第12章客户营销中的应用（课件）《商业分析实务》（华东师范大学出版社）

第十二章商业分析在银行业客户营销中的应用 1 银行业客户营销的发展 客户营销分析中常用的分析方法 客户细分及其应用 数据挖掘模型及其应用 目录 CONTENT 01 02 03 04 01 银行业客户营销的发展 3 数据库营销 数据库营销是指收集、分析和使用客户信息以及购买习惯、人口统计信息、生活方式及其他有关数据，将这些信息建立客户档案，锁定目标客户群，进行个性化营销，建立客户关系并鼓励重复购买，提高终身价值及客户忠诚度。 数据库营销是一种具有客户针对性和互动式的营销方法。它通过独特的信息媒体和信息渠道，将目标客户、潜在客户的资科信息存储在计算机的数据库中并进行分类，以便对客户提供更多及时服务，加强与客户紧密关系．使公司能进一步了解和把握市场，更好地满足客户的需求。 数据库营销就是企业通过收集和积累消费者的大量信息，经过处理后预测消费者有多大可能去购买某种产品，以及利用这些信息给产品以精确定位，有针对性地制作营销信息以达到说服消费者去购买产品的目的。 数据库营销发展的三个阶段 客户数据和营销数据库的开发状况 客户分割和模型使用 营销项目种类和频率 战役管理和营销管理水平 营销链的闭合程度 对企业经营策略的影响 初级阶段 处于起步阶段的以制造业、零售业和一般服务业的企业居多。 数据库营销的主要任务是建立营销数据库，取得客户和潜在客户的基本资料。 实用阶段 基本特点是：营销数据库已经基本建立，业务数据和客户服务数据的对接和更新已经规范化。 企业对客户的消费行为、人口和心理特征、盈利水平有比较准确的了解，可以制订有针对性的营销计划。 发达阶段 数据库内容丰富，数据项目可多达几千条。有不同时点的客户截面数据留存，详细的客户特征追踪如地址变换，企业通过营销和客服人员与客户的接触记录和客户回应历史，并由于数据的丰富，可以不断创造新的衍生变量。 数据库营销发展阶段 以数据推动的营销的作用 准确找到目标顾客 降低营销成本 开展有针对性的一对一服务 培养长期的顾客关系 与竞争对手进行区别竞争 为客户增值 开展交叉销售，提高营销效率 识别最有利可得的客户，从他们那里获得更多的交易。 识别和正确描述最有可能成为现实客户的潜在客户，把他们从潜在客户转变成现实客户。 识别仍然是预期客户的老客户，使他们重新在对本企业的采购上活跃起来。 识别本机构最具盈利性的产品，制定适当的促销和价格策略。 识别新的的市场机会，制定打开这些市场的新策略。 测定广告和促销的效果，减少浪费，提高效率。 评估配销渠道和个人渠道成员的效益，降低成本，提高销量。 02 客户营销分析中常用的分析方法 基本分析法 整体分析法 对比分析法 动态分析法 指数分析法 因素分析法 趋势分析法 多维分析法 战略分析方法 PEST分析 PDCA分析法 KANO分析法 BCG分析法 SCP分析法 SWOT分析法 战略钟模型 数据挖掘方法 数据挖掘的分类法 数据挖掘的任务是从大量的数据中发现模式。所谓模式是指关于数据集的某种抽象描述。一般而言，模式按照其作用可以分为两大类：预测型模式(Predictive Pattern)和描述型模式(Descriptive Pattern)。 预测型模式能够根据已有的数据集，预测某些(未知的)数据项的值。 描述型模式是对数据中存在的规律、规则作出一种描述，或者根据数据间的相似性将数据分组，它一般不能直接用于预测。 预测型模式 序列模式 分类模式 回归模式 偏差分析 描述型模式 聚类模式 关联模式 序列模式 关联规则(Association Rule) 关联规则也称为关联模式，是形如X—Y的逻辑蕴涵式，其中X和Y是关于数据库中属性取值的判断。例如有这样一条关联规则：{黄油，牛奶)一{面包)(30％，2％)，其含义是购买黄油和牛奶的顾客还将购买面包，30％和2％分别是该规则的置信度和支持度，支持度2％表示分析的全部事务中有2％同时购买了黄油、牛奶和面包，置信度30％意味购买黄油和牛奶的顾客中有30％的顾客也购买了面包。 序列模式(Sequential Pattern) 序列模式与关联规则相仿，也是为了挖掘出数据之间的联系。但序列模式分析把数据之间的关联性与时间联系起来(侧重点在于分析数据项的前后或因果关系)。为了发现序列模式，不仅需要知道事件是否发生，而且需要确定事件发生的时间。例如，在购买彩电的人们当中，60％的人会在3个月内购买影碟机。 分类模式(Classification Pattern) 分类的概念是在已有数据集(训练集)的基础上学会一个分类函数或构造出一个分类模型，即我们通常所说的分类器(Classifier)。该函数或模型能够把训练集中的数据记录映射到给定类别中的某一个，从而可以应用于数据预测。 数据挖掘方法 聚类模式(Clustering Pattern) 聚类是把一组数据按照相似性和差异性归成若干类别。其目的是使得属于同一类别的数据间的相似性尽可能大，而不同类别中的数据间的相似性尽可能小。 回归模式(Regression Pattern) 回归模式的函数定义与分类模式相似，它们的差别在于分类模式的预测值是离散的，回归模式的预测值是连续的。如给出某种动物的特征，可以用分类模式判定这种动物是哺乳动物还是鸟类；给出某个人的教育情况、工作经验，可以用回归模式判定这个人的年工资在哪个范围内，是在6 000元以下，还是在6 000元到10000元之间，或者在10000元以上。 偏差分析(Deviation Detection) 数据库中的数据常有一些异常记录，从数据库中检测出这些偏差是很有意义的。偏差包括很多潜在的知识，如分类中的反常实例、不满足规则的特例、观测结果与模型预测值的偏差等。 数据挖掘方法 银行产品交叉销售模型 示例规则1: 定期存款, 股票基金==〉得利宝 解读: 持有定期存款并购买过股票基金的客户，会买得利宝。 应用: 银行可以向该类型客户推荐得利宝产品 银行客户流失管理中，可构建逻辑回归模型预测客户流失概率；结合客户价值执行客户保有策略。 大数据分析方法 大数据分析的五个基本方面 Predictive Analytic Capabilities（预测性分析能力） Data Quality and Master Data Management（数据质量和主数据管理） AnalyticVisualizations（可视化分析） SemanticEngines（语义引擎） DataMiningAlgorithms（数据挖掘算法） 大数据分析的处理流程 采集 统计/分析 导入/预处理 挖掘 客户营销分析的发展趋势 将大数据融入企业长期发展战略 大数据营销衍生于互联网行业，又作用于互联网行业。依托多平台的大数据采集，以及大数据技术的分析与预测能力，能够使广告更加精准有效，给企业带来更高的投资回报率。其特点有：多平台化数据采集；强调时效性；个性化营销；性价比高；关联性 (2)对客户进行全面洞察 客户是银行业需要重视的对象，利用用户大数据，企业可以具体实现如下一些功能： 用户行为与特征分析。 企业重点客户筛选。 大数据用于改善用户体验。 社会化客户关系管理（SCRM）中的客户分级管理支持。 03 客户细分及其应用 客户细分的概念 客户细分是根据客户的属性，行为，需求，偏好和价值等维度细分客户，通过识别不同客户群体的特征，对不同的细分群体通过合适的渠道和沟通策略，提供差别化的产品和服务。细分可以根据三个方面的考虑来进行： 1.外在属性 如客户的地域分布，客户的产品拥有，客户的组织归属——企业用户、个人用户、政府用户等。 2.内在属性 内在属性行为客户的内在因素所决定的属性，比如性别、年龄、信仰、爱好、收入、家庭成员数、信用度、性格、价值取向等。 3.消费行为分类 在不少行业对消费行为的分析主要从三个方面考虑，即所谓RFM：最近消费（Recency）、消费频率(Frequency)与消费额（Monetary）。 客户细分流程 客户细分常见方法 （一）多维度细分 学者研究认为评判标准有十个，分别是： 可识别性（identifiability）、响应性（responsiveness）、实质性（substantiality ）、可及性（accessibility）、稳定型（stability）、可诉性（actionability）、行为区隔（differentialbehavior）、可行性（feasibility）、可盈利性（profitability）、富可视性（Projectability） （二）动态性细分 客户细分的目的是为了满足不同细分客户群对产品的不同偏好，如果客户细分模型是静态而客户是不断动态变化的，营销活动效果会大打折扣。现阶段的客户细分研究大多以描述性、静态模型为主，涉及到动态模型相对较少，动态性将是未来客户细分研究的新方向之一。 （三）预测性细分 预测客户行为一直都是营销领域的前沿问题，诸如对客户流失的预测、客户潜在价值的预测、客户生命周期价值的预测不论是营销理论研究还是营销实践都是非常热门的。 基于行为特征的客户细分 04 数据挖掘模型及其应用 基于数据挖掘的客户分析 客户资源是市场竞争至关重要的宝贵资源，拥有客户就意味着拥有市场。数据挖掘技术能从日积月累的数据中挖掘出对企业决策有帮助的潜在知识和规则，挖掘现有客户的消费潜力，减少客户的流失，为企业的决策和发展提供帮助。 客户贡献分析 客户的购买力对企业的盈利有很大的影响，客户的贡献越多，企业相应的利润也就越丰厚。所以按客户的贡献大小对客户群进行分类，然后对不同的贡献率的客户采取不同的措施，对于企业提高收益具有巨大的意义。 客户价值分析 客户是企业最重要的资源了，拥有越多的客户的企业有更多地发展机会，而不同的客户对于企业的价值是不一样的，这就需要对客户的价值进行分析，有助于企业合理利用，提高企业的收益。 数据挖掘模型的分类 数据挖掘模型中有监督学习就是分类，通过已有的训练样本去训练得到一个最优模型，然后利用这个最优模型将所有输入映射为相应的输出，对于输出进行判断实现分类，这就对未知数据进行了分类。 监督学习中的典型例子是K最近邻（KNN）和支持向量机（SVM）。 无监督学习与监督学习的不同之处，主要是它没有训练样本，而是直接对数据进行建模。 无监督学习的典型案例就是聚类了，其目的是把相似的东西聚在一起，而不关心这一类是什么。聚类算法通常只需要知道如何计算相似度就可以了，它可能不具有实际意义。 描述性的 (也称作 “无监督学习”) 无监督学习算法类的模型，主要通过对数据集全部或部分变量的属性发现数据集潜在的规律。此类算法构建模型不需要有因变量，考虑的是所有变量之间的关系，即在N维空间里每个样本之间的距离。 预测性的 (也称作 “有监督学习”) 有监督学习算法类的模型，用数据集里的一个或多个变量来预测数据集里的另一个或多个其他变量，模型要求数据集里有一个因变量。 客户贡献分析步骤 构造数据集市。根据对客户贡献大小的研究，分析贡献大小与客户属性特征相关的属性。 数据预处理。对客户属性如客户姓名、满意度、工作地、贡献度和购买次数等，进行必要的清洗、集成、转换、离散和归约等一系列的处理工作，达到挖掘算法的规范和标准。 建立相关属性集。通过对属性相关性的分析，删除那些与数据挖掘不相关的属性，剩下相关的属性就组成了相关数据集。 建立模型。根据上一步得到的相关数据集对客户贡献度建立模型。首先对相关数据集进行分析和训练形成训练数据集。然后归纳判定树。接着，对分类规则进行提取。最后，对得到的基本模型进行评价和改进。 使用模型进行分类。当模型的准确率改进到某个可以接受的阈值，就可以用这个模型对贡献度未知的客户进行分类。将客户数据输入模型，然后就可以得到这个客户对应的客户贡献率分类结果。 客户价值分析步骤 基于K均值算法的客户细分分析。首先选取500名客户5年的购买数据作为数据挖掘的样本数据，样本数据主要包括客户代号、平均采购额度和购买次数3个方面信息。然后设置K值，然后执行K均值聚类算法。算法执行后，样本数据就进行了分类。 根据分类结果可判断不同价值的客户群体。 基于决策树分类的客户群特征提取。首先进行数据准备和预处理，即对对客户数据进行编码和分类，然后构造训练集，利用聚类结果提取客户特征，最后，根据前面处理过的客户特征信息样本数据，进行计算最终得到一棵客户价值分析决策树。采用决策树的方法也对客户流失进行了分析，预测了哪些客户最容易流失，这些容流失的客户又具有哪些特性，从而分析出了客户流失的原因，为企业保留客户提供了帮助。 思考题 1.银行以往的数据库营销和现在的大数据营销有什么不同？ 2.你能否结合银行可能获得的数据，设计一个银行客户细分的框架？ 3.区分客户贡献分析和客户价值分析，并学习相关模型。 $$