数据挖掘在证券业CRM中的实施研究_论文发表网-光明论文中心

1、引言
?睛? 随着中国证券行业竞争的日益激烈，券商间已由价格的竞争向服务的竞争发展，发现客户并投其所好，积极引导客户，对于证券公司的发展显得更为重要。另外，面对企业内部海量数据，传统查询或分析工具往往不能识别其中有价值的信息，进而就不能为企业的营销策略提供支持。而数据挖掘在归纳描述已有信息的基础上，进行推断预测，为决策者提供有意义的信息帮助其作出判断，解决了以往查询工具不能解决的问题。在证券业，数据挖掘技术和数据仓库技术同样可以发挥其强大的功能，为客户和自有资产的经营管理提供合理的建议。
?睛? 2、证券业CRM分析
?睛? 证券业作为金融业的分支之一，具有审慎、稳健的特点；一般证券机构的组织都比较庞大，分支机构比较多。

论文百事通

另外，证券业客户的购买行为不是以消费，而是以盈利作为目的的。基于以上特点，证券业实施CRM要注意以下几点：
?睛? (1) 客户细分
?睛? 通过CRM系统对数据进行分析，才能对庞大的证券客户群进行细化处理，针对不同的客户群进行不同的服务，以实现数据库的精细营销，使我们的服务价值最大化。客户细分可以使我们了解给公司带来最大利润和成交量的客户，带来可观利润并且有可能成为公司最大利润来源的客户，现在能够带来利润、但正在失去价值的客户，利润一般但交易活跃的客户等等。
?睛? (2) 业务流程再造
?睛? 在原有业务流程的基础上，根据实际需要对其进行重新整合，建立全方位的为客户提供个性化服务的相关制度。制度包括了，记录客户的购买习惯和特殊要求，向客户介绍所有业务以及业务办理的注意事项，每日收盘后专职人员要进行客户分析（库存资金盈亏情况及当日交易情况）等。
?睛? (3) 人力资源保障
?睛? 人员、业务流程和技术是CRM的三个要素，而前两个则是公司盈利的关键，其重要性远远高于技术。所以，在人员培训和组织架构的环节上，证券公司都需要作出改进。培训内容包括职业化营销、专业化证券经纪业务以及专业化的金融投资理财和投资咨询等。组织架构改进使得证券公司在人员配置等环节上更具合理性。
?睛? (4) 完善客户资料
?睛? 为了使得数据挖掘得出的结果更具可依据性，要求客户的信息尽量完整。这就需要开户流程的规范化，业务人员在前期收集客户信息时尽可能多的客户信息。这些客户信息，在经过数据模型化、筛选析取、清理修补、转换集成之后形成完整可用的数据仓库数据。形成的数据仓库用于深层分析，以挖掘得出有价值的信息。
?睛? 3、数据挖掘在证券CRM中的应用内容
?睛? 数据挖掘可以应用于以客户为中心的证券企业的各个不同领域和阶段，如一对一营销、客户诚信度分析、交叉销售、客户的获得与保持、提高供应链效率、客户满意度分析等。具体来说，有以下几个方面可以应用数据挖掘技术：
?睛? ① 一对一营销及客户群分类
?睛? 一对一营销是指了解每一位客户，并同起建立起持久的关系。一对一营销强调企业内部员工对不同客户的不同营销策略。而数据挖掘从历史数据中进行总结，根据客户的历史成交量、购买习惯甚至收入、年龄、学历、居住地址等情况把大量的客户分成不同的类，在每一个类里的客户具有相似的属性，不同类里的客户属性也不同。企业在对不同的类进行分析之后，可以针对每个类的客户进行不同的营销策略，提高客户的满意度，同时防止现有的有价值客户流失。
?睛? ② 客户诚信度分析
?睛? 数据挖掘中的差异性分析可用于发现客户的欺诈行为，分析客户的诚信度。根据历史数据中客户的购股曲线以及持股习惯等出现的变化进行分析，得出客户可能的购买方向，从而获得诚信较好的客户。
?睛? ③ 交叉销售（Cross-selling）
?睛? 交叉销售是指向现有客户提供新的产品和服务的营销过程。数据挖掘可以帮助分析出最优的合理的销售匹配。数据挖掘通过相关性分析的结果帮助发现影响客户购买的决定因素。例如，根据历史数据的规律和某些客户的前期购买信息，建议客户以后的购买方向，帮助客户的同时达到了企业盈利的目的。
?睛? ④ 提高供应链效率
?睛? 供应链低的主要原因在于供应链中间环节太多。而数据挖掘的关联规则分析可以帮助分析供应链之间的关联性，以减少供应链的中间环节，提高供应链效率。
?睛? ⑤ 客户的获得与保持
?睛? 企业总是想要发现自己的潜在客户群，并提高市场活动的回报率，做到有的放矢。同时，由于发展新客户的成本逐日增高，保留老客户，投其所好成为非常重要的一个话题。数据挖掘可以根据关联分析发现潜在客户群体和意欲离开的客户群体的特征，使企业能及时采取有效的措施挽留这些客户。
?睛? 4、数据挖掘在证券CRM中的应用实施
?睛? 数据仓库会随着时间的增加不断变大，数据挖掘应用于证券CRM的过程不是线性的，具体实施步骤如下：
?睛? ①数据仓库设计。已有的数据库的数据形式不能满足数据挖掘的需要或者它们会影响与数据挖掘结合后的系统的执行速度和效果，所以需要建立一个满足数据挖掘需要的销售数据仓库。首先要对不同业务数据库所抽取的数据进行数据项名称的统一、位数的统一、编码的统一和形式的统一，消除重复数据。然后将这些处理过的数据装入目标数据库即客户数据仓库CDW。客户CDW中保存的是能够直接用来做挖掘的完整的，通用的数据。主要包含客户交易行为，客户资金收入，企业资金收入等信息。
?睛? ②数据分析。在建立预测模型前必须充分理解数据，收集大量的数据摘要（包括描述性的统计数据如平均值、标准方差等）和查阅数据的分布情况，可能还要采用数据表格的形式来表示多维数据。图形和可视化也是数据准备的重要工具，数据可视化通常会让我们洞察到新的信息，如柱状图能够显示值的分布情况。
?睛? ③建立模型。生成的数据仓库中仅包含一些行为数据，在商业模型层对这些数据进行OLAP 或数据挖掘。方式是首先建立商业模型，然后调用数据挖掘算法进行挖掘。最后将挖掘结果存入结果表中。根据系统需求将挖掘结果表以可视化形式返回给用户，根据CRM 特点以及证券界的行业特点，挖掘结果分别以客户流失，交叉销售，客户细分，客户特征分析等形式返回给用户。通过建立的商业模型等挖掘结果，生成相应的规则。使用这些知识去生产数据，优化业务数据的质量,实现动态的学习。
?睛? ④模型评估。模型评估常用的方法是使用Lift，它是使用数据挖掘模型得到的收益与不使用数据挖掘模型得到的收益的比值，例如不使用数据挖掘模型得到客户的回应率为2%，使用数据挖掘模型后得到的回应率为10%，那么Lift=10%/2%=5。由于Lift没有考虑费用问题，因此也常用效益和投资回收率来评估。
?睛? ⑤ 模型配置。数据模型建好之后，要使其发挥应有的作用，就应在其上建立相应的应用系统，包括客户关系管理系统、市场分析和风险控制系统等等。通过数据挖掘找到的模式一般需要和领域专家知识结合在一起，并且应用到证券CRM系统中。数据挖掘在实际应用中是由公司和客户交互的性质决定的，公司和客户交互主要有两个方式：客户联系公司或公司联系客户，这两种不同方式的模型配置是截然不同的。
?睛? 5、结束语
?睛? CRM能够帮助决策者分析证券系统内的客户特征，采取有效策略提高营销效益，研究数据挖掘技术在证券CRM系统中的应用可以更好的发现潜在用户，保留现有用户，提高公司效益等都显得至关重要。