基于大数据的银行客户关系管理

来源:用户上传      作者:

　　【摘要】本文首先分析了银行业客户关系管理的特征，以及大数据对银行客户关系的影响，认为银行有必要运用大数据改进客户关系管理。基于A银行的案例，说明了大数据在客户管理管理中的显著作用。最后，从分类管理、忠诚度评价、数据综合平台、客户经理队伍四个方面，提出了相应的提升策略。
　　【关键词】大数据 银行 客户关系
　　
　　一、大数据对银行客户管理带来的影响
　　大数据技术，特别是商业智能、数据挖掘、分布式运算等，为商业银行的客户关系管理带来更多可能。我国大型国有银行，如建设银行，已启动大数据挖掘计划，用以更好进行客户营销。阿里巴巴等也进入民营银行领域，发挥自身数据优势。从银行的角度来讲，大数据技术的应用也是非常必要的。这表现在：一是数据存储成本上升。银行客户量、账户量、交易量等都非常庞大，结算、融资等系统需要技术衔接，客户对银行的响应速度提出更高要求，非结构化数据被纳入挖掘范围，这都会对银行信息处理系统性能提出更高要求。二是风险预警需求更加迫切。银行客户产生的不良信用记录为银行带来较大风险，近年来信用卡套现等案件频发，数据分析都可提供预警和排查渠道。三是客户流失分析帮助银行更好维护客户。数据分析帮助银行进行精细化、差异化营销，银行可更好防止客户流失。
　　二、银行大数据客户关系管理案例分析
　　本文以A银行为例，进行银行基于大数据的客户关系管理案例分析。A银行为了考察客户流失情况，按照日均金融资产规模分为四类客户，进行了为期4个月的跟踪分析，结果显示约有25%的客户流失，而且呈现增长趋势。基于此，A银行进行了专题分析，了解客户流失的原因。他们选定境内外跨行汇款、定期产品到期、贷款结清等产品作为重点进行了分析，对跨行转出客户群体进行了分析研究，通过分析显示境内跨行转出业务的客户群体最多，可作为控制客户流失的重点群体。因此，A银行开展了针对此客户群体的营销活动，并将客户按活跃度和贡献度细分，实施责任到人的营销制度，制定了营销话术，定制专属产品，出台积分营销活动，实施考核激励。精准营销进行2个月后，A银行此类客户群体金融资产增幅超过35%，取得了显著成效。
　　A银行运用大数据改进客户关系管理的案例显示，大数据在银行的客户关系管理中显示了很大潜力。而综合运用聚类分析、关联分析、分类分析和预测，判别客户的潜在需求，进行精准营销，需要A银行的持续推动。
　　三、基于大数据的银行客户关系管理提升策略
　　（一）客户分类管理
　　目前银行对客户的分类，主要是基于客户的资产情况，这种分类较为单一，难以精准把握客户需求，营销效果不显著。分类分析和聚类分析，为银行分类提供更多维度，例如按照客户交易习惯分类、按照客户低于分类，能够提高银行对客户分类管理的精细程度。客户细分一方面可以降低营销成本，另一方面可以提高营销效率。在管理方面的提升作用主要包括：一是精细化营销能够生成可控的目标客户群体，银行根据自身发展战略可以确定重点目标群体;二是发现细分客户群体的特性和需求，定制营销计划，达成销售目标;三是发现业务发展发现，制定发展战略，找到贡献度、忠诚度较高的客户群体。
　　在数据库的应用上，银行可按照以下几个维度进行客户分类。一是通过地理位置划分。按照社区、园区、校区、商圈对客户进行分类，不同区域客户的金融需求、价值贡献不同，银行可按照位置细分营销措施，降低营销成本。二是通过让人口统计和心理细分。人口统计指年龄、收入，心理包括生活方式、兴趣爱好等，或者按照客户生命周期，氛围求学、工作、结婚、生子等环节，提供不同阶段的金融产品，在合适时间向合适群体营销产品。三是通过客戶行为细分，客户的交易次数、交易金额、汇款金额及频率、资金流向等，甚至文字信息，都可是分类依据，银行可对这类客户提供优惠套餐服务，吸引同类客户。四是通过客户价值和风险分类，按照客户利润贡献以及风险程度细分，找到客户为银行带来利润的主要业务，提高营销成本投入的科学性。
　　（二）运用数据评价客户忠诚度
　　关联分析帮助银行找到客户购买关联产品的概率，聚类分析帮助银行找到雷系产品偏好的客户群体，建立客户忠诚度评价体系，能够把握客户忠诚的关键因素，改进用户体验，创新产品，改进流程，提升服务，提升客户忠诚度。客户忠诚度评价，主要基于监控客户忠诚度主要指标，捕捉客户流失迹象，了解变化和分析原因，改进产品、服务、流程，实施固化措施。在量化指标方面，一是设立考核提升指标，建立对客户流失率、产品覆盖率的量化考核，设立客户交易活跃度指标，考核客户交易频率和交易质量、二是完善关注指标，例如信用卡销卡率、客户向上迁移率等客户流失指标，信用卡发卡周期、个贷审批市场等运营指标。在客户忠诚度评价中一个关键指标是交叉销售率，他反应客户同时在银行持有的银行产品个数，这一指标越高，客户忠诚度越高。
　　（三）搭建数据综合运用平台
　　银行面对的是海量客户数据，需要对这些数据进行采集和筛选，可利用SPSS等进行数据筛选。同时建立起数据展现平台，帮助前台人员通过网页访问数据并直观呈现。兼顾数据处理的完整度和运行效率，呈现核心字段。此外还要建立客户发现和流失预警机制，银行需要定期针对客户的产品个数、产品期限、交易金额、金融资产余额等，开展定期数据挖掘。客户数据平台搭建完成后，还需要对接营销方案的制定和实施。在制定精准的营销策略时，要明确目标、时间、责任人、资源配置标准、实施步骤、考评要求等细节，确保实施效果。
　　（四）提升客户经理队伍的数据处理能力
　　银行需要培养一支客户数据分析团队，用于衔接好技术人员和业务人员，提升数据库营销质量。这支客户数据分析团队，需要能够挖掘客户需求，设计系统解决方案和定向营销模型。特备是数据挖掘方面，客户经理要规范运作客户信息的收集，技术准确录入客户信息。要有主动挖掘的意识，掌握客户的家庭、金融资产、投资偏好、消费习惯等，了解客户详细数据。银行也需要加强对客户经理的客户流失考核，将数据库营销与客户经理管理结合，评价客户经理履职情况。
　　参考文献：
　　[1]李昂. 大数据时代数据挖掘在银行CRM系统中的应用[D]. 郑州大学， 2016.
　　[2]牛胜利. 基于数据挖掘的商业银行客户关系管理研究[J]. 财政部财政科学研究所， 2013.
转载注明来源:https://www.xzbu.com/2/view-15061591.htm