数据挖掘商业案例分析及实现.doc

1目录第一部分 金融行业应用 .51. 前言 .51.1 客户细分使客户收益最大化的同时最大程度降低风险 .51.2 客户流失挽留有价值的客户 .61.3 交叉销售 .61.4 欺诈监测 .61.5 开发新客户 .71.6 降低索赔 .71.7 信用风险分析 .72. 客户流失 .82.1 客户流失需要解决的问题 .82.2 客户流失的类型 .92.3 如何进行客户流失分析？ .92.4 客户流失应用案例 .113. 客户细分 .213.1 信用风险分析 .213.2 客户细分的概念 .213.3 客户细分模型 .223.4 客户细分模型的基本流程 .233.5 细分方法介绍 .253.6 客户细分实例 .254. 营销响应 .304.1 什么是营销响应？ .304.2 如何提高营销响应率？ .304.3 营销响应应用案例 .325. 信用评分 .385.1 信用评分背景 .385.2 信用评分的概念 .395.3 信用评分的方法 .395.4 信用评分应用案例 .426. 客户满意度研究 .506.1 为什么要进行客户满意度研究？ .506.2 满意度研究的目标和内容 .506.3 满意度研究方法 .516.4 结构方程模型在客户满意度测评中的应用 .546.5 满意度研究在金融行业中的应用 .557. CRISP-DM 简介 .577.1 数据理解 .587.2 数据准备 .587.3 建立模型 .587.4 模型评估 .5927.5 部署（发布） .598. 数据挖掘经验谈 .608.1 采用 CRISP-DM 方法论 .608.2 以终为始 .608.3 设定期望值 .608.4 限定最初的项目范围 .608.5 确保团队合作 .618.6 避免陷入数据垃圾 .619. 数据挖掘部署策略 .629.1 策略 1快速更新批处理方式 .629.2 策略 2海量数据批处理方式 .639.3 策略 3实时封装方式 .649.4 策略 4实时定制方式 .6510. 成功案例 .6710.1 国外成功案例 .6710.1.1 Banco Espirito Santo (BES).6710.1.2 Bank Financial .6710.1.3 美国汇丰银行 .6810.1.4 美国 First Union 公司 .6910.1.5 Achmea 公司 .7010.1.6 标准人寿保险公司 .7110.2 国内成功案例 .7110.2.1 中国建设银行风险预警管理项目 .7110.2.2 光大银行信贷风险管理项目 .7210.2.3 中国银行信用风险评级管理项目 .7210.2.4 中国中信银行 .7210.2.5 部分金融业客户的名单（排名不分先后） .73第二部分 电信行业应用 .741. 前言 .741.1 数据挖掘的概念 .741.2 数据挖掘技术在电信行业客户关系管理的主要应用领域如下: .751.3 数据挖掘成功方法论 .751.4 商业理解 .761.5 数据理解与数据准备 .771.6 建立模型 .771.7 模型检验 .771.8 模型发布与应用 .772. 国内数据挖掘应用中存在的问题 .782.1 数据质量和完备性 .782.2 相应的人员素质 .782.3 应用周期 .782.4 数据挖掘项目的建议： .783. 客户流失 .8033.1 客户流失需要解决的问题 .803.2 电信客户流失的类型 .813.3 如何进行客户流失分析？ .813.4 案例分析 .833.5 商业理解 .833.6 数据理解 .834. 营销响应 .894.1 为什么要进行营销响应分析？ .894.2 营销响应 .894.3 什么是营销响应？ .904.4 如何提高营销响应率？ .904.5 案例分析 .925. 客户细分 .985.1 客户细分的背景 .985.2 客户细分的概念 .985.3 客户细分模型 .995.4 客户细分模型的基本流程 .1015.5 细分方法介绍 .1025.6 客户细分实例 .1026. 客户满意度 .1066.1 结构方程模型用于客户满意度测评中的应用 .1066.2 满意度研究在金融行业中的应用 .1076.3 研究目标 .1076.4 研究过程 .1086.5 满意度研究的结果分析 .1086.6 结论 .1096.7 客户总体满意度 .1096.8 各品牌主要商业过程满意度及服务改进策略 .1096.9 各品牌主要商业过程的具体满意度及改进策略 .1107. 忠诚度 .1127.1 忠诚度水平与性质 .1127.2 离网与蚕食风险 .1147.3 提升策略 .1158. CRISP-DM 简介 .1168.1 数据挖掘经验谈 .1188.2 数据挖掘部署策略 .1199. 成功案例 .1249.1 国外成功案例 .1249.1.1 Southwestern Bell（西南贝尔） .1249.1.2 CallCounter .1249.1.3 Rural Cellular Corporatio.1279.1.4 英国电信公司 .1289.2 国内成功案例 .1309.2.1 某省级电信公司 .13049.2.2 部分国内外电信客户的名单（排名不分先后） .131第三部分 制造行业应用 .1331. 简介 .1335第一部分 金融行业应用1. 前言 随着中国加入 WTO，国内金融市场正在逐步对外开放，外资金融企业的进入在带来先进经营理念的同时，无疑也加剧了中国金融市场的竞争。金融业正在快速发生变化。合并、收购和相关法规的变化带来了空前的机会，也为金融用户提供了更多的选择。节约资金、更完善的服务诱使客户转投到竞争对手那里。即便是网上银行也面临着吸引客户的问题，最有价值的客户可能正离您而去，而您甚至还没有觉察。在这样一种复杂、激烈的竞争环境下，如何才能吸引、增加并保持最好的客户呢？数据挖掘（Data Mining，DM）是指从大量不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、有用的信息和知识的过程。其表现形式为概念（Concepts）、规则(Rules)、模式(Patterns)等形式。 用统计分析和数据挖掘解决商务问题。金融业分析方案可以帮助银行和保险业客户进行交叉销售来增加销售收入、对客户进行细分和细致的行为描述来有效挽留有价值客户、提高市场活动的响应效果、降低市场推广成本、达到有效增加客户数量的目的等。 1.1 客户细分使客户收益最大化的同时最大程度降低风险 市场全球化和购并浪潮使市场竞争日趋激烈，新的管理需求迫切要求金融机构实现业务革新。为在激烈的竞争中脱颖而出，业界领先的金融服务机构正纷纷采用成熟的统计分析和数据挖掘技术，来获取有价值的客户，提高利润率。他们在分析客户特征和产品特征的同时，实现客户细分和市场细分。数据挖掘实现客户价值的最大化和风险最小化。SPSS 预测分析技术能够适应用于各种金融服务，采用实时的预测分析技术，分析来自各种不同数据源来自 ATM、交易网站、呼叫中心以及相关分支机构的客户数据。采用各种分析技术，发现数据中的潜在价值，使营销活动更具有针对性，提高营销活动的市场回应率，使营销费用优化配置。 61.2 客户流失挽留有价值的客户在银行业和保险业，客户流失也是一个很大的问题。例如，抵押放款公司希望知道，自己的哪些客户会因为竞争对手采用低息和较宽松条款的手段而流失；保险公司则希望知道如何才能减少取消保单的情况，降低承包成本。为了留住最有价值的客户，您需要开展有效的保留活动。然而，首先您需要找出最有价值的客户，理解他们的行为。可以在整个客户群的很小一部分中尽可能多地找出潜在的流失者，从而进行有效的保留活动并降低成本。接着按照客户的价值和流失倾向给客户排序，找出最有价值的客户。 1.3 交叉销售在客户关系管理中，交叉销售是一种有助于形成客户对企业忠诚关系的重要工具，有助于企业避开“挤奶式”的饱和竞争市场。由于客户从企业那里获得更多的产品和服务，客户与企业的接触点也就越多，企业就越有机会更深入地了解客户的偏好和购买行为，因此，企业提高满足客户需求的能力就比竞争对手更有效。研究表明，银行客户关系的年限与其使用的服务数目、银行每个账户的利润率之间，存在着较强的正相关性。企业通过对现有客户进行交叉销售，客户使用企业的服务数目就会增多，客户使用银行服务的年限就会增大，每个客户的利润率也随着增大。从客户的交易数据和客户的自然属性中寻找、选择最有可能捆绑在一起销售的产品和服务，发现有价值的产品和服务组合，从而有效地向客户提供额外的服务，提高活期收入并提升客户的收益率。 1.4 欺诈监测 通过侦测欺诈、减少欺诈来降低成本。为了与欺诈活动作斗争，首先您需要预测欺诈在何时、何地发生。数据挖掘技术侦测在欺诈中常见的模式，预测欺诈活动将在哪里发生。对于银行业的公司来说，欺诈活动频繁发生的一个领域是自动取款机（ATM）。数据挖掘帮助公司预测欺诈性的 ATM 交易。银行可以来预测欺诈最有可能在哪个地理位置上发生。接着该信息就被传送给 ATM 网络的成员机构，由这些机构通知客户，让客户确定交易是否7正当，从而避免发生更多的欺诈行为。有了这些信息，他们可以更快地冻结帐户或采取其它必要的手段。 1.5 开发新客户金融机构可以使用数据挖掘技术提高市场活动的有效性。银行部门对给出反馈的活动对象进行分析，使之变成新的客户。这些信息也可应用到其它客户，以提高新的市场活动的反馈率。1.6 降低索赔保险公司都希望减少索赔的数量。可以使用聚类分析，根据现有客户的特征档案来找出哪些客户更有可能提出索赔请求。这些档案是通过对客户提取 200 至 300