基于數(shù)據(jù)挖掘的油企客戶訪問(wèn)行為分析

□ 文/郭陽(yáng)秦

作者單位：昆侖銀行運(yùn)營(yíng)服務(wù)中心

傳統(tǒng)以“產(chǎn)品為中心”的時(shí)代已經(jīng)結(jié)束，以“客戶為中心”的時(shí)代已經(jīng)到來(lái)。石油企業(yè)客戶每天辦理各項(xiàng)銀行業(yè)務(wù)，同時(shí)產(chǎn)生了海量信息?；阢y行客戶行為數(shù)據(jù)進(jìn)行存儲(chǔ)、分析，挖掘客戶行為數(shù)據(jù)背后隱藏的有效信息，具有很大的商業(yè)價(jià)值和社會(huì)價(jià)值。這已成為當(dāng)前數(shù)據(jù)挖掘技術(shù)一個(gè)新的研究熱點(diǎn)和應(yīng)用領(lǐng)域。本文通過(guò)大數(shù)據(jù)平臺(tái)提取客戶訪問(wèn)銀行網(wǎng)站屬性數(shù)據(jù)，開展對(duì)客戶訪問(wèn)行為的分析。通過(guò)對(duì)客戶行為分析，挖掘訪問(wèn)行為的關(guān)鍵因素，制定針對(duì)性服務(wù)的策略。

一、客戶訪問(wèn)行為具體方法

基于大數(shù)據(jù)因子分析的客戶訪問(wèn)行為分析的總體流程如圖1。

圖1 因子分析流程圖

主要流程包括以下步驟：1）從門戶網(wǎng)站提取客戶訪問(wèn)門戶的行為數(shù)據(jù)；2）對(duì)1）中提取的數(shù)據(jù)進(jìn)行預(yù)處理；3）對(duì)2）中處理完成的建模數(shù)據(jù)進(jìn)行因子分析；4）對(duì)因子分析結(jié)果進(jìn)行分析和應(yīng)用。

1.數(shù)據(jù)提取。門戶網(wǎng)站訪客數(shù)據(jù)量每日近10萬(wàn)條。為理論研究，隨機(jī)抽取了2017年11月1日至2020年12月31日的數(shù)據(jù)進(jìn)行挖掘，部分?jǐn)?shù)據(jù)截圖見圖2。

圖2 分析數(shù)據(jù)截圖

2.數(shù)據(jù)探索分析。對(duì)原始數(shù)據(jù)表進(jìn)行分析，客戶每條訪問(wèn)記錄都會(huì)存在多條記錄，存儲(chǔ)不同信息，根據(jù)對(duì)數(shù)據(jù)的初步分析，可以提取訪問(wèn)間隔時(shí)間、訪問(wèn)時(shí)長(zhǎng)、訪問(wèn)次數(shù)、網(wǎng)絡(luò)接入商、操作系統(tǒng)、瀏覽器等屬性數(shù)據(jù)，涉及客戶、訪問(wèn)次數(shù)、省市、接入商、操作系統(tǒng)、瀏覽器等不同維度。

3.數(shù)據(jù)預(yù)處理。

1）數(shù)據(jù)清洗。通過(guò)數(shù)據(jù)探索分析，發(fā)現(xiàn)數(shù)據(jù)存在空值，無(wú)效記錄，時(shí)間格式數(shù)據(jù)需要進(jìn)行加工和變換，清洗滿足條件的所有數(shù)據(jù)，保證數(shù)據(jù)的有效性。數(shù)據(jù)清理情況見圖3。

圖3 門戶網(wǎng)站客戶訪問(wèn)數(shù)據(jù)清理

2）屬性規(guī)約。通過(guò)原數(shù)數(shù)據(jù)表分析，部分屬性無(wú)價(jià)值，對(duì)數(shù)據(jù)表中不需要的屬性進(jìn)行剔除，如訪問(wèn)深度、分辨率等，保留需要的數(shù)據(jù)。

3）數(shù)據(jù)變換。因子分析需要數(shù)值數(shù)據(jù)，因此需要對(duì)部分?jǐn)?shù)據(jù)進(jìn)行變換處理為建模數(shù)據(jù)，根據(jù)客戶的瀏覽器、操作系統(tǒng)、網(wǎng)絡(luò)接入商賦予對(duì)應(yīng)值，見表1。

表1 屬性變換規(guī)則表

經(jīng)過(guò)數(shù)據(jù)預(yù)處理后的建模數(shù)據(jù)，部分?jǐn)?shù)據(jù)見表2。

表2 建模數(shù)據(jù)

4.數(shù)據(jù)建模與因子分析。一是通過(guò)SPSS軟件使用因子分析算法，對(duì)客戶訪問(wèn)行為屬性進(jìn)行挖掘。二是對(duì)挖掘結(jié)果可行性檢驗(yàn)。通過(guò)使用KMO和Bartlett算法對(duì)結(jié)果進(jìn)行檢驗(yàn)。根據(jù)KMO統(tǒng)計(jì)量大于0.7和Bartlett的sig顯著值小于0.05，確定本案例可以采用因子分析提取公因子。三是對(duì)提取因子解釋度分析。根據(jù)解釋的總方差表和碎石圖，提取出的特征值大于1的3個(gè)因子，方差解釋的合計(jì)解釋度為83.219%（解釋度大于80%），表明提取的因子可以很好解釋原來(lái)變量中的信息。四是對(duì)提取因子結(jié)果進(jìn)行解釋分析。五是綜合各項(xiàng)因素對(duì)訪問(wèn)行為因子綜合計(jì)算，得到關(guān)注銀行門戶網(wǎng)站客戶分布情況。

二、實(shí)施效果分析及推廣應(yīng)用

在挖掘客戶訪問(wèn)銀行門戶網(wǎng)站屬性數(shù)據(jù)過(guò)程中，通過(guò)因子分析“降維”，聚焦在了客戶訪問(wèn)的間隔時(shí)間、訪問(wèn)時(shí)長(zhǎng)、訪問(wèn)次數(shù)、網(wǎng)絡(luò)接入商等6個(gè)訪問(wèn)維度。綜合各項(xiàng)因素權(quán)重后得到影響客戶訪問(wèn)的3個(gè)“標(biāo)簽”分別為終端、網(wǎng)絡(luò)和關(guān)注度。這3個(gè)標(biāo)簽成為了訪問(wèn)門戶網(wǎng)站用戶的重要關(guān)注因素。再對(duì)3個(gè)“標(biāo)簽”進(jìn)行細(xì)分。經(jīng)過(guò)對(duì)成分矩陣挖掘分析，“終端”標(biāo)簽中最重要的是操作系統(tǒng)和瀏覽器，“網(wǎng)絡(luò)”標(biāo)簽中最重要的是接入商和間隔時(shí)長(zhǎng)，“關(guān)注度”標(biāo)簽中最重要的是單次訪問(wèn)時(shí)長(zhǎng)。為提高客戶的滿意度和黏性，銀行應(yīng)重點(diǎn)做好以上關(guān)注因素的軟件兼容性、功能的易用性和界面的友好性。

根據(jù)客戶訪問(wèn)行為綜合數(shù)據(jù)，可對(duì)重點(diǎn)關(guān)注客戶的地域分布進(jìn)行“畫像”統(tǒng)計(jì)（取綜合因子大于0.5的客戶），并制作重點(diǎn)關(guān)注客戶地域分布圖。

從圖4可以看出，銀行訪問(wèn)門戶網(wǎng)站的重點(diǎn)石油客戶群集中在新疆、陜西、黑龍江和北京等地，銀行可以投入更多資源和營(yíng)銷力度開發(fā)相關(guān)地域客戶。

圖4 重點(diǎn)關(guān)注客戶地域分布圖

本研究方法可以廣泛應(yīng)用于石油客戶營(yíng)銷分析（如客戶喜好分析、客戶滿意度調(diào)查等）、經(jīng)營(yíng)決策（如營(yíng)銷活動(dòng)策劃、差異化服務(wù)策略等）等領(lǐng)域中。本模型特別適用于尋找關(guān)鍵影響因素的場(chǎng)景，如：盈利增長(zhǎng)主要貢獻(xiàn)因素、影響業(yè)務(wù)效率的主要因素等等，這為銀行海量信息挖掘提供了借鑒意義。