图2.11：模型部署的数据流图
图2.12：流失概率和客户价值的散点图
最后需要指出的是在本例中，模型的总体分类精确率是简化计算的。在实际使用中，一般还需要考虑误分类及其相关成本，还有流失客户和非流失客户在样本和总体中的相对比重。
3.客户细分
信用风险分析
随着金融市场逐步开放，商业银行和保险公司面临着巨大的压力和挑战。面对竞争和挑战、重点是做好客户市场细分，有效发掘客户需求，提供客户差异化服务。一个银行的客户是多种多样的，各个客户的需求也是千变万化的，银行不可能满足所有客户所有的需求，这不仅是由银行自身条件所限制，而且从经济效益方面来看也是不足取的，因而银行应该分辨出它能有效为之服务的最具吸引力的市场，扬长避短，而不是四面出击。对一个银行来说，在经营管理中应用市场细分理论是很有必要的。
客户细分的概念
客户细分的概念是美国市场学家温德尔?史密斯(Wendeii R.Smith)于20世纪50年代中期提出来的。
客户细分(Customer Segmentation)是指按照一定的标准将企业的现有客户划分为不同的客户群。客户细分是客户关系管理的核心概念之一，是实施客户关系管理重要的工具和环节。Suzanne Donner认为：正确的客户细分能够有效地降低成本，同时获得更强、更有利可图的市场渗透。通过客户细分，企业可以更好地
11
识别不同客户群体对企业的价值及其需求，以此指导企业的客户关系管理，达到吸引合适客户，保持客户，建立客户忠诚的目的。
所谓客户细分主要指企业在明确的战略、业务模式下和专注的市场条件下，根据客户的价值、需求和偏好等综合因素对客户进行分类，分属于同一客户群的消费者具备一定程度的相似性，而不同的细分客户群间存在明显的差异性。客户细分的理论依据主要有：
(1) 客户需求的异质性。影响消费者购买决策因素的差异决定了消费者的需求、消费者的消费行为必然存在区别。因此可以根据这种差异来区分不同的客户，客户需求的异质性是进行客户细分的内在依据。
(2) 消费档次假说。随着经济的发展和消费者收入水平的提高，消费量会随之增加。但消费量的增加并非线性增长，而是呈现出区间性台阶式的变化形式，一旦消费者达到某种消费层次之后，消费变化的趋势将变得非常平缓。根据消费档次假说，消费者的消费档次或消费习惯在一段时期内是相对稳定的，这就为通过消费行为来划分消费群体提供了理论前提和基础。
(3) 企业资源的有限性和有效市场竞争的目的性。资源总是希缺的，由于缺乏足够的资源去应对整个客户群体，因此必须有选择地分配资源。为了充分发挥资源的最大效用，企业必须区分不同的客户群，对不同的客户制定不同的服务策略，集中资源服务好重点客户。
(4) 稳定性。有效的客户细分还必须具有相对的稳定性，足以实现在此基础上进行的实际应用，如果变化太快，应用方案还未来得及实施，群体就已面目全非，这样的细分方法就显得毫无意义。
客户细分模型
客户群细分的目的是为了选择适合企业发展目标和资源条件的目标市场。客户细分模型是指选择一定的细分变量，按照一定的划分标准对客户进行分类的方法。一个好的细分模型，首先是要满足细分深度的要求，不同的使用者对客户细分的深度也有不同的要求，这就要求模型划分的结果能满足不同使用者的需要。其次是对数据的处理能力和容错能力，现代数据库的存储容量越来越大，数据结构也趋于多样性，误差数据也会随之增多，这就要求模型能适应数据在量和样上的膨胀，对误差数据能做出判别和处理。最后是模型要有很强的适用能力，变化是绝对的，而稳定只是相对的，无论是个人消费者还是消费群体，他们的消费行为都是在变化的，这就要求模型对客户的细分标准要随新的情况而不断更新。在对客户进行细分的方法中，除了传统的按照客户基本属性进行分类的方法以外，还有其他多种客户细分模型，如基于客户价值贡献度的细分模型、基于不同需求偏好的细分模型和基于消费行为的细分模型。基于消费者消费行为的客户细分模型研究，主要是以消费者的购买频率、消费金额等为细分变量，如RFM 模型和客户价值矩阵模型。
（1）RFM模型。RFM细分模型是根据消费者消费的间隔、频率和金额三个变量来识别重点客户的细分模型。
R－Recency指客户上次消费行为发生至今的间隔，间隔越短则R越大；F—Frequency指在一段时期内消费行为的频率；M—Monetary指在某一时期内消费的金额。研究发现，R值越大、F值越大的客户越有可能与企业达成新的交易，M越大的客户越有可能再次响应企业的产品和服务。
（2）客户价值矩阵模型。
客户价值矩阵模型是在对传统的RFM 模型修正的基础上提出的改进模型。用购买次数F和平均购买额A构成客户价值矩阵，用平均购买额替代了RFM 模型中存在多重共线性的两个变量，消除了RFM模型中购买次数和总购买额的多重共线性的影响。在客户价值矩阵中，确定购买次数F和平均购买额A的基准是各自的平均值，一旦确定了坐标轴的划分，客户就被定位在客户价值矩阵的某一象限区间内。依据客户购买次数的高低和平均购买额的多少，客户价值矩阵将客户划分成四种类型，即乐于消费型客户、优质型客户、经常客户和不确定客户，如图3.l所示。
12
图3.1：客户价值矩阵
客户细分并没有统一的模式，企业往往根据自身的需要进行客户细分，研究目的不同，用于客户细分的方法也不同。总的来讲，客户细分的方法主要有四类，一、基于客户统计学特征的客户细分；二、基于客户行为的客户细分；三、基于客户生命周期的客户细分；四、基于客户价值相关指标的客户细分。
客户细分模型的基本流程
客户细分包括六个基本流程： 第一步：理解业务需求。
在未来的业务中，知道谁是客户是个非常好的起始点，以了解瞬息万变的市场环境。清楚地了解客户也是对每个客户组采取有针对性措施的基础。客户细分就是根据其特征将相似的客户归组到一起，这是了解客户和针对特定客户组进行市场定向所不可缺少的。客户细分可根据许多不同条件而进行。这些条件可由简单的年龄、性别、地理位置或这些变量的组合来构成。当这些条件变得越来越复杂时，数据挖掘技术就应运而生了。决定使用哪些条件取决于客户细分的目的和应用方法。在使用数据挖掘开发客户细分时，最重要的部分是其结果应当在业务远景中意义深远，并且能够在实际业务环境中进一步得到应用。需要记住的一点是：由于市场环境是动态变化的，细分建模过程应当是重复性的，且模型应随着市场的变化而不断革新。
第二步：选择市场细分变量。
由于变量选择的优劣对细分结果质量的影响非常显著，所以变量选择应该建立在理解业务需求的基础之上，以需求为前提，在消费者行为和心理的基础上，根据需求选择变量。此外，变量的选择还应该有一定的数量，多了不好，少了也不好。
第三步：所需数据及其预处理。
为创建数据模型，必须使用收集到的原始数据，并将其转换成数据模型所支持的格式。我们称这个过程中的这个阶段为初始化和预处理。在金融业中进行客户行为细分通常需要行为数据和人口统计数据等类型的数据。行为数据是客户行为，可通过客户的账户信息、购买产品的信息等捕获。人口统计数据(如年龄、性别、工作等)可根据客户办理业务时，提供给金融机构的信息获得。这在识别或描述客户组的特征时很有用。
第四步：选择细分技术。
目前，通常采用聚了技术来进行客户细分。常用的聚类算法有K-means、两步聚类、Kohonen网络等，可以根据不同的数据情况和需要选择不同聚类算法来进行客户细分。
第五步：评估结果。
在对用户群进行细分之后，会得到多个细分的客户群体，但是，并不是得到的每个细分都是有效的。细分的结果应该通过下面几条规则来测试：与业务目标相关的程度；可理解性和是否容易特征化；基数是否足够大，以便保证一个特别的宣传活动；是否容易开发独特的宣传活动等。
第六步：应用细分模型。
13
根据客户细分的结果，市场部门制定合适的营销活动，进行有针对性的营销。总之，客户细分是金融机构与用户二者实现双赢的重要举措。目前用户需求呈现多样化、个性化的趋势，只有通过深入分析用户消费行为，精确识别、细分用户市场，开发出针对不同层次用户的服务品牌进行服务营销，方能使得各方价值发挥到最大，实现共赢。不同级别的客户对服务的需求以及“赢”的概念是不同的，正是因为为不同的客户提供不同的产品和服务才能使客户都达到满意，从而在市场上占据有利地位。
细分方法介绍
在数据挖掘中，往往通过聚类分析的方法来实现细分。聚类分析方法至少有以下几类：
（1）K-Means聚类法。使用者需要首先确定数据分为K群，该方法会自动确定K个群的中心位置，继而计算每条记录距离这K个中心位置的距离，按照距离最近的原则把各个记录都加入到K个群，重新计算K个群的中心位置，再次计算每条记录距离这K个中心位置的距离，并把所有记录重新归类，再次调整中心位置，依次类推……，当达到一定标准时，结束上述步骤。这种方法运算速度快，适合于大数据量。
（2）两步聚类法：这种方法首先需要确定一个最大群数（比如说n），并把数据按照一定的规则分为n个群，这是该方法的第一步。接着按照一定的规则把n个群中最接近的群进行归并，当达到一定的标准时，这种归并停止，这就是该种方法最终确定的聚类群数（比如说m），这是第二步。两步聚类法的一个显著优点是可以不指定聚类群数，它可以根据据结构本身自动确定应该把数据分为多少群。
（3）Kohonen网络聚类法：是运用神经网络的方法对数据进行细分的数据挖掘方法。为了提升客户的全面经验，许多金融机构将数据挖掘应用于客户细分在客户个人属性以及产品之间提取直观的联系。从这些现存的客户以及潜在客户中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增加交叉销售的机会，提高投资回报率（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客户的需要。数据挖掘中典型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进行（Chung和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，将客户分为不同的等级，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，并且与其它的类别之间的特征是截然不同的。
客户细分实例
假设 Z 银行拥有以下数据： 1．客户号； 2．储蓄账户余额； 3．活期账户余额； 4．投资账户余额； 5．日均交易次数； 6．信用卡支付模式； 7．是否有抵押贷款； 8．是否有赊账额度； 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；
14
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客户的特征。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3.2。
图3.2：投资账户余额分段
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3.2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3.3描述了Logistic回归模型的结果。进一步的结果表明，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和活期账户余额。进而，高价值投资组合客户的特征就由这些变量来决定。
15
