数据挖掘在个人高端金融产品营销中的应用

1、数据挖掘在个人高端金融产品营销中的应用中国农业银行股份有限公司天津市分行一、引言随着互联网金融的蓬勃兴起和利率市场化的一步步推进，商业银行的经 营模式发牛了巨大变化。数据挖掘正是客户营销过程中所需的关键技术，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，建立合适的模型为客户营销提供有力支撑，从而为客户提供有针对性的产品 和服务，打造不可复制的核心竞争力。在商业银行的牛产经营过程中，应该如何使用数据挖掘，数据挖掘乂能 做到什么，这正是木文探索的主题。二、数据挖掘方法简介数据挖掘是从海量数据中，提取隐含在其中的但乂是潜在有用的信息的 过程。与传统的数据分析不同

2、，数据挖掘是在没有确定假设的前提下去挖掘信息、 发现规律。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。从商业银行现有实际情况出发，木文主要针对聚类和预测这两类模型进 行研究，分别建立个人客户细分模型（聚类）和响应预测模型（预测）。个人客户细分模型在商业银行中的应用对银行的发展起着重要作用。对 个人客户分群以进行区别化营销更有助于提高营销的成功率，降低营销的盲目性, 这与传统的不区分消费者对象特征的大规模营销手段相比，大大节省了营销成木, 提高了营销效果，从而能为银行带来更多的利润。响应预测模型是数据挖掘中最常用的一种模型类型，几乎成了数据挖掘 技术应用的一个主要代名词。响应模型

3、的核心就是响应概率，数据化运营要素的 核心是以数据分析挖掘支撑的目标响应概率（probability）,在此基础上围绕产品 功能优化、目标用户细分、活动（文案）创意、渠道优化、成本的调整等重要环 节、要素，共同达成数据化运营的持续完善、成功。三、个人客户细分模型建立(-)模型详述1. 设计与数据准备(1) 设计变量根据业务目的及模型设计，本模型变量的指标集见表1(2) 分析指标客户基本信息中证件号、证件类型可以用来加工客户年龄，所以在计算 得到客户年龄后舍去证件号和证件类型。从客户消费数据入手着重分析变量，见 表2：(3) 处理数据年龄：因年龄是根据证件号计算得到，由于客户证件号会有部分缺失,

4、 所以年龄字段会有部分缺失数据。a、分析年龄数据质量：1、标准差偏大，数据严重偏离平均值，数据离散情况严重。2、数据极值不符合年龄的范围，数据有部分异常值。3、数据缺失情况:缺失比例为12.85%。4、年龄分布不符合正态分布。b、对年龄异常值(<=16or &gt；=100)置空1、数据标准差较小，数据离散情况减小。2、数据极值在正常范围内。3、数据缺失比例为13.27%。4、年龄基本符合正态分布。c、对缺失值进行填补1、因年龄符合正态分布，口以较大概率分布在22到58岁之间，所以用22-58之间的随机数对缺失值进行填补。2、数据均值、标准差与填充数据前未有大变化，证明数

5、据填充合理。3、填补后，数据基本符合正态分布。2 .建立模型(1) 数据抽样因总体数量较大，分析研究耗时，需进行数据抽样。抽样方法为随机抽 样。抽样得到观测数为10000o(2) 数据探索通过抽样的观测数据，得到统计结果见图图1(3) 建立聚类模型在数据探索的基础上，建立聚类模型，最后得到如下客户分类：青年中活跃低消费族1. 年龄在17-40区间，多数年龄在19-34间的年轻客群2. 最后交易日期距今日期在0-5.4天3平均每月交易次数在2-8次4. 平均消费区间在2500-20000平均值在68405资产月平均余额在800-16000中老年稳健型1年龄在39-96区间，多数年龄在45-61间

6、2最后交易日期距今日期在3-14天3. 平均每月交易次数在2.5-7次相当不活跃1 最后交易h期距今日期在13-27天2. 平均每月交易次数在2.5-8次3 年龄数据比较离散人额频繁交易族1.平均每月交易次数在6.5-38区间平均16.68次2平均消费区间在50000-300000平均值在113285.673最后交易日期距今日期在0-3天根据抽样数据，各类型客户的占比情况如下：青年中活跃低消费型占比43%,中老年稳健型占比26%,相当不活跃型 占比22%,大额频繁交易型占比9%o通过以上分类，我们可以精确定义每一个客户所属的类型，为客户营销 做好准备。四、客户产品响应预测模型建立(-)模型详述

7、1.贷记卡a经分析，结果中保留的变量为：m_avg_amt> m_avg_cnt>chl_amt>chl_cnt>days_to_now、card_age age图2图2为常数项以及各变量的系数的估计值，可得模型：为书写方便假设:分别用来代替intercept为常数项，p为h"l的概率 即卡种为hl的概率其中“一致部分所占百分比”为47.7%,即对数据重新进行预测与 观测的实际情况相比所占的比例为47.7%o2.贷记卡b同理，计算预测的和实际观测中一致对的比例为12.8%,不一-致对的比例为2.7%o3. 贷记卡c同理，计算预测的和实际观测中一致对的比例为0,

8、不一-致对的比例为0o4. 贷记卡d上述为常数项以及各变量系数的估计值：为方便书写，对上述数据做替 换处理。intercept：常数项b0；各变量的系数用bl, b2, b3, b4, b5, b6代替 m_avg_cntage 分别用 xl, x2, x3, x4, x5, x6 代替。logic 模型函数如下：计算预测的和实际观测中一致对的比例为54.2%,不一致对的比例 为 19.6%o5. 贷记卡e计算预测的和实际观测中一致对的比例为11.9%,不一致对的比例为3.8%o五、数据挖掘在客户营销中的应用（一）产品推介通过个人客户细分模型所得出的客户类型，锁定产品营销所要面对的目 标客户;

9、随后确定最优的销售组合，并向相应的客户展开产品营销。1.案例：理财产品推介客户a,在一个月时间内，共进行交易68笔，其中柜台交易55笔。该 客户办理业务集中在两家网点，主要业务都是存取款，累计进账出账金额基本相 等。由于该客户每天都有岀入账，一般的封闭式理财产品很明显不适合该客户， 可以向该客户推荐安心快线天天利滚利，开放吋间内赎冋资金实吋到账，不影响 客户资金使用。（二）客户维持在商业银行所拥有的数据中，客户的相关信息信息，尤其是以前交易信 息中，可能正包含着这个客户决定他下一个的购买行为的关键，甚至决定因素。 通过个人客户细分模型所得岀的客户类型，为不同客户群体提供个性化定制服务, 以提高

10、客户忠诚度，最大程度地保持住老客户。1案例：通过客户交易数据挖掘优质客户通过客户所在分类，结合客户交易数据，获得客户在i段时间内的资金 流向，有助于客户经理挖掘优质客户，做好客户的营销活动。例如客户b,在3周时间内，资金净流入20万元，而其显示的客户等 级仅为普通客户。在实际营销中，一方面可以向其提供更高级别的借记卡，发展 成为贵宾客户，增强客户满意度；另一方面，也可以积极向该客户推介各种产品， 如贷记卡、理财、基金、黃金等，更好的为客户服务，为商业银行带来更多的效 益。（三）风险规避通过客户细分模型和响应预测模型，结合客户数据，计算出不同属性值 的客户群所具有的消费能力、还款概率，从而得到所有客户的质量，帮助商业银 行有效避免坏帐，防范信用风险。通过查看客户质量，可以提前规避可能的坏账 风险。而对于已经发生的坏帐，则能够通过客户数据，计算该笔坏帐的催收成本、 冋收概率，帮助客户经理采取正确有效的措施。1案例：客户授信风险规避例如客户c,通过查看其