中小商業銀行客戶價值管理與數據挖掘研究

汪龍海

（中國國際金融有限公司，廣東 廣州 510620）

中小商業銀行應根據其特征和市場差異來進行合理的市場定位，結合客戶需求，明確自己的目標客戶，避免與大銀行在同一市場惡性競爭。應以中小企業作為自己的目標客戶，通過向中小企業提供差別化產品和個性化服務，有效占領中小企業市場。中小商業銀行應充分發揮其地區性優勢，利用對當地客戶的充分了解和深刻洞察，開發出更有地方特色的、更符合地區性客戶需要的金融服務產品。

客戶關系管理是當代企業制勝的關鍵，其核心是認知客戶價值。客戶是企業所擁有的一種有價值的資源，但是并不是所有的客戶都能為企業帶來效益，因此有必要對客戶價值進行評價，找出能為企業帶來效益的有價值客戶。客戶生命周期價值是指客戶在整個生命周期內為企業所創造價值總和的貼現值。客戶當前價值是指從客戶關系建立到現在這段時間內客戶為銀行帶來的總收益現值。為銀行創造高利潤的客戶，也可能同時耗費銀行大量成本，因此只考察客戶為銀行創造的價值，并不能科學衡量銀行的收益。只有考慮了銀行為客戶關系所耗費的成本，才能對客戶的當前價值進行合理的評價。所以應將銀行成本計入客戶當前價值中。

客戶當前價值評價指標包括：負債業務指標、中間業務指標和企業信用指標。客戶潛在價值是指客戶對于任何一個同一業務領域內的企業可能帶來的收益，銀行應通過努力將客戶的部分潛在價值轉化為現實價值，客戶潛在價值由客戶自身的屬性特征決定，主要從發展潛力和合作潛力兩個方面考慮。

1.客戶價值可以從財務因素和非財務因素兩方面分析

首先，從財務因素看，應考慮客戶服務成本和客戶運營及盈利能力。客戶服務成本包括產品或服務的提供成本和服務成本。運營能力是指企業充分利用現有資源創造社會財富的能力。存貨周轉率、應收賬款周轉率、現金周轉率等指標可以用來衡量客戶營運能力的高低。客戶贏利能力指企業從某個客戶購買產品或服務所獲得的收益減去企業為吸引該客戶所支出的接觸成本。客戶贏利能力通常由經營規模、技術水平、年利潤貢獻率、收入和資金狀況等子指標衡量。

其次，從非財務因素看，應考慮客戶忠誠度、客戶關系狀況和客戶信用。客戶忠誠度表示對客戶保持的測量，是指客戶一貫地重復購買偏愛的產品或服務，并因此產生對同一品牌系列產品或服務的重復購買行為，而且不會因為市場態勢的變化和競爭性產品營銷努力的吸引而產生轉移行為。忠誠客戶的行為表現有三種：重復購買、交叉購買和新客戶推薦。客戶關系狀況包括關系建立的時間、客戶的市場地位和形象、客戶反饋、向他人推薦力等子指標。客戶的信用通常用銀行信用等級、客戶交易歷史等子指標來衡量。

對于綜合價值高的客戶，由于其并非所有指標取值均高，部分指標仍有待改善，因此，銀行應適當改善對客戶價值產生負面影響的指標；對于綜合價值居中的客戶，應給予較多關注，努力將其變為綜合價值較高的客戶，并仔細分析部分指標取值較低的原因。而對于綜合價值較低的客戶，并非所有指標均低，若采取一定措施后，客戶價值提升到較高水平，則應繼續維持客戶關系，否則放任其自然發展，甚至可以放棄該類客戶。

銀行成本是從客戶關系建立到現在所耗費的成本貼現值，包括平均交易成本、客戶資料獲取成本以及客戶溝通成本。應充分重視對客戶價值的評價研究，量化客戶價值，進而劃分企業客戶類別，實行差別化管理，針對不同類別客戶實行不同的管理策略。如果該客戶還值得挽留，盡快分配資源給該類客戶，來補救以前客戶工作的漏失，更加注重這類客戶的忠誠度和信任度的培養；如果不值得挽留，企業就不要在此浪費資源。對于處于排名最后的客戶關系，則不必為了做到每一位客戶的滿意而無效使用資源。

數據挖掘就是從大量的不完全的、有噪聲的、模糊的實際應用數據中提取隱含在其中的、人們事先不知道的、潛在有用的信息和知識的過程。其主要特點是對數據庫中的大量業務數據進行抽取、轉換、分析和其他模型化處理，從中提取具有輔助決策功能的關鍵性數據。

2.數據挖掘在客戶價值管理中的應用

（1）客戶的獲取、細分、保持及流失分析。數據挖掘技術可以用于對潛在客戶群進行篩選，并把得出的潛在客戶名單和這些客戶感興趣的優惠措施系統地結合起來，以增加市場推廣活動產生的反饋率。客戶細分指用數據來描述或給出客戶或潛在客戶特征的分析。保持客戶指在客戶真正流失之前就應采取行動，流失模型能預測賬號在被激活后減少或停止使用一種產品或服務的行為。隨著行業中的競爭愈來愈激烈，獲得一個新客戶的開支愈來愈大，而保持客戶比獲取新客戶節約成本，所以保持原有客戶的工作也愈來愈有價值。數據挖掘可以幫助銀行識別出潛在的客戶群，提高市場活動的響應率。

（2）交叉營銷。多項產品的交叉營銷可以看作單向產品銷售的疊加，其中的關鍵在于要對所有的客戶提供最合適的產品和服務。數據挖掘技術交叉營銷分析主要是對現有客戶消費習慣的數據進行分析。銀行和客戶之間的關系是經常變動的，一旦擁有了新客戶，就要竭力完善這種關系。需要對其進行交叉銷售，為原有客戶提供新的產品或服務。公司與客戶之間的商業關系是一種持續的不斷發展的關系。在客戶與公司建立起這樣雙向的商業關系后，可以有很多種方法來優化這種關系，延長這種關系的時間，在維持這樣的關系期間增加互相的接觸，在每一次互相接觸中獲得更多的利潤。公司和客戶都可以從中獲益，從而達到雙贏的結果。

（3）客戶信用及風險分析。了解客戶背景資料，有助于銀行對客戶的分析，從而更好的制定客戶策略。數據挖掘可以從大量表面無關的客戶信息中發現許多對銀行有用的資料，有助于對客戶信用等級的判斷。對不同信用級別的客戶，應采取不同的應對方案。數據挖掘可從大量歷史數據中分析出具體客戶的信用等級，可以為風險分析建立分類定位模型。風險分析是提供產品或服務時存在潛在損失的行業所特有的。如果客戶的消費習慣變化極大，則風險處理就采取措施停止或監控直到這種情況可評估為止。

（4）客戶盈利能力及滿意度分析。不同客戶對于銀行來說，其價值是不同的。數據挖掘技術可以用來分析和預測不同市場活動情況下客戶盈利能力的變化，幫助銀行制定合適的市場策略。分析客戶對銀行產品和服務的滿意度，可以幫助銀行改進客戶策略，從而增加客戶的忠誠度。數據挖掘技術可以從零散的客戶反饋信息中，分析出客戶的滿意度。

3.數據挖掘主要功能

（1）分類。按照分析對象的屬性、特征，建立不同的組來描述事物。如銀行部門根據以前的數據將客戶分成不同的類別，并通過這些分類采取相應的貸款方案。

（2）聚類。識別出內在的規則，按照這些規則把對象分成若干類，如將申請人分為高度風險、中度風險、 低度風險。

（3）關聯規則和序列模式的發現。關聯是某種事物發生時其他事物會發生的這樣一種聯系，可以通過支持度和可信度來描述。序列是一種縱向的聯系，如今天銀行調整利率明天股市的變化。

（4）預測。把握分析對象發展的規律，對未來的趨勢做出預見。

（5）偏差的檢測。對分析對象的少數的，極端的特例的描述，從而揭示內在的原因。

4.數據挖掘技術的主要方法

（1）傳統統計方法。當我們面對大量數據時，對所有的數據進行分析是不可能的，也是沒有必要的，這樣就需要在理論的指導下進行合理的抽樣。還有多元統計分析中的因子分析、聚類分析、典型相關分析等，以及統計預測方法中的回歸分析、時間序列分析等。

（2）可視化技術。用圖表等方式把數據特征直觀地表述出來，如直方圖等，可視化技術面對的一個難題是高維數據的可視化。

（3）神經網絡方法。由大量的簡單神經元通過極其豐富和完善的連接構成自適應非線性動態系統，具有分布存儲、聯想記憶、大規模并行處理、自組織、自學習、自適應等功能。

（4）遺傳算法。模擬生物進化過程，由繁殖、交叉、變異三個基本算子組成，經過若干代的遺傳得到滿足要求的后代，可起到優良后代的作用。基于自然進化理論、模擬基因聯合、突變、選擇等過程的一種優化技術。

（5）決策樹方法。以樹型結構表示分類或決策集合，產生規則和發現規律，尋找數據庫中具有最大信息量的字段，從而建立決策樹的一種人工智能和識別技術。

（6）粗集方法。在數據庫中視行為對象、列為元素，定義等價關系，不同對象在某個或幾個屬性上取值相同，滿足的對象組成的集合稱為其等價類。

5.數據挖掘的步驟

（1）確定業務對象，清晰地定義業務問題是數據挖掘的第一步。

（2）數據獲取及預處理。搜索所有與業務對象有關的內部和外部數據信息，并從中選擇出適用于數據挖掘應用的數據。把繁雜的客戶信息進行數據規約，去掉與數據挖掘目標不相關的屬性數據，簡化以后存儲在數據表中，避免數據的不一致性。

（3）數據的無量綱化處理。由于數據的量綱不同，將會對分析結果產生嚴重影響。消除數據量綱時，采用相對化處理方法，在計算比值時，要區分正指標和負指標。所謂正指標是指實際值越大表現就越好的指標，所涉及的該類指標有貸款總日均、平均收息率、中間業務收入總日均、交易次數、企業信用等級、貸款擔保方式、尚未消費銀行產品數、推薦貸款企業數量、客戶保有期；所謂負指標是指實際值越小表現就越好的指標，所涉及的該類指標有平均付息率、平均交易成本、客戶資料獲取成本、客戶溝通成本。

（4）確定指標權重。由于各評價指標對客戶價值的貢獻存在差異，因此需要為指標分配權重。確定權重的方法有主觀賦權法、客觀賦權法、專家意見法等。

（5）數據的轉換。將數據轉換成一個分析模型，這個分析模型是針對挖掘算法建立的，建立一個真正適合挖掘算法的分析模型是數據挖掘成功的關鍵。

（6）依據中小商業銀行客戶管理特點，構建客戶價值綜合評價模型，給出客戶當前價值和增值價值，輔助管理者識別出優質客戶，量力制定優質客戶培養方案，將有限的營銷資源集中在最有發展潛力的客戶身上。

6.結語

數據挖掘只是一個工具，不是萬能的，它可以發現一些潛在的客戶，但是不會指出原因，也不能保證這些潛在客戶成為現實。數據挖掘的成功要求對期望解決問題的領域有深刻的了解，這樣才能對數據挖掘的結果給出合理的解釋。數據挖掘從數據中取出有用的信息是一個復雜而艱辛的過程，面臨如下約束條件：

（1）不同數據源的信息。從不同數據庫中挖掘到的數據信息，與新的數據在格式、類型、結構方面可能存在不兼容問題，數據挖掘算法應能夠變通處理不同數據源的問題；

（2）數據挖掘算法的搜索、挖掘和分析時間，應該能隨著數據庫變化而可以預見和可以接受；

（3）數據挖掘應能滿足用戶不同的需求，應允許用戶按照自己的觀點發現價值信息，并且該信息應該以一種容易理解的方式傳遞給用戶；

（4）挖掘結果應該能夠有效地處理有噪音的和例外的數據，被發現的信息必須能精確描述數據庫的內容和對特定的應用有效，挖掘的信息的質量應該是可靠的；

（5）隱私的保護和數據的安全性。當數據在不同的抽象級別視角去考察的時候，數據挖掘對隱私和數據安全構成威脅，它威脅到保持數據安全和防止干涉隱私的目標的實現。

[1]陳敏. 數據挖掘技術在商業銀行中的應用[J]. 中國管理信息化，2011，（9）.

[2]郭忠金，李非. 客戶價值內涵、特性和管理框架綜述[J]. 現代管理科學，2009，（4）.

[3]李兵，蘇丹，等. 基于云計算的中小商業銀行客戶評價系統研究[J]. 數學的實踐與認識，2012，（17）.

[4]魯江，何曉玲. 數據挖掘在我國商業銀行信用風險度量模型中的應用[J]. 中國管理信息化，2009，（11）.

[5]林新華. 中小商業銀行個人網上銀行差異化戰略分析[J]. 內蒙古財經學院學報，2012，（3）.

[6]彭艷艷. 商業銀行客觀價值綜合評價及分類研究[J]. 金融理論與實踐，2009，（6）.