中小商业银行客户价值管理与数据挖掘研究

汪龙海

（中国国际金融有限公司，广东 广州 510620）

中小商业银行应根据其特征和市场差异来进行合理的市场定位，结合客户需求，明确自己的目标客户，避免与大银行在同一市场恶性竞争。应以中小企业作为自己的目标客户，通过向中小企业提供差别化产品和个性化服务，有效占领中小企业市场。中小商业银行应充分发挥其地区性优势，利用对当地客户的充分了解和深刻洞察，开发出更有地方特色的、更符合地区性客户需要的金融服务产品。

客户关系管理是当代企业制胜的关键，其核心是认知客户价值。客户是企业所拥有的一种有价值的资源，但是并不是所有的客户都能为企业带来效益，因此有必要对客户价值进行评价，找出能为企业带来效益的有价值客户。客户生命周期价值是指客户在整个生命周期内为企业所创造价值总和的贴现值。客户当前价值是指从客户关系建立到现在这段时间内客户为银行带来的总收益现值。为银行创造高利润的客户，也可能同时耗费银行大量成本，因此只考察客户为银行创造的价值，并不能科学衡量银行的收益。只有考虑了银行为客户关系所耗费的成本，才能对客户的当前价值进行合理的评价。所以应将银行成本计入客户当前价值中。

客户当前价值评价指标包括：负债业务指标、中间业务指标和企业信用指标。客户潜在价值是指客户对于任何一个同一业务领域内的企业可能带来的收益，银行应通过努力将客户的部分潜在价值转化为现实价值，客户潜在价值由客户自身的属性特征决定，主要从发展潜力和合作潜力两个方面考虑。

1.客户价值可以从财务因素和非财务因素两方面分析

首先，从财务因素看，应考虑客户服务成本和客户运营及盈利能力。客户服务成本包括产品或服务的提供成本和服务成本。运营能力是指企业充分利用现有资源创造社会财富的能力。存货周转率、应收账款周转率、现金周转率等指标可以用来衡量客户营运能力的高低。客户赢利能力指企业从某个客户购买产品或服务所获得的收益减去企业为吸引该客户所支出的接触成本。客户赢利能力通常由经营规模、技术水平、年利润贡献率、收入和资金状况等子指标衡量。

其次，从非财务因素看，应考虑客户忠诚度、客户关系状况和客户信用。客户忠诚度表示对客户保持的测量，是指客户一贯地重复购买偏爱的产品或服务，并因此产生对同一品牌系列产品或服务的重复购买行为，而且不会因为市场态势的变化和竞争性产品营销努力的吸引而产生转移行为。忠诚客户的行为表现有三种：重复购买、交叉购买和新客户推荐。客户关系状况包括关系建立的时间、客户的市场地位和形象、客户反馈、向他人推荐力等子指标。客户的信用通常用银行信用等级、客户交易历史等子指标来衡量。

对于综合价值高的客户，由于其并非所有指标取值均高，部分指标仍有待改善，因此，银行应适当改善对客户价值产生负面影响的指标；对于综合价值居中的客户，应给予较多关注，努力将其变为综合价值较高的客户，并仔细分析部分指标取值较低的原因。而对于综合价值较低的客户，并非所有指标均低，若采取一定措施后，客户价值提升到较高水平，则应继续维持客户关系，否则放任其自然发展，甚至可以放弃该类客户。

银行成本是从客户关系建立到现在所耗费的成本贴现值，包括平均交易成本、客户资料获取成本以及客户沟通成本。应充分重视对客户价值的评价研究，量化客户价值，进而划分企业客户类别，实行差别化管理，针对不同类别客户实行不同的管理策略。如果该客户还值得挽留，尽快分配资源给该类客户，来补救以前客户工作的漏失，更加注重这类客户的忠诚度和信任度的培养；如果不值得挽留，企业就不要在此浪费资源。对于处于排名最后的客户关系，则不必为了做到每一位客户的满意而无效使用资源。

数据挖掘就是从大量的不完全的、有噪声的、模糊的实际应用数据中提取隐含在其中的、人们事先不知道的、潜在有用的信息和知识的过程。其主要特点是对数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取具有辅助决策功能的关键性数据。

2.数据挖掘在客户价值管理中的应用

（1）客户的获取、细分、保持及流失分析。数据挖掘技术可以用于对潜在客户群进行筛选，并把得出的潜在客户名单和这些客户感兴趣的优惠措施系统地结合起来，以增加市场推广活动产生的反馈率。客户细分指用数据来描述或给出客户或潜在客户特征的分析。保持客户指在客户真正流失之前就应采取行动，流失模型能预测账号在被激活后减少或停止使用一种产品或服务的行为。随着行业中的竞争愈来愈激烈，获得一个新客户的开支愈来愈大，而保持客户比获取新客户节约成本，所以保持原有客户的工作也愈来愈有价值。数据挖掘可以帮助银行识别出潜在的客户群，提高市场活动的响应率。

（2）交叉营销。多项产品的交叉营销可以看作单向产品销售的叠加，其中的关键在于要对所有的客户提供最合适的产品和服务。数据挖掘技术交叉营销分析主要是对现有客户消费习惯的数据进行分析。银行和客户之间的关系是经常变动的，一旦拥有了新客户，就要竭力完善这种关系。需要对其进行交叉销售，为原有客户提供新的产品或服务。公司与客户之间的商业关系是一种持续的不断发展的关系。在客户与公司建立起这样双向的商业关系后，可以有很多种方法来优化这种关系，延长这种关系的时间，在维持这样的关系期间增加互相的接触，在每一次互相接触中获得更多的利润。公司和客户都可以从中获益，从而达到双赢的结果。

（3）客户信用及风险分析。了解客户背景资料，有助于银行对客户的分析，从而更好的制定客户策略。数据挖掘可以从大量表面无关的客户信息中发现许多对银行有用的资料，有助于对客户信用等级的判断。对不同信用级别的客户，应采取不同的应对方案。数据挖掘可从大量历史数据中分析出具体客户的信用等级，可以为风险分析建立分类定位模型。风险分析是提供产品或服务时存在潜在损失的行业所特有的。如果客户的消费习惯变化极大，则风险处理就采取措施停止或监控直到这种情况可评估为止。

（4）客户盈利能力及满意度分析。不同客户对于银行来说，其价值是不同的。数据挖掘技术可以用来分析和预测不同市场活动情况下客户盈利能力的变化，帮助银行制定合适的市场策略。分析客户对银行产品和服务的满意度，可以帮助银行改进客户策略，从而增加客户的忠诚度。数据挖掘技术可以从零散的客户反馈信息中，分析出客户的满意度。

3.数据挖掘主要功能

（1）分类。按照分析对象的属性、特征，建立不同的组来描述事物。如银行部门根据以前的数据将客户分成不同的类别，并通过这些分类采取相应的贷款方案。

（2）聚类。识别出内在的规则，按照这些规则把对象分成若干类，如将申请人分为高度风险、中度风险、 低度风险。

（3）关联规则和序列模式的发现。关联是某种事物发生时其他事物会发生的这样一种联系，可以通过支持度和可信度来描述。序列是一种纵向的联系，如今天银行调整利率明天股市的变化。

（4）预测。把握分析对象发展的规律，对未来的趋势做出预见。

（5）偏差的检测。对分析对象的少数的，极端的特例的描述，从而揭示内在的原因。

4.数据挖掘技术的主要方法

（1）传统统计方法。当我们面对大量数据时，对所有的数据进行分析是不可能的，也是没有必要的，这样就需要在理论的指导下进行合理的抽样。还有多元统计分析中的因子分析、聚类分析、典型相关分析等，以及统计预测方法中的回归分析、时间序列分析等。

（2）可视化技术。用图表等方式把数据特征直观地表述出来，如直方图等，可视化技术面对的一个难题是高维数据的可视化。

（3）神经网络方法。由大量的简单神经元通过极其丰富和完善的连接构成自适应非线性动态系统，具有分布存储、联想记忆、大规模并行处理、自组织、自学习、自适应等功能。

（4）遗传算法。模拟生物进化过程，由繁殖、交叉、变异三个基本算子组成，经过若干代的遗传得到满足要求的后代，可起到优良后代的作用。基于自然进化理论、模拟基因联合、突变、选择等过程的一种优化技术。

（5）决策树方法。以树型结构表示分类或决策集合，产生规则和发现规律，寻找数据库中具有最大信息量的字段，从而建立决策树的一种人工智能和识别技术。

（6）粗集方法。在数据库中视行为对象、列为元素，定义等价关系，不同对象在某个或几个属性上取值相同，满足的对象组成的集合称为其等价类。

5.数据挖掘的步骤

（1）确定业务对象，清晰地定义业务问题是数据挖掘的第一步。

（2）数据获取及预处理。搜索所有与业务对象有关的内部和外部数据信息，并从中选择出适用于数据挖掘应用的数据。把繁杂的客户信息进行数据规约，去掉与数据挖掘目标不相关的属性数据，简化以后存储在数据表中，避免数据的不一致性。

（3）数据的无量纲化处理。由于数据的量纲不同，将会对分析结果产生严重影响。消除数据量纲时，采用相对化处理方法，在计算比值时，要区分正指标和负指标。所谓正指标是指实际值越大表现就越好的指标，所涉及的该类指标有贷款总日均、平均收息率、中间业务收入总日均、交易次数、企业信用等级、贷款担保方式、尚未消费银行产品数、推荐贷款企业数量、客户保有期；所谓负指标是指实际值越小表现就越好的指标，所涉及的该类指标有平均付息率、平均交易成本、客户资料获取成本、客户沟通成本。

（4）确定指标权重。由于各评价指标对客户价值的贡献存在差异，因此需要为指标分配权重。确定权重的方法有主观赋权法、客观赋权法、专家意见法等。

（5）数据的转换。将数据转换成一个分析模型，这个分析模型是针对挖掘算法建立的，建立一个真正适合挖掘算法的分析模型是数据挖掘成功的关键。

（6）依据中小商业银行客户管理特点，构建客户价值综合评价模型，给出客户当前价值和增值价值，辅助管理者识别出优质客户，量力制定优质客户培养方案，将有限的营销资源集中在最有发展潜力的客户身上。

6.结语

数据挖掘只是一个工具，不是万能的，它可以发现一些潜在的客户，但是不会指出原因，也不能保证这些潜在客户成为现实。数据挖掘的成功要求对期望解决问题的领域有深刻的了解，这样才能对数据挖掘的结果给出合理的解释。数据挖掘从数据中取出有用的信息是一个复杂而艰辛的过程，面临如下约束条件：

（1）不同数据源的信息。从不同数据库中挖掘到的数据信息，与新的数据在格式、类型、结构方面可能存在不兼容问题，数据挖掘算法应能够变通处理不同数据源的问题；

（2）数据挖掘算法的搜索、挖掘和分析时间，应该能随着数据库变化而可以预见和可以接受；

（3）数据挖掘应能满足用户不同的需求，应允许用户按照自己的观点发现价值信息，并且该信息应该以一种容易理解的方式传递给用户；

（4）挖掘结果应该能够有效地处理有噪音的和例外的数据，被发现的信息必须能精确描述数据库的内容和对特定的应用有效，挖掘的信息的质量应该是可靠的；

（5）隐私的保护和数据的安全性。当数据在不同的抽象级别视角去考察的时候，数据挖掘对隐私和数据安全构成威胁，它威胁到保持数据安全和防止干涉隐私的目标的实现。

[1]陈敏. 数据挖掘技术在商业银行中的应用[J]. 中国管理信息化，2011，（9）.

[2]郭忠金，李非. 客户价值内涵、特性和管理框架综述[J]. 现代管理科学，2009，（4）.

[3]李兵，苏丹，等. 基于云计算的中小商业银行客户评价系统研究[J]. 数学的实践与认识，2012，（17）.

[4]鲁江，何晓玲. 数据挖掘在我国商业银行信用风险度量模型中的应用[J]. 中国管理信息化，2009，（11）.

[5]林新华. 中小商业银行个人网上银行差异化战略分析[J]. 内蒙古财经学院学报，2012，（3）.

[6]彭艳艳. 商业银行客观价值综合评价及分类研究[J]. 金融理论与实践，2009，（6）.