|
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
交叉销售或向上销售
问题与数据
假设EBANK除了提供传统的电子银行业务外，而且也提供投资、保险及其他服务。因而，对于EBNK来讲，交叉销售是非常重要的，因为这可以使得EBANK
不仅对客户提供广泛的产品服务，而且可以使得客户对于银行更为有利润。注意EBANK 已经拥有客户数据库，其中包含其客户以及使用的产品服务的信息。
此外假设，当某客户注册登陆到其电子账户进行银行交易时，他能够选择并点击陈列在他面前的一个或更多相关网络广告。在此情形下，预测性建模的数据挖掘应用可能有用，该模型可以帮助银行选择提供特定客户的网络广告。如果太多的网络广告可能是容易产生逆反心理的，因为客户对于其屏幕中出现如此充斥着广告就会变得不高兴。因此需要正视的是，可以构建数据挖掘模型来预测客户最有可能使用的服务，当然要考虑到他目前并不使用这些服务，并且考虑由EBANK
收集到的关于客户的信息。
为了说明这个应用，在下面的示例中，假设EBANK收集到以下关于客户的信息数据：
1.具有EBANK账户的数目
2.在所有账户中的余额
3.客户年龄
4.客户薪金收入
5.客户婚姻状况
6.客户性别
考虑到前面描述到的情景，数据挖掘应用的目的是构建预测性模型，利用模型预测客户将使用EBANK提供的投资服务的概率，这一预测将基于上面提到的六个变量的基础上建立。
在实施应用之前，EBANK 已经把其现有的客户分成两类，一类是使用其投资服务的，另一类则是不使用投资服务的。对于第一类的客户，仅仅收集其使用投资服务之前的数据。这一分类包含了数据挖掘中的目标变量，上面涉及的六个变量是输入变量。将被生成的最有用的变量是客户将使用
EBANK提供的投资服务的概率。在我们的示例中，只有那些将使用投资服务的高概率的客户才会被提供有关于该投资服务的网络广告。
模型与结果
对于预测性模型，通常使用以下的数据挖掘技术，也就是，Logistic回归模型、神经网络模型以及决策树模型。为了简化起见，我们仅仅将Logistic回归模型用于我们的分析中。更为具体的预测技术的使用等等在下面的示例中说明。在这里我们使用SPSSo公司的数据挖掘软件Clementine
7.2来作出分析。关于交叉销售或向上销售的示例的相关模型图例参见图1。
图1
Logistic 回归模型的结果展示在图2中。正如我们可以看到的，模型在统计上是显著的，其p值为0.000，表明是一个很好的拟合结果。另外，模型的整体分类准确率达到了89.40%，对于我们这个示例来讲，这已经达到足够准确的目的了。还有，在0.10的p值置信水平下，NUMACC（
p值0.067 ），TOTBAL（ p值0.000），CUSAGE（p值0.002）以及GENDER（p值0.000）都是统计上显著的。相应的系数的符号显示了具有很少EBANK账户但却有很高的总账户余额，同时也可以看出，那些年老的男性有更高的概率来使用EBANK提供的投资服务。
图2
最后，图3 展示了累计功效图表，说明了我们生成的交叉销售或向上销售模型能够通过更为准确的识别可能使用投资服务的客户的来增加价值，当然这是建立在给定客户的背景信息的条件下。在这里，能够使用模型帮助EBANK
决定哪些客户登陆到他们的电子账户上时，对他们提供相关投资服务的网络广告是合适的。相关的评分数据（尤其是使用投资服务的预测概率）显示在图4中.
图3
图4
|
|
