首先看一下数据挖掘在客户分析中的应用，数据挖掘主要应用于两大领域：客户智能和风险管理。客户智能分为数据层、挖掘层和营销层，数据挖掘属于中间这一层，是服务支撑层，为营销提供支持。数据挖掘传统的一些领域，包括客户细分、营销预测、产品关联、实时分析、客户提升、价值分析，以及现在随着大数据技术的兴起，我们会做实时分析，已经有些公司推出了基于文本的分析判断产品。
由于时间关系我主要介绍其中的几个，首先我们来看一下数据挖掘伴随着客户的生命周期是从始至终都存在的，拿信用卡业务来看，客户经历了从客户的捕获到客户的提升，到客户的成熟阶段，当然最后有可能发生客户的流失，完整的生命周期，不同的生命周期有不同的关注点。在下面，我们从数据挖掘的视角可以看到，其中有很多数据挖掘模型可以辅助业务的决策。
首先看客户细分，这是传统的客户细分，一般基于人口统计学的自然属性、银行交易信息、持有产品信息、互动反馈信息等等，针对这些进行细分，形成一个不是很深入的结果，可能会形成这样的用户分级。产生需要的，高价值低忠诚用户是蝴蝶，低价值高忠诚的用户是藤壶。最终细分出来的客户，可能是这个客户更深入洞察的角度，很巧跟邵钟飞也有相似的细分类型。所以，只有基于这些精准细分模型，才能给用户提供差异化的营销手段。
营销预测，举个简单例子，比如我有100个潜在客户，其中大概有25个人会对我的营销响应使用我的产品，并带来人均5元的收益。营销成本每人是1元，地毯式营销回报率是25%。在第二代的营销中我们可能会使用一些聚类的技术，营销的回报率可能能达到100%，这只是一个示例。第三代营销中我们可能会做双向预测模型，同时预测响应率和产品使用率，最终可能会收到比较好的效果，回报率要远远超出前两代。
来看流失分析，客户为什么会离开我们这家银行转移到其它银行？波士顿咨询公司做了一个市场调查，主要原因是服务质量不好，价格没有吸引力，产品没有吸引力，以及渠道的不方便因素，等等。同时有些市场调查认为，我获得一个新客户的成本是维持一个老客户成本的5倍，因此我们怎么样才能做好客户的流失分析，怎样才能留住客户？传统的客户流失分析是做事前的预测，以前不叫流失预测叫流失预警，这时你每个月都要想办法挽留这一大批用户，我们是不是要做一些事后分析？看看这些用户为什么会离开，提高自己的软技能和硬技能进行客户的挽留。
我们刚刚结束的一个项目案例，就是来做高端客户的流失分析。这个银行在2011-2012年这段时间的高端客户，流失率在18%左右的水平，同业的平均水平大概在12%左右，所以他认为他们的流失率偏高于同业其它银行。所以他想分析一下，第一，我流失的客户大概是什么样的构成情况，什么样的客户容易流失？第二，他们流失的原因是什么样的？第三，怎么预警挽留这些客户？这些客户中业务包括储蓄、理财、贷款，我们在做分析的时候，因为他不光要分析流失，他还要分析降级，他这里降级是指严重降级，AUM变动要超过两成。我们在里面分析的时候增加了一层，150万，这样让级与级之间的过度，大概一级就是损失150个AUM。
在做分析之前首先会有个思考，客户提供给我们这些基础数据涵盖了哪些内容，包括了人口统计学的属性，AUM的构成，借记卡的卡数、交易次数、交易金额等等这些信息，这和我做流失分析是有差距的，我缺乏一些流失相关的纬度，比如客户在我们银行主要是做什么业务的。客户在降级流失之前的一个月，最后保留的业务是什么。还有，客户降级流失的原因是因为他有消费需求吗？比如要付首付，还是因为更换银行？前两种我们认为：第一种，因为消费的需求，客户对你银行的忠诚度是没有降低的，他很有可能把这个银行作为接下来他首选的银行，提前还款这东西因为是个被动的业务比较特殊，如果只是单纯更换银行的话，这就说明客户对你的忠诚度有所降低。再有，无论是降级还是流失都是一个笼统的概念，客户的降级是短暂的，如果降了级又恢复，流失也有可能降到AUM的1%再恢复，还是有的客户销卡了？所以，要对客户有个全新的认识，当然这里面也认识到有些东西是数据之外的故事，比如这家银行某个月客户经理的流失率是比较高的，带来了客户流失率是比较高的。
更多详细信息，请您微信关注“计算网”公众号：
