（管理科学与工程专业论文）银行零售客户数据知识发现的理论与应用研究.pdf

摘要 银行零售客户数据知识发现的理论与应用研究 研究生：曹杰 导师：何建敏教授东南大学 摘要 知识发现是近年来人工智能和数据库领域研究的前沿课题。面对市场竞争的加剧和信息技术的发 展，银行必须建立“以客户为中心”的管理模式。因此利用知识发现技术对海量的银行零售客户数据进 行挖掘分析，从中发现各种潜在的、有价值的、规律性知识具有重要的理论意义和应用价值，也是当前 金融信息知识化的重要前沿课题。本文运用理论分析与实证研究相结合的方法，针对银行零售客户数据 ) d 的相关问题进行研究，主要内容如下： 1 系统地分析和设计了商业银行零售客户数据仓库系统，对系统中的某些关键技术提出了新颖的 解决方案，如多源零售客户信息整合技术、基于事件触发的数据仓库主动更新策略等，并对银行零售客 户数据仓库及其o l a p 分析系统的实现进行了详细研究。 2 然后建立了基于s o m 崛a + k m e a i l s 的两阶段聚类模型，并利用模拟数据进行了实证分析；借鉴 数据库营销技术的r f m 分析模型，设计了银行零售客户消费行为分析的l r f m 模型和还款行为的 “r f m ”模型，建立并实证分析了基于s o m 十g a + k m e a n s 的消费和还款聚类分群模型；在此基础上， 结合零售客户人口统计数据、账户数据、交易数据，建立基于零售客户行为的关联知识发现模型并进行 了实证分析。 3 最后建立了基于s & d t 的多分类器融合模型和基于k - m e a i l s 聚类的m a 类别数据分割技术， 并利用u c i 的b r e 2 l s t c a j l c e f 数据集对模型进了实验研究；然后针对银行零售客户信用分类数据中类别分 布不对称( 如违约和正常客户) 问题和多分类器融合的优点，建立基于s 、m & d t 结合基于k - m e a n s 聚 类的m a 类别数据分割技术的银行零售客户信用分类模型并对模型进行了实证分析。 通过本文的研究，为银行零售客户数据的知识化建立集成分析环境和应用知识发现技术进行零售客 户数据分析的理论研究和工程实践提供了参考。 关键词：知识发现，银行零售客户，数据仓库，客户细分，砒m ，组合分类器，信用分类 东南大学博士学位论文 r e s e a r c ho nt h et h e o r ya n da p p l i c a t i o n so fk n o w l e d g e d i s c o v e r yb a s e d o nr e t a i lc u s t o m e rd a t ao fb a n k s t u d e n t ：c a oj i es u p e r v i s o r ：髓j i a l l 一m i n a b s t r a c t s o u 也e a s tu 1 1 i v e r s i 够 w i t h 也ed e v e l o p m e n to fi 1 1 f b 彻撕o nt e c h n 0 1 0 9 ya 1 1 d 砸c gu po ff i n a l l c mm a r k e tc o n l p e t i t i o n ，b a n k s s h o u l dc 娜ro u tac u s t o m e r - c e m r i cs 仃a t e g y ，w h i c hi sc u s t o m e rr e l a t i o n s l l i pm a n a g e m e n t i ti s ad a t a d r i v e n b u s i n e s si n t e l l i g e n c es 订a t e 黟t h ed a 诅c o l l e c t e db yb a l l l ( s a r ek e yr e s o u r c e so ft 1 1 es 仃a t e 黟t o 切pj t ， i n f o m a t i o nt e c h n o l o g ys u c ha sd a t a - w a r e h o u s ea n dd a t a - m i n i i l ga r en e e d e dt og i v e 也e i rs u p p o r t st oi d e n t i 母 v a l i d ，n o v e l ，p o t e n t i a l l y ，u s e 如l ，a j l du l t i m a t e l yu i l d e r s t a i l d a b l eh o w l e d g e 丘o mal a 玛e 锄o u n t o ir e t a l l c u s t o m e rd a t a b yu s i i l gt h e o r e t i ca 1 1 a l y s i sa 1 1 de m p i r i c a la p p r o a c h ，s o m et h e o r i e sa i l di t s 印p l i c a t i o na b o u tl ( 1 1 0 w l e d g e d i s c o v e n ，o fb a n k sr e t a i lc u 矗o m e rd a t aa r es y s t e m a t i c a l l ys t u d i e dmt h i s 也e s i s t h em 血w o r k so ft h i s d i s s e r t a t i o na r e ： 1 ac o n c e p t 矗锄e w o r ks o f h v a r e 五锄m e w o r k ，d a t am o d e la n ds o m ek e y t e c h n o l o g ya b o u td a t aw a r e h o u s e o fb a m sr e t a i lc u s t o m e rd a t aw e r ea n a l y z e d i m e g r a t i n gt e c h n o l o g yo f c u s t o m e rd a t aa n da c t i v eu p d a t i n gd a t a w a r e h o u s eb a l s e do ne v e n t 扛i g g e rw a l si 1 1 仃o d u c e df o rt 1 1 ef i r s tt i m e a 叫i l p l e m e m a t i o no fd a t aw 甜e h o u s ea n d o l a pb a s e do nb a n kr e t a i lc u s t o m e rd a _ t aw 2 l sa n a l y z e d 2 b a s e do no t h e rr e s e a r c h e r ss t u d y ，an o v e lt w os t a g ec l u s t e r i n gm o d e lw a si n t r o d u c e db a s e do ns o m ， g aa i l dk m e a n sa 1 1 dw a s 锄p i r i c a la n a l y z e db yc o n 仃o l l i n ge x p e r i m e n t a t i o nw i ms i m u l a t i n gd a t ag e n e r a t e db y m o m ec a r l ot e c h n o l o g y b a s e do nc r e d i tc a r dd a t 如r f ma i l a l y t i c a ic t e r i ao nc u s t o m e r sc o n s u m p t i o na n d 1 0 a 1 1r e p a y m e n tb e h a v i o rw a si n 仃o d u c e da n de x p a n d e d t h e n ，c u 咖m e rs e g m e n t a t i o nm o d e l b a s e do n c o n s u m p t i o nb e h a v i o ra j l dl o a j lr e p a y m e n tb e h a v i o r b ym e a l l so f 铆。一s t a g ec l u s t e r i n gs 仃a t e g yw a sb u l l da n d e m d i r i c a la 1 1 a l y z e db a s e do nr e a lb a l l kr e t a j lc u s t o m e rd a t a l a s t l yc o m b i l l i n gc o n s u m p t l o na 1 1 dl o a i lr e p a y m e n t b e h a v i o ra i l dd e m o 掣a p h i co fb a i 墩sr e t a i lc u s t o m e r ，s o m ea s s o c i a t i o nk n o w l e d g ed i s c o v e r y m o d e i sw e r e i n t r o d u c e d 3 c o n s i d e 血g 廿l es k e wd i s 廿i b u t i o no fb a l l k sr e t a j lc u s t o m e rd a t a ，s e g t n e n t a t i o no fm a d a t ab a s e do n k m e a n sc l u s t e rw a sm 仃o d u c e da n dac o m b i n i i l gc l a s s i f i e rw a sb u i l da i l de r n p i r i c a la n a l y z e db yc o n c r e t i z i n g d e c i s i o n 仃e ea 1 1 ds u p p o r tv e c t o rm a c 王1 i n e s t h e nac r e d i tc l a s s i f i c a t i o nm o d e lo nb a i l l ( sr e t a i lc u s t o m e rd a t aw a s b r o u g h tf o n v a r de m p i r i c a la n a l y z e d b a s e do nc o 1 b i 血gc l a s s i f i e ra n ds e g i n e n t a t i o no fs k e w d i s t r i b u t i o nb a n k s r e t a i lc u s t o m e rd a t a t h i ss 砌yw i l lh e 垃m ec o m m e r c i a l b a i l kb u i l d 堍r e 诅i lc u s t o m e rd a t aw a r e h o u s ea 1 1 d s o m e i m d l e m e n t a t i o no f k d dm o d e l s k e yw o r d s ：1 ( i l o w l e 始ed i s c o v e b a n k sr e t a j lc u s t o m e r ，d a 纽w a r e h o u s e ，c u s t o m e rs e g m e m a t i o n ，r f m ， c o m b i l l i n gc l a s s i f i e r ，c r e d i tc l a s s i f i c a t i o n i i 论文插图索弓 图1 1 图2 1 图2 2 图2 3 图2 4 图2 5 图2 6 图2 7 图2 8 图3 1 图3 2 图3 3 图3 - 4 图3 5 图3 6 图3 7 图3 8 图3 9 图3 1 0 图4 1 图4 2 图4 3 图4 - 4 图4 5 图4 6 图4 7 图4 8 图4 9 图4 1 0 图s 1 图5 2 图5 3 图5 4 图5 5 图5 6 图5 7 图5 8 图5 9 图5 1 0 图6 1 图6 2 图6 3 图6 。4 图7 一l 图7 2 图7 3 图7 。4 图8 一l 论文插图索引 本文研究架构9 知识发现的类型1 2 k d d 的商业智能分析架构1 3 s d l c 和c l d s 模型比较1 6 一个空的信息包1 7 星形图中逻辑实体表示1 8 数据仓库星形图1 8 数据仓库的物理模型图一1 9 数据挖掘的基本过程2 1 银行零售客户数据仓库系统分布式架构2 9 银行零售客户数据仓库系统应用架构一3 0 银行零售客户数据仓库系统软件结构一3 2 银行零售客户数据仓库系统分析模型体系3 4 银行零售客户数据仓库系统数据模型i 3 5 银行零售客户数据仓库系统数据集市3 6 银行零售客户整合的模糊匹配原理4 0 银行零售客户数据仓库主动更新方案4 1 银行零售客户数据仓库系统k d d 过程4 3 银行零售客户数据仓库系统总体数据流程4 4 客户构成分析信息包5 0 客户构成分析星形图5 1 客户构成的物理模型图5 1 银行零售客户数据仓库典型数据模型的星形图5 2 数据金字塔5 4 基于w e b 的o l a p 多层体系结构5 5 聚集流程5 8 多维引擎的设计一5 8 银行零售客户数据仓库o l a p 分析实现方案i 6 0 o l a p 分析系统中j a v a a p p l e t 的工作原理6 1 具有二维网格的自组织映射神经网络模型6 5 二维网格上拓扑邻域变化的情况6 6 二维网络上的拓扑领域6 7 自组织映射学习算法过程6 7 k - m e a i l s 算法的聚类过程图6 8 k m e a l l s 流程图6 8 简单遗传算法的主要计算过程一7 0 基于s o m 和g a k m e a l l s 两阶段聚类模型。7 1 生成聚类效能分析数据的蒙特卡罗模拟算法7 3 s o m 迭代收敛图7 4 基于零售客户消费行为的客户细分模型研究框架8 1 客户消费行为l r f m 模型8 1 消费l r f m 的a h p 层次结构8 5 基于s o m 聚类结果示意图8 6 基于零售客户还款行为的客户细分模型研究框架9 3 还款行为的r f m 模型9 4 还款r f m 的6 吐口层次结构j 9 7 基于s o m 的客户还款行为聚类示意图一9 7 基于关联规则的客户群特征分析框架：1 0 5 v 东南大学博士学位论文 图9 1 图9 2 图9 3 图9 - 4 图9 5 图9 6 图9 7 图9 - 8 图9 9 图1 0 1 图1 0 一2 图1 0 一3 图1 0 一4 图1 0 5 图1 0 6 图1 0 7 图1 0 8 二维线性可分的最优分类面：1 1 8 二维线性不可分的最优分类面11 9 决策矩阵_ 1 2 1 串行组合方式j 1 2 3 并行组合方式1 2 3 混合组织方式1 2 3 基于s 以& c 4 ：5 的组合分类器结构1 2 5 基于聚类分割的分布不对称处理过程13 0 基于k - m e a l l s 聚类的样本预处理模型的实证过程：1 3 1 基于多分类器融合的零售客户信用分类实证研究架构1 3 5 三种基于元分类器分类模型的结构1 4 0 子集s 3 的决策树1 4 1 子集s 6 的决策树1 4 1 未经处理的原始样本的决策树1 4 2 s v m 支持向量增长图二j 1 4 4 s 以性能优化过程图一1 4 4 基于多个元分类器混合融合的框架1 4 6 v i i i 论文表索弓 表1 1 表3 1 表3 2 表3 3 表4 1 表4 2 表4 3 表5 1 表5 2 表5 3 表5 4 表5 5 表6 1 表6 2 表6 3 表6 4 表6 5 表6 6 表6 7 表6 8 表6 9 表6 1 0 表6 1 1 表6 1 2 表6 1 3 表6 1 4 表6 1 5 表6 1 6 表6 1 7 表7 1 表7 2 表7 3 表7 4 表7 5 表7 6 表7 7 表7 8 表7 9 表7 1 0 表7 1 l 表7 1 2 表7 1 3 表7 1 4 表7 1 5 表8 1 表8 2 表8 3 表8 4 论文表索引 k d d 在银行中的典型应用一5 发达国家商业银行新旧战略的比较2 7 发达国家商业银行竞争手段的发展趋势：2 7 银行零售客户异动分析商业模型4 3 分析维度4 7 银行零售客户典型分析模型4 8 银行零售客户数据仓库典型数据字典5 2 实验因素与等级7 3 不同因素下的显著性检验结果( 萨o 0 5 ) 7 5 不同因素以及因素等级下的错误率7 5 s c h e 僚检验( 口= o 0 5 ) ：7 5 平均组内方差一7 5 r f m 模型的应用领域7 9 9 级标度表8 0 平均随机一致性指标：8 0 研究客户消费行为的l r f m 指标8 2 基于消费细分的客户群体特征一览表8 3 实证数据的状况：8 4 消费数据采集方法一览表8 4 资料标准化和未标准化的对比8 4 s o m 聚类中心点8 6 s o m + k m e a l l s 选取聚类中心8 7 聚类中心间的距离8 7 s o m + g a k m e a n s 算法搜索的聚类中心8 7 聚类中心之间的距离8 8 基于扩展r f m 指标的客户消费行为细分8 8 s c h e 虢检验( 优= o 0 5 ) 8 9 平均组内方差的比较：9 0 组间距离和的比较9 0 贷款五级分类。：9 2 研究客户还款行为的“r f m ”指标_ 9 4 基于还款细分的客户群体特征一览表：9 5 还款行为分析数据状况9 5 还款数据采集方法一览表。9 5 数据标准化和未标准化的对比一9 6 s o m 聚类中心_ 9 8 基于s o m + k m e a i l s 的聚类中心：。9 8 基于s o m 十k - m e a n s 聚类中心距离比较9 8 基于s o m + g a 。k - m e a i l s 算法的聚类中心。9 9 基于s o m 十g a k m e a n s 聚类中心距离9 9 信用卡客户还款行为的r f m 值及分类9 9 s c h e f 佗检验( 口= o 0 5 ) 1 0 0 平均组内方差的比较1 0 0 组间距离和的比较1 0 0 银行零售客户群特征分析样本属性集1 0 6 账户存在年限的离散化1 0 7 透支金额的离散化：一1 0 7 授信额度的离散化1 0 7 东南大学博士学位论文 表8 5年收入的离散化1 0 7 表8 6每月还款金额的离散化10 7 表8 7年龄的离散化10 8 表8 8总消费额的离散化1 0 8 表8 9地区聚类结果和分布10 8 表8 1 0 各属性的依赖度和重要度1 0 8 表8 1 1关联数据挖掘格式_ j 1 0 9 表8 1 2 客户消费行为和还款行为的交叉分析1 1 0 表8 】3 基于消费细分群的特征描述l1 1 表8 1 4 基于还款细分群的特征描述1 1 1 表8 1 5 客户还款行为与消费行为及客户特征之间的关联规则1 1 2 表9 1c 4 5 对总体样本分类的效能1 2 6 表9 2a d a b o o s tc 4 5 对每个子集的分类的效能一1 2 6 表9 3s 订对样本总体分类的效能和支持向量数1 2 7 表9 4a d a b o o s ts 江对每个子集的分类的效能和支持向量数_ 1 2 7 表9 5基于s 以& d t 的组合分类器效能比较一1 2 7 表9 6b r e a s t c a n c e r 样本的5 个子集一1 3 0 表9 7s v i 对每个子集的分类的效能和支持向量数一1 3 1 表1 0 1 各个评分方法的分类准确率比较1 3 4 表1 0 2 样本构成：13 6 表1 0 - 3 信用分类韵属性集：1 3 6 表1 0 4 客户年龄的离散化1 3 7 表1 0 5 账户存在年限的离散化1 3 7 表1 0 6 贷款金额的离散化1 3 7 表l o 7 地区的聚类13 7 表1 0 8 各属性的依赖度和重要度：1 3 8 表1 0 9 信用分类的最小属性集1 3 8 表1 0 1 0 训练样本6 个子集的样本分布：1 3 9 表1 0 1 1c 4 5 对样本总体分类的效能1 4 2 表1 0 1 2c 4 5 对每个子集的分类的效能1 4 2 表l o 1 3a d a b o o s tc 4 5 对每个子集的分类的效能一1 4 2 表1 0 1 4 三种c 4 5 模型效能的比较1 4 3 表1 0 1 5 每次迭代结果表1 4 3 表1 0 1 6s v m 对样本总体分类的效能和支持向量数1 4 5 表1 0 1 7s v m 对每个子集的分类的效能和支持向量数1 4 5 表1 0 1 8a d a b o o s ts v m 对每个子集的分类的效能和支持向量数1 4 5 表1 0 1 9 三种s v m 模型效能的比较1 4 5 表1 0 2 0 多个元分类器混合融合分类效能1 4 6 x 符号、变量、缩略词等专用术语注释表 k d d d m d w 0 i p o l a p b i c r m s q l c b r s d l c c l d s r d b m s 匝) b m s d a t a m a r t s r f m s o m k m e a n s g a c l s s v m s l t l s s v m s k e 、v e dd i s t r i b u t i o n n l r p f s n o w n a k es c h e m a s t a rs c h e m a 符号、变量、缩略词等专用术语注释表 k n o w l e d g ed i s c o v e r y d a t am i n i n g e ) a _ t aw a r eh o u s e 0 1 1 1 i n e 仃a 1 1 s a c t i o np r o c e s s i n g o n l i n ea i l a l y s i sp r o c e s s i n g b u s i l l e s si n t e l l i g e n c e c u s t o m e rr e l a t i o n s h i pm a n a g e m e n t s e q u e n c eq u e ul a n g u a g e c a u s e - b a s e dr e a s o n i f l g s y s t e md e v e l o p m e n tl i f ec y c l e c y c l el i f ed e v e l o p m e n ts y s t e m r e l a t i o n a ld a t a b a s em a n a g e m e n ts y s t e m m u l t i d i m e n s i o n a ld a t a b a s em a n a g e m e n ts y s t e m d a t a m a n s r e g e n c yf r e q u e n c ym o n e t a w s e l 0 0 唱a j l i z i i l gm 印p i n g k m e a n s g e n e t i c sa r i t h m e t i c c o n c e p tl e 锄i n gs y s t e m s u p p o nv e c t o rm a c h i i l e s s t a c i s t i cl e a l l l i l 】gt l l e o r y l e a s ts q u a r e ss u p p o nv e c t o rm a c h i n e s s k e w e dd i s t r i b u t i o n m i i l o r i “ m a i o r 时 r e c a l lr a t e p r e c i s i o nr a t e fm e a s u r e s n o w f l a k es c h e m a s t a rs c h e m a x i 知识发现 数据挖掘 数据仓库 联机事务处理 联机分析处理 商业智能 客户关系管理 结构化查询语言 基于案例推理 系统生命周期分析法 分析型生命周期分析法 关系数据库管理系统 多维数据库管理系统 数据集市 近度频度金额 自组织映射网络 k 均值聚类 遗传算法 概念学习系统 支持向量机 统计学习理论 最小二乘支持向量机 非对称分布 少数类别 多数类别 回应率 精确率 f 度量 雪花模式 星形模式 东南大学学位论文独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成 果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或 撰写过的研究成果，也不包含为获得东南大学或其它教育机构的学位或证书而使用过的材 料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了 谢意。 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位论文的复印 f 件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内容和纸 质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅，可以公布( 包 括刊登) 论文的全部或部分内容。论文的公布( 包括刊登) 授权东南大学研究生院办理。 期： 第一章绪论 第一篇绪论和预备知识 作为本文研究工作的基础，本篇首先介绍了选题背景以及银行零售客户k d d 的研究和应用现状， 分析其中存在的不足和值得进一步研究的问题，并概述了本文的主要工作，对论文结构做了说明。 同时为了方便起见，作为预备知识，本篇对本论文涉及到k d d 的基本理论做了介绍，为后文的研 究提供技术准备。 1 1 选题背景与问题提出 第一章绪论 1 1 1 选题的背景 1 1 1 1知识化银行信息化的发展趋势 二十世纪中叶兴起的信息技术革命在上个世纪末网络技术出现时达到高潮。数据处理技术( 包括数 据库、数据仓库和数据挖掘) 提供了信息储存和知识发现【l 】( k n o w l e d g ed i s c o v e u ，k d d ) 的工具；网 络技术( 包括互联网、移动网和万维网) 提供了在全球范围内实时自由交换信息的巨大平台，这在技术 上为银行业的信息化提供了支持。目前我国银行业信息化已经处于第四阶段，在这个阶段发展的系统也 称为“第四代系统”。第四代系统强调两个概念：对内以会计核算为中心，面向管理；对外以客户服务 为中心，面向差异化的个性服务【2 j 。所以，这种体系更加适合于全面实行以客户为中心的客户经理模式。 第四代系统把客户放在系统中最重要的位置，强调对客户经理的支持能力，不仅给柜台人员同时也给客 户经理提供了强有力的信息化支持。 进入了“第四代系统”后，国内银行业已基本完成了电子化，并需要进一步信息化，最终知识化。 电子化使银行告别手工记录和纸张文档，以数据库技术【3 】【4 】 5 】存储银行的业务处理数据，它是信息化的 基础。而信息化则是系统地把数据转化为有用的内容( 信息) 并支持管理决策，以数据仓库技术【3j 【4 j 为 主抽取和存储与决策有关的数据，它的进一步发展是知识化。知识化是指系统地从信息中发现具有普遍 或长远意义的规律( 知识) 并优化管理决策，主要以知识发现技术为主，建立相关的分析模型并进一步 支持决策的过程。因此，从信息处理的角度看，中国的银行业已经进入信息化并向知识化方向发展。因 此，数据库知识发现技术必将在银行的信息化中发挥重要的作用，也是银行信息知识化的重要手段。 1 1 1 2 c r m 一商业银行重要的竞争战略 长期以来，银行业都认为获得新的客户是保持增长的关键。在今天高度竞争和客户易变的背景下， 这种战略的效果越来越差，“以产品为中心”的银行目光短浅，只关注为产品赢得新客户，而看不到客 户的大量流失。“以客户为中心”的银行把重心放在客户的维持上，由此提高经营绩效和股东价值。客 户服务成了主要的工具，客户的满意水平和客户维持率代替市场占有率成为经营成败的主要衡量标准。 新的游戏规则要求银行通过发掘客户知识和发展亲密关系，从而具备获得和保持客户的能力。 近几年来，在世界范围内，随着对c r m 理念认同程度的扩大和行业c 刚产品系统的日趋成熟， 一些大型银行和新型银行纷纷将c r m 的应用实施列入工作日程。如此关注c r m 是金融服务市场开放、 竞争的结果，是银行产品和服务向多样化方向发展的结果，是信息技术突飞猛进的结果，也是银行经营 管理和业务拓展的需要。2 0 世纪9 0 年代初，发达国家的商业银行就已经实现了业务处理的规范化、办 公事务的自动化和决策支持的智能化，以数据仓库技术为基础，以联机分析处理和数据挖掘工具为手段 的银行c r m 系统也日趋成熟【6 j 。国外金融界十分重视对c r m 的开发实施工作【7 】，据i d c 调查，早在 1 9 9 8 年，全球5 0 0 家大银行中的前1 0 0 家，已经有近9 0 家建有c r m 。美国排名前1 0 0 位的商业银行已 有5 0 多家在客户关系管理中实施了数据仓库和数据挖掘项目，其余的银行也正在准备实施。而c r m 系 统在国内，也引起了金融行业的高度关注，但由于国内银行业刚刚实现数据大集中【8 j ，目前正在处理大 集中后的相关问题，因此c r m 的成功应用较少，基本处于起步阶段【9 j 。 2 第一章绪论 1 1 1 3零售银行商业银行新的利润增长点 零售银行业务是相对于批发银行业务而言的，是指商业银行运用现代经营理念，依托高科技手段， 向个人、家庭和中小企业提供的综合性、一体化的金融服务，包括存取款、贷款、结算、汇兑、投资理 财等业务。随着全球经济的迅速发展，金融市场的日趋完善，个人作为融资人参与到金融市场中已经越 来越普遍。在西方发达国家，零售信贷业务量已占其资产业务总量的3 0 5 0 ，有些甚至达到6 0 7 0 ， 成为银行一个重要的盈利来源。例如，2 0 0 2 年第三季度，花旗集团的全球零售业务占净收益总额的5 9 ， 摩根大通银行的零售业务及中小客户金融服务占了4 8 ，美洲银行的零售业务占净收益总额的7 l 【1 0 】。 零售银行收益成为商业银行弥补亏损，稳定利润水平的重要支柱。因此，零售客户日益成为银行的重要 客户群，而且其数量也占绝对多数。 在经营上，银行零售业务还有以下特斛1 1j ： 1 注重集约化经营，通常在总部集中开发产品和制定经营策略，突出网点的营销和门市作用( 分 支机构被视作分销渠道) ； 2 零售客户财富、职业、理财习惯差异大，零售业务及其产品需要有明确的市场定位； 3 商业银行的信誉度制约其选择目标市场，信誉高的银行通常选择高收入客户，低信誉的银行难 以进入高收人客户市场； 4 新产品容易模仿，能够占优的时间很短，只有不断推出新产品，才能保持竞争力； 5 重视服务质量。服务的质量和对客户的关怀是零售业务竞争获胜的法宝。 相比而言，由于国内经济和金融环境不够成熟，社会信用体系不健全，因此国内的零售业务远没有： 国外那么发达。特别是在国内个人信用制度极不完善的环境中，银行既不能准确评估申请人资信，又不 能有效约束申请人信用行为。这增加了银行的经营风险，提高了业务的交易成本，阻碍了零售业务的正 常开展。但是，随着经济的发展和社会信用环境的逐步完善，将会有更多的零售客户参与到银行的经营 中，而且零售业务的比重也会进一步增加。 1 1 2 问题的提出 随着银行零售业务的进一步发展，商业银行的零售客户也越来越多，而且新的零售金融产品也将随 着新技术的发展和市场的需要而推陈出新，这给银行的经营管理带来了新的挑战。在“以客户为中心” 的客户关系管理时代，如何获得和保持客户对银行的零售业务发展和获利具有重要的意义。要获得和保 持客户就必须了解客户、认识客户，而零售业务的客户数量巨大，这给银行的客户管理带来了困难。但 信息技术的发展和k d d 理论的日益成熟，为银行解决这个难题提供了新的视角。因此，在国外银行中 有一种说法，“银行8 0 的利润来自于2 0 的银行客户”，这_ 说法并不是从经验里来，而是通过数据分 析得出的结论。但长期以来，由于缺乏合适的分析工具和手段，国内银行的经营管理者对自己的客户、 商户缺乏全面细致的了解，难以找到哪些是带来2 0 利润的客户，更无法对不同的客户进行分类、定位， 提供差异化的、个性化的服务，从而赢得市场。因此，研究基于零售客户数据的知识发现模型及应用对 于银行提升零售业务管理水平具有重要的理论意义和应用价值。主要原因如下： 1 1 2 1 客户数据银行获取知识的源泉 市场化、全球化和信息化的发展趋势要求银行必须建立以客户为中心的经营管理体系，充分地关心 客户、了解客户，从而最大限度地保留优质客户，尽量使得客户在保证信用的前提下，提高客户的忠诚 度和贡献度。 那么如何去关心和了解客户呢? 如何才能建立良好的客户关系呢? 前提就是必须对客户有充分的 了解，也就是说必须掌握关于客户的知识。而要获得这些知识，就必须收集、分析在与客户接触过程中 3 产生的各种信息和数据，只有通过这些数据才能进一步了解客户。这对银行零售客户管理具有更加现实 的意义。这是因为零售客户具有额小、面广、户多的特点，银行不可能投入较大的成本去搜