數(shù)據(jù)挖掘技術(shù)在理財(cái)客線上遷移及細(xì)分的應(yīng)用研究

【摘要】本文對(duì)數(shù)據(jù)挖掘的基本原理進(jìn)行簡述，運(yùn)用數(shù)據(jù)挖掘工具及算法并結(jié)合實(shí)際說明了數(shù)據(jù)挖掘技術(shù)在銀行理財(cái)客戶的應(yīng)用。通過建立模型實(shí)證分析理財(cái)客戶線上遷移的有效性，并對(duì)銀行理財(cái)客戶進(jìn)行聚類，實(shí)證分析銀行理財(cái)客戶分群的必要性。

【關(guān)鍵詞】數(shù)據(jù)挖掘 理財(cái)客戶 線上遷移 聚類

數(shù)據(jù)挖掘技術(shù)是指從大量的、隨機(jī)的、有噪聲的實(shí)績運(yùn)用數(shù)據(jù)中掘取事先不知道的但又可能有用的信息和知識(shí)的過程。[1]本文通過銀行數(shù)據(jù)實(shí)證數(shù)據(jù)挖掘技術(shù)在銀行中的具體應(yīng)用與效果評(píng)估。

一、數(shù)據(jù)選取及預(yù)處理

本文選取某農(nóng)商銀行2015年3月20日（第一筆理財(cái)產(chǎn)品認(rèn)購時(shí)間）-2017年9月17日共17023筆個(gè)人理財(cái)客戶交易記錄。通過數(shù)據(jù)清理后得到人口統(tǒng)計(jì)信息字段：戶名、身份證號(hào)、性別、年齡；產(chǎn)品交易信息字段：產(chǎn)品代碼、理財(cái)賬戶、購買金額、產(chǎn)品認(rèn)購日期、產(chǎn)品成立日期、產(chǎn)品到期日期、封閉期時(shí)長、交易渠道（柜面、手機(jī)銀行）等。

二、描述性統(tǒng)計(jì)

第一，根據(jù)銀行理財(cái)客戶基本信息及交易信息截止2017年9月17日共有7617戶理財(cái)客戶其中男性3979戶，占比52.24%；女性3638戶占比47.76%。

第二，銀行理財(cái)客戶的年齡結(jié)構(gòu)符合正太分布，主要集中在40-60歲。

■

第三，農(nóng)商銀行客戶群理財(cái)資金量相對(duì)國有大型銀行來說較少，主要集中在100萬元以下。

三、客戶理財(cái)手機(jī)銀行渠道有效模型

為說明購買銀行理財(cái)由柜面向線上遷移的有效性，本文建立了手機(jī)銀行渠道有效模型：

假定M時(shí)點(diǎn)某客戶第一次通過手機(jī)銀行渠道購買理財(cái)；

M-N時(shí)期客戶在柜面渠道購買理財(cái)次數(shù)接近于0

通過modeler構(gòu)建模型，重點(diǎn)節(jié)點(diǎn)解釋如下：

匯總1：以身份證號(hào)為關(guān)鍵字，匯總字段為認(rèn)購日期最小值；合并是以身份證號(hào)為關(guān)鍵字的內(nèi)部鏈接。

匯總2：以身份證號(hào)、交易渠道為關(guān)鍵字，總數(shù)做為默認(rèn)模式；選擇：丟棄交易渠道=“手機(jī)銀行”and Record_Count=1的記錄。

匯總3：以交易渠道作為關(guān)鍵字。

效果評(píng)估：通過手機(jī)銀行渠道購買過理財(cái)產(chǎn)品的3213戶理財(cái)客戶，后續(xù)有103戶返回到柜面渠道購買過理財(cái)，1302戶在手機(jī)銀行渠道購買過理財(cái)，有效率達(dá)92.7%。

四、理財(cái)客戶分群及行為預(yù)測

第一，RFM模型是客戶關(guān)系管理領(lǐng)域廣泛應(yīng)用的一種評(píng)價(jià)客戶忠誠度、流失傾向的一種算法。RFM分析的三類重要指標(biāo)：一是距上次交易的時(shí)間R（Recency），二是最近統(tǒng)計(jì)期內(nèi)交易次數(shù)F（Frequency），三是最近統(tǒng)計(jì)期內(nèi)交易金額M（Monetary Value）。[3]

建立良好的客戶關(guān)系，通過無指導(dǎo)性的聚類分析，按類相似性最大化，類間相似性最小化的原則進(jìn)行客戶分群。[2]通過客戶的共性，發(fā)現(xiàn)他們的交易習(xí)慣。這樣既可以提高客戶滿意度又可以降低銀行的營銷成本。

第二，模型解釋。

選擇1（實(shí)驗(yàn)組）：結(jié)束時(shí)間 >= "2017/09/18"；

選擇2（測試組）：結(jié)束時(shí)間 < "2017/09/18"；

填充：將購買金額轉(zhuǎn)化為年日均金額；

通過K-Means聚類后分成四類，根據(jù)近因、頻數(shù)、貨幣三個(gè)指標(biāo)值區(qū)分出：聚類1（非活躍客戶）、聚類2（活躍大客戶）、聚類3（一般客戶）、聚類4（流失客戶），為提高營銷精準(zhǔn)性，選擇出聚類2（活躍大客戶）作為精準(zhǔn)營銷目標(biāo)客戶，展示如下圖。

第三，結(jié)果預(yù)測。聚類2（活躍大客戶）共有280戶，在選擇2（測試組）又有236戶有交易記錄，預(yù)測再次購買的準(zhǔn)確率為84.28%，符合預(yù)測結(jié)果，證實(shí)能通過客戶分層提升銀行理財(cái)客戶的精準(zhǔn)營銷要求。

五、結(jié)語

數(shù)據(jù)挖掘技術(shù)是一種先進(jìn)的數(shù)據(jù)處理技術(shù)，對(duì)于數(shù)據(jù)挖掘技術(shù)的研究有利于提升銀行的競爭力。[4]本文詳細(xì)闡述了技術(shù)挖掘的概念，以客戶理財(cái)手機(jī)銀行渠道有效模型、RFM模型、K-Means聚類模型有針對(duì)性的分析了數(shù)據(jù)挖掘技術(shù)在銀行理財(cái)客戶線上遷移的應(yīng)用，銀行通過數(shù)據(jù)挖掘技術(shù)的應(yīng)用能有效提高客戶運(yùn)營效率，增強(qiáng)核心競爭力。

參考文獻(xiàn)

[1]傅國錦.數(shù)據(jù)挖掘技術(shù)在商業(yè)銀行客戶細(xì)分中的應(yīng)用.金華職業(yè)技術(shù)學(xué)院學(xué)報(bào)[J].2007（8）.

[2]Jiawei Han，Micheline Kamber著.范明，孟小峰等譯.數(shù)據(jù)挖掘：概念與技術(shù)[M].北京：機(jī)械工業(yè)出版社.2001.

[3]王文賢，金陽，陳道斌.基于RFM模型個(gè)人客戶忠誠度研究.金融論壇[J].2012（3）.

[4]傅俊.數(shù)據(jù)挖掘技術(shù)及其在商業(yè)銀行中的應(yīng)用.軟件導(dǎo)刊[J].2014（2）.

作者簡介：封錄（1987-），男，漢族，江蘇鹽城人，江蘇大學(xué)碩士，中級(jí)經(jīng)濟(jì)師，AFP持證人，CDA持證人，主要研究成果：cssci一篇、國內(nèi)核心一篇。