金融行业-解决方案

　　 客户细分--有的放矢还是广而告之
　　 交叉销售或向上销售
　　 客户流失模型
　　 信用评级应用

客户细分--有的放矢还是广而告之




市场或客户细分的概念以及思想

市场细分研究就是按照一定的基础和标准，把一个市场划分若干部分，其中每一部分的客户具有较高程度的同质性，与其他部分的客户具有较大的异质性。

市场细分的概念是美国市场学家温德尔·史密斯 ( Wendell R. Smith )于20世纪50年代中期提出来的。所谓市场细分就是指按照消费者欲望与需求把一个总体市场(总体市场通常太大以致企业很难为之服务)划分成若干个具有共同特征的子市场的过程。因此，分属于同一细分市场的消费者，他们的需要和欲望极为相似；分属于不同细分市场的消费者对同一产品的需要和欲望存在着明显的差别。

在市场营销中，很少有一个产品能够同时满足所有客户的需要。既然只能满足一部分客户，那么针对整个市场的营销就是一种浪费。因此，公司必须知道哪些客户对自己来讲是最有价值的，他们的具体需求是什么，如何才能接近他们——市场细分的目的就是从各个细分的消费者群当中，辨认和确定目标市场，然后针对客户特点采取独特的产品或市场营销战略，以求获得最佳收益。

对于市场决策者而言，市场细分有利于企业发现最好的市场机会，提高市场占有率；有利于确定合适的位置，识别正在被开发的市场和未被开发的市场；有利于企业用最少的经营费用取得最大的经营效益，提高营销资源的使用效率；还可以使营销更加容易，特别是对于一组客户的需求将会更加容易定义，尤其是他们具有许多共同特征时（如寻求相同的利益，具有相同的人口特征或文化背景等）；还有利于掌握潜在市场的需求，不断开发新产品、开拓新市场。

市场细分就是根据消费者各方面的属性，按照科学的方法把市场分割为具有不同需要、性格或行为的购买者群体，其主要目的为：  

1.使同一细分市场内个体之间的固有差异减少到最小，使不同细分市场之间的差异增加到最大。
2.在市场决策上，进行市场细分的目的是针对不同的购买者群体采取独特的产品或市场营销组合 战略以求获得最佳收益。

之所以要进行市场细分，就是因为企业运用市场细分会得到如下的好处：

1.对于市场决策者而言，进行市场细分的目的是针对每个购买者群体采取独特的产品或市场营销 组合战略以求获得最佳收益；
2.市场细分有利于企业发现最好的市场机会，提高市场占有率；
3.市场细分还可以使企业用最少的经营费用取得最大的经营效益，提高营销资源的使用效率；
4.市场细分使营销更加容易。对于一组消费者的需求将会更加容易定义，尤其是他们具有许多共同特征时（例如，寻求相同的利益，具有相同的年龄，性别，等等）；
5.细分市场还有利于掌握潜在市场的需求，不断开发新产品，开拓新市场。

评价有效的市场细分，需要通过如下的特征来判定：

1.市场细分必须足够大，以保证其有利可图；
2.细分市场必须是可以识别的。具体表现为可以用人口统计学、情感价值数据、行为方式数据等来描述；
3.细分市场必须是媒体能够接触到的 ；
4.不同的细分市场对营销组合应该有不同的反应，否则就没必要去做区分；
5.细分市场应该具有合理的一致性，即其中的成员应该尽可能相似的行为方式；
6.其大小而言，各细分市场应该是稳定的 ；
7.细分市场不应该主要被竞争者占领，以免我们的产品遭到失败。

无可否认，在银行与金融业面临着激烈的竞争（起源于缩小干预范围以及快速的技术提升），许多金融机构从以前以产品为中心的战略发展转向了以客户为中心的发展战略（ Drew, Mani, Betz and Datta，2001 ）。　

在这一战略方向的重新配置下， 这些金融机构开始采用客户关系管理(CRM) 技术，通过记录贯穿客户整个约定生命周期的在金融机构中的客户经验从客户赢得到持续性服务以及最终的客户流失。

为了提升客户的全面经验，许多金融机构使用数据挖掘应用于客户细分来在客户个人属性以及产品和约模式之间来提取直观的联系。从这些现存的客户以及潜在客户基础上得到的客户特征经验的知识进而可以用于配合市场营销工作来提升交叉销售的机会以及增长投资回报率（ROI）（Peacock，1998）。这使得金融机构可以提供特定的产品与服务来满足识别到的适当位置以及有价值市场部分的需要。

典型的在数据挖掘中的细分应用要么是使用有监督学习方法，要么是使用非监督学习方法来发展的（Chung and Gray，1999）。对于前者，数据挖掘模型学习客户的行为特征与已经确定的我们感兴趣的输出变量之间的关系。例如，客户评价模型细分客户基础，将其分为不同的等级，并得出每个等级的特征。另一方面，非监督学习方法基于客户的输入属性产生不同的类别，而且不需要设定我们感兴趣的输出变量。每个类别的成员享有相似的特征，并且寄希望于与其它的类别之间是截然不同的区别。


数据与结果

假设 Z 银行拥有以下数据：
1.客户ID号；
2.储蓄账户余额；
3.现金账户余额；
4.投资账户余额；
5.每天平均交易次数；
6.信用卡支付模式；
7.是否拥有未完结抵押贷款；
8.是否有信用额度限制；
9.客户年龄；
10.客户性别；
11.客户婚姻状况；
12.客户家庭情况（孩子数）；
13.客户年收入；
14.客户是否拥有一辆以上小汽车；
15.客户流失状态。

假设 Z银行希望建立更为有效的市场营销战略来给持有高价值投资组合的客户推销其金融产品。为了做到这些，Z银行使用细分模型特征化了其客户，并且依赖客户属性分割这些客户基础为截然不同的类别。其后，自然可以利用这些从客户中得到的特征剖面来定制其市场营销战略来给其潜在的客户提供更多目标性的信息。

此外，假设Z银行使用监督学习以及非监督学习建模技术来生成合意客户部分的特征。这里我们使用SPSS公司的数据挖掘软件Clementine。相关的数据挖掘应用程序图示参见图1。

图1

对于监督学习模型，基于上面涉及到的十三个变量基础进行细分。目标变量是由输入变量——投资账户余额——直接生成的多分类变量。关于投资账户余额的分布可以由直方图节点来决定如何适当的将每个客户分类到三个箱柜中：高、中和低投资组合价值。关于投资账户余额的分布与归箱也显示在图1中。关于投资账户余额的归箱组成了我们感兴趣的投资价值目标变量。

进而可以构建Logistic回归模型来生成基于不同单个客户投资价值的不同分类的特征属性。图1.2描述了Logistic回归模型的结果。正如所展示到的，在预测每个客户的投资价值的预测模型中统计上显著的变量有储蓄账户余额（p=0.001）和现金账户余额（p=0.000）。进而，高价值投资组合客户的特征就由这些变量来决定。


图2


非监督学习细分模型是基于十四个变量来作出的。在这种情形下，不需要设定目标变量。对于非监督学习细分，通常可以使用三种数据挖掘算法，也就是，TWO-Step聚类、Kohonen Network以及K-means聚类。对于我们的演示，这里仅仅使用了两步聚类法。

图3 显示了使用两步聚类法生成的五个类别的聚类模型。关于每一类的信息也列了出来。例如，第4类提供了最大类的特征（254个客户），它描述了在这个类别中大部分的客户是男性且拥有未完结抵押贷款的客户。另一方面，第2类描述了大多数为已婚女性且拥有信用限额的客户。有趣的是第1类，其大部分为女性客户，她们自愿流失且同时拥有抵押贷款以及信用限额。

图3



更进一步的数据探索是建立在两步聚类结果上，通过利用我们所关心的变量的直方图或是分布图来等图形化展示手段来比较五个类别的结果。 图4显示了关于五个类别中流失状态以及流失率的比较。我们可以看到，第1类中拥有大多数的自愿以及非自愿流失客户。同样，第3类则是相当的混合了现存客户以及自愿流失的客户。 此外，第4类中具有最大的现存客户。对于其他的分类输入变量来讲可以绘出相似的分布图。


图4

最后，关于投资账户的直方图也可以根据五个类别分别绘出，参见图5。我们可以看到，第1类包含了相对其它几类更多的低投资账户的客户。 另一方面，第5类则是由持有高价值投资账户的客户组成。如此，如果Z银行能够促销新产品，第5类的客户可能是更为有希望的目标群体，能够生成更好的市场营销结果。利用这些知识，Z 银行现在能够设计适当的银行产品来迎合那些不同的客户群体。

图5