数据挖掘在个人高端金融产品营销中的应用.docVIP

精品论文 参考文献 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生了巨大变化。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。 在商业银行的生产经营过程中，应该如何使用数据挖掘，数据挖掘又能做到什么，这正是本文探索的主题。 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又是潜在有用的信息的过程。与传统的数据分析不同，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，本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，大大节省了营销成本，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 （一）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，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（lt;=16 or 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，且以较大概率分布在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10000。 （2）数据探索 通过抽样的观测数据，得到统计结果见图1： 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6840 5.资产月平均余额在800-16000