基于聚类技术的银行客户行为变化研究

摘要

近些年来，客户关系管理受到学术界和从业者们越来越多的关注，这是因为市场竞争环境和技术的进步，使得客户行为的变得很难预测。客户关系管理是一种新的营销方法，使得银行将自己的业务由从以产品为中心转移到以客户为中心。依据客户各自的特征客户计划进行确定的、有意义的分类的，实现这一转换。客户细分是客户关系管理（CRM）的主要核心功能之一，而细分的依据主要有以下几个方面:价值、社会人口统计、忠诚度、需要/态度和行为。本文着重于客户行为划分。
　　尽管很多的研究证明了CRM策略的重要性，但是对客户兴趣和重要性的增长的理解还是不够的。因此，本论文的目的是提供一个综合性的框架来帮助研究人员集中于客户关系管理的研究，同时，来帮助相关行业人员和市场营销人员通过数据挖掘方法来对客户进行分类，从而成功实现客户关系管理的目的。该框架建立在客户关系管理和数据挖掘方法体系的基础上，并且提供了一个系统方法，该方法实现了客户分类中CRM集成到企业市场营销策略中的实现。为了评估银行客户分类的CRM框架，通过对银行信用卡的消费记录来对客户的行为进行分类，这种分类基于他们的采购行为尤其是他们即将采购的产品进行划分。通过一个两步的聚类算法把这些客户划分成五部分。我们通过一个可以提供更好的模型和74.8％精确度的CHAID决策树来描述客户的分类。

目录

声明

摘要

Abstract

Dedication

Acronyms

Contens

List of Figures

List of Tables

1 Introduction

1．1 Background

1．2 Research Motivation

1．3 Problem Definition

1．4 Research Objectives

1．5 Contributions

1．6 Research Methodology

1．6．1 Data Collection

1．6．2 Data Transformation and Data Reduction

1．6．3 Identification of the Segments With Cluster Modeling

1．6．4 Evaluation and Profiling of the Revealed Segments

1．7 Outline of the Thesis

1．8 Summary

2 Theoretical Framework

2．1 Customer Relationship Management(CRM)

2．1．1 CRM Dimension

2．1．2 Components of Customer Relationship Management

2．1．3 CRM for Customer Segmentation

2．2 Data Mining

2．2．1 Data Mining and Other Disciplines

2．2．2 Data Mining in the Banking Industry

2．3 The CRISP-DM Process Model

2．3．1 Business Understanding and Data Understanding

2．3．2 Data Preparation and Model Building

2．3．3 Model Evaluation and Deployment

2．4 Data Mining Tasks

2．4．1 Predictive and Descriptive Model

2．4．2 Dimensionality Reduction

2．5 Clustering Techniques

2．5．1 Partitioning Methods

2．5．2 Model-based Methods

2．5．3 Hierarchical Methods

2．5．4 Density-Based Clustering

2．5．5 Evaluating Clusters

2．6 Classification Techniques

2．6．1 Decision Tree

2．6．2 Types of Decision Trees

2．6．3 Association，Prediction and Sequential Patterns

2．6．4 Apriori

2．6．5 Summary

3 Credit Card Customer Segmentation

3．1 Design of the Segmentation Process

3．2 Attribute Selection

3．3 Validation and Transformation

3．4 Data Reduction Using Principal Component Analysis(PCA)

3．5 Cluster Modeling

3．5．1 Clustering With K-means

3．5．2 Clustering With the Two-Step Algorithm

3．6 Cluster Evaluation

3．6．1 Technical Evaluation of the Clustering Solution

3．6．2 Decision Tree Profiling

3．7 Summary

4 Results and Analysis

4．1 Data Description

4．2 Dimensionality Reduction Using Principal Component Analysis

4．3 The Rotated Component Matrix

4．4 Modeling Phase for Customer Segmentation

4．5 Derived Clusters

4．6 Profiling Using CHAID Decision Trees

4．7 Summary

5 Conclusion and Future Research

5．1 Conclusions

5．2 Future Research

References

Achievements

Acknowledgements