客户关系管理关联分析法.doc

客户关系管理解决方案实践报告 --基于关联分析的商业银行客户关系管理解决方案 目 录 目录 1 前言 4 2 相关技术论述 4 2.1数据挖掘的概念 4 2.2数据挖掘的必要型 4 2.3数据挖掘在银行系统的应用 4 2.4聚类分析 5 2.5 4OLAP在线联机分析处理 5 3 客户数据分析流程 5 3.1任务目标确定 5 3.2客户数据预处理 6 3.4 客户数据发现与表达 6 3.5数据分析结果 7 4 数据分析结果对企业的意义 8 4.1 关联规则在客户风险控制中的应用问题 8 4.2 具体解决方式 8 5 客户关系管理解决方案提出 9 5.1客户档案 9 5.2 查询功能 9 5.3客户关系 9 5.4组合对帐单 9 5.5信用评级处理 10 5.6备忘录／历史记录 10 5.7客户安全管理及风险控制 10 6 结论 11  1 前言 随着数据挖掘技术的发展，如何从海量数据中挖掘有用信息成为倍受关注的一个热点问题。银行信息的数据挖掘也成为非常活跃的应用领域。探讨了数据挖掘分析中的关联规则分析方法及在商业银行的应用，研究了其在分析客户交易行为及产品交叉营销等工作中的算法和模型，并提出了关联规则分析在商业银行应用的若干问题，指出了进一步研究的方向。 2 相关技术论述 2.1数据挖掘的概念 数据挖掘(Data Mining)就是从大量的、不完全的、有噪声的、模糊的、随机的数据中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。 2.2数据挖掘的必要型 数据挖掘技术从其诞生初始就是面向应用的。它不仅是面向特定数据库的简单检索查询调用,而且要针对这些数据进行微观及宏观的统计、分析、综合和推理,以指导实际问题的求解,试图发现事件间的相互关联；或者，进一步利用已有的数据对未来的活动进行预测。数据挖掘所能解决的典型问题包括：数据库营销(Database Marketing)、客户群体划分(Customer Segmentation Classification)、背景分析(ProfileAnalysis)、交叉销售(Cross-selling)等市场分析行为，以及客户关系管理(Customer Relationship Management)、客户信用记分(Credit Scoring)、欺诈发现(Fraud Detection)等等。在金融领域，数据量是非常巨大的。因此，有必要利用数据挖掘对客户行为进行分析。 2.3数据挖掘在银行系统的应用 商业银行的经营管理是一个复杂的过程，通过客户数据的信息积累和有关模型的分析可以达到有序管理的目的。但是，面对不同的客户和经营环境，数据挖掘技术的应用必须因地制宜地进行调整，把信息科学、行为科学、管理科学和计算机技术有机地结合起来，才能达成预期的效果。 2.4聚类分析 聚类将数据对象的集合分组成为由类似对象组成的多个类的过程，类标号是未知的。聚类的准则：最大化类内相似性，最小化类间相似性。聚类就是将数据对象分组成为多个类或簇，在同一个簇的对象间具有较高的相似度，而不同簇中的对象差别较大。 2.5 4OLAP在线联机分析处理 直接仿照用户的多角度思考模式，预先为用户组建多维的数据模型。用户可以快速地从各个分析角度获取数据，也能动态的在各个角度之间切换或者进行多角度、多层次的综合分析。数据仓库是一个包含企业历史数据的大规模数据库，而OLAP技术则是利用DW中的数据进行联机分析，将复杂的分析查询结果快速的返回用户。OLAP服务器，对分析需要的数据按照多维数据模型进行再次重组，以支持用户多角度、多层次的分析，发现数据趋势。 3 客户数据分析流程 3.1任务目标确定 根据该银行对于客户的数据信息显示，影响客户参与持股计划有诸多因素，包括：年龄、性别、地区、收入、婚姻、有无孩子、有无车、有无贷款。本模型需要解决的问题是：对于银行客户数据中，哪些客户是有最大可能参与持股计划的？他们都具有怎样的特征？ 3.2客户数据预处理 数据库中的原始数据由于受到人为或物理等因素的影响，会存在噪声数据、空缺数据和不一致数据等。如果直接在上面进行数据分析和处理，容易得到不准确的分析结果。所以，在挖掘前应该对数据进行预处理，这是模型建立的最重要步骤之一。 3.4 客户数据发现与表达 表1 **银行信用卡产品覆盖率明细表 项目名称 户数 信用卡 数量 信用卡 覆盖率 目标覆 盖率 个人贷款 3,500 1,198 34% 70% 汽车贷款 25,875 1,636 6% 70% 个人住房贷款 133,085 25,693 19% 70% VIP 业务 67,055 18,076 27% 70% 个人活期存款 160,406 4