数据挖掘在互联网金融客户关系管理中的应用分析 下载本文

数据挖掘在零售银行客户关系管理中的应用分析

1

蔡洋萍

(湖南农业大学经济学院 湖南 长沙 410128)

摘要:银行传统的商业模式发生了巨大变化,银行之间的竞争也日趋激烈。其竞争焦点由产品的竞争转变为争夺客户的竞争,拥有客户也就意味着拥有了市场,就能在激烈的竞争中取胜。因此,客户关系管理正越来越受到银行的重视。商业银行要获取客户,就需要深入了解客户的偏好,明晰客户需求。数据挖掘正是达到这一目的实现有效客户关系管理的关键技术。研究分析大数据时代零售银行客户关系管理,重点分析大数据技术在零售银行客户获取、客户情绪分析、客户行为预测、客户市场细分当中的应用。

关键词:数据挖掘 零售银行 客户关系管理

在我国利率市场化进程不断推进的背景下,长期以往以经营传统对公存贷业务为重心的商业银行利润空间将因利差收益缩窄而营收面临考验,商业银行不得不从新思索新的经营方向与营收来源。从国际商业银行的发展历程演变看,零售银行业务将是我国商业银行新的利润增长点。但是,随着我国互联网金融在“草根”阶层的深化,商业银行面临来自利率市场化与互联网企业跨界开展金融业务的双重挑战。因此,长期以来粗放式经营零售业务的商业银行不得不开始思索其零售银行业务如何转型与发展。当前,尽管商业银行已经积累了大量的数据,但银行对数据的利用还远远不够深入,出现“数据丰富但信息贫乏”的局面。如何利用好这些数据,从中提取出有益于商业银行经营和决策的信息给我国银行业带来巨大的挑战。同时,随着金融脱媒、利率市场化的进一步推进,面对互联网金融带来的冲击,银行传统的商业模式发生了巨大变化,银行之间的竞争也日趋激烈。其竞争焦点由产品的竞争转变为争夺客户的竞争,拥有客户也就意味着拥有了市场,就能在激烈的竞争中取胜。因此,客户关系管理正越来越受到银行的重视。

面对上述内外部环境的双重挑战,商业银行要获取客户,就需要深入了解客户的偏好,明晰客户需求。数据挖掘正是达到这一目的实现有效客户关系管理的关键技术,商业银行可以从海量的客户数据中挖掘出有价值的信息和规律,预测出客户的需求和偏好,建立合适的模型使客户价值最大化,防止客户流失,从而为客户提供有针对性的产品和服务,打造不可 1

基金项目:湖南省社科基金项目“我国村镇银行风险控制问题研究(13YBB102)”阶段性研究成果。 作者简介:蔡洋萍(1982-),女,汉族,江西宜春人,金融学博士,湖南农业大学经济学院讲师,研究方向:中小企业融资、农村金融。

联系方式:13755115973,E-mail:yangpinglucy1982@126.com,地址:长沙市芙蓉区湖南农业大学经济学院 410128。

复制的核心竞争力。

一、客户关系管理与数据挖掘概念 (一)客户关系管理

客户关系管理(CRM)一词起源于美国,是由美国营销之父——Gartner Group 提出来的。Gartnet Group 认为客户关系管理就是企业为应对竞争和留存客户,努力改善自身的经营管理,与客户进行关系的维护和交流,实现利润的最大化和长期的发展。因此,客户关系管理是一个获取、保持和增加可获利客户的方法和过程,认为客户是企业最重要的资产,通过提高客户忠诚度可最终提高企业的利润率。金融企业通过实施客户关系管理,提升业务流程管理,提供更快速、周到的优质服务,可降低企业成本,吸引和保持更多客户。以兴业银行为例,自2005年起,兴业银行先后开发了个人营销服务系统、企业级客户信息交换系统、零售银行财富规划系统等一系列的CRM相关系统,并对原有的客户服务中心系统进行了向CRM功能的转型升级,从而形成了初具规模的零售业务CRM系统群。 (二)数据挖掘技术

数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中,提取隐含在其中的但又是潜在有用的信息和知识的过程。数据挖掘与传统的数据分析不同,数据挖掘是在没有确定假设的前提下去挖掘信息、发现知识,其目的不在于验证某个假定模式的正确性,而是自己在数据库中找到模型。金融企业利用数据挖掘方法对客户数据进行科学的分析,发现其数据模式及特征、存在的关联关系和业务规律,并根据现有数据预测未来业务的发展趋势,对商业银行管理、制定商业决策、提升核心竞争力具有重要的意义和作用。数据挖掘主要分为五类模型:分类、聚类、关联、预测和序列发现。见表1:

表1:数据挖掘五类模型

数据挖掘模型 简介 根据已有数据的类特征判断未知数据的类,它与普通预测结果不同,其预分类模型 测的结果是类别,主要包括决策树、KNN法、SVM法、VSM法、Bayes法、神经网络等方法。 将数据对象分组成多个类,使得同一类中的对象之间具有较高相似性,而聚类模型 不同类的对象差别较大,聚类技术包括划分方法、层次方法、基于密度的方法、基于网格的方法和基于模型的方法等。 从大量数据中发现项集之间的关联或相关联系,关联规则挖掘首先找出频关联分析模型 繁项集,然后产生形如A?B的强关联规则。 根据已有数据通过模型的训练学习,发现规律和趋势,推测未来目标数据预测模型 值,方法包括线性回归、多元回归、非线性回归等。 与关联分析相似,二者不同之处在于序列发现中事件数据间关联性与时间序列发现模型 相联系。即,不仅需知道序列事件是否发生,而且需同时确定事件发生的时间。 资料来源:根据银联信资料整理

二、数据挖掘在客户关系管理中的应用

客户关系管理旨在深刻理解客户,掌握客户需求,并实现客户价值最大化,由以下四个步骤构成:客户识别、客户吸引、客户维持、客户发展。这四个步骤可以视为提取客户信息并转换为积极的客户关系的循环过程。而数据挖掘技术通过从海量数据中提取隐含的客户特征和行为可以帮助完成这个过程。根据客户关系管理流程,结合客户关系管理及数据挖掘方法特点,在客户关系管理每个步骤中都可以使用到数据挖掘方法,具体应用模型见图1:

图1数据挖掘在客户关系管理中的应用模型 (一)客户识别

客户识别是客户关系管理的初始环节,包括目标客户分析和客户细分。即通过客户购买记录数据找出客户特征,识别银行的潜在客户以及最具盈利价值的客户,并进行客户细分,将具有相似特征的客户进行归类,从而为银行实施客户关系管理提供基础。根据客户识别特点,可实施客户分类。通过客户分类,可以帮助银行掌握不同客户群的特征,找出客户消费的行为和规律,计算出不同客户对银行的贡献程度,从而筛选出客户群体的种类。可采用的分类方法包括聚类分析法、KNN法、SVM法等。 (二)客户吸引

识别潜在目标客户后,银行需要对这些客户采取针对性措施吸引客户,即直接营销。直接营销即银行通过邮寄、电子邮件等各种渠道直接向目标客户推销产品。这就需要了解客户的个性化需求,数据挖掘中的预测模型正是可以实现这一功能。银行根据客户信息和历史交易数据,可以预测到目标客户最可能购买哪种产品和服务,从而有针对性地进行营销,降低营销成本。 (三)客户维持

将客户吸引过来以后,银行需要与客户保持良好的互动和接触,不断了解客户需求,针

对不同客户设计不同的产品和服务,实现“一对一”的营销,将给银行带来的盈利客户发展为忠实客户,不断提升其忠诚度。

在客户维持阶段,可以用数据挖掘里的序列发现来进行分析。序列发现注重强调时间序列的影响,即通过时间序列搜索出重复发生概率较高的模式,可监测客户长期的经常购买行为。

(四)客户发展

除了维系现有客户以外,还需进一步提升现有客户价值,进行客户发展,可采取的方式包括客户价值分析、交叉销售等。客户价值分析指银行预期从客户获得的价值。交叉销售是指银行基于现有客户发现其多种需求,向其提供多种满足其需求的相关产品和服务的销售方式。通过交叉销售银行既可以降低营销成本,维系现有客户资源,还可以实现现有客户价值最大化。此时,可采用数据挖掘中的关联规则进行分析。

利用关联规则可以分析客户交易行为与客户背景信息(如年龄、性别、收入、教育程度等)之间的关联关系,找出客户交易行为的影响因素,分析银行哪些金融产品和服务最可能会一起发生在同一交易中等等,确定最优的销售组合。 三、大数据时代的零售银行客户关系管理 (一)对私客户数据获取新途径

麦肯锡的研究显示,金融业在大数据价值潜力指数中排名第一。银行、证券、保险、信托、直投、小贷、担保、征信等金融,以及P2P、众筹等新兴的互联网金融领域,正在利用大数据进行一场新的革命。这样的历史机遇会造就一批大数据服务提供商。

银行在所有的金融行业中,将是运用大数据最深化的。这主要因为大数据决策模式对银行更具有针对性。发展模式转型、金融创新和管理升级都需要充分利用大数据技术、践行大数据思维,并且银行也具备实施大数据的条件。

在大数据应用的过程中,最重要也是最基本的事情就是如何获取尽可能多的可用数据。银行通过以下几种新途径可以有效增加银行个人用户的数据量:

1、不断改进移动银行APP

银行的手机端APP(后者称移动银行APP),是通过智能手机联系个人与银行的一个重要渠道。从目前的发展情况来看,手机银行APP的动户率仍然较低,主要原因还是应用场景的缺乏。商业银行需要对手机银行APP这一重要的渠道进行不断的改进,不仅要融入SOLOMO的重要理念,增加更多的社交功能(比如分享、评论、私信等功能)和本地化服务(比如附近可以使用农行信用卡的商户),还要通过更为有效的营销策略和平台策略对客户进行持续的吸引(比如在手机银行中整合入电商平台的打折促销活动、定时抽奖活动等)。

这些功能服务下客户的使用数据和交易数据都能大大提高银行数据库的含金量。

2、与互联网科技平台合作

互联网科技企业是对手更是合作伙伴,商业银行应该加强同它们的合作。首先应该加强技术上的合作。互联网科技企业很大程度是科技立业,信息技术是其最大的优势,而商业银行业是个高度依赖现代信息技术的产业,因此商业银行应该加强同这些企业的科技合作,开发出更多的适合本银行的软件系统。

其次应加强客户信息共享方面的合作。互联网科技企业拥有大量一手的网络客户信息与交易信息,而商业银行则具有各个行业内大型企业的相关信息,二者可以做到优势互补、资源共享。

通过与互联网企业展开深层次合作,商业银行在进行业务创新,改变盈利模式的过程中就拥有了技术和信息流方面的支持。而互联网企业的文化和管理模式对传统商业银行的互联网化也有很好的借鉴作用,因此合作还能减少商业银行进行转型所面临的许多隐性成本。

比如在与微信进行合作的过程中,银行可以加强以下两点以达到更好的合作效果: ①完善支付,建立高层次金融综合服务平台。在移动互联网金融领域,银行在为客户提供微信金融服务的同时,应尽快超越腾讯等第三方机构,着眼建设更高层次的竞争平台,即建设以“微信金融+微信生活”为核心的全方位的金融综合服务平台,让客户不仅能在该平台上办理各类银行业务,还能实现消费金融领域的移动支付。

目前手机主要通过微信平台的二维码扫一扫功能完成购物。而微信平台在消费金融领域的发展方向应是“微信银行+微信生活+微信支付+微信营销”,同时还应依托手机实现地理位置的搜索定位,完成对附近银行网点、自助区、自助设备的搜寻、导航,并与网点排队叫号系统联动,提前导入客户所需银行服务,为客户提供精准的金融服务。总之,要将微信打造成一个全方位的线上金融服务平台。对银行而言,要实现这一步并不容易。与传统的金融模式截然不同,线上金融所有的支付、营销流程都必须实时在线完成,这些都对银行的产品服务、支付流程、营销流程、业务流程再造提出了很高的要求。

究其原因,一是因为线上和线下客户的特征有很大差异,银行要服务这部分客户,就需重新设计相应的金融产品;二是因为线上交易的特殊性,也需要银行再造支付、营销流程。金融产品的变化不仅涉及银行线下营销观念的改变,还涉及银行业务流程的再造,这些都需要银行内部管理机制的高度协同和共同推进,对于银行来说也是一个很大的挑战;三是在以往的电子商务模式中,银行主要承担支付结算的角色,处于整个服务链条的末端,比较被动。而现在银行更希望从客户源头切入,通过微信金融平台将银行服务贯穿于电子商务的整个过程中,并打通融资、结算、理财等一系列金融服务链条,以扩大业务范围、增加利润。