数据挖掘在信用卡客户精准营销中的应用

摘 要 ：随着大数据时代的到来和计算机技术和互联网技术的不断发展,商业银行如何在竞争中获胜,取决于能否在庞大的客户数据中挖掘出可创造高利润值的优质客户.本文基于对数据挖掘在商业银行信用卡客户的应用研究进行了探讨.首先,对数据挖掘在商业银行信用卡业务中的相关概念、特征与具体过程进行研究.其次,就我国目前的商业银行的实际情况,对信用卡客户的数据挖掘提出了几条应注意的事项.最后,提出了数据挖掘技术可望为银行带来丰厚回报.

关 键 词 ：数据挖掘 信用卡 精准营销 商业银行

商业银行历来以庞大的客户群体为自身业务发展的重要依托,随着大数据时代的到来,大量客户信息,包括客户基本信息、交易信息等原始数据,以及由原始数据衍生而来的消费行为分析、需求偏好等深度挖掘得到的数据更是对客户持续进行营销,特别是改变传统的“广种薄收”方式,实现精准营销的重要基础.现代社会随着计算机技术和互联网技术的不断发展,进入了信息革命和信息爆炸的时期,信息技术在现代银行经营业务中得到了普遍应用.银行在日常经营过程中会产生大量的客户信息,尤其是商业银行客户中的信用卡客户,往往是商业银行较一般客户群体更为活跃、更为优质、贡献度更大的客户群体,此类客户的基础信息比一般储蓄客户信息丰富,也奠定了商业银行对该类群体信息进行数据挖掘的基础.

一、数据挖掘概念、过程与特征

在市场营销中有个著名的“二八定律”,即80%的利润来自于20%的客户.因此,对于信用卡客户,20%甚至更少的高净值客户的消费金额、贡献价值往往是一般客户的十倍甚至几十倍.如何牢牢把握住此类客户的需求,以及通过商业银行的供给去推动此类客户的需求,是营销成功的关键点.高净值客户往往又更高的怎么写作要求,虽然此类客户群体对金融产品和怎么写作的需求更多,但他们对个人隐私及相关权益的保护意识也更强.在营销过程中,既能实现商业银行的销售目的,又能尽可能的减少对客户的“打扰”、提升用户体验,通过数据挖掘后实施精准营销是有效的手段之一.

在这种需求背景下,数据挖掘技术得以应运而生.数据挖掘,又称为数据库中知识发现,简单地讲就是从大量的数据中挖掘或抽取出知识.具体来说,数据挖掘技术就是从大量的、有噪声的、不完全的、先前不知道的、模糊的随机详细数据中提取潜在有商业价值的、隐含的有效知识和信息,以帮助决策者寻找数据间的潜在关联,发现被忽略的因素和隐藏在数据库中的规律和联系.商业银行掌握了信用卡客户大量的交易数据,而这些交易信息中既有规律可循,也有部分偶发的交易（即噪声）.通过数据挖掘对交易数据的解读,抓住可循的规律,可以掌握大部分普通客户的一般交易行为和使用偏好.而部分起初意思“噪声”的信息,也有可能正是部分信用卡客户透露了新的需求,新的偏好.在传统的数据分析方法下,这些“偶发的异常”信息通常被剔除,而通过深度的数据挖掘,商业银行能够发现潜在的需求,为精准营销现有产品甚至为客户精准写作营销产品大有裨益.

数据挖掘的过程不是一个简单的“数据→模型→结果”的简单公式套用过程,而是一个不断循环逐步求精直至达到业务目标的过程.一般来说,数据挖掘过程由业务理解、选择数据、数据预处理、建模、评估、应用六个步骤组成.

(一)业务理解

业务理解阶段要明确数据挖掘的对象,认清数据挖掘所要实现的目标和成功的标准,确定将要采取什么数据挖掘方法来处理业务问题,制定初步的项目计划.此阶段,旨在对信用卡客户消费行为的分析,比如,卡片使用频率、信用额度使用比例、还款时间、免息还款期占用时间等,应对信用卡的交易记录进行数据挖掘.旨在对信用卡客户消费偏好的分析,比如,支付渠道偏好、商户类型偏好等,应以信用卡的交易记录为基础,结合持卡人基本信息进行进一步的数据挖掘.

(二)选择数据

在明确业务目标之后,就需要搜索所有与业务对象有关的内部和外部数据,从中选择出适合于数据挖掘应用的数据.这一步骤中,需要通过收集各种数据描述,如平均值、标准差等统计量了解数据的分布.平均值的使用是分析中常用的方案,对于一般的信用卡客户也是适用的.但是对于部分信用卡客户,日常消费少,交易笔数少,但间或出现集中消费的情况且单笔消费金额大.如果对于此类信用卡客户,仅仅是简单的通过平均值的方法进行分析,往往会因样本数据采集的原因被遗漏或者被当作异常值剔除,但此类客户有可能是“二八定律”中的高贡献度客户.

(三)数据预处理

现实世界中的数据仓库极易受噪声、空缺数据和不一致性数据的影响,因为数据仓库储存数据量巨大.数据质量将对数据挖掘工作有重要的影响.用错误的数据进行分析,将导致错误的结论,一旦运用到商业银行的经验决策中将可能比没有数据支持的经验判断更容易引起严重的负面影响.因而,选择好数据后,还需要对数据进行数据清理、数据合成、数据合并以及数据模式化等数据预处理工作,以提高数据挖掘的效率.

(四)建模

此步骤需要根据数据及其应用的性质,选择合适的数据挖掘算法,建立分析模型.通常对某一种数据挖掘任务,存在多种数据挖掘算法可供选择,但是各个算法对数据形式的要求可能不一样,因此可能需要返回到上一步对数据重新进行处理.建模的初期从一定程度上讲是一个“试错”的过程,尤其是经验不足的情况下,需要通过不断根据模型得到的数据调整模型,以得到契合业务实际的模型.模型的建立过程也是一个迭代循环的过程,需要研究各种可供选择的模型,从中找出一个最能解决客户绩效评价问题的模型.并且模型建立之后,也应该在实际运用中不断调整,以符合业务发展实际,避免僵化使用模型.

(五)评估

建立好模型之后,需要对模型进行评价,评估模型的主要指标是模型的准确性和模型的可理解性.如果模型的评估结果理想,则转入应用阶段,否则应返回到以前的步骤甚至重新开始.

（六）应用 完成了模型的建立之后,经业务决策人员的认可,即可将数据挖掘结果有效地应用于实际中.在实际应用中,模型的运用人员应当与模型开发和维护人员建立起良好的沟通机制,及时将实际使用情况反映给模型研发团队.在业务运用中得到的经验,是优化模型的最重要、最有效的手段.此外,由于实际经营过程中商业银行所面对的经营环境变化比较快,还需要对模型进行经常维护、修正.

虽然利用传统的数据分析技术也可以进行商业银行客户识别工作,进而开展有针对性的营销工作.但传统的数据分析工具需要首先建立一系列的检测设,然后证实或推翻这些检测设,最终得出自己的结论.此种统计分析技术主要是对过去的情况进行验证,这就导致了传统的数据分析技术所产生的数据结果难以有效地满足商业银行未来客户识别的信息需求.而这种建立在海量数据搜集、并行计算和数据挖掘算法三种技术基础之上的数据挖掘技术恰好弥补了这方面的不足,能够满足客户识别的需要.

综合而言,数据挖掘技术是现代科学技术相互渗透与融合的产物,它整合了数理统计、人工智能、可视化技术、数据库和计算机等领域的技术,可以从数据仓库的海量数据中提取有用的客户知识与信息,是提高商业银行客户识别效率的有效工具.

二、客户识别中数据挖掘应注意的事项

信息技术的迅猛发展与不断地被推广应用,将商业银行带入了一个信息爆炸时代,运用数据挖掘技术进行客户识别乃大势所趋.就我国目前的商业银行的实际情况,做好数据挖掘工作应当注意以下几个方面的事项：

(一)定义明确的业务目标

应用数据挖掘的首要任务,就是需要明确商业银行都信用卡客户开展精准营销工作要达到什么样的目标,并期望解决的具体营销问题.目标的描述应该细化、清楚,以便于选择与精准营销工作相关的数据,选取合适的数据挖掘方法,也方便检测数据挖掘的效果,判断建立模型的有效性.

(二)对精准营销工作的理解

对精准营销工作的理解是数据挖掘项目成功至关重要的因素.数据挖掘应用从本质上来说是一个通过建立数据挖掘模型解决业务问题的过程,而不是实验数据挖掘技术的过程.因而,注重解决“去哪里找什么样的客户”这样的实际问题是商业银行通过数据挖掘开展精准营销工作重点应当关注的.在数据挖掘过程中应根据精准营销工作的目标来组织数据挖掘过程,围绕如何实现业务目标来设计模型.

(三)数据问题

商业银行实现数据挖掘的前提和基础是拥有大量真实的数据积累.我们应从大量的银行客户营销业务数据中找到与客户识别问题相关的数据集,将与客户营销业务相关的各“孤岛”数据整合在一起,尤其是不能忽略影响客户识别业务的关键变量数据.

(四)人力资源支持

完成数据挖掘工作须有不同技术领域的人员共同参与,这包括银行专家、数据管理员、数据分析人员、营销业务分析人员、数据挖掘专家等等.此外,银行要想在未来的市场竞争中具有竞争力,必须要有一批数据挖掘专家,专门从事数据分析和数据挖掘工作,并同其他部门有效协调.

三、结束语

数据挖掘在商业银行的应用起步较早,目前已在实践中取得明显的成效.银行利用数据挖掘可以将客户分成不同的群体,根据客户群体的不同特征,对其进行有针对性的营销.同时,利用数据挖掘还可以对客户价值进行分析,识别出商业银行优质客户,把有限的资源用在能带来最大价值的客户身上.由于政策方面的原因,国内信用卡市场同质化严重.各家商业银行提供的信用卡产品虽然名目繁多,但是实质区别不大.在信用卡产品本身对客户吸引力不足的情况下,需要在庞大的客户群体中利用发现利基市场,达到商业银行避免“捧着金饭碗要饭”,打开需求市场,或是以供给推动需求的重要目的.