基于AHP與聚類分析的信用卡客戶細分

[摘要]近些年，優(yōu)質(zhì)客戶資源的爭奪成為了信用卡業(yè)務競爭的焦點。因此，如何通過有效的客戶細分，全面掌握客戶信息，了解客戶的用卡特征，有的放矢進行營銷，成為信用卡運營商研究的關(guān)鍵。本文首先用AHP法對個人信用指標體系的各指標進行分析，確定指標體系中各指標的重要程度，并根據(jù)一定精確度要求對指標進行精簡;然后，運用Clementine軟件對經(jīng)過指標精簡后的數(shù)據(jù)進行聚類，并對每個子類中的客戶特點進行分析，并制定了相應的營銷策略。

[關(guān)鍵字]AHP;指標體系;信用卡;客戶細分;聚類

0.引言

信用卡發(fā)展初期， 多數(shù)發(fā)卡機構(gòu)只追求發(fā)卡規(guī)模而忽視了運營質(zhì)量，采取無差異營銷策略。然而，由于客戶需求、利潤貢獻率、風險等方面差異的影響，單一化的營銷策略導致資源利用率和利潤率都不高。近幾年，隨著信用卡領域競爭的加劇，發(fā)卡規(guī)模的穩(wěn)定，優(yōu)質(zhì)客戶資源的爭奪成為了信用卡業(yè)務競爭的焦點。如何管理好信用卡客戶，有的放矢進行營銷，成為信用卡運營商研究的關(guān)鍵。《哈佛商業(yè)評論》的一項研究報告指出，再次光臨的客戶可能帶來25%～85%的利潤。因此，通過有效的客戶細分，準確識別客戶和分類客戶，是實現(xiàn)信用卡客戶保留和客戶升級的關(guān)鍵，也是信用卡業(yè)務實現(xiàn)盈利的關(guān)鍵[1]。

對信用卡客戶進行細分的主要目的是評價不同客戶群的特征及利潤貢獻率。信用卡客戶為銀行帶來的利潤的大小取決于客戶的信用行為，尤其是貸款及還款情況，所以，對客戶的細分常常是基于信用行為的客戶細分[1]。

聚類分析是進行客戶細分的主要數(shù)據(jù)挖掘方法之一。好的算法是影響數(shù)據(jù)挖掘應用效果的關(guān)鍵因素，但在面對具體商業(yè)應用時，一套好的指標體系也是影響整體效率和準確度的重要因素。對信用卡客戶進行分析時變量的確定往往會對分析效率及結(jié)果有很大的影響，以往對指標的確定主要是通過主觀判斷來進行的，缺乏一定的科學性和一致性。當指標數(shù)目比較多的情況下，不夠合理的指標體系構(gòu)建就會增大分析的復雜性，影響最終結(jié)果。因此，在進行客戶分析之前選擇好的方法對變量進行分析成為客戶細分很重要的一個環(huán)節(jié)。

從統(tǒng)計分析方法的角度來看，有多種方法可以用來確定指標的權(quán)重，如直接評價法、相關(guān)分析法、回歸分析法、專家測評法以及層次分析法(Analytical Hierarchy Process 簡稱AHP)等。而在眾多的方法當中，AHP法因其特別適用于那些難于完全定量分析的問題，是目前運用較多的對于結(jié)果分析更為有效的一種方法。

本文將運用AHP法對信用卡客戶信用指標體系進行前期處理，確定指標權(quán)重，對指標進行精簡，然后再利用聚類分析的方法對客戶進行細分，并對細分結(jié)果進行解釋及制定相應的營銷策略。

1.數(shù)據(jù)描述

本文選取上海市某商業(yè)銀行的1000份信用卡用戶資料進行分析，其中涉及到的主要數(shù)據(jù)項及對數(shù)據(jù)項的處理信息如表1所示。

2.層次分析法

AHP法是美國運籌學家T.L.Saaty教授于70年代初期提出的，是對定性問題進行定量分析的一種簡便、靈活而又實用的多準則決策方法。此方法根據(jù)實際研究問題，將研究對象分解為不同的組成因素，按各因素之間的隸屬關(guān)系，把它們排成從高到低的若干層次，建立遞階層次結(jié)構(gòu)。對同一層次的各元素進行兩兩比較，就每一層次的相對重要性予以定量表示，并利用數(shù)學方法確定出每一層次各項因素的權(quán)值。

AHP方法的基本步驟如下[2]:

1)建立遞階層次結(jié)構(gòu)。把復雜問題中的各種因素通過劃分相互聯(lián)系的有序?qū)哟问怪畻l理化、層次化，建立層次分析的結(jié)構(gòu)模型。

2)構(gòu)造判斷矩陣。根據(jù)對一定客觀現(xiàn)實的主觀判斷，通過專家打分，將同一層次兩兩因素比較的重要性進行定量描述，得出單個指標的相對重要性，構(gòu)建正反交互判斷矩陣A，矩陣中的每個元素反映的該層元素相對于上一層每個指標的重要程度，一般采用1~9級標度法。

3)單準則排序。對于判斷矩陣，計算滿足AW= W的特征根 和特征向量W。W為對應于 的歸一化特征向量，即為同一層次中各因素對于上一層某個目標相對重要性排序權(quán)值。

4)一致性檢驗。由于判斷矩陣是主觀認為賦予的，有時會犯不一致的邏輯錯誤，故需要進行一致性檢驗來評估矩陣的可靠性。根據(jù)AHP的原理，是利用 與n之差檢驗一致性的，一般用CI和CR兩個指標進行判定。

5)層次總排序及一致性檢驗。計算同一層次所有因素對整個總目標相對重要性的排序權(quán)值，稱層次總排序。它是用下一層次各個因素的權(quán)值和上一層次因素的組合權(quán)值，得到最下層因素相對于整個總目標的相對重要性。

層次分析法的整個過程體現(xiàn)了人類決策思維的基本特征，即分解、判斷與綜合，易學易用，而且定性與定量相結(jié)合，便于決策者之間彼此溝通，是一種十分有效的系統(tǒng)指標體系確定方法，在很多領域有著廣泛的應用。

3.利用AHP確定信用卡個人信用指標的權(quán)重

3.1 建立評估指標體系

由于本文通過實證分析的方法來研究AHP在信用卡客戶細分中的應用，所以根據(jù)指標體系設立六大原則，即全面性、科學性、公正性、合法性、層次性、可操作性原則[3]，以現(xiàn)有專家資源及信用卡客戶數(shù)據(jù)實際變量為基礎，選擇3大類13個指標來進行分析(見表3)。

3.2 構(gòu)建判斷矩陣

專家小組采用T.L.Saaty教授提出的1~9標度法，分別構(gòu)造二級指標對一級指標相對重要性的三個判斷矩陣和一級指標對總目標的判斷矩陣。矩陣形式如下:

3.3 單準則排序及一致性檢驗

L.T.Saaty在檢查判斷矩陣一致性程度時引入了隨機一致性比率CR:CR=CI/RI。

其中CI為一致性指標，CI=( -n)/(n-1);RI為平均隨機一致性指標，可通過查表求得，如表4所示。當CR<0.1時，判斷矩陣具有滿意的一致性，可以接受，否則應對判斷矩陣做適當修正。

首先要計算各矩陣指標權(quán)重向量，本文通過Matlab7.1來進行矩陣特征值及特征向量的計算，進而，通過歸一化計算得出該層各指標對于上一層指標的權(quán)重向量W=(w1， w2， w3， …， wn)，然后再求得CI、CR等值進行檢驗。結(jié)果見表5。

從表5可以看出各判斷矩陣CR值均遠遠小于0.1，可以認為矩陣的一致性均良好。

3.4 總排序

由表5即可計算出最底層因素相對于最高層(總目標)的相對重要性或相對優(yōu)劣的排序值，即層次總排序，見表6。

4.聚類應用及結(jié)果分析

為了提高聚類精確度，以專家意見為主要依據(jù)，

同時結(jié)合以往研究經(jīng)驗，本例中權(quán)值累計貢獻率大

于97%的指標保留，即當最底層指標權(quán)值<0.03時，將該指標刪除，即C2性別、C9債務比例、C10信

用卡數(shù)量三個指標。從而得到簡化后的個人信用指標體系，并以此指標體系的數(shù)據(jù)做聚類分析。本文采用Clementine數(shù)據(jù)挖掘工具，使用K-Means模型進行聚類分析，聚為3類，迭代12次，流圖1所示，聚類結(jié)果圖2所示。

科學合理的客戶細分是信用卡業(yè)務精細化營銷非常重要的前提。即根據(jù)客戶的基本屬性、行為數(shù)據(jù)，借助挖掘工具的強大處理能力，得到隱藏在數(shù)據(jù)背后的知識，然后把信用卡客戶的價值度、忠誠度、風險性等相結(jié)合起來，進行客戶細分及制定相應的營銷策略[4]。

4.1藍籌股類

4.1.1基本特征

以年齡集中在30到45歲之間的中高收入的已婚人群為主和部分年齡稍大的高收入人群為次，儲蓄狀況屬于中等水平，信用歷史較長，信用記錄狀況亦良好，這一類人群或有房或有車，其中很大一部分處在還貸期，記錄中多存在未到期貸款，也有個別拖欠款和危險客戶。他們中只有很少一部分有共同申請者或者擔保人。

4.1.2貢獻率及風險

此類客戶屬于高貢獻率及高忠誠度客戶。大多有豐富的工作閱歷及很強的經(jīng)濟背景，消費觀念相對也較超前，由于他們往往使用信用卡進行大筆購買，交易額及交易量都較大[5]，因而為達到信用平衡向銀行貢獻了顯著的利潤額，給銀行帶來很可觀的利潤，同時又是相對比較忠誠的一類，是真正的優(yōu)質(zhì)客戶，也是銀行的主要客戶。由于信用歷史較長且忠誠度較高，所以風險率較低。

4.1.3營銷策略

營銷中應該把此類客戶定為高維持客戶。其消費水平高，收入水平也高，因透支消費支付透支利息的可能性不大。這部分顧客對信用卡的價格并不敏感，關(guān)注的是銀行能否提供優(yōu)質(zhì)貼身的服務。因此銀行可對這部分顧客打“至尊服務牌”，在提供支持性服務方面下功夫，通過與高端特約商戶聯(lián)盟推出各種聯(lián)名卡、特色卡，凸現(xiàn)出顧客至尊的身份與地位，既可賺取可觀的年費和商戶回傭，又能以信用卡業(yè)務為依托，向其他個人理財業(yè)務進行延伸。但是值得注意的是，雖然風險相對較小，但是一旦發(fā)生壞帳，往往會給銀行造成很大的損失，因此風險管理方面需要特別注意，需要在做好風險預測的同時加強發(fā)卡后的風險控制。

4.2熱門股類

4.2.1基本特征

以剛工作不久的單身青年為主，觀念前衛(wèi)，綜合素質(zhì)較高，信用狀況良好。他們多數(shù)有穩(wěn)定的收入來源，因其崇尚超前消費，所以他們大多無存款，同時多存在未到期貸款。多數(shù)無房無車，然而，貸款歷史狀況顯示:他們頻繁地在使用信用卡所提供的額度，而且大部分人每月循環(huán)部分的賬單到下一個月，而不是每月在免息期內(nèi)付清其貸款余額，雖然有一定的拖欠可是發(fā)生壞帳的可能性不高，總能夠達到信用卡使用的平衡。

4.2.2貢獻率及風險

此類客戶屬于高貢獻及低忠誠度的客戶。這類客戶通常產(chǎn)品持有數(shù)多，對任一產(chǎn)品的認同度都不會太高且對價格敏感。但是他們消費觀念意識超前，有很多的需要和欲望要借助于銀行信用。每個月因為循環(huán)賬單而產(chǎn)生的利息是相當可觀的一筆數(shù)目，因而他們屬于可以給銀行帶來高利潤的客戶。信用卡的優(yōu)質(zhì)客戶，就有可能在這些具有中等收入水平、消費欲望旺盛、工作繁忙的年輕一代中產(chǎn)生[5]。他們才是有可能讓銀行賺到高利潤的客戶。同時，這類客戶由于信用歷史較短及較低的忠誠度，對銀行來說存在著一定的風險性。

4.2.3營銷策略

在營銷戰(zhàn)略上定為提升客戶，需要有新產(chǎn)品或是更好的價格策略去提高客戶的忠誠度。對客戶進行新品的銷售為較佳方式。他們所獨有的小資情調(diào)使得他們注重一定的生活質(zhì)量，比較看重服務的品質(zhì)。銀行應在提供優(yōu)惠的銷售價格和增值服務方面雙管齊下以迎合他們的需求[5]。同時，在風險性方面把好關(guān)，是保證較高的收益率的前提。必須注意避免惡意拖欠現(xiàn)象的產(chǎn)生，因為這部分人往往沒有固定資產(chǎn)或儲蓄作為很強的經(jīng)濟保證，一旦發(fā)生超額、超時的拖欠現(xiàn)象，往往意味著最終壞帳的發(fā)生。

4.3冷門股類

4.3.1基本特征

主要以追求安定平穩(wěn)的小康生活的人群為主，有一定的工作經(jīng)歷，收入不是非常高但比較穩(wěn)定，信用歷史較長，信用情況也非常好，大多有擔保或共同的申請者，幾乎沒有拖欠和壞帳現(xiàn)象。大多把錢存放在銀行的儲蓄賬戶里，屬于保守型消費者。

4.3.2貢獻率及風險

由于信用卡使用率很低而且能夠及時償付，使得他們?yōu)殂y行帶來的利潤也是很有限的，銀行的利潤只能來源于發(fā)生的每筆交易從特許商鋪處獲取的折扣。然而，這類客戶往往具有很高的忠誠度。對于這類人群而言，因為他們背負很少的債務或者沒有債務，有一定的儲蓄作為經(jīng)濟保證，同時有擔保人的擔保，因而他們給銀行帶來的風險性是極低的。

4.3.3營銷策略

此類客戶的產(chǎn)品持有數(shù)較少，但是忠誠度較高，在營銷戰(zhàn)略上可定為提升客戶，需進行向上銷售或是交叉銷售，以提高客戶的產(chǎn)品持有數(shù)，在售前售中售后都應該進行適當?shù)男庞每ㄐ麄鳎源碳び每l率及額度，增大利潤貢獻。通常應以大眾營銷的方式，對其進行多樣化的產(chǎn)品銷售為主。在風險控制方面，鑒于風險性很小的特點，銀行只需留意一下工作狀況、貸款歷史狀況兩個指標，沒有很大的工作上的變動(比如失業(yè))，貸款方面沒有拖欠現(xiàn)象發(fā)生即可。

5.結(jié)束語

從聚類分析的結(jié)果可以看出，精簡后的指標體系中每一個指標的重要性均大于或等于0.95。可見，AHP對指標體系的確定結(jié)果是良好的，在聚類分析中得到了驗證。

本文中，使用Clementine工具得出的三個聚類的簇間差異明顯，符合定性分析的結(jié)果，為接下來的策略分析提供了可靠的依據(jù)。由此我們可以看出，聚類分析是信用卡客戶細分是很好的方法。

然而，結(jié)果中信用卡客戶細分挖掘模型建立后，隨著時間的推移各種行為模式在不斷發(fā)生變化，所以需要不斷的更新模型使之更適合于當前的實際應用。

主要參考文獻

[1]王靜， 王延清. 基于信用行為的信用卡客戶細分策略[J].中國信用卡， 2004， (10):1-2.

[2]石振武， 趙敏. 運用層次分析法確定指標的權(quán)值[J]. 科技和產(chǎn)業(yè)， 2008， 8(2): 1-2.

[3]趙曉冬， 鄭濤. 基于FUZZY-AHP評價方法的個人信用等級評價模型指標體系[J]. 數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究， 2003， (6): 2.

[4]劉忠寶， 尤忠彬. 數(shù)據(jù)挖掘在信用卡營銷中的運用[J]. 中國信用卡， 2008， 2:3.

[5]楊麗華， 鄧德勝. 基于信用卡市場細分的顧客保留策略.[J]. 經(jīng)濟問題， 2007， (6):2-3.