（管理科学与工程专业论文）基于贝叶斯网络分类器的商业银行客户分类模型研究.pdf

硕：l ：论文基于贝叫斯网络分类器的商业银行客户分类模型研究 摘要 客户分类是商业银行实施c r m 的基础，是分析和预测客户消费模式、建立个性化 营销服务体系和差异化管理的前提。商业银行积累的海量数据信息中，蕴藏着大量有价 值的客户信息，可以指导商业银行识别客户，从而提供决策支持。面对“数据丰富而知 识匮乏 的挑战，数据挖掘技术应运而生。其中，贝叶斯网络分类器基于完善的理论， 定性描述和定量表达相结合，将先验知识和客观数据共同学习，以概率形式表达不确定 性知识，广泛应用于分类问题，表现出很好的可伸缩性和健壮性。朴素贝叶斯网络分类 器和t a n 分类器是两种典型的分类器。 本文在综述商业银行客户分类模型和贝叶斯网络理论的基础上，构建了基于贝叶斯 网络分类器的银行卡客户分类模型，并对模型进行了评价，主要内容如下： ( 1 ) 综述了商业银行客户分类模型和贝叶斯网络分类模型，指出贝叶斯网络应用于 商业银行方面的研究较为缺失； ( 2 ) 研究了商业银行客户分类理论，指出客户研究与客户分类的重要性，分析了客户 分类相关理论，以及商业银行客户分类理论： ( 3 ) 研究了商业银行客户分类方法，主要是介绍了决策树、神经网络和贝叶斯网络分 类器，并比较其优缺点； ( 4 ) 提出银行卡客户分类问题，构建了基于朴素贝叶斯分类器和t a n 分类器的银行 卡客户分类模型：通过与s o m 神经网络分类的准确率比较发现，基于k 2 算法学习的 t a n 分类器有较好的分类效果。 关键词：贝叶斯网络，贝叶斯网络分类器，商业银行，客户分类，银行卡客户分类模 型 a b s t r a c t 硕l ：论义 a b s t r a c t c u s t o m e rc l a s s i f i c a t i o ni st h eb a s eo ft h ei m p l e m e n to fc r mi nc o m m e r c i a lb a n k s i t s t h ep r e c o n d i t i o nt oa n a l y z ea n df o r e c a s tc u s t o m e r sp a t t e r no fc o n s u m p t i o n ，a n dt h ep r e m i s e o fp e r s o n a l i z e dm a r k e t i n gs e r v i c e sa n dm a n a g e m e n t 。t h e r ei sal a r g en u m b e ro fv a l u a b l e c u s t o m e ri n f o r m a t i o ni nh u g ea m o u n t so fd a t aa c c u m u l a t e db yc o m m e r c i a lb a n k s ，w h i c hi s u s e dt oi d e n t i f yc u s t o m e r sa n dp r o v i d ed e c i s i o ns u p p o r t d a t am i n i n g ( d m ) t e c h n o l o g yc a m e i n t ob e i n gw i t ht h ec h a l l e n g eo f “r i c hd a t aw i t h o u tk n o w l e d g e a m o n gt h e m ，b a y e s i a n n e t w o r kh a sb e e nw i d e l yu s e di nc l a s s i f i c a t i o n ，w i t hi t sv a r i o u sa d v a n t a g e s ，s u c ha sb a s e do n s o u n dt h e o r y , e x p r e s s i o no fq u a l i t a t i v ea n dq u a n t i t a t i v e ，t h ea b i l i t yo fe x p r e s s i o ni n p r o b a b i l i t y , a n dt h ec h a r a c t e r i s t i c so fl e a r n i n gw i t hp r i o rk n o w l e d g ei n c l u d e d b a y e s i a n n e t w o r kc l a s s i f i e ri ss h o w i n gg r e a ts c a l a b i l i t ya n dr o b u s t n e s s 、 b a s e do nt h ed e s c r i p t i o no fc u s t o m e rc l a s s i f i c a t i o nm o d e l sa n dt h et h e o r yo fb a y e s i a n ， t h i sp a p e re x p l o r e dc a r dc u s t o m e rc l a s s i f i c a t i o nm o d e l so fc o m m e r c i a lb a n k sb a s e do nt h e b a y e s i a nn e t w o r kc l a s s i f i e r t h em a i nw o r ko f t h ed i s s e r t a t i o ni sa sf o l l o w s ： ( 1 ) a no v e r v i e wo fc o m m e r c i a lb a n k i n gc u s t o m e rc l a s s i f i c a t i o nm o d e la n dt h eb a y e s i a n n e t w o r kc l a s s i f i c a t i o nm o d e l ；t h e n ，p o i n t e do u tt h a tt h e r ew e r en om o r el i t e r a t u r e so f b a y e s i a nn e t w o r ku s e di nt h ec o m m e r c i a lb a n k s ； ( 2 ) s t u d i e dt h et h e o r yo fc u s t o m e rc l a s s i f i c a t i o no fc o m m e r c i a lb a n k s ，a n dp o i n t e do u t t h ei m p o r t a n c eo fr e s e a r c ho nc u s t o m e ra n dc u s t o m e rc l a s s i f i c a t i o n ；g i v e nt h et h e o r yo f c u s t o m e rc l a s s i f i c a t i o no fc o m m e r c i a lb a n k s ； ( 3 ) s t u d i e dt h em e t h o d so fc u s t o m e rc l a s s i f i c a t i o n ；m a i n l yi n t r o d u c e dd e c i s i o nt r e e s ， n e u r a ln e t w o r k sa n db a y e s i a nn e t w o r kc l a s s i f i e r sa n dc o m p a r e dt h e i ra d v a n t a g e sa n d d i s a d v a n t a g e s ； ( 4 ) p u tf o r w a r dt h ei s s u eo fc a r d sc u s t o m e rc l a s s i f i c a t i o n ；b u i l tb a n kc a r dc u s t o m e r c l a s s i f i c a t i o nm o d e l sb a s e do nn a i v eb a y e sc l a s s i f i e ra n dt a nc l a s s i f i e r ；c o m p a r e dt h e c l a s s i f i c a t i o na c c u r a c yo fb a y e s i a nc l a s s i f i e rw i t hs o mn e u r a ln e t w o r k ；a n a l y z e dt h er e s u l t s o f c l a s s i f i c a t i o n k e yw o r d s ：b a y e s i a nn e t w o r k s ，b a y e s i a n c l a s s i f i e r , c o m m e r c i a lb a n k s ，c u s t o m e r c l a s s i f i c a t i o n ，c a r dc u s t o m e rc l a s s i f i c a t i o nm o d e l 声明尸i 刃 本学位论文是我在导师的指导下取得的研究成果，尽我所知，在 本学位论文中，除了加以标注和致谢的部分外，不包含其他人已经发 表或公布过的研究成果，也不包含我为获得任何教育机构的学位或学 历而使用过的材料。与我一同工作的同事对本学位论文做出的贡献均 已在论文中作了明确的说明。 研究生签名： 刁撕矽日 学位论文使用授权声明 南京理工大学有权保存本学位论文的电子和纸质文档，可以借阅 或上网公布本学位论文的部分或全部内容，可以向有关部门或机构送 交并授权其保存、借阅或上网公布本学位论文的部分或全部内容。对 于保密论文，按保密的有关规定和程序处理。 研究生签名： 叼年月弩日 硕十论文皋于贝叶斯网络分类器的商业银行客户分类模掣研究 1 绪论 1 1 研究的背景 随着市场竞争的同益加剧，市场由卖方市场向买方市场的转型，企业强烈地意识到 客户资源是现代企业竞争中至关重要的资源。强调“以客户为中心”的c r m 管理理念 开始兴起并得到广泛认可，使得全世界范围内的各个企业都在经历一场深刻的变革，企 业关注的焦点已从改进内部运作转移到更多地关注客户上来。 商业银行是经营货币的特殊企业，关注的焦点同样开始转移到客户上来。加入w t o 后，外资银行大举进入，银行业的竞争格局发生了变化，商业银行的经营环境变得艰难， 国内银行业面临的竞争压力越来越大。就银行业的竞争来说，其竞争的焦点是客户，特 别是为银行提供较大贡献的优质客户，因为按照银行业界的“- - a ”法则，占银行客户 总数2 0 的优质客户创造了银行8 0 的利润。同时，“- a ”法则也意味着不同的客户 群体对银行的价值是不同的，他们的需求也是千差万别的。此外，白热化的竞争格局， 加速了客户扰动，客户的流失问题同益严重；客户信用风险管理机制的落后，难以对客 户信用进行评估，客户欺诈时有发生；由于银行卡的普及趋势，客户管理已经跟不上银 行卡客户数量的急剧上升，所有这些都给商业银行造成巨大的损失；因此，商业银行不 可能满足所有客户的需求，而只能根据不同客户的潜在或当前价值提供不同的服务和营 销策略。这不仅是银行自身有限的资源条件所要求的，也是商业银行出于经济效益和安 全性方面的必然选择。 如何将客户分类，从而识别拥有不同价值的客户? 就成为商业银行迫在眉睫要解决 的问题。商业银行有着广大的客户群体，必须对客户进行有效的分类和对相应营销资源 进行有效配置，即分辨出它能有效为之服务的最有价值的客户，为他们提供更为个性化 的服务，而不是兼顾每一个银行用户。尤其是当市场的主导力量由卖方转变为买方时， 银行必须准确定位自身的客户群体，有效识别客户未来趋势，针对不同价值客户采取相 应的产品服务和营销策略。商业银行拥有大量的客户基本资料数据、客户交易数据和客 户服务数据。在这些海量数据中，隐藏着大量有价值的客户信息，为我们以数据挖掘技 术研究商业银行客户分类提供了契机。 准确的客户分类是企业有效地实施客户关系管理c r m 的基础，是分析和预测客户 消费模式，建立一对一客户服务体系、进行差异化管理的前提。客户关系管理c r m 是 一种旨在改善企业与客户之间关系的新型管理机制，它作为一套先进的管理思想和技术 手段，有效地整合人力资源、业务流程和专业技术，使涉及到客户的各个领域完美的集 成，使得企业可以以更低的成本、更高的效率来满足客户的需求。c r m 的核心思想就 是以客户为中心，这一思想推动企业最大限度地利用其与客户相关的资源，实现个性化 l i 绪论 硕l ：论文 营销和服务的综合管理。 商业银行客户分类是其业务经营的重要内容，突出表现在客户流失预测、信用评估 和银行卡客户分类等方面，对银行盈利性和安全性至关重要，采用何种方法对客户进行 分类一直是实践中讨论的问题。数据挖掘技术、人工智能算法的快速发展，成为解决商 业银行客户分类问题的重要工具。 1 2 文献综述 1 2 1 商业银行客户分类模型 对商业银行客户分类模型的研究，国内外大多数文献都已经从传统定性、定量的分 类模型向基于数据挖掘的客户分类模型衍进。 ( 1 ) 传统定性的客户分类模型 传统定性的客户分类方法，主要有从宏观上、客户单方面的信息特征，或者从客户 所认知的价值侧重点不同对客户进行的分类。 商业银行对客户进行分类，可以使用与产品特征或产品使用量有关的客户响应变 量，也可以采用客户的个性、价值和生命周期的指标，或者根据客户与商业银行合作的 渠道偏好，也可以根据客户对金融产品、投资与风险的不同态度来进行分类。根据数据 库中的资料和信息，以个性划分客户类型，可以把客户划分为忠厚老实型、自傲型、故 作大款型、精明严肃型、孩子气型及对新事物有特殊兴趣型等不同的类型，把不同的产 品向不同个性类型的客户进行营销，做到有的放矢。例如，银行开发的新产品就可以向 对新事物有特殊兴趣的客户进行推销。因为这类客户本身期望了解新事物，愿意了解并 接受新的产品，如果把这类客户作为潜在客户进行挖掘，往往能取得很好的效果。 b u m e t t ( 1 9 8 4 ) 【1 6 】通过因素分析识别产品使用频率模式相似的4 类客户，分别标识为 “传统”、“便利”、“投资和“债务 等细分市场。h a r r i s o n ( 1 9 9 4 ) 【i 刀选择个人对金融 服务的了解、感知的知识、感知的信任度、处理金融事务的能力和在金融服务中的投资 水平等变量，基于知识水平和客户金融成熟度的截然不同将客户市场标识为“金融困惑 者”、“冷淡的最低需求者”、“谨慎投资者 和“资本聚集者”等细分市场。 目自订更多的是采用以客户行为和客户价值为基础的分类，以决定营销、交流、服务 和保证等资源的分配。此类方法强调商业银行不仅应该重视销售什么产品给客户，而且 应重视与客户保持一种实际的收益关系、应该重视诸如客户服务、渠道偏好和交流等问 题。 国内外学者从不同角度和不同方法研究了客户价值细分，d w y 一博】将j a c k s o n 的客 户流失预测引入到客户价值分类模型中，提出“永久流失 和“暂时流失两种客户的 价值细分方法，该方法体现了客户价值的动态性；b e r g e r 和n a s r t 2 0 】完善了该方法，将两 2 硕十论文基于贝叶斯网络分类器的商业银行客户分类模型f i j f 究 类细化为五类客户。r e i c h h e l d 和s a s s e r t 2 l 】在对多个行业的大量实证研究基础上，根据客 户所处生命周期的不同阶段对客户进行了基于生命周期的分类。张兰霞、吴国华【2 2 】将商 业银行客户宏观地分类为内在价值型客户、外在价值型客户和战略价值型客户等。又例 如a b c 分类法按照过去的交易额大小排序，将占交易总额1 3 的客户划分为a 类客户； 在a 类以下，累积占交易总额9 5 的客户为b 类客户，其余占交易总额5 的客户为c 类客户f 2 3 1 。 客户金字塔模型，是按照客户的价值和其占企业总客户的比例来分类的，主要分成 v i p 客户、主要客户、普通客户和小客户【2 4 1 。这是对银行业“2 0 8 0 准则”较为直观的一 种表现形式，在很多中小银行中，金字塔底的小客户往往占据了9 0 。 客户金字塔模型 客户 要客户4 普通客户1 5 图1 1 客户金孚塔模型 企业中较多使用双因素相结合的方法来分类客户，通过构建客户分类矩阵的方式来 实现。如t s a i t 2 5 】研究了一种基于购买产品和购买金额的客户分类方法。黄亦潇等人【2 6 】 结合客户生命周期阶段和客户发展潜力将客户分为四类。李弘等人【2 7 】将客户份额和消费 总额结合，把客户分成高消费总额一低客户份额客户、高消费总额一高客户份额客户、 低消费总额一低客户份额客户和低消费总额一高客户份额客户。康健【2 8 】考虑客户的信用 度和贡献度这两个指标，将客户划分为4 类：优质客户、潜在客户、风险客户、普通客 户。但是双因素结合的分类方法并不直观，在分类过程中也没有考虑客户的动态描述数 据，存在客户数据利用不充分的问题。陈明亮【2 3 】按照客户当前价值和增值潜力两个维度 将客户分为四类： 3 i 绪论硕l ：论文 业 高 _ 1 前 价 值 低 低高 增值 杵力 图1 2 客户二维分类模型 之后，更多的研究人员致力于多因素客户分类的研究。如a l b e r t 2 9 】按照顾客价值的 三个维度( 即外生与内在的价值、自我导向的与他人导向的价值、主动地与反应的价值) 可以把顾客价值分为8 种类型。赵国庆【3 0 】建立了一个信用等级、规模和忠诚度为参考变 量的三维客户开发分类模型，将客户分为8 种类型。 最普及的多因素客户分类方法是r f m 分析模型，这是一种基于客户交易行为分析 的因素分析方法。所谓r f m 即客户最近一次购买的时间( r e c e n c y ) 、客户在最近一段时 间内购买的次数( f r e q u e n c y ) 、客户在最近一段时间内购买的金额( m o n e t a r y ) 。r f m 使用 范围相当广泛，可用客户绝对金额来分析客户是否流失，但是绝对金额有时会曲解客户 行为。企业用r 、f 的变化，可以推测客户消费的异动状况。但r f m 模型过于注重以 客户的行为来区分客户，从而忽略了客户价值的重大意义。由于多因素相结合的客户分 类方法区分不同的客户比较全面，逐渐成为客户分类方法的主流。然而随着考虑的因素 增多，怎样选择全面描述客户状况的因素并有效的计算，都是制约多因素相结合的客户 分类方法的瓶颈。现今r f m 分析往往用于提取客户分类指标。 ( 2 ) 传统定量的客户分类模型 从定量客户分类模型看，基于客户价值进行客户分类的研究较多。有关学者通过选 择影响客户价值的三个主要因素：客户生命周期、客户每次平均消费额和客户平均消费 周期，建立客户生命周期价值( c l v ) 的数学模型，根据c l v 值的大小，将客户分类为放 弃客户、发展客户、白银客户和黄金客户。 比较行之有效的客户分析方法是利用各种评分模型，组成多维的评分矩阵，以区分 客户不同的风险、收益、市场反应、转账倾向等的组合。比如较高j x l 险、高收益、高反 应的群体，中等风险、高收益、中等反应的群体，低风险、中等收益、较低反应的群体， 高转账倾向的群体等等，这样分类的目的是可以细致制定营销活动策略。比如风险，风 险越高，客户可接受的利息就高，因为他们没有更多的选择。 吴丌军 3 i 】指出客户分类的依据就是客户价值，主要是因为客户价值可以通过不同的 指标形式反映出来，通过不同形式的量化从而产生不同的分类方法：韩景元【3 2 认为客户 4 硕i ：论文 基于贝叶斯网络分类器的商业银行客户分类模型研究 终身价值是客户整个生命周期内创造的所有价值总和，包括购买价值、口碑价值、信息 价值、知识价值和交易价值等，将其作为客户细分的标准和依据是比较科学的。其实， 这些文献除了集中于价值因素分析外，专门针对银行客户分类的研究很少。 李欣【3 3 】建立了银行客户价值判定结构层次模型，将客户价值作为目标层，按照客户 的当前价值、潜在价值和客户忠诚度准则，提取9 个细分指标，并在各层元素中进行两 两比较，构造出比较判断矩阵，从而有效地确定银行真正的大客户群体。使用商业银行 客户的社会人口信息和使用量信息，计算每个客户的价值评价得分，获得了较好的分类 效果。 张兆辉等【3 5 】在分析证券经纪人由经典客户生命周期模型提耿的关键因素上，提出一 种三维的潜在价值估计模型。它解决了寻找估计客户潜在价值的数量方法的问题，同时 由真实数据基础上的经验学习，证实了该模型的可行性和合理性。 然而，商业银行竞争加剧，经营环境紧张，加上自身资源限制等多方面的共同要求， 银行必须挖掘海量客户信息背后的价值信息，将客户精确分类，实施差异化竞争策略， 才能保持竞争优势。在数据来源增加的背景下，传统的分类方法采用一般的统计技术构 建分类模型，显然难以满足管理需要，现实中逐渐使用数据挖掘技术建立客户分类模型 去发现市场的真实结构。传统定量的客户分类，主要是将反映客户价值的指标变量进行 量化，通过客户价值判断矩阵来实现的，基于客户价值大小进行客户分类，也是数据挖 掘技术应用的主要思想之一。 ( 3 ) 基于数据挖掘的客户分类模型 目前，商业银行客户分类的研究主要是围绕内部评级法来展开的，模型一般限于风 险因素，目的在于银行的风险控制和管理。以王春峰为代表的部分学者分别运用线性多 元判别法、l o g i t 法、遗传规划模型、神经网络模型、决策树模型对商业银行的信用风 险评估作了系列研究，并对以上算法的信用风险预测能力进行了对比分析。肖北溟j 指出，部分方法存在评级指标和权重的确定缺乏客观依据，或者不能给出贷款违约概率 等应用问题，因此，采用因子一聚类的分析方法构建了商业银行的信用评级模型，使评 级模型直接与违约概率挂钩，模型的实用性和度量风险的准确性得到提高。周春光【4 l 】 提出商业银行应在内部评级法的基础上引入价值因素，重构客户分类体系，更好地认识 了商业银行客户分类的特殊性。 孟钊兰、邵洪选【4 2 】以定量分析方法，采用贷款企业财务指标及其当前价值指标，通 过多元统计因子分析和聚类分析，构建风险与价值评价统一的定量模型。多元统计中因 子分析能够将多个指标提取出少数相互无关的公共因子，达到降低维度的效果，解决了 指标反映客户信息重叠与遗漏的问题；而聚类分析可以在计算因子得分的基础上进行分 类。该模型虽然考虑两个维度的多个指标，增加了分析问题的复杂性，但由于因子分析 可以进行因子选装，所以仍然避免了难以进行经济意义解释的问题。 5 l 绪论例i j 论义 运用决策树技术，对客户是否流失进行分类预测，如图1 3 所示，决策树可以很容 易地转换成分类规则，即从根节点到叶节点的每条路径都可以转换为“i f - t h e n ”的条件 型分类规则，其中i f 是沿着某条路径上的每个内部节点的属性及属性值形成的一个合并 项，t h e n 是包含类预测的叶节点。例如，i f 【近6 个月的消费次数 - 4 0 ) ，t h e n ( 客户性质= 忠诚客户) ；i f ( 近6 个月的消费次数 = 1 0 0 0 ) ，t h e n ( 客户性质= 忠诚客户) 。 图1 3 客户流失分析决策树 施扬 4 3 j 通过分析反映商业银行客户行为特征要素的数据，运用自组织映射神经网络 s o m ，建立了客户价值预测的神经网络模型。在提取数据特征时，采用模糊技术量化不 确定性数据，使其能够被s o m 处理，并能更好的反映客户的商业价值。这种基于s o m 模型的银行客户分类管理模型，能够在对s o m 模型进行充分的训练之后，实时地给出 当酊客户的分类情况。s o m 能够对大量的面板数据进行数据分析，并提供具有强有力 解释能力的引导方法，同时也以无引导的模式发现数据中的聚类或分割，是一个灵活的 聚类模型，可为企业提供聚类分割和具有潜在利益客户的轮廓。但是，s o m 神经网络 的应用由于其自身原理的难以解释性而受到限制。 客户分割的精确性高度依赖于所使用的方法。在事先未提供初始聚类种子理性信息 的情况下，面对大型数据库客户分割计算量大的特点，杜宽旗、蒙肖莲等】运用层次聚 类技术建立模型，根据客户的不同态度维度等级和客户对银行服务的期望收益两方面因 素进行客户分割。该研究从多维的、内在个性特征的分析角度对客户进行分类，使商业 银行容易在更为标准化和更为个性化服务之间进行选择和权衡。t o mb r i j s 等【4 5 】学者指 出潜在不满意客户是这样一类客户，被划分为满意客户却表现出多种不满意客户的特 征。同时指出，该类客户所占的比例很小，如何识别这类客户是一大难题，因此在对比 完全客户分类技术的基础上，验证了部分分类技术在识别潜在不满意客户的分类问题上 更加有效。 6 硕t ：论文基于贝叶斯网络分类器的商业银行客户分类模型研究 商业银行客户流失与保持模型的研究，是探讨如何根据客户可区分的属性特征将只 知道属性变量值的新客户分类为“关闭客户”或“打开客户 。针对该二元分类问题， 因变量取值1 表示“关闭客户 离开银行，0 表示“打开客户”留在银行。蒙肖莲等【3 9 】 学者在文献中按专家评判、银行客户经理经验以及相关研究，从而提取变量来建立模型： 交易量、交易渠道、交易行为、客户抱怨以及客户基本信息等。在对变量进一步分析后， 应用l o g i s t i c 回归分析方法建立了商业银行客户流失预测模型。 大多数学者以二值响应模型作为构建分类和识别模型的基础，蒙肖莲等【3 9 】人以二值 响应模型为基础构建客户欺诈识别模型，在模型中增加错分类参数从而提高模型精确 性；l o g i s t i c 回归方程是预测信贷风险大小的常用方法，在预测是否还款的二分性结果 上准确性较高，廖绚，李兴绪等【4 8 】人依据银行授信5 p 原则及其它因素，利用l o g i s t i c 模型，对各种因素和违约之间的相关程度进行了实证分析，并对信用风险进行了评估。 客户流失或者欺诈行为的发生，对商业银行造成的损失非常大，也对银行c r m 的 实施产生负面影响。由于客户海量数据的存在，以及传统识别客户欺诈的成本耗费巨大 等原因，基于数据挖掘技术和统计方法迸行客户分类已经成为c r m 实施的显著特征【3 9 1 。 1 2 2 贝叶斯网络分类模型 概括而言，贝叶斯网络的应用表现在：( 1 ) 查找频发故障或系统状态的发生原因， 从而进行实时监控和预防；( 2 ) 模拟人工智能，提供专家水平的推理，解决专业领域的实 际问题；( 3 ) 根据因果概率预测事件发生的可能性，掌握事件发生的因果关系和规律：( 4 ) 使用贝叶斯网络进行分类。贝叶斯网络己经深入到工业、金融、电子商务、教学管理等 领域，特别是在分类、预测和可靠性评估等方面显示出其优越性。 李俭川等【1 4 】将贝叶斯网络应用在解决复杂设备诊断中存在的不确定性和关联性问 题，并以某型s s g p s 组合导航系统的故障诊断应用实例说明了该方法的可行性。减 玉卫等将贝叶斯网络应用在股指期货风险预警中。欧洁和林守勋【”】研究了用贝叶斯网络 模型构建信息检索系统，对贝叶斯网络模型做了若干改进，加入一些新特征，并用实验 结果证明通过提高网络模型的质量和调整其中的参数，该方法可以取得较好的检索效 果。 朴素贝叶斯分类器进行文本分类时，对于特征词不严格满足独立性假设的情况，仍 能取得较好的分类效果，因此成为文本分类中广为使用的方法。庞秀丽等【2 】人在研究中 使用g o o d t u r i n g 算法和绝对折扣平滑性算法分别对贝叶斯文本分类进行特征补偿，实 验证明补偿特征后得到更好的分类效果。 惠孛、吴跃【3 】放松了朴素贝叶斯分类模型关于属性间条件独立的假设，提出一种新 的基于不完全朴素贝叶斯分类模型的垃圾邮件分类模型n 平均1 依赖邮件过滤模 型。经实验证明，该模型简单、高效，同时降低了对垃圾邮件分类的错误率。 7 i 绪论硕i ：论文 孙青，刘智勇【4 】采用车辆的实际特征数据长度和宽度作为训练样本，利用c c d 摄 像机采集车辆图像，提取车辆轮廓的矩形长度和宽度作为测试样本集，离线训练朴素贝 叶斯分类模型，对车辆类型进行了识别。实验证明，在同等数据集下，朴素贝叶斯分类 模型有比b p 神经网络分类器较高的分类性能。 在高校教学管理中，同样关注贝叶斯分类器的应用。骆毓燕、张霞等【5 】人采用朴素 贝叶斯分类的方法，对高校学生信息数据进行了分类和预测，实际中发现，虽然朴素贝 叶斯存在条件独立性假设，但在学生信息分类预测中仍然效果明显。同样地，任喜峰【4 6 】 认为考试成绩是反映高校培养学生质量的重要指标之，因此通过朴素贝叶斯分类方 法，探索了一种有效的监测学生考试成绩变化趋势的机制，从而可以针对学生的不同情 况进行相应的教学管理。 会觉新、穆志纯等【4 7 】人在对朴素贝叶斯分类器、通用贝叶斯分类器优缺点分析的基 础上，引入增强型b n 分类器和贝叶斯多网分类器，将其应用到实际电信c r m 客户建 模中。通过实际电信数据完成了大客户建模，发现贝叶斯多网分类器在客户建模方面有 独特的优势，展现了较好的分类效果。 郭明、郑惠莉等人采用贝叶斯网络分类器，也进行了电信客户流失分析。在与决策 树、神经网络等分类算法对比的基础上，发现在客户流失率很低的情况下，贝叶斯分类 算法不需要进行“过量抽样”，同样取得较好的分类效果。 1 2 3 基于贝叶斯网络的商业银行客户分类模型 b a r tb a e s e n s 等【4 9 】使用贝叶斯网络分类器识别长寿命周期客户，从初始的购买信息 中预测新客户增加或减少购买的消费倾向。实质上，该研究是采用贝叶斯网络解决了二 元分类问题，比较了贝叶斯网络分类器和其它人工智能算法的性能表现，认为贝叶斯网 络分类具有很强的适用性。 q i a o h o n gz u 等【5 0 i 充分认识到朴素贝叶斯网络分类器的局限性，提出一种基于信息 理论和贝叶斯评分函数的方法学习新的扩展t a n 网络结构，并通过建立多因素企业客 户分类模型，证实那是一种更优秀、更简洁的分类器。d o n g s h e n gl i u ”】在研究中首先 访问分靠式数据集，得到多属性树，在数据基础上进行贝叶斯网络结构学习和参数学习。 他指出基于改进贝叶斯网络的分布式客户分类模型不仅结合了样本数据的先验知识，也 详细描述了变量间的因果依赖关系，实验证明它解决了贝叶斯网络学习的高负荷、大存 储成本和低效的问题，显示出较高的预测精度和实用性。 从上述大量的研究中发现，商业银行客户分类问题主要是客户的流失和保持、信贷 客户信用评估、客户利润贡献度评价等，针对分类管理的目的不同，提耿相应的指标， 并结合分类方法做出研究的。由于商业银行是经营货币的特殊企业，在日常运作中，积 累了海量的客户数据。然而，传统的客户分类方法过于粗略和主观，已经无法应对繁杂 8 硕士论文 幕于贝叶斯网络分类器的商业银行客户分类模型研究 的数据信息处理，而且成本耗费巨大，因此，运用数据挖掘技术和统计方法建立客户分 类模型，已经成为商业银行实施c r m 的显著特征。贝叶斯网络分类器是一种基于统计 方法的典型数据挖掘技术，基于完善的理论基础，以及定性描述和定量分析的完美结合， 在分类问题中被广泛应用。 1 3 研究思路和技术路线 在大量阅读国内外相关文献的基础上，本文坚持理论研究和实际运用相结合的原 则，按照“提出问题理论分析方法选择实证分析”的逻辑思路，针对商业 银行客户分类问题，研究客户分类的理论和方法，采用贝叶斯网络分类器构建模型，通 过银行卡客户分类的实证研究，论证贝叶斯网络分类器等数据挖掘方法在商业问题中的 实际应用。 论文的技术路线图如图1 4 所示： 图1 4 论文研究的技术路线 9 1 绪论 硕j ：论文 1 4 本文的内容和意义 1 4 1 研究内容 本文学习了大量专家学者关于商业银行客户分类模型的研究，指出商业银行客户分 类问题突出表现在客户流失预测、客户信用评估和欺诈识别、银行卡客户分类等方面， 而分类的评价指标和构建模型的方法多种多样。传统定性与定量的分类方法难以达到商 业银行客户分类管理目的的情况下，数据挖掘技术应运而生，其中决策树、神经网络、 贝叶斯分类器等是解决分类问题的常用数据挖掘工具，通过对三种分类方法优缺点的比 较，主要总结了贝叶斯分类器的分类优点。贝叶斯网络分类器基于完善的理论，定性描 述和定量表达相结合，将先验知识和客观数据共同学习，以概率形式表达任何不确定性， 在前人的研究中形成丰富的贝叶斯网络分类器“家族 ，广泛应用于分类问题，表现出 很好的可伸缩性和健壮性。因此，本文的研究重点就是将优秀的贝叶斯网络分类器应用 到商业银行客户分类的过程。 第一章综述传统以及基于数据挖掘的商业银行客户分类模型研究；贝叶斯网络作为 典型的数据挖掘方法，虽然广泛应用于文本分类、医疗设备检测、图像识别等分类问题， 但在商业银行分类领域的研究相对较少； 第二章分析了客户研究的重要性，总结了客户分类的相关理论；同时指出商业银行 客户分类中的相关理论和主要问题，指出学者对客户流失预测、信用评估等问题有相关 的研究；银行卡客户分类问题实质上是对客户的预测性分类，学习已知客户信息从而预 测未知客户的问题； 第三章是对商业银行客户分类方法的研究，主要介绍了决策树、神经网络和贝叶斯 网络等分类方法，并进行了比较；详细阐述贝叶斯定理和假设、分类原理和分类优点， 以及朴素贝叶斯分类器和t a n 分类器；提出以k 2 算法学习t a n 分类器的网络结构， 对构建算法进行了描述； 第四章提出银行卡客户分类问题，在分类指标选取和数据处理方法的基础上，构建 了基于朴素贝叶斯分类器和t a n 分类器的银行卡客户分类模型；为了较好地说明问题， 引入自组织映射神经网络s o m 对测试集的分类对比；按照分类准确率，发现贝叶斯网 络分类器拥有更好的分类准确率，适合于解决银行卡客户分类问题；实验在m a t l a b6 5 平台上实现。 第五章总结了全文的工作和成果，并对下一步研究方向作了展望。 1 4 2 研究意义 银行卡客户是商业银行客户关系管理中的重要部分，本文认真学习研究贝叶斯网络 相关理论，构建了基于贝叶斯网络分类器的银行卡客户分类模型。这对于数据挖掘技术 l o 硕十论文基于贝叶斯网络分类器的商业银行客户分类模型研究 的应用，以及商业银行业相关问题的解决有着多方面的意义。 首先，基于贝叶斯网络分类器构建银行卡客户分类模型，可以丰富数据挖掘技术的 应用，可以更好地发现实际问题的客观复杂性和算法技术的适用性能，同时使得数据挖 掘的商业价值在商业银行经营管理方面得到体现； 其次，本文基于银行卡( 借记、贷记卡) 客户的基本信息和交易行为数据信息，在 m a t l a b 6 5 软件平台上学习贝叶斯网络分类器，从而对银行卡客户进行分类预测，既 能体现客户数据特征，达到精确分类的管理目的； 还有，通过构建商业银行客户分类模型，可以使商业银行识别不同性质客户，可以 为商业银行提出差异化营销策略提供科学依据；带来商业银行管理效率上的提高和决策 上的支持：同时，可以促进商业银行服务的标准化、个性化，节约营销成本，提高商业 银行的整体竞争力。 2 商业银 亍客户分类理论研究硕l ：论文 2 商业银行客户分类理论研究 随着信息基础设施建设的逐渐完善，大多数商业银行开始重视对信息资源的开发利 用，利用信息技术对资金流、信息流进行整合。但是，如何从海量的客户信息中分析客 户的特征、消费模式、未来倾向，然后有针对性地进行营销服务，为银行管理者提供决 策支持，以适应白热化的市场竞争，是商业银行实施c r m 的重要课题。 2 1 客户研究的重要性 客户已被视为企业最重要的资源之一，对客户进行有效的研究尤为重要，这是因为： ( 1 ) 信息技术的发展，使得经济活动突破了时空的限制，经济全球化造成市场的激 烈竞争。技术和资金已经不再是企业竞争的关键，客户资源才是企业生存的基础，拥有 稳定的客户意味着捌有市场。客户资源，不仅创造市场价值，也为企业创造规模优势、 品牌优势以及信息价值。谁能维系稳定的客户关系，就能获得竞争优势，市场竞争转变 为以客户为导向的竞争。 ( 2 ) 卖方市场向买方市场的转变，说明客户才是市场的核心，企业必须具备能满足 每个客户个性化需求的能力。因此必须对客户进行研究，客户研究是基础，是识别客户 个性化需求、重构企业竞争力的前提。 ( 3 ) 激烈的竞争，加剧了客户市场的扰动，客户流失成为普遍现象。客户的流失意 味着市场的流失，意味着企业效益的缩水，研究客户未来行为变化将是企业必然要面对 的课题。 ( 4 ) 虽然激烈的竞争和客户需求的多样性要求企业做到差异化营销，但是，由于企 业的资源是有限的，真正的一对一营销是不现实的。实际上，每位客户给企业带来的收 益是不同的，即客户价值是不同的。事实证明，开发新客户的成本是留住老客户成本的 5 倍，而且，8 0 的利润来自于2 0 的客户。 2 2c r m 与客户分类 客户关系管理( c r m ) 是现代管理理念和信息技术相结合的产物，以信息技术对客户 资源进行集中管理，在企业内部实现客户信息共享，以“客户为中心 设计企业战略、 业务流程，并形成自动化解决方案，改善客户关系的系统和企业运作模式。 因此，c r m 首先是一种管理理念，吸收了“数据库营销 、“关系营销”等最新的 管理思想，将企业的客户看作最重要的资源，通过完善的客户服务和深入的客户分析， 从而满足客户的个性需求，尤其是高价值客户的需求，建立和保持长期稳定的客户关系； 其次，c r m 是一套由客户信息识别和预测客户异常行为，并提出及时的营销活动的企 业运作模式，可以为市场专业人员提供营销信息，达到服务质量和成本节约之间的客户 1 2 硕十论文基于贝叶斯网络分类器的商业银行客户分类模型研究 满意平衡，维系客户关系；c r m 既是辅助企业管理客户关系的方法和手段，也是实现 销售、营销、服务流程自动化的软件或硬件系统。 图2 1c r m 功能 由图2 1 中可以看到，c r m 是以客户为中心的，提供客户资源和信息的管理分析、 营销管理、销售管理和客户服务与支持等管理活动。营销管理则是发现客户，并促使客 户产生需求；销售管理则是产生企业收益的过程；客户服务与支持则是解决客户问题， 提高客户满意度和忠诚度；分析与决策则是对客户信息进行收集和分析，主要是以客户 分类为主。可以说，准确的客户分类是企业有效地实施客户关系管理( c r m ) 的基础。 客户分类是根据客户属性来划分客户集合，通过获得的客户类别来分析和预测客户 的消费模式，建立起一对一的客户服务体系，实行差异化的营销管理。在“以客户为中 心”的管理理念下，客户分类的结果将关系到企业从战术到战略级别的各种决策的制定， 是成功实施客户获取、客户保持策略的基本原则之一。客户分类的结果是否可靠直接影 响企业决策的结果，因为获取和保持客户都是要付出代价的，银行必须根据客户对银行 利润贡献度的不同来决定如何在客户中分配银行有限的资源。传统的客户划分基于简单 的属性特征和行为特征，例如根据客户所购买的产品类别，根据客户的居住地域等。虽 然该类划分对企业的客户管理具有一定的意义，但却无法回答客户关系管理中最重要的 问题，即哪些客户对企业是更有价值的。因此，对客户分类最常用的方法是从客户当f j 和未来对企业利润贡献度的角度出发，通过对客户的购买记录( 如购买量、购买的产品 类型结构、购买频率等) ，或客户的自身状况( 如职业、收入、信誉等) 等方面的分析来进 行分类，实际上，这是基于客户价值的客户分类。 2 3 客户分类的相关理论 2 3 1 客户价值理论 随着知识经济的到来，由于知识的外溢性和不断更新，要保持企业的长久竞争力， 仅仅依赖于新产品、服务或运作流程的优势，是不够的。唯有忠诚的客户关系，才有可 1 3 2 商业锹行客户分类理论研究硕l ? 论文 能在高度扰动的市场条件下保持稳定，这种关系可以缓解环境的不确定性对企业的影 响。因此，客户资源已成为企业努力争取的稀有资源，而市场竞争也转变为以客户为导 向的竞争，强调的是客户价值。 客户价值，就是一个客户能否为企业带来利润，所能带来利润的大小。企业提高利 润的自i 提是进行市场细分。既强化与高价值客户的关系，又降低低价值客户的服务成本。 因此，按照什么标准、能否有效地对客户进行分类，在企业的客户价值分析与管理中就 显得尤其重要。根据客户价值对客户进行分类，是一种比较理想的分类方法。面对不同 类别客户所具有的不同价值，可以采取不同的营销方式，确定不同的营销投入，以期做 到尽可能地留住现有高价值客户、开发新客户，并使企业利润最大化。 客户价值包括客户当前价值和潜在价值。客户当前价值是假定企业对客户的管理策 略保持现有水平，客户目前的购买行为模型不变时，给企业带来的利润。客户潜在价值 是假定企业采取积极的客户保持策略，是客户的购买行为向有利于增大企业利润的方向 发展时，客户在未来可望为企业增加的利润。客户价值的延伸也十分重要，采用适当的 建模技术或数据挖掘技术对客户历史数据进行分析，识别客户可能购买的产品类型，从 而有效地识别交叉销售和扩展销售的机会，使客户购买的产品种类更广，数量更多，增 加客户生命周期内创造的价值。 2 3 2 客户资产管理理论 客户资产管理理论将客户纳入企业资产，并以客户资产为核心，优化配置企业资源， 创造企业价值最大化，体现了价值管理的核心思想。大量事实证明，客户资产已经成为 企业的核心战略资产，将客户资产进行经营和管理，是获得企业竞争优势的重要环节。 该理论认为客户资产就是客户所有价值折现之和，即