姓名、滿意度、工作地、貢獻(xiàn)度和購(gòu)買次數(shù)等，進(jìn)行必要的清洗、集成、轉(zhuǎn)換、離散和歸約等一系列的處理工作，達(dá)到挖掘算法的規(guī)范和標(biāo)準(zhǔn)。

建立相關(guān)屬性集。通過對(duì)屬性相關(guān)性的分析，刪除那些與數(shù)據(jù)挖掘不相關(guān)的屬性，剩下相關(guān)的屬性就組成了相關(guān)數(shù)據(jù)集。建立模型。根據(jù)上一步得到的相關(guān)數(shù)據(jù)集對(duì)客戶貢獻(xiàn)度建立模型。首先對(duì)相關(guān)數(shù)據(jù)集進(jìn)行分析和訓(xùn)練形成訓(xùn)練數(shù)據(jù)集。然后歸納判定樹。接著，對(duì)分類規(guī)則進(jìn)行提取。最后，對(duì)得到的基本模型進(jìn)行評(píng)價(jià)和改進(jìn)。

使用模型進(jìn)行分類。當(dāng)模型的準(zhǔn)確率改進(jìn)到某個(gè)可以接受的閾值，就可以用這個(gè)模型對(duì)貢獻(xiàn)度未知的客戶進(jìn)行分類。將客戶數(shù)據(jù)輸入模型，然后就可以得到這個(gè)客戶對(duì)應(yīng)的客戶貢獻(xiàn)率分類結(jié)果?？蛻魞r(jià)值分析步驟基于K均值算法的客戶細(xì)分分析。首先選取500名客戶5年的購(gòu)買數(shù)據(jù)作為數(shù)據(jù)挖掘的樣本數(shù)據(jù)，樣本數(shù)據(jù)主要包括客戶代號(hào)、平均采購(gòu)額度和購(gòu)買次數(shù)3個(gè)方面信息。然后設(shè)置K值，然后執(zhí)行K均值聚類算法。算法執(zhí)行后，樣本數(shù)據(jù)就進(jìn)行了分類。根據(jù)分類結(jié)果可判斷不同價(jià)值的客戶群體?；跊Q策樹