研讨客户关系管理数据仓库及数据挖掘技术在证券客户联系管理体系中运用研究前言
最后更新时间：2024-03-27
作者：用户投稿
本站原创
点赞:27988
浏览:116297
本站原创
点赞:27988
浏览:116297
论文导读：
摘要：论文提出了中小型券商如何在客户关系管理系统中实现数据仓库和数据挖掘的应用方法，首先根据FS-LDM模型建立企业数据模型并进行主题域的划分，完成多层次的数据仓库架构设计及星型结构的客户纬度建模；然后使用聚类技术和逻辑回归技术实现客户分类的动态细分模型和客户流失概率预测模型。
关键词：客户关系管理 FS-LDM 数据仓库 星型 数据挖掘 聚类 逻辑回归
1007-9416（2013）08-0066-02
0 引言
时至今日各家证券公司同质化竞争的加剧，X联证券在主营的经纪业务中逐渐出现颓势，为了打破这种困境，X联证券希望通过对数据仓库及数据挖掘技术的研究，提升本公司核心竞争力。
本文结合X联证券业务关注点，研究客户数据模型，实现客户分类的动态细分模型与客户流失概率预测模型，在产品营销与客户服务方面提供数据支持。通过数据挖掘成果与日常的业务流程的结合，提高业务流程运转的智能化、自动化水平，增加业务价值链的价值含量，从根本上提升公司对客户的多层次细分管理的能力，使基于客户分类动态细分的多元化客户服务及客户营销策略走出理论研究的阶段，进入实质性应用阶段。
1 基于FS-LDM的数据仓库建模
数据仓库的设计过程参考了国际先进的FS-LDM模型，FS-LDM（金融业逻辑数据模型）是TD多年来在全球实施近230家金融业数据仓库项目的经验结晶。整个逻辑数据模型把复杂的金融业务归纳成客户、公司、财务、资产、产品、地域、渠道、事件、营销、协议等十大主题等。它蕴含了现代金融的分析决策和客户关系管理的各个方面（如图1）。
2 客户分类的动态细分模型
本文采用k-Means聚类方法建立客户分类动态细分模型。
k-Means聚类是非系统聚类中的最常用的方法，其算法原理如下：
（1）按照指定的分类数目n，按某种方法选择某些观测量，设为{Z1，Z2，…Zn}，作为初始聚心。
（2）计算每个观测量到各个聚心的欧氏距离。即按就近原则将每个观测量选入一个类中，然后计算各个类的中心位置，即均值，作为新的聚心。
（3）使用计算出来的新聚心重新进行分类，分类完毕后继续计算各类的中心位置，作为新的聚心，如此反复操作，直到两次迭代计算的聚心之间距离的最大改变量小于初始聚类心间最小距离的倍数时，或者到达迭代次数的上限时，停止迭代。
K-Means聚类具有占内存少，计算量小，处理数度快，特别适合大样本的聚类分析方法。但需要事前确定分群的数目K，同时对数据的输入顺序敏感。
3 客户流失概率预测模型
本文采用Logistic回归模型建立客户流失概率预测模型。
假设用y表示客户成为客户这一事件，用y=1表示到一定时期后该客户流失，y=0表示借该客户未流失。现利用已有的样本资料建立模型，对流失客户（即y=1）的概率p进行预测。
在Logistic回归模型中，假设：
其中，p表示y=1的概率，xi是描述客户特征的一些指标，利用已有的样本指标对模型中的参数进行估计，并对模型进行相关的统计检验以及计量经济检验。待得到一个较为稳定的、预测准确性较高的模型后，模型即可投入使用。在实际使用中，也可以将流失发生比或流失概率通过某种线性变换转换成分数，可以根据客户的得分情况判定客户是否流失。
Logistic回归模型具有预测稳定性高、结果易于解释、模型易于部署等优点。同时它预测精度也往往比决策树和神经网络高。在数据挖掘过程中，Logistic回归中的Stepwise、Forword和Backword的逐步回归可用于变量选择。
4 结语
本文通过数据仓库技术积累的海量客户数据，进行由价值的的挖掘，实现客户分类动态细分模型改变传统的客户分群静态描述性分析的做法，创造性地将聚类算法进行提取并应用于证券客户交易数据学位论文参考文献格式www.7ctime.com
的动态生产分析，克服了传统聚类分析静态信息不能反映最新数据变动特征的局限性，实现证券业客户细分特征的动态更新，及时反映出客户群的动态变化特征，同时通过量化的客户流失预警模型，预报客户流失概率，建立了实现事先预警、事中控制、事后分析以及模型更新的正反馈机制。
参考文献
《数据挖掘—客户关系管理的科学与艺术》--[美]迈克尔.J.A.贝里，戈登.S.论文导读：StepbyStep》--ScottCameron--王净--清华大学出版社.上一页12
利诺夫[著]--袁卫[译]--中国财政经济出版社.
《金融业客户关系管理》—付晓蓉 等[著]--机械工业出版社.
[3]《数据挖掘技术-市场营销、销售与客户关系管理领域应用》--[美]Michael J.A.Berry，Gordon S.Linoff[著] --别荣芳，尹静，邓六爱[译]--机械工业出版社.
[4]《数据挖掘原理与应用-SQL Server 2008数据库》--[美]Jamie MacLennan，ZhaoHui Tang，Bogdan Crivat[著]--董艳，程文俊[译]--清华大学出版社.
[5]《数据仓库生命周期工具箱》--[美]Ralph Kimball等[著]--唐富年，孙媛媛[译]--清华大学出版社.
[6]《SQL Server 2008分析服务从入门到精通Step by Step》--[美]Scott Cameron[著]--王净[译]--清华大学出版社.
摘要：论文提出了中小型券商如何在客户关系管理系统中实现数据仓库和数据挖掘的应用方法，首先根据FS-LDM模型建立企业数据模型并进行主题域的划分，完成多层次的数据仓库架构设计及星型结构的客户纬度建模；然后使用聚类技术和逻辑回归技术实现客户分类的动态细分模型和客户流失概率预测模型。
关键词：客户关系管理 FS-LDM 数据仓库 星型 数据挖掘 聚类 逻辑回归
1007-9416（2013）08-0066-02
0 引言
时至今日各家证券公司同质化竞争的加剧，X联证券在主营的经纪业务中逐渐出现颓势，为了打破这种困境，X联证券希望通过对数据仓库及数据挖掘技术的研究，提升本公司核心竞争力。
本文结合X联证券业务关注点，研究客户数据模型，实现客户分类的动态细分模型与客户流失概率预测模型，在产品营销与客户服务方面提供数据支持。通过数据挖掘成果与日常的业务流程的结合，提高业务流程运转的智能化、自动化水平，增加业务价值链的价值含量，从根本上提升公司对客户的多层次细分管理的能力，使基于客户分类动态细分的多元化客户服务及客户营销策略走出理论研究的阶段，进入实质性应用阶段。
1 基于FS-LDM的数据仓库建模
数据仓库的设计过程参考了国际先进的FS-LDM模型，FS-LDM（金融业逻辑数据模型）是TD多年来在全球实施近230家金融业数据仓库项目的经验结晶。整个逻辑数据模型把复杂的金融业务归纳成客户、公司、财务、资产、产品、地域、渠道、事件、营销、协议等十大主题等。它蕴含了现代金融的分析决策和客户关系管理的各个方面（如图1）。
2 客户分类的动态细分模型
本文采用k-Means聚类方法建立客户分类动态细分模型。
k-Means聚类是非系统聚类中的最常用的方法，其算法原理如下：
（1）按照指定的分类数目n，按某种方法选择某些观测量，设为{Z1，Z2，…Zn}，作为初始聚心。
（2）计算每个观测量到各个聚心的欧氏距离。即按就近原则将每个观测量选入一个类中，然后计算各个类的中心位置，即均值，作为新的聚心。
（3）使用计算出来的新聚心重新进行分类，分类完毕后继续计算各类的中心位置，作为新的聚心，如此反复操作，直到两次迭代计算的聚心之间距离的最大改变量小于初始聚类心间最小距离的倍数时，或者到达迭代次数的上限时，停止迭代。
K-Means聚类具有占内存少，计算量小，处理数度快，特别适合大样本的聚类分析方法。但需要事前确定分群的数目K，同时对数据的输入顺序敏感。
3 客户流失概率预测模型
本文采用Logistic回归模型建立客户流失概率预测模型。
假设用y表示客户成为客户这一事件，用y=1表示到一定时期后该客户流失，y=0表示借该客户未流失。现利用已有的样本资料建立模型，对流失客户（即y=1）的概率p进行预测。
在Logistic回归模型中，假设：
其中，p表示y=1的概率，xi是描述客户特征的一些指标，利用已有的样本指标对模型中的参数进行估计，并对模型进行相关的统计检验以及计量经济检验。待得到一个较为稳定的、预测准确性较高的模型后，模型即可投入使用。在实际使用中，也可以将流失发生比或流失概率通过某种线性变换转换成分数，可以根据客户的得分情况判定客户是否流失。
Logistic回归模型具有预测稳定性高、结果易于解释、模型易于部署等优点。同时它预测精度也往往比决策树和神经网络高。在数据挖掘过程中，Logistic回归中的Stepwise、Forword和Backword的逐步回归可用于变量选择。
4 结语
本文通过数据仓库技术积累的海量客户数据，进行由价值的的挖掘，实现客户分类动态细分模型改变传统的客户分群静态描述性分析的做法，创造性地将聚类算法进行提取并应用于证券客户交易数据学位论文参考文献格式www.7ctime.com
的动态生产分析，克服了传统聚类分析静态信息不能反映最新数据变动特征的局限性，实现证券业客户细分特征的动态更新，及时反映出客户群的动态变化特征，同时通过量化的客户流失预警模型，预报客户流失概率，建立了实现事先预警、事中控制、事后分析以及模型更新的正反馈机制。
参考文献
《数据挖掘—客户关系管理的科学与艺术》--[美]迈克尔.J.A.贝里，戈登.S.论文导读：StepbyStep》--ScottCameron--王净--清华大学出版社.上一页12
利诺夫[著]--袁卫[译]--中国财政经济出版社.
《金融业客户关系管理》—付晓蓉 等[著]--机械工业出版社.
[3]《数据挖掘技术-市场营销、销售与客户关系管理领域应用》--[美]Michael J.A.Berry，Gordon S.Linoff[著] --别荣芳，尹静，邓六爱[译]--机械工业出版社.
[4]《数据挖掘原理与应用-SQL Server 2008数据库》--[美]Jamie MacLennan，ZhaoHui Tang，Bogdan Crivat[著]--董艳，程文俊[译]--清华大学出版社.
[5]《数据仓库生命周期工具箱》--[美]Ralph Kimball等[著]--唐富年，孙媛媛[译]--清华大学出版社.
[6]《SQL Server 2008分析服务从入门到精通Step by Step》--[美]Scott Cameron[著]--王净[译]--清华大学出版社.