K-means聚类算法在银行CRM系统客户细分中的应用

摘要

随着互联网金融的逐步发展和小额贷款公司的兴起，银行业务受到了较大的冲击，银行传统的业务方案已不再适合今天激烈竞争的局面，对于目前的银行业来说，资产概念已经不那么重要了，最重要的是客户概念，谁抓住了客户的需求，谁就能在未来掌握市场和财富。所以如何区分客户的类型，精准的定位客户需求，对银行业的发展来说是至关重要的。要想了解客户的需求，就需要对银行与客户交互过程中的各种数据进行挖掘，找出隐含在数据中的有用信息。在银行的客户关系管理（CRM）系统中，就存储着海量的客户数据信息，这些数据是挖掘客户需求的基础。然而，如何在海量的数据中挖掘出有用的信息，是银行业面临的难题。
　　数据挖掘技术的出现正好可以为银行业解决这个难题。K-means聚类算法是数据挖掘技术中比较重要的一种算法，是获取隐含信息的重要技术手段，它可以将CRM数据系统中杂乱无章的客户数据进行处理，然后分成特征各不相同的几类，银行可以根据不同类别客户的特点对客户进行有针对性的管理与服务，做到真正的投客户所好。
　　本文首先介绍了客户细分及CRM的理论基础，之后根据目前银行业务的特点，分析了银行业CRM的结构及功能。接下来对常用聚类方法的基本原理、分类及优缺点进行了简单的介绍，同时提出了用K-means聚类算法对CRM系统的基础客户数据进行分析。由于K-means聚类分析存在对初始聚类中心敏感的问题，所以本文提出了一种改进的方法，即用人为合成的初始聚类中心来代替系统随机选取的初始聚类中心，并根据误差平方和准则证明了改进算法的优效性。之后根据一定的原则选取CRM系统中的客户数据指标，运用改进的聚类算法对银行现有客户进行分类，得到了更加合理的分类结果，解决了该银行目前客户分类指标少、客户细分维度低的问题。最后根据分类情况及各类别的特点提出了有针对性的银行服务策略及建议。

目录

第1章 绪论

1.1 课题来源及研究背景和意义

1.2 国内外研究现状

1.3 国内外文献综述

1.4 课题主要研究内容

第2章 客户细分及CRM方法

2.1 客户细分理论

2.2 CRM方法

2.3 本章小结

第3章 聚类方法及K-means聚类

3.1 相似性度量

3.2 系统聚类分析

3.3 K-means聚类分析

3.4 本章小结

第4章 数据细分及K-means算法改进

4.1 数据准备

4.2 K-means聚类算法的改进

4.3本章小结

第5章 基于改进K-means算法的银行客户细分

5.1 客户细分结果分析

5.2 提出针对性策略及建议

5.3 本章小结

结论

参考文献

声明

致谢