1、信用卡客户细分实证研究摘 要 近年来，国内信用卡业务发展正从过去以“量的扩张”为主转变到以“质的提高”为主的阶段。在这一转折时期，各商业银行越来越重视数据挖掘技术在客户细分管理中的应用，开始积极探索客群细分基础上的差异化客户管理。本文根据某银行信用卡客户数据，基于 RFM模型和决策树模型进行客户细分实证研究，并提出相应的客户管理策略建议。 关键词 信用卡；RFM 模型；决策树；客户细分 中图分类号 F832.2 文献标识码 A 文章编号 1673 - 0194（2013）17-0034-02 1 客户细分方法 目前国内传统的客户细分方法一般都是根据专家经验或客户简单人口统计特征进行的，其基本假
2、设是“相似的人口统计与生命周期特征，将有相似的购买或消费行为” ，但这样的细分不能动态、全面、客观地对客户进行识别、选择与评价。随着信用卡细分理论的发展，又相继出现了行为细分、价值细分和心理细分等细分方法。总的来说，国内信用卡客户细分方法的研究在理论和实践方面虽然取得了一定成效，但考虑到数据资料的获取难度、质量保证等问题，上述细分模型在实际应用中往往存在一定的困难。 本文利用上海市某银行的内部信用卡数据，采用基于 K-means 聚类和决策树分析方法的两阶段模式，对该行信用卡客户数据进行细分分析。2 细分分析 2.1 数据准备 本次采集数据样本记录 79.6 万条，其静态特征数据说明见表 1。
3、分析窗口的长度定义为 6 个月，考虑到窗口末端流失客户、睡眠客户及风险暴露客户影响，需要将该类客户进行排除。经过排除后的细分样本记录 14.8 万条，并对其进行数据清理、数据集成及数据变换，最终按照5%的比例随机抽样，得到分析样本记录 7 381 条。 2.2 信用卡客户 VRFM 决策树模型 VRFM 模型是在传统 RFM 模型的基础上，引入客户历史价值贡献指标V，用来表现客户当前的收益贡献度，考虑到指标共线性的影响，本文用评分 5 等分法，对传统 R、F、M 指标进行了适当调整。本文使用 SAS工具的 K-Means 快速聚类过程实现客户细分，最终得到 16 类，并在此基础上根据客户 VR
4、FM 取值变动情况，将客户定义为高价值、中价值、低价值 3 种类型（见表 2） 。 2.3 VRFM 细分结果分析 2.3.1 高价值客群 HHHH、HHHL、HHLH 类客户可被认为是忠诚度与利润贡献高且消费频繁或消费金额较高的客户。无论从客户行为还是客户价值角度，都可认为是银行最佳的客户，可视为银行重要的保持客户，建议每月跟踪维护。 2.3.2 中高价值客群 HLHH、HLLH、HHLL 类客户利润贡献高，但持续盈利能力有待加强。从客户行为看，HLHH 类客户尽管消费频率与消费金额高，但其近期消费疲软，甚至睡眠；HLLH 类客户尽管消费金额高，但其消费频率较低且最近一段时间沉入睡眠；HHL
5、L 类客户虽然最近没有沉入睡眠，但其消费频率与消费金额均相对较低。因此建议银行通过适当增加与该类客户的主动接触，提升该客户的消费水平，从而为银行带来更多的利润。 2.3.3 低价值客群 LHHH、LLHH、LLLH、LHLL、LLHL、LLLL 类客户利润贡献低。从客户行为看，LHHH、LLHH 类客户尽管消费金额较大，但其充分占用免息期，银行资金成本高；LLLH 类客户偏好单笔大额消费，这类客户消费频次较低，建议银行主动向大额消费需求型客户推介信用卡分期产品，从而提高盈利水平；LHLL、LLHL、LLLL 类客户消费金额较低，且消费不活跃，是极易流失客群，银行可以对客户关系较短的客户采取加强
6、客户保留的措施。 2.4 决策树分析 利用决策树技术分析具有何种指标特性的客户会被分在相同的群内。探索不同客群的内在特征，帮助银行中高层解读价值客群具象，从而有助于制定差异化的客户管理决策。利用决策树进行特征提取，例如节点“4”期间有取现交易行为，且期间毛利贡献为负的客户属于低价值客群；而节点“8”期间有取现交易行为，期间毛利贡献大于零且VRFM 模型评分大于 19 的客户属于高价值客群。 针对不同的客户采取不同的客户管理策略，银行将兼顾客户关系维护与获取利润方面的平衡。从细分结果看，高价值、中价值、低价值客群的跨时间客户价值贡献也呈现出由高到低的趋势，可见本次细分对价值客户的识别是良好的，同
7、时也在跨时间客户价值贡献中得到了验证（见表 3） 。 高价值客户利润贡献高，但风险相对较低，因此建议采取有效措施优先服务并积极关注该类客户，将会稳定地保持收益，并可为银行带来良好的综合口碑效应；中价值客户用卡相对积极，但其持续盈利能力不强，建议银行采取有效措施，引导客户使用循环、分期，提高该类客户的利息收入或服务费用收入，推动该类客户保持稳定收益，逐步向“高价值”客群迁移；低价值客户收入普遍不能覆盖占用银行的资金成本，其要么习惯充分使用免息期，要么销售疲软。该类客户出现“睡眠”或“流失”的概率高，建议银行在客户成长阶段通过多种渠道维系客户关系，努力培育客户用卡习惯。 3 结束语 本文的最终细分
8、结果显示，高价值、中价值、低价值客群的特征差异明显，符合业务上定性分析的结果，为接下来的策略分析提供了可靠的依据。然而细分模型中对客户价值的判断只是基于历史价值，缺乏对客户未来价值的预测，所以需要不断更新模型使之更适合于业务发展的实际应用。 主要参考文献 1王静，王延清. 基于信用行为的信用卡客户细分策略J.中国信用卡，2004（10）：27-29. 2任红美. 基于客户终身价值和客户行为的信用卡客户细分研究D.济南：山东大学，2007. 3夏维力，王青松. 基于客户价值的客户细分及保持策略研究J.管理科学，2006（4）：35-38. 4陈建. 信用评分模型技术与应用M.北京：中国财政经济出版社，2005.
