第1章緒論

1.1論文研究背景

近幾年來,為適應新業(yè)務發(fā)展和監(jiān)管的需要,國內各商業(yè)銀行掀起了新一輪信息化系統(tǒng)的建設熱潮,商業(yè)銀行領域產生了大量的業(yè)務數據,與此同時,隨著大數據"時代的來臨,各種非結構化信息數據也納入到銀行數據化系統(tǒng)里來,麥肯錫公司的報告表明,2009年美閩商業(yè)銀行等金融機構收集存儲的數據量就已經超過1EB(相當于一百成了TB）。隨著技術的發(fā)展,銀行數據的積累將會以驚人的速度提升著,以國內最具代表性的中國工商銀行為例,中國工商銀行大約每天的數據量都在TB級別。

21世紀核也的競爭就是數據化的競爭,有人把數據比喻為蘊藏能量的煤礦。煤炭按照性質有焦煤、無煙煤、肥煤、貧煤等分類,而露天煤礦、深山煤礦的挖掘成本又不一樣。"得數據者,得市場,得客戶。"Nationalwide Insurance首席營銷官matt Jauchius表示;"收集消費者的大量數據(客戶的消費習慣、喜好、交互信息),然后分析這些數據,預測消費者的行為,這是企業(yè)未來競爭優(yōu)勢的基礎,因為這樣企業(yè)才能提供更好的消費體驗。在此背景下,"數據化運營"的概念開始在企業(yè)界特別是銀行業(yè)所接受并開展相關實踐。雖然各行業(yè)對"數據化運營"的定義有所區(qū)別,但其基本要素和核心是一致的,那就是"企業(yè)級海量數據的存儲和分析挖掘應用為核也支持的,企業(yè)全員參與的,以精準、細分和精細化為特點的企業(yè)運營制度和戰(zhàn)略"�？梢钥闯鰯祿\營的成功與否取決于兩個核也的實現(xiàn):一是數據價值的按掘,二是挖掘結果對業(yè)務運營的指導價值和實現(xiàn)效果。

數據價值的挖掘也即數據挖掘。數據挖掘是一種信息處理技術,主要是對數據庫存儲的大量業(yè)務數據進行抽取、分析和處埋,提取出來輔助企業(yè)決策的關鍵性信息和規(guī)則。數據挖掘作為一種深層次的數據分析技術,最終目標是發(fā)現(xiàn)有應用價值的知識,如規(guī)則、模式和模型等,為企業(yè)的管理和決策提供有利的參考依據。數據挖掘是一項探測大量數據以發(fā)現(xiàn)有意義的模式(pattern)和規(guī)則(rule)的業(yè)務流程。當前,銀行確實擁有大量的客戶信息和賬號交易記錄,每天的交易量累積都是天文數字,但大數據的價值并不在"大",對于業(yè)務決策有價值的挖掘結果、挖掘成本比數量更為重要。銀行企業(yè)數據量非常大,而其中真正有價值的信息卻很少,因此從大量的數據中經過深層分析,獲得有利于商業(yè)運作、提高競爭力的信息,就像從礦石中淘金一樣,數據挖掘也因此而得名。所以,如何利用好數據挖掘技術,有效利用這些大規(guī)模數據,為商業(yè)決策提供真正有價值的信息是成為贏得競爭的關鍵。

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

1.2研究的內容與意義

本文研究內容主要包括下面三個方面:

1)是研究如何基于數據挖掘相關理論和技術,實現(xiàn)對S銀行借記卡用戶客群進行細分,指導業(yè)務部門進行精準營銷,提高營銷效果;

2)是研究如何基于數據挖掘相關理論和技術,實現(xiàn)對S銀行專項理財用戶的購買產品交易進行關聯(lián)分析,指導業(yè)務部門進行交叉銷售,提高產品響應;

3)是研究如何基于數據挖掘相關理論和技術,實現(xiàn)對S銀行理念及上的高等級用戶客群進行流失預測,指導業(yè)務部站進行客戶挽留,提高客戶忠誠度;

本研究旨在將數據挖掘在零售銀行市場營銷中的應用的相關理論和方案進行實際案例實證,具有一定的理論和現(xiàn)實意義。

理論意義:

精準營銷,尤其是零售銀行的精準營銷應用,是一個系統(tǒng)化的問題,它涉及零售銀行企業(yè)運營的各個方面。"如果只考慮單個環(huán)節(jié)或者單個技術,就無法實現(xiàn)或達到預期的精準營銷效果,因此我們需要從數據源系統(tǒng)-數據挖掘-市場營銷活動設計和營銷結果評估和反饋機制等分層次、系統(tǒng)化地進行架構設計和系統(tǒng)整合。而本論文提出的數據挖掘在零售銀行市場營銷中的應用研究正是將銀行內部IT系統(tǒng)中的數據倉庫、數據集市、客戶關系管理系統(tǒng)(CRM)、營銷活動信息系統(tǒng)等各系統(tǒng)有機整合,從而使銀行的數據流、信息流和業(yè)務流統(tǒng)合在了一起,形成了一套行之有效的系統(tǒng)化運行模式。本文系統(tǒng)地在零售銀行市場營銷領域進行了積極的探索與研究,并在S銀行實際項目中驗證性地加以實踐運用,可以作為該領域內的借鑒參考實現(xiàn)樣例,其意義必將深遠。

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

第2章相關理論

2.1聚類分析

聚類(Clustering)是把異構的總體數據劃分成一些更均勻的小組或群集的任務。聚類分析可以從大量數據中尋找隱含的數據分布和模式在商務上,聚類能幫助市場分析人員從客戶基本庫中發(fā)現(xiàn)不同的客戶群,并用購買模式來刻畫不同客戶群的特征。通過聚類分析,將數據劃分為若干類,然后在每一類中尋找模式或者潛在的有用信息。

聚類與分類的區(qū)別在于聚類不依賴預定文的類別定義。在分類中,通過在預分類的實例上訓練得到模型,然后基于該模型對毎條記錄分配一個預定義的類別。在聚類中,沒有預定義的類,也沒有實例�；谟涗浀淖韵嗨菩园阉鼈兎纸M在一起。它由用戶決定把什么意義(如果有的話)附加到結果群集上。比如:病人癥狀群集可表示不同的疾病;客戶屬性的群集可以表示不同的市場劃分。

數據庫中的記錄可被化分為一系列有意義的子集,即聚類。聚類增強了人們對客觀現(xiàn)實的認識,是概念描述和偏差分析的先決條件。聚類技術主要包括了劃分方法,層次聚類的方法,基于密度的聚類方法,基于距離的聚類方法和基于模型的方法。還有一些聚類算法繼承了多種聚類方法的思想。

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

2.2關聯(lián)規(guī)則

在眾多的關聯(lián)規(guī)則數據挖掘算法中,最著名的就是Apriori算法,該算法具體分為以下兩步進行:

1.生成頻繁項目集。一個頻繁項目集是一個支持度高于最小值尺度闊值的項目集;

2.2.從頻繁項目集中生成所有的可信關聯(lián)規(guī)則。這里可信關験規(guī)則是指置信度大于最小置信度閾值的規(guī)則。

關聯(lián)分析是一種無指導的數據挖掘,它能夠從未制定目標的數據中發(fā)現(xiàn)模式,運個模式是否有意義需要人工來解釋。關聯(lián)分析可用于許多數據中許多屬性可能與分類和預測任務不相關的應用上。它最早源于銷售點數據,也就是那個耳熟能詳的"啤酒和紙尿褲"的案例,但它的應用不僅限于零售數據分析,關聯(lián)規(guī)則可用于發(fā)現(xiàn)序列關聯(lián)(SequentialPatternAnalysis)和其他非傳統(tǒng)意義上的購買組合。序列關聯(lián)就是指購買某一個項目會導致另一項購買的發(fā)生,其他類似的相關性分析還有很多應用可能,例如;

>記錄銀行貸款申請是星期幾提出的數據可能與申請的成功不相關。此外,其他的屬性可能是冗余的。因此,可以進行相關性分析,刪除學習過程中不相關的或冗余的屬性。在機器學習中,這一過程稱為特征選擇;

>零售客戶使用的銀行產品(存款、理財、貸款等)可以只別客戶可能需要的其他產品;

>異常的保險索賠組合可能是一個欺詐的跡象,可以引發(fā)進一步的調查;

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

第3章S銀行零售業(yè)務市場營銷業(yè)務的現(xiàn)狀............12

3.1S銀行零售業(yè)務營銷現(xiàn)狀與問題............12

3.1.1借記卡客戶細分及差異化營銷效果不佳..............13

第4章數據挖掘在S銀行精準營銷中的設計和應用..............20

4.1基于聚類分析的借記卡客戶細分及差異化營銷..............20

4.1.1業(yè)務問題需求分析..............20

第5章數據挖掘在精準營銷中的應用效果評估................41

5.1數據挖掘在精準營銷中應用的評估體系............41

第5章數據挖掘在精準營銷中的應用效果評估

5.1數據挖掘在精準營銷中應用的評估體系

對于數據挖掘模型在市場營銷活動中的應用評估體系,可以分為兩部分;包括模型的評估和營銷的評估效果。

5.1.1模型評估方法

對于數據挖掘模型的評估,根據模型類型有所不同。

數據挖掘模型大致可以分為無監(jiān)督的描述性模型和有監(jiān)督的預測性模型。對于無監(jiān)督的描述性模型,因為不同的模型主要是從數據里發(fā)現(xiàn)內在的模式和規(guī)則,不同的模型的目標有所不同,所以各有其特有的評價指標和方法,無法統(tǒng)一歸納,所以這里的模型評估主要解釋有監(jiān)督的預測性模型的評估。

為了全面了解和評估數據挖掘模型和營銷活動對市場營銷的效果和價值,除了需要用前述模型評估指標對數據挖掘模型效果進行評估外,還需要采用合適的指標對市場營銷活動進行評估。

模型化對照組是從客群總體中根據模型評分而選擇出的客戶群,但并不將該客戶群作為營銷目標,觀察該客群在不接受營銷活動時下對某產品的響應情況;

此外,根據營銷評估方案的設計內容,對營銷活動的結果進行評估還包括執(zhí)行率、接通率、成功率等營銷評價指標。

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

第6章結論與展望

6.1結論

S銀行的應用實例表明,我們提出的數據挖掘與精準營銷組合策略在零售銀行市場營銷領域提供了一個系統(tǒng)化的方法,將對數據的洞察與市場營銷全生命期管理的思路結合起來,能極大的提高市場營銷的效率,成功率,降低營銷成本,最終提高企業(yè)利潤。由于實際項目局限和保密限制,本文的實例只是從零售銀行行業(yè)通用性的角度來闡述其中的一下具體技術架構和具體實施方案,但本文提出的方法仍然可以擴展到同行業(yè)的其他銀行,提供了一個有限的實踐參考。

值得注意的是,本文所提出的數據挖掘與精準營銷組合策略的實施需要考慮下幾個方面:

首先,該組合方案的實施應基于跨領域、跨學科的團隊。該團隊中應該包含IT開發(fā)工程師,數據分析建模人員,專業(yè)市場營銷人員,金融產品經理等各類人才,能從不同的角度來解決項目中所有可能問題。盡管多學科團隊成員的多樣性可以帶來一些優(yōu)勢,但如果團隊管理不善,則優(yōu)勢可能會變成劣勢。這可能會導致一些消極的群體態(tài)勢,增加部門間障礙和開發(fā)實施的風險。目前眾多群體決策技術,如群體投票制、名義群體、名義組織的相互作用和共識決策技術,都可以用在我們提到的實施過程中來避免消極的群體態(tài)勢和增加團隊決策的有效性。這將幫助研發(fā)團隊收集和分享所需要的信息、創(chuàng)建和確定行動的替代方案、在這些替代方案中結合團隊成員的不同觀點進行選擇并增強團隊性承諾去實施決策。

其次,整個市場營銷不是一次性的,而是系統(tǒng)的、并發(fā)的的、逐步優(yōu)化的過程。本文提出的解決方案應該同時與組織部門改革、銀行IT系統(tǒng)利舊和創(chuàng)新建設、項目預算/進度和規(guī)范同步實施,在每一步中進行持續(xù)的迭代開發(fā)和優(yōu)化,持續(xù)改進優(yōu)化,最終達到預期目標。

最后,數據挖掘和精準營銷理論和實踐不是靜態(tài)的,隨著人們的知識和發(fā)現(xiàn)日新月異,隨時都會有新的理論和方法涌現(xiàn),我們應該采取開放的也態(tài),跟蹤新的技術發(fā)展趨勢,勇于嘗試,不斷吸收數據科學的新成果,持續(xù)提高數據化營銷的核心價值和業(yè)務指導能力。

參考文獻（略）