数据仓库与数据挖掘技术在银行客户关系管理_CRM_系统中的应用

经验与交流 计算机与信息技术 ·79·数据仓库与数据挖掘技术在银行客户 关系管理(CRM)系统中的应用

张蓉

（广东商学院信息学院 ，广州 510320）

摘 要由于企业越来越重视客户关系管理(CRM)，利用数据仓库与数据挖掘技术实施银行CRM系统正逐渐成为银行业的一个研究热门。本文对数据仓库与数据挖掘技术在银行CRM系统中应用的方式和技术进行了探讨。

关键词数据仓库； 数据挖掘； 客户关系管理（CRM）； 联机分析处理（OLAP）

1 引言

随着中国加入WTO，金融自由化、国际化的速度逐渐加快，国内各商业银行除了彼此之间相互竞争外，还将迎接许多世界级外资银行的挑战。中国银行业正面临着前所未有的激烈市场竞争。利用先进的数据仓库与数据挖掘技术建立集中的、包含详细交易数据的智能银行客户关系管理系统，已成为各大银行对内加强经营管理和决策支持，对外更好地了解客户需求，开发新产品或服务，利用现有渠道对客户进行交叉销售，增加赢利能力，并在特定的业务领域提供差异化服务的重要手段。现在国内几大商业银行都在着手研究、或者尝试实施基于数据仓库与数据挖掘技术的各种解决方案。例如:中国工商银行进行了以个人客户关系管理（PCRM）和业绩价值管理（PVMS）为主题的应用试点，中国银行则全面规划了信用卡系统，其中很重要的一个子系统就是基于数据仓库和数据挖掘技术的销售和客户服务系统。

2 数据仓库与数据挖掘技术

2.1 数据仓库

数据仓库是在企业管理和决策中面向主题的、集成的、与时间相关的、不可修改的数据集合。与其他数据库应用不同的是，数据仓库更像一种过程，对分布在企业内部各处的业务数据的整合、加工和分析的过程。

数据仓库能对海量复杂、分散的银行数据进行抽取、清洁和转换,建立一个整合的、标准化、结构化的数据模型 ,形成全面、一致和面向决策的数据。数据仓库是以多维模型结构为基础的。对这些以多维形式组织起来的数据进行分析，可以为银行管理层提供及时的决策信息 ,为银行业务部门提供有效的反馈数据。

数据仓库与操作型数据库（如银行业务数据库）不同的是：

(1) 数据仓库是面向主题的，在数据抽取过程中会排除与决策无关的数据；

(2) 操作型数据库更注重保存当前数据，而数据仓库则更需要历史数据，是通过对历史数据的分析发现规律；

(3) 一个数据仓库是通过集成多个异种数据源来构成的，这些数据源可能是一个关系数据库，也可能是一个文件或一个联机事务处理记录，所以它需要使用数据清理和集成技术以保证编码结构、属性度量等的一致性。

在数据仓库项目中，数据分析的主要手段有：联机分析处理（OLAP）、报表和数据挖掘三种。其中OLAP是针对特定问题的联机数据访问与分析。它是以多维方式对数据进行分析、查询和报表。维是人们观察数据的特定角度。例如，一个企业在考虑产品的销售情况时，通常从时间、地区和产品等不同角度来深入观察产品的销售情况。这里的时间、地区和产品就是维。多维分析可以使用户从多个角度、多侧面地观察数据库中的数据，从而深入理解包含在数据中的信息。

2.2 数据挖掘技术

数据挖掘是从海量的数据中提取或挖掘知识[1]，是指从数据集中识别出有效的、新颖的、潜在有用的以及最终可理解的模式的高级处理过程。在银行CRM中常用的数据挖掘方法有：

（1）决策树

决策树是建立在信息论基础之上，对数据进行分类的一种方法。首先，通过一批已知的训练数据建立一棵决策树。然后，利用建好的决策树，对数据进行预测。决策树的建立过程可以看成是数据规则的生成过程，因此可以认为，决策树实现了数据规则的可视化，其输出结果也容易理解。例如：在金融领域中将贷款对象分为低贷款风险与高贷款风险两类。通过决策树，我们可以很容易地确定贷款申请者是属于高风险的还是低风险的。决策树方法精确度比较高，结果容易理解，效率也较高，因而很常用。

（2）聚类

聚类技术是把一组个体按照相似性归成若干类，即“物以类聚”。是在空间X中给定一个有限的取样点集（或从数据库中取得有限例子的集合），将其中的数据聚集成类，使得

·80·计算机与信息技术 经验与交流

类间的相似性尽量小，类内的相似性尽量大。

（3）相关规则分析

关联规则分析描述了一个事物中某些属性同时出现的规律和模式。例如：超级市场中通过POS系统收集存储了大量售货数据，记录了什么样的顾客在什么时间购买了什么商品，这些数据中常常隐含着诸如：购买面包的顾客中有90%的人同时购买牛奶的相关规则。相关规则分析工具是依据一定的可信度、支持度、期望可信度、作用度建立相关规则的。

（4）数据可视化

对大批量数据的展现也是数据挖掘的重要方面。数据可视化的目的是使用户可以直观地发现数据特征与数据隐含的依赖关系，为数据分析人员提供很好的帮助。数据可视化工具大大扩展了传统商业图形的能力，支持多维数据的可视化，从而提供了多方向同时进行数据分析的图形方法。有些工具甚至提供动画能力，使用户可以“飞越”数据，观看到数据不同层次的细节。

3 数据仓库与数据挖掘技术在银行CRM系统中的应用

客户关系管理(CRM)系统的主要功能是获取和集成来自企业内部和外部的各种数据，并对这些数据进行挖掘，以获取对企业商业决策有价值的信息或模式[2]，因此,数据仓库是CRM系统的基础，数据挖掘是CRM系统的核心。

3.1 数据仓库——银行实施 CRM的基础

数据仓库是银行 CRM的中央存储系统。数据仓库体系结构属于基础设施的建设，只有稳固的数据仓库基础设施才能支撑灵活多样的数据仓库应用。

各个商业银行在长期的运营过程中，积累了大量的数据。但这些分散在各个银行业务系统中的数据是面向业务的，不是面向决策的。因此，首先必须对这些分散的数据进行抽取、清洁、转换和加载，形成银行数据仓库，并根据不同的主题，产生相应的数据集市，如一般客户分析数据集市，大客户分析数据集市等，这种多数据集市的建设有利于分析不同客户的行为特点。近年来，银行及金融机构的客户需求逐渐趋向多元化，如果不对客户信息进行收集、整理、分析和归类，客户经理就无法知道谁是能为银行创造利润的高、中端优质客户。竞争的关键就在于怎样发现优质客户和如何避免优质客户的流失;其次，通过OLAP、报表和数据挖掘方法对这些数据进行深入分析，并以银行管理人员容易理解的方式展示出来。

银行 CRM系统总体架构 ,如图 1

所示。 图 1 银行业 CRM系统体系结构示意图

经验与交流 计算机与信息技术 ·81·

从体系结构角度来看，银行CRM系统架构可以分为以下三个部分[3]：

(1) 操作层次CRM：自动集成银行业务过程；

(2) 分析层次CRM：用于分析操作型CRM产生的数据

（包括数据仓库与数据挖掘技术）；

(3) 合作层次CRM：用于合作的服务系统，包括电话

呼叫系统、电子商务网站等。

3. 2 数据挖掘——银行 CRM系统的核心

随着金融体制改革的日益深入，各家银行为了保持高水准的客户获取和保持率，并维持可赢利性，经常要扩展和现有客户的关系、降低行销费用等。这就需要对基于数据仓库的CRM系统进行更深入地挖掘,这时数据挖掘技术的使用便成为银行 CRM系统制胜的关键。以下给出几种经典的应用:

(1) 贷款偿还预测和客户信用政策分析：

贷款偿付预测和客户信用政策分析对银行业务是相当重要的。有很多因素会对贷款偿还效能和客户信用等级计算产生不同程度的影响。例如，与贷款偿还风险相关的因素包括贷款率，贷款期限，负债率（月负债总额与月收入总额之比），偿还与收入比率，客户收入水平，受教育水平，居住地区，信用历史，等等。这时，银行 CRM系统就可以使用数据挖掘方法中的特征选择和属性相关性分析工具，对客户偿还的历史数据进行分析，识别出重要因素，剔除非相关性因素，如：因素“偿还与收入比率”是主导因素，而“受教育水平”和“负债率”则不是主导因素。银行于是可以据此调整贷款发放政策，以便将贷款发放给那些以前曾被拒绝，但根据关键因素分析，其基本信息显示是相对低风险的申请。

(2) 对目标市场客户的分类与聚类分析，可以提高投资

回报率：

数据挖掘方法中的分类与聚类技术可以用于客户群体的识别和目标市场的分析。而精确地定位于目标客户能减少银行运营成本。比如，如果要进行一次直接邮递推广活动，我们可以根据对目标市场客户群体的识别更加具有针对性，只寄出少量的信件，就可得到很高的回应率。由于避免了传统的撒网式促销，虽然减少了直接邮递的数量，却能增加盈利。这样，我们不仅减少了对那些不符合特征客户的打扰，而且还能够极大地增加投资的回收率。

(3) 洗黑钱和其他金融犯罪的侦破：

要侦破洗黑钱和其他金融犯罪行为，重要的一点是要把多个数据库的信息，如银行交易数据库、公安部门的犯罪历史记录数据库等集成起来，然后采用多种数据挖掘工具来找出异常模式，如在某段时间内，某一组人的帐户发生大量现金流量，等等。可以用数据可视化工具，用图形方式按时间和一定人群显示出交易活动；用链接分析工具，识别不同人和活动之间的联系；用分类工具，滤掉不相关的属性，对高度相关属性排级；用聚类分析工具，将不同案例分组；用孤立点分析工具，探测异常资金量的转移等。这些工具可以识别出一些重要的活动关系和模式，有助于调查人员发现可疑线索，做出进一步的处理。

4 结束语

“谁拥有客户信息 ,谁就拥有未来。”中国银行行长经济顾问、中国银行国际金融研究所所长朱民博士说 :“国内银行业的经营体制 20年前以产品为中心 ,10年前以市场为中心 ,现在以客户为中心 ,未来将会以客户信息为中心”。在银行 CRM中有效利用数据仓库和数据挖掘技术 ,可以为银行高层决策者提供准确的客户分类、忠诚度、盈利能力及潜在用户等有用信息 ,指导他们制定最优的银行营销策略、降低银行运营成本、增加利润及加速银行的发展。

参考文献

1 Jiawei Han , Micheline Kamber. Data Mining :Concepts and Techniques. America:Morgan Kaufmann Publishers,2000.

2 企业资源管理研究中心CRM研究小组.客户关系管理（CRM）：理念、技术、产品、应用和未来

[EB/OL].https://www.360docs.net/doc/a92847540.html,,2000.

3 Alex Berson,Stephen Smith,Kurt Thearling . Building Data Mining Applications for CRM.

4 America:McGraw-Hill Companies,Inc.,2000

基金项目：广东省自然科学基金项目（项目编号04009947）资助

收稿日期:4月28日

修改日期:5月10日

作者简介：张蓉(1966~)，女，苏州人，副教授，华南理工大学硕士，主要研究方向为数据挖掘技术。