基于決策樹C5.0的商業(yè)銀行客戶細(xì)分研究

王未卿 龔曉狄 劉澄

[摘 要] 客戶細(xì)分是商業(yè)銀行客戶關(guān)系管理的核心技術(shù)之一。本文首先對(duì)國(guó)內(nèi)某商業(yè)銀行客戶的性別、年齡、學(xué)歷、職業(yè)、年薪、婚姻狀況、健康狀況和居住年限8類重要屬性進(jìn)行標(biāo)準(zhǔn)化處理，利用聚類分析方法將客戶粗分為4類，進(jìn)而采用決策樹C5.0算法對(duì)該銀行客戶進(jìn)行細(xì)分，得出更為細(xì)致的分類規(guī)則。最后針對(duì)4類客戶的特征和屬性，設(shè)計(jì)出差異化的銀行客戶服務(wù)體系方案。

[關(guān)鍵詞] 客戶細(xì)分；決策樹；差異化營(yíng)銷

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2014 . 05. 019

[中圖分類號(hào)] F830.33；F830.49 [文獻(xiàn)標(biāo)識(shí)碼] A [文章編號(hào)] 1673 - 0194（2014）05- 0026- 04

0 引 言

在現(xiàn)代的商業(yè)銀行客戶關(guān)系管理（Customer Relationship Management， CRM）中，面對(duì)海量的客戶信息，銀行需要對(duì)數(shù)據(jù)庫(kù)中的原始客戶數(shù)據(jù)進(jìn)行深層次挖掘、合理分類，才有可能實(shí)現(xiàn)高效的管理。據(jù)美國(guó)META集團(tuán)的調(diào)查發(fā)現(xiàn)，數(shù)據(jù)挖掘技術(shù)已經(jīng)在美國(guó)金融業(yè)、商貿(mào)業(yè)等行業(yè)得到了廣泛的應(yīng)用。采用數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘技術(shù)的企業(yè)大幅度提高了投資回報(bào)率，部分優(yōu)秀企業(yè)的投資回報(bào)率甚至達(dá)到每年600%。毋庸置疑，數(shù)據(jù)挖掘技術(shù)優(yōu)化了CRM系統(tǒng)的服務(wù)功能，可以為客戶服務(wù)提供準(zhǔn)確的參考信息，提高客戶事務(wù)的處理能力。因此，在銀行客戶管理中，數(shù)據(jù)挖掘技術(shù)得到高度重視。

利用數(shù)據(jù)挖掘技術(shù)對(duì)客戶進(jìn)行細(xì)分是客戶關(guān)系管理的重要一環(huán)。學(xué)者們致力于開發(fā)不同的數(shù)據(jù)挖掘技術(shù)進(jìn)行客戶細(xì)分研究，如基于KSP混合聚類算法的移動(dòng)商務(wù)中的客戶細(xì)分、基于模糊聚類集成算法的客戶細(xì)分等。對(duì)商業(yè)銀行而言，客戶的細(xì)分可以幫助銀行識(shí)別優(yōu)質(zhì)客戶，并針對(duì)不同客戶執(zhí)行個(gè)性化的營(yíng)銷策略，以實(shí)現(xiàn)合理分配資源，更好地進(jìn)行經(jīng)營(yíng)決策。其中，決策樹分類技術(shù)就是一種有效的對(duì)銀行客戶進(jìn)行分類的數(shù)據(jù)挖掘技術(shù)。最早，Quinlan等人（1986）提出決策樹ID3方法，該算法采用信息增益選擇策略的方式進(jìn)行分類，具有使用簡(jiǎn)單、樣本識(shí)別率高等優(yōu)點(diǎn)，被廣泛應(yīng)用于客戶價(jià)值分析、反洗錢、客戶貸款預(yù)測(cè)等方面。ID3方法在銀行客戶分類中的應(yīng)用在很大程度上提高了客戶分類的準(zhǔn)確度。此后，一些學(xué)者開始嘗試對(duì)ID3算法進(jìn)行改進(jìn)?？到『土涸蕵s（2003）改進(jìn)了決策樹的ID3算法，提出了數(shù)據(jù)挖掘結(jié)果可視化展現(xiàn)的兩層軟件結(jié)構(gòu)，并以內(nèi)蒙某銀行為例驗(yàn)證了算法的可行性。鄒鵬 等（2011）針對(duì)客戶錯(cuò)誤分類不平衡的問(wèn)題，對(duì)經(jīng)典的ID3信息增益決策樹算法進(jìn)行改進(jìn)，把對(duì)客戶誤判的代價(jià)納入考量范圍，構(gòu)建了一個(gè)代價(jià)敏感的決策樹對(duì)客戶價(jià)值進(jìn)行細(xì)分，驗(yàn)證了這個(gè)方法在挖掘優(yōu)質(zhì)客戶時(shí)更有效。

綜上所述，客戶關(guān)系管理要求銀行與客戶之間建立有效的溝通渠道，而決策樹分類技術(shù)進(jìn)一步優(yōu)化溝通的有效性，提高客戶關(guān)系管理效果，優(yōu)化管理決策。盡管如此，目前決策樹分類技術(shù)在銀行客戶分類應(yīng)用中仍然存在一些不足之處：一是決策樹算法的精度和效率有待于進(jìn)一步提高；二是在對(duì)銀行客戶細(xì)分之后，缺乏針對(duì)不同客戶營(yíng)銷方案的設(shè)計(jì)。針對(duì)以上不足，本文將繼續(xù)探索基于決策樹的銀行客戶分類研究，利用精度更高的C5.0決策樹分類算法，以銀行的真實(shí)數(shù)據(jù)樣本為例，對(duì)銀行客戶進(jìn)行細(xì)分，進(jìn)而針對(duì)不同類型的客戶提供具體的營(yíng)銷方案。

1 決策樹C5.0算法

在經(jīng)歷決策樹ID3、C4.5算法之后，C5.0算法采用決策樹剪枝技術(shù)和Boosting技術(shù)，減少了過(guò)度擬合問(wèn)題，有效地提高了算法的效率和精度，并提升了處理大型數(shù)據(jù)的能力。

C5.0 算法采用最大屬性信息增益率來(lái)選擇屬性，下面簡(jiǎn)要介紹 C5.0 決策樹的產(chǎn)生及計(jì)算過(guò)程。假設(shè)集合數(shù)據(jù)S按屬性C劃分為m類不同的類數(shù)據(jù)子集Ci（i=1，2，…，m），每個(gè)類數(shù)據(jù)子集Ci（i=1，2，…，m）的樣本數(shù)為ni（i=1，2，…，m），pi為類別Ci（i=1，2，…，m）樣本數(shù)ni（i=1，2，…，m）占總樣本數(shù)n的比例，即pi=ni /n。S是n個(gè)樣本數(shù)據(jù)的集合，樣本數(shù)據(jù)集合的信息熵用下式表示：

E（S）=-■pi log2（pi）（1）

假設(shè)屬性A將樣本數(shù)據(jù)集合S劃分成v個(gè)子集Sv，每個(gè)子集Sv的取值均為av，nij是子集Sj中屬于Ci（i=1，2，…，m）類的樣本數(shù)，p′j是屬于屬性A的屬性值為aj的樣本數(shù)占總樣本數(shù)的比例，即p′j=■nij/n，pij是屬性A屬性值為aj時(shí)，類別為Ci（i=1，2，…，m）的概率，即pij=nij/■nij。屬性A的條件熵可以用下式表示：

E（S|A）=-■p′j■pij log2（pij）（2）

進(jìn)而可以得到屬性A的信息增益Gain（A），信息熵SplitI（A）和信息增益率GainRatio（A），三者的表達(dá)式分別為：

Gain（A）=E（S）-E（S|A）（3）

SplitI（A）=-■p′j log2（p′j）（4）

GainRatio（A）=Gain（A）/SplitI（A）（5）

然后通過(guò)比較各個(gè)屬性的信息增益率即可確定決策樹的節(jié)點(diǎn)，重復(fù)以上過(guò)程，最終能夠得出屬性分類的決策樹。

2 商業(yè)銀行客戶分類

2.1 銀行客戶樣本及細(xì)分變量的選取

客戶樣本是從北京市某商業(yè)銀行客戶數(shù)據(jù)庫(kù)中隨機(jī)抽選得到，樣本數(shù)量為500個(gè)。每個(gè)銀行客戶樣本涵蓋其基本的個(gè)人信息、收入狀況和信用狀況等。

細(xì)分變量的選擇是客戶細(xì)分的基礎(chǔ)，在進(jìn)行銀行客戶細(xì)分變量的選取時(shí)，重點(diǎn)考慮變量的代表指標(biāo)的可獲得性、變量之間的差異性和變量的時(shí)效性。通常情況下，細(xì)分變量主要分為行為變量和描述型變量?jī)深?。行為變量是指涉及客戶消費(fèi)行為和其與銀行相互關(guān)系的一系列變量指標(biāo)，它可以幫助銀行的營(yíng)銷人員和客戶服務(wù)人員掌握和理解客戶的交易行為。描述型變量主要是描述客戶基本屬性信息的靜態(tài)數(shù)據(jù)，如客戶的性別、年齡、年薪、房屋住所等變量。

綜合考量銀行客戶細(xì)分變量的注意事項(xiàng)，本文采取描述型變量細(xì)分法，選取性別、年齡、學(xué)歷、職業(yè)、年薪、婚姻狀況、健康狀況和居住年限8個(gè)變量作為銀行客戶細(xì)分的指標(biāo)。

2.2 基于聚類分析的銀行客戶初分

為了對(duì)銀行客戶特征進(jìn)行初步的判斷，采用聚類分析的方法對(duì)500個(gè)客戶樣本進(jìn)行初分。在聚類分析之前，首先將銀行客戶的各類特征屬性進(jìn)行標(biāo)準(zhǔn)化處理，處理的方法是將各指標(biāo)按照屬性的特征分為2～4類，具體規(guī)則見表1。

以上指標(biāo)經(jīng)過(guò)量化處理后，利用SPSS軟件中的系統(tǒng)聚類方法對(duì)原始數(shù)據(jù)進(jìn)行聚類分析，其中距離分析采用歐氏距離和類平均法。選取閾值16，將500名銀行客戶分為4類：低檔客戶、關(guān)注客戶、普通客戶以及重要客戶。分類結(jié)果描述如下。

（1）低檔客戶：類別1為低檔客戶，共有51位，年齡大部分在40～50歲之間，年薪整體水平相對(duì)較低，不正常。

（2）重要客戶：類別2為重要客戶，共有264位，年齡大部分在40～50歲之間，年薪整體水平相對(duì)較高，正常。

（3）關(guān)注客戶：類別3為關(guān)注客戶，共有37位，年齡大部分在35～45歲之間，年薪整體水平相對(duì)較低，不正常。

（4）普通客戶：類別4為普通客戶，共有148位，年齡大部分在20～30歲之間，未婚者多，年薪整體水平相對(duì)不高，正常。

2.3 基于決策樹的銀行客戶細(xì)分

在對(duì)銀行客戶的進(jìn)行決策樹細(xì)分之前，仍然需要對(duì)其8類特征屬性進(jìn)行標(biāo)準(zhǔn)化處理，然后按照聚類分析的4類客戶結(jié)果進(jìn)行匹配，挖掘客戶分類更為細(xì)致的規(guī)則。利用決策樹C5.0 方法對(duì)商業(yè)銀行客戶進(jìn)行分類，主要通過(guò)第二部分介紹的計(jì)算節(jié)點(diǎn)特征屬性信息增益率的方法對(duì)各類屬性進(jìn)行劃分。具體的過(guò)程利用SPSS Clementime軟件來(lái)實(shí)現(xiàn)，并采用決策樹剪枝技術(shù)和Boosting技術(shù)提高分類的精確性。最終，在調(diào)節(jié)CF值為0.25，Boosting技術(shù)迭代5次的情況下，SPSS Clementime軟件進(jìn)行決策樹分類達(dá)到最優(yōu)的效果。最優(yōu)決策樹共含有10個(gè)葉節(jié)點(diǎn)，如圖1所示。

總結(jié)銀行客戶決策樹分類結(jié)果，得出10個(gè)葉節(jié)點(diǎn)的決策規(guī)則，具體內(nèi)容如下：

（1）年薪30萬(wàn)元以上（第三、四類），則認(rèn)定該客戶為重要客戶。

（2）年薪30萬(wàn)元以下（第一、二類），年齡36歲以上（第三、四類），且學(xué)歷為高中、中專（第二類），則認(rèn)定該客戶為低檔客戶。

（3）年薪30萬(wàn)元以下（第一、二類），年齡36歲以上（第三、四類），且學(xué)歷為初中以下或本科以上（第一、三、四類），健康狀況良（第二類），則認(rèn)定該客戶為重要客戶。

（4）年薪30萬(wàn)元以下（第一、二類），年齡46歲以上（第四類），且學(xué)歷為初中以下或本科以上（第一、三、四類），健康狀況優(yōu)（第一類），則認(rèn)定該客戶為重要客戶。

（5）年薪30萬(wàn)元以下（第一、二類），年齡36～45歲之間（第三類），且學(xué)歷為初中以下或本科、大專（第一、三類），健康狀況為優(yōu)（第一類），則認(rèn)定該客戶為關(guān)注客戶。

（6）年薪30萬(wàn)元以下（第一、二類），年齡在36～45歲之間（第三類），且學(xué)歷為碩士或博士（第四類），健康狀況為優(yōu)（第一類），則認(rèn)定該客戶為普通客戶。

（7）年薪30萬(wàn)元以下（第一、二類），年齡20～35歲之間（第一、二類），性別男（第一類），則認(rèn)定該客戶為普通客戶。

（8）年薪30萬(wàn)元以下（第一、二類），年齡20～35之間（第一、二類），性別女（第二類），職業(yè)為教師、勘探設(shè)計(jì)、建筑設(shè)計(jì)、醫(yī)務(wù)服務(wù)類（第一、三類），學(xué)歷為本科、大專（第三類），則認(rèn)定該客戶為重要客戶。

（9）年薪30萬(wàn)元以下（第一、二類），年齡20～35之間（第一、二類），性別女（第二類），職業(yè)為教師、勘探設(shè)計(jì)、建筑設(shè)計(jì)、醫(yī)務(wù)服務(wù)類（第三類），學(xué)歷為碩士、博士（第四類），則認(rèn)定該客戶為普通客戶。

（10）年薪30萬(wàn)元以下（第一、二類），年齡20～35之間（第一、二類），性別女（第二類），職業(yè)為農(nóng)民、工人、學(xué)生、服務(wù)員、廣播電視臺(tái)、石化公司、網(wǎng)通保險(xiǎn)、銀行職員、軍人、煙草、公務(wù)員、房地產(chǎn)、進(jìn)出口貿(mào)易類（第一、二類），則為普通客戶。

3 商業(yè)銀行客戶分類營(yíng)銷方案設(shè)計(jì)

在對(duì)客戶細(xì)分之后，商業(yè)銀行可以針對(duì)不同的客戶采取差異化的營(yíng)銷方式。這樣不僅能夠有效地降低銀行運(yùn)營(yíng)成本，同時(shí)還可以為目標(biāo)客戶提供滿意的產(chǎn)品和服務(wù)，以擴(kuò)大市場(chǎng)占有率。為此，本部分針對(duì)聚類分析得到的4類商業(yè)銀行客戶群，結(jié)合決策樹細(xì)分所得出的分類規(guī)則，為其設(shè)計(jì)差異化的營(yíng)銷方案。

3.1 重要客戶

重要客戶對(duì)銀行的綜合貢獻(xiàn)最大，是銀行主要的收入來(lái)源。因此，針對(duì)此類客戶銀行應(yīng)當(dāng)采取的策略有：建立客戶經(jīng)理“一對(duì)一”的服務(wù)制度，為其提供“一對(duì)一”的人性化、優(yōu)質(zhì)化服務(wù)，對(duì)此類客戶的服務(wù)最終應(yīng)發(fā)展成為西方銀行所流行的私人銀行業(yè)務(wù)。提供個(gè)人高端理財(cái)業(yè)務(wù)、離岸業(yè)務(wù)、境外結(jié)算、實(shí)時(shí)匯兌、衍生交易、受托金融資產(chǎn)管理、代客投資理財(cái)?shù)确?wù)，同時(shí)還可以提供各種優(yōu)惠，包括減免借記卡和信用卡的年費(fèi)、透支使用的利息、代收付業(yè)務(wù)的費(fèi)用；優(yōu)惠貸款利率、外匯買賣匯率、證券交易傭金等。通過(guò)上述方式為此類最有價(jià)值的客戶群體提供量身定制的個(gè)性化產(chǎn)品，提高客戶的滿意度與忠誠(chéng)度。

3.2 普通客戶

從聚類分析的結(jié)果來(lái)看，本文所劃分的普通客戶的平均年薪整體水平不高，同時(shí)居住年限也多為10年以下甚至有1/3以上的居住年限為5年以下，但是平均學(xué)歷卻比較高，大多數(shù)為本科以上學(xué)歷，所以這類客戶基本處于事業(yè)發(fā)展的初期階段，大多數(shù)應(yīng)為年輕客戶，同時(shí)，升為重要客戶的可能性比較大，因此可以針對(duì)其特點(diǎn)實(shí)行特別的營(yíng)銷策略。

首先，要定期對(duì)客戶的成長(zhǎng)潛力進(jìn)行有效評(píng)估，比如可以觀察其年薪增長(zhǎng)率和儲(chǔ)蓄基金等賬戶金額變動(dòng)，對(duì)一些有較大可能發(fā)展為重要客戶的客戶，可以開展持卡消費(fèi)積分或者抽獎(jiǎng)以及持卡繳費(fèi)減免手續(xù)費(fèi)等優(yōu)惠活動(dòng)。其次，對(duì)于這類客戶中年薪增長(zhǎng)緩慢但是也能給銀行帶來(lái)穩(wěn)定收入的客戶，銀行可以盡可能多地進(jìn)行客戶問(wèn)卷調(diào)查或回訪，了解其需求，通過(guò)提供更優(yōu)質(zhì)的、個(gè)性化的服務(wù)來(lái)吸引這些客戶，比如銀行可以針對(duì)性地為客戶提供一些理財(cái)產(chǎn)品或者基金產(chǎn)品；針對(duì)客戶的消費(fèi)行為，提供POS消費(fèi)免手續(xù)費(fèi)；完善銀行的網(wǎng)上付款系統(tǒng)，降低客戶消費(fèi)成本，使他們更忠誠(chéng)于本銀行，從而持久性地為銀行創(chuàng)造價(jià)值。

3.3 低檔客戶

本文所劃分的低檔客戶存在的特點(diǎn)是居住年限長(zhǎng)達(dá)18.6年，平均年薪雖然遠(yuǎn)遠(yuǎn)低于重點(diǎn)客戶，但是卻高于普通客戶和關(guān)注客戶，說(shuō)明這組客戶群應(yīng)該是中年穩(wěn)定客戶，他們的賬戶總額應(yīng)該不會(huì)有太大變動(dòng)，收入也不是特別高，因此對(duì)于這類客戶主要任務(wù)是采取相應(yīng)的營(yíng)銷策略防止其流失。

因?yàn)樵擃惪蛻艚o銀行帶來(lái)穩(wěn)定的收益，且中年客戶不像年輕客戶沒(méi)有很多的消費(fèi)金額，因此可以針對(duì)這類客戶的刷卡消費(fèi)進(jìn)行消費(fèi)積分，一方面是鼓勵(lì)消費(fèi)，增加銀行的業(yè)務(wù)收入，另一方面對(duì)客戶的消費(fèi)積分進(jìn)行累計(jì)換購(gòu)或者積分換禮等活動(dòng)，提升這類客戶的忠誠(chéng)度，保證銀行的這類客戶的利潤(rùn)來(lái)源。同時(shí)這類客戶可能對(duì)銀行的中間代收業(yè)務(wù)使用頻繁，可以為他們提供便捷的自助式繳費(fèi)方式，如存折、銀行卡繳費(fèi)服務(wù)等，以防止這類客戶流失。

3.4 關(guān)注客戶

關(guān)注類客戶群的年齡范圍在35～45歲之間，年薪在4類客戶群體中是最低的。此類客戶貸款違約的可能性較大，是對(duì)商業(yè)銀行的收入貢獻(xiàn)最低的，也是對(duì)于銀行來(lái)說(shuō)價(jià)值最低的。因此，此類客戶對(duì)銀行的吸引力較小，銀行將投入較少的資源甚至采取一些營(yíng)銷策略試圖解除與該類客戶的關(guān)系。

盡管如此，銀行也不能以任何理由將此類客戶拒之門外，而向其收取額外的服務(wù)費(fèi)用也是有限制的。因此，銀行只好被動(dòng)地為其提供存款類業(yè)務(wù)和一些中間服務(wù)，包括定期存款、活期存折、存單質(zhì)押、轉(zhuǎn)賬匯款、自助銀行、網(wǎng)上銀行、電話銀行和代收代付中間業(yè)務(wù)等。而對(duì)于此類客戶的貸款業(yè)務(wù)，應(yīng)當(dāng)著重預(yù)防違約風(fēng)險(xiǎn)的發(fā)生。此外，銀行還可以通過(guò)縮減為此類客戶辦理業(yè)務(wù)的柜臺(tái)數(shù)量，鼓勵(lì)其使用自助柜員終端，而達(dá)到合理配置銀行有限資源的目的，同時(shí)，可以鼓勵(lì)或強(qiáng)制要求此類低效客戶歸并小額活期存款戶頭，并在政策的指導(dǎo)下收取小額賬戶管理費(fèi)，以達(dá)到逐步清掃低價(jià)值客戶的目的，從而縮減銀行運(yùn)營(yíng)成本，增加收益。

4 結(jié) 論

商業(yè)銀行客戶細(xì)分，對(duì)銀行了解客戶特征和需求，實(shí)施差異化的服務(wù)體系，保持并擴(kuò)大客戶資源具有重要意義。本文主要采用決策樹C5.0算法對(duì)商業(yè)銀行客戶進(jìn)行了細(xì)分。首先梳理決策樹算法的發(fā)展概況，選用精度較高，使用范圍較廣的C5.0算法作為核心分類工具。通過(guò)遴選出商業(yè)銀行客戶的性別、年齡、學(xué)歷、職業(yè)、年薪、婚姻狀況、健康狀況和居住年限8類重要屬性，利用聚類分析方法將客戶粗分為重要客戶、普通客戶、低檔客戶與關(guān)注客戶4類，進(jìn)而采用C5.0的決策樹算法對(duì)客戶進(jìn)行細(xì)分，得出更為細(xì)致的分類規(guī)則。最后針對(duì)4類客戶的特征和屬性，設(shè)計(jì)了差異化的銀行客戶服務(wù)體系方案，以期為銀行與客戶之間建立長(zhǎng)期而穩(wěn)定的合作關(guān)系，完善客戶關(guān)系管理，實(shí)現(xiàn)銀行收益的持續(xù)增加提供有價(jià)值的參考。

主要參考文獻(xiàn)

[1]Kim T S， Kim H K， Song H S， et al. Detecting the Change of Customer Behavior Based on Decision Tree Analysis [J]. Expert Systems， 2005， 22（4）：193-205.

[2]Koh H C， Chan K L G. Data Mining and Customer Relationship Marketing in the Banking Industry[J]. Singapore Management Review， 2002， 24（2）： 1-27.

[3]Quinlan J R. Bagging，Boosting， and C4.5[C]. Procceding of 14th National Conference on Artificial Intelligence.Portland， Oregon， 1996： 725-730.

[4]Quinlan J R. Boosting First-order Learning[C].Proceedings of 7th Internationol Work Shop of Algorithmic Learning Theory. Sydney，Australia， 1996： 143-155.

[5]Quinlan J R. Induction of Decision Trees[J]. Machine Learning，1986， 1（1）：81-106.

[6]Tillett L S. Banks Mine Customer Data[J]. Internet Week， 2000（831）：45-46.

[7]鄧曉懿，金淳，樋口良之，等.移動(dòng)商務(wù)中面向客戶細(xì)分的KSP混合聚類算法[J].管理科學(xué)，2011（4）：54-61.

[8]高偉，賀昌政，蔣曉毅.基于模糊聚類集成算法的客戶細(xì)分研究[J].情報(bào)雜志，2011（4）：125-128.

[9]康健，梁允榮.分類挖掘技術(shù)在金融客戶關(guān)系管理中的應(yīng)用[J].北京理工大學(xué)學(xué)報(bào)，2003，23（2）：207-211.

[10]鄒鵬，莫佳卉，江亦華，等.基于代價(jià)敏感決策樹的客戶價(jià)值細(xì)分[J].管理科學(xué)，2011，24（2）：20-29.