基于海量銀行卡的數(shù)據(jù)挖掘推薦系統(tǒng)研究與應(yīng)用

田甜 蔡雅雅 李爽

關(guān)鍵詞：銀行卡；數(shù)據(jù)挖掘；實時推薦

1引言

傳統(tǒng)的顧客推薦系統(tǒng)根據(jù)用戶的過去行為做出推薦，或者應(yīng)用傳統(tǒng)的關(guān)聯(lián)規(guī)則模型的APRIORI算法[1]，計算出所有的頻繁集，根據(jù)預(yù)設(shè)的支持度和置信度，計算出不同的事物間的關(guān)聯(lián)度。但是，這種方法具有相對局限性，截至2019年年末，中國銀行卡累計發(fā)卡量達(dá)85.3億張，持卡人超過10億，我國境內(nèi)受理商戶累計2363萬戶，由此每天產(chǎn)生了海量的交易數(shù)據(jù)。推薦算法在人類生活中很早就已經(jīng)得到了應(yīng)用，如向朋友推薦可能感興趣的人、可能感興趣的書籍、可能喜歡吃的食物。而隨著互聯(lián)網(wǎng)昀普及，這種推薦方式逐漸從人們的生活經(jīng)驗中轉(zhuǎn)移到了大型的數(shù)據(jù)中心和研究中心，使用數(shù)學(xué)公式和現(xiàn)代化的分析工具進(jìn)行分析。從最開始的各類熱點排行榜[2]，到之后的各類網(wǎng)站推出的“猜你喜歡”[3]，再到根據(jù)用戶行為數(shù)據(jù)分析得到有效數(shù)據(jù)的各種個性化推薦系統(tǒng)。應(yīng)用傳統(tǒng)的方法在數(shù)據(jù)集合中挖掘消費行為，不僅效率低下，而且需要大量手工分析，不利于實現(xiàn)系統(tǒng)的實時性和有效性。本文介紹了一種基于海量銀行卡的數(shù)據(jù)挖掘推薦系統(tǒng)，無須借助商業(yè)挖掘工具，就能實現(xiàn)實時和非實時推薦。

2數(shù)據(jù)挖掘簡介

2.1確定對象

數(shù)據(jù)挖掘先要確定目標(biāo)，然后對現(xiàn)有資源進(jìn)行評估，再確定問題是否能通過數(shù)據(jù)挖掘來解決。挖掘的最后結(jié)果是不可預(yù)測的，但要探索的問題應(yīng)該有預(yù)見性和目標(biāo)性。一般而言，數(shù)據(jù)挖掘側(cè)重解決四類問題，即分類、聚類、關(guān)聯(lián)、預(yù)測[4]。

2.2分類問題

分類問題屬于預(yù)測性問題，與預(yù)測問題的區(qū)別在于其預(yù)測結(jié)果是類別（如A，B，C三類），而不是一個具體的數(shù)值（如100、1000）[5]。在商業(yè)應(yīng)用中，分類問題實踐中使用最多，如預(yù)測哪些客戶會參與某個促銷活動，預(yù)測哪些客戶在未來一段時間是否會停止使用銀行卡。解決這一類問題的前提是通過歷史數(shù)據(jù)的收集，明確某些用戶的分類結(jié)果，確認(rèn)分類成功的前提是要有明確的樣本集。

2.3聚類問題

聚類主要解決的是把一群對象劃分成若干個組的問題，其主要特征是需要明確的數(shù)據(jù)支持，僅根據(jù)在數(shù)據(jù)中發(fā)現(xiàn)的描述對象及其關(guān)系的信息將數(shù)據(jù)分組。目標(biāo)是組內(nèi)的對象相互之間是相似的，而不同組中的對象是不同的。例如，需要選擇的若干個指標(biāo)項（如渠道、商戶類型、交易金額等），對已有的用戶群進(jìn)行劃分，特征相似的用戶聚為一類，特征不同的用戶分屬于不同的類。

2.4關(guān)聯(lián)問題

關(guān)聯(lián)問題主要是解決世界上萬事萬物間千絲萬縷的聯(lián)系的問題。關(guān)聯(lián)分析可從大量數(shù)據(jù)中發(fā)現(xiàn)事物、特征或者數(shù)據(jù)之間頻繁出現(xiàn)的相互依賴關(guān)系和關(guān)聯(lián)關(guān)系。這些關(guān)聯(lián)并不總是事先知道的，而是通過集中數(shù)據(jù)的關(guān)聯(lián)分析獲得的。例如，一群持卡人去了多種商戶類型的商戶，哪些同時去的商戶類型的概率比較高：去了A商戶的同時，接下來去哪些商戶的概率比較高。

2.5預(yù)測問題

預(yù)測主要指的是預(yù)測變量的取值為連續(xù)數(shù)值型的情況。預(yù)測的目的是利用過去已有的知識和發(fā)生過的事情來更好地了解未來，以及做出合理的期望。例如，預(yù)測下一年度的GDP增長率以及銀聯(lián)卡產(chǎn)業(yè)下一年度的新增持卡人數(shù)等。預(yù)測問題的解決更多的是采用統(tǒng)計學(xué)的技術(shù)，如回歸分析和時間序列分析。

2.6實時推薦系統(tǒng)

本文介紹的實時推薦系統(tǒng)分為三個部分，即數(shù)據(jù)ETL流程、行為數(shù)據(jù)挖掘和營銷實施（圖1）。

（1）數(shù)據(jù)ETL流程：數(shù)據(jù)抽取、轉(zhuǎn)換、加載、集成的實時性。

（2）行為數(shù)據(jù)挖掘：通過數(shù)據(jù)挖掘，以產(chǎn)生決策支持的實時性。

（3）營銷實施：將決策支持付諸于實施的實時性。

3數(shù)據(jù)準(zhǔn)備

根據(jù)不同的業(yè)務(wù)問題，選取不同的、相關(guān)的內(nèi)部數(shù)據(jù)和外部數(shù)據(jù)信息，并從中選擇出適用于數(shù)據(jù)挖掘應(yīng)用的數(shù)據(jù)。下文以營銷“麻辣風(fēng)暴”為例，數(shù)據(jù)的篩選分為兩個方面，即數(shù)據(jù)口徑和樣品集范圍。

3.1數(shù)據(jù)口徑

根據(jù)營銷的目標(biāo)導(dǎo)向，旨在發(fā)掘商戶間的關(guān)聯(lián)信息進(jìn)行針對性營銷，挖掘相關(guān)聯(lián)的商戶間的持卡人的線下消費交易行為，所以數(shù)據(jù)口徑確定為：數(shù)據(jù)的度量口徑為交易金額、交易筆數(shù)、活動持卡人數(shù)等；由于營銷的主要渠道是線下到店商戶交易，因此消費的渠道為銀行銀商POS或其他線下消費。

3.2樣品集合

3.2.1時間

營銷時間的篩選。首先，不同商戶間商戶類型的關(guān)聯(lián)性會隨著刷卡時間的不同出現(xiàn)差異。其次，對于營銷的響應(yīng)度而言，樣品時間越長營銷響應(yīng)度越低。因此，確定了營銷的投送時間，也就確定了數(shù)據(jù)的篩選時間。最后，節(jié)假日的不同也會影響商戶間的關(guān)聯(lián)行為。例如，“火鍋類餐飲”商戶在冬季消費的關(guān)聯(lián)性與在夏季消費的關(guān)聯(lián)性可能會出現(xiàn)不同。原因一是，樣品集合在冬季較多。原因二是，樣品集在夏季消費的商戶與在冬季消費的商戶對比會各有側(cè)重。另外，營銷時間的篩選基準(zhǔn)為“一個月”，可以根據(jù)營銷目標(biāo)的月份進(jìn)行針對性篩選。例如，在12月對“麻辣風(fēng)暴”進(jìn)行營銷，數(shù)據(jù)的樣品集可以選擇上一年12月的同比數(shù)據(jù)，或者是同年10月的環(huán)比數(shù)據(jù)。篩選的時間范圍可以按照“季度”調(diào)整。以季度篩選，可以提高關(guān)聯(lián)性的精確度，但卻影響了結(jié)果的響應(yīng)度。篩選的時間范圍也可以按照“年度”調(diào)整，以“年度”調(diào)整一般用于研究報告，周期比較長，運行的時間也較長。

3.2.2卡數(shù)量

此項主要針對的是卡樣品集的篩選。由于不同商戶間商戶受理的銀行卡張數(shù)不同，需要篩選的卡的樣品集合也不一樣?？紤]到樣品集合的運行效率和樣品集合的準(zhǔn)確度，選擇以最大10萬為準(zhǔn)，依次為5萬或者1萬以下。由此可以綜合考慮商戶的規(guī)模集。

3.2.3地區(qū)

針對商戶的受理地區(qū)的選擇，根據(jù)商戶類型的不同，進(jìn)行針對篩選。如果是本地餐飲類，可以考慮篩選受理地區(qū)為“本地”的關(guān)聯(lián)餐飲商戶，如“麻辣風(fēng)暴”“點都德”“海底撈火鍋”。如果是旅游業(yè)態(tài)為主的商戶，如“迪斯尼度假區(qū)”“歡樂谷”“世博園”，則需要關(guān)注全國各地的關(guān)聯(lián)商戶。

4數(shù)據(jù)清洗及預(yù)處理

由研究數(shù)據(jù)的質(zhì)量、應(yīng)用異常值分析模塊、進(jìn)行相關(guān)性分析、選擇相關(guān)因子、排除相關(guān)數(shù)據(jù)、進(jìn)行數(shù)據(jù)的清理轉(zhuǎn)換、建立相關(guān)的匯總寬表、調(diào)整數(shù)據(jù)結(jié)構(gòu)等模塊組成，為進(jìn)一步的分析做準(zhǔn)備，并確定將要進(jìn)行的挖掘操作的各個字段的類型。

（1）異常值分析模塊：應(yīng)用到所有的挖掘模型，用來確定異常的數(shù)據(jù)，適用于大多數(shù)的模型。

（2）數(shù)據(jù)審查模塊：檢查數(shù)據(jù)的分布情況。

（3）相關(guān)性分析模塊：適用于因子較多的模型，用來篩選合適的因子經(jīng)過數(shù)據(jù)審查的模塊。

如果發(fā)現(xiàn)具有大量的金額值小于5元的測試數(shù)據(jù)，就會影響關(guān)聯(lián)的效果。因此，在數(shù)據(jù)的清洗過程中，還要清除交易金額值小于5元的測試數(shù)據(jù)。經(jīng)過數(shù)據(jù)預(yù)處理后，將數(shù)據(jù)轉(zhuǎn)換成一張分析表，這張分析表是針對關(guān)聯(lián)算法而建立的。

5數(shù)據(jù)算法流程

關(guān)聯(lián)算法的模型分為兩大步驟，即挖掘出關(guān)聯(lián)商戶、挖掘出相關(guān)人群。

算法的開始確認(rèn)5個主要參數(shù)：I，J，K，L和S。I代表的是樣品的時間參數(shù)：J代表的是樣品的卡張數(shù)：K代表的是關(guān)聯(lián)商戶的名單：L代表的是目標(biāo)人群的卡量；S代表的是持卡人RFM評分結(jié)果。經(jīng)過兩個流程的梳理，再挖掘出營銷關(guān)聯(lián)強(qiáng)商戶和營銷的目標(biāo)人群。

算法：Generate_P romotion_List。

輸入：商戶消費信息庫，記作M;個人消費庫，記作D；商戶類別庫，記作L。

輸出：營銷人群列表L

方法：（1）掃描商戶消費信息庫M-次，收集目標(biāo)營銷商戶C集合的人群列表；（2）掃描個人消費信息庫D-次，收集目標(biāo)C的所有商戶消費記錄B；（3）調(diào)用confidence_ calc來計算關(guān)聯(lián)關(guān)系。該執(zhí)行過程如下，如果B中商戶消費中，消費記錄則消費N的計數(shù)增加l，對N按照置信度計數(shù)；（4）掃描商戶消費信息庫M，篩選關(guān)聯(lián)度緊密用戶自定義的商戶類別（餐飲、百貨、大型倉儲式超級市場），選擇指定商戶篩選出人群列表L；（5）IF M.card_no=L．card_no then收集該卡的交易行為；（6）對個人RFM評分S；（7）根據(jù)分值S返回營銷列表L。

6結(jié)果分析

通過大量數(shù)據(jù)分析實驗，結(jié)果表明，川菜的代表“麻辣風(fēng)暴”人群和粵菜的代表“天天漁港”人群關(guān)聯(lián)商戶有明顯差異。例如，去過“麻辣風(fēng)暴”的入群比較喜歡去“歡樂谷”和“科技館”：去過“天天漁港”的人群比較喜歡去“植物園”和“海洋水族館”。以下是部分輸出結(jié)果展示。

如上輸出結(jié)果所示，比較“麻辣風(fēng)暴”和“天天漁港”主題挖掘結(jié)果：在每家商戶中，均有不同的關(guān)聯(lián)度最高的商戶。在商戶中，有相同的商戶地點，也有不同的商戶地點。結(jié)果顯示，在同餐飲商戶類別中，不同商戶的關(guān)聯(lián)結(jié)果是不一致的，證明了結(jié)果的差異性和有效性。

7結(jié)束語

在“大數(shù)據(jù)”時代，數(shù)據(jù)量異常龐大，以不同類型的結(jié)構(gòu)加速數(shù)據(jù)生產(chǎn)，支持龐大的數(shù)據(jù)分析規(guī)模是一項非常有意義的工作。本文介紹了一種數(shù)據(jù)挖掘量化的方法和系統(tǒng)，該過程描述了從粗放式營銷到活動卡營銷，再到區(qū)域性營銷，最后到精準(zhǔn)營銷的數(shù)據(jù)量的變化過程，進(jìn)一步說明應(yīng)用該方法不僅增加了營銷的準(zhǔn)確性，而且增加了營銷的有效性。其中，粗放式營銷是指對已經(jīng)發(fā)卡的卡片進(jìn)行大規(guī)模營銷：活動卡營銷是指針對全國活動的卡片進(jìn)行營銷：區(qū)域性營銷是指針對特定地區(qū)的所有卡片進(jìn)行大面積營銷：精準(zhǔn)營銷是根據(jù)挖掘后驗證的關(guān)聯(lián)結(jié)果進(jìn)行的針對性營銷。系統(tǒng)對大量數(shù)據(jù)進(jìn)行分析，并對大數(shù)據(jù)集合進(jìn)行了大數(shù)據(jù)集的查詢和推薦實驗，通過數(shù)據(jù)及效果驗證，營銷的效果更好，成本也得到了有效控制，極大地增加了營銷的精準(zhǔn)性和有效性。