信用卡客戶細(xì)分實(shí)證研究

[摘 要] 近年來(lái)，國(guó)內(nèi)信用卡業(yè)務(wù)發(fā)展正從過(guò)去以“量的擴(kuò)張”為主轉(zhuǎn)變到以“質(zhì)的提高”為主的階段。在這一轉(zhuǎn)折時(shí)期，各商業(yè)銀行越來(lái)越重視數(shù)據(jù)挖掘技術(shù)在客戶細(xì)分管理中的應(yīng)用，開(kāi)始積極探索客群細(xì)分基礎(chǔ)上的差異化客戶管理。本文根據(jù)某銀行信用卡客戶數(shù)據(jù)，基于RFM模型和決策樹(shù)模型進(jìn)行客戶細(xì)分實(shí)證研究，并提出相應(yīng)的客戶管理策略建議。

[關(guān)鍵詞] 信用卡；RFM模型；決策樹(shù)；客戶細(xì)分

[中圖分類號(hào)] F832.2 [文獻(xiàn)標(biāo)識(shí)碼] A [文章編號(hào)] 1673 - 0194（2013）17-0034-02

1 客戶細(xì)分方法

目前國(guó)內(nèi)傳統(tǒng)的客戶細(xì)分方法一般都是根據(jù)專家經(jīng)驗(yàn)或客戶簡(jiǎn)單人口統(tǒng)計(jì)特征進(jìn)行的，其基本假設(shè)是“相似的人口統(tǒng)計(jì)與生命周期特征，將有相似的購(gòu)買或消費(fèi)行為”，但這樣的細(xì)分不能動(dòng)態(tài)、全面、客觀地對(duì)客戶進(jìn)行識(shí)別、選擇與評(píng)價(jià)。隨著信用卡細(xì)分理論的發(fā)展，又相繼出現(xiàn)了行為細(xì)分、價(jià)值細(xì)分和心理細(xì)分等細(xì)分方法?？偟膩?lái)說(shuō)，國(guó)內(nèi)信用卡客戶細(xì)分方法的研究在理論和實(shí)踐方面雖然取得了一定成效，但考慮到數(shù)據(jù)資料的獲取難度、質(zhì)量保證等問(wèn)題，上述細(xì)分模型在實(shí)際應(yīng)用中往往存在一定的困難。

本文利用上海市某銀行的內(nèi)部信用卡數(shù)據(jù)，采用基于K-means聚類和決策樹(shù)分析方法的兩階段模式，對(duì)該行信用卡客戶數(shù)據(jù)進(jìn)行細(xì)分分析。

2 細(xì)分分析

2.1 數(shù)據(jù)準(zhǔn)備

本次采集數(shù)據(jù)樣本記錄79.6萬(wàn)條，其靜態(tài)特征數(shù)據(jù)說(shuō)明見(jiàn)表1。分析窗口的長(zhǎng)度定義為6個(gè)月，考慮到窗口末端流失客戶、睡眠客戶及風(fēng)險(xiǎn)暴露客戶影響，需要將該類客戶進(jìn)行排除。經(jīng)過(guò)排除后的細(xì)分樣本記錄14.8萬(wàn)條，并對(duì)其進(jìn)行數(shù)據(jù)清理、數(shù)據(jù)集成及數(shù)據(jù)變換①，最終按照5%的比例隨機(jī)抽樣，得到分析樣本記錄7 381條。

2.2 信用卡客戶VRFM決策樹(shù)模型

VRFM模型是在傳統(tǒng)RFM模型的基礎(chǔ)上，引入客戶歷史價(jià)值貢獻(xiàn)指標(biāo)V，用來(lái)表現(xiàn)客戶當(dāng)前的收益貢獻(xiàn)度，考慮到指標(biāo)共線性的影響，本文用評(píng)分5等分法，對(duì)傳統(tǒng)R、F、M指標(biāo)進(jìn)行了適當(dāng)調(diào)整②。本文使用SAS工具的K-Means快速聚類過(guò)程實(shí)現(xiàn)客戶細(xì)分，最終得到16類，并在此基礎(chǔ)上根據(jù)客戶VRFM取值變動(dòng)情況，將客戶定義為高價(jià)值、中價(jià)值、低價(jià)值3種類型（見(jiàn)表2）。

2.3 VRFM細(xì)分結(jié)果分析

2.3.1 高價(jià)值客群

HHHH、HHHL、HHLH類③客戶可被認(rèn)為是忠誠(chéng)度與利潤(rùn)貢獻(xiàn)高且消費(fèi)頻繁或消費(fèi)金額較高的客戶。無(wú)論從客戶行為還是客戶價(jià)值角度，都可認(rèn)為是銀行最佳的客戶，可視為銀行重要的保持客戶，建議每月跟蹤維護(hù)。

2.3.2 中高價(jià)值客群

HLHH、HLLH、HHLL類客戶利潤(rùn)貢獻(xiàn)高，但持續(xù)盈利能力有待加強(qiáng)。從客戶行為看，HLHH類客戶盡管消費(fèi)頻率與消費(fèi)金額高，但其近期消費(fèi)疲軟，甚至睡眠；HLLH類客戶盡管消費(fèi)金額高，但其消費(fèi)頻率較低且最近一段時(shí)間沉入睡眠；HHLL類客戶雖然最近沒(méi)有沉入睡眠，但其消費(fèi)頻率與消費(fèi)金額均相對(duì)較低。因此建議銀行通過(guò)適當(dāng)增加與該類客戶的主動(dòng)接觸，提升該客戶的消費(fèi)水平，從而為銀行帶來(lái)更多的利潤(rùn)。

2.3.3 低價(jià)值客群

LHHH、LLHH、LLLH、LHLL、LLHL、LLLL類客戶利潤(rùn)貢獻(xiàn)低。從客戶行為看，LHHH、LLHH類客戶盡管消費(fèi)金額較大，但其充分占用免息期，銀行資金成本高；LLLH類客戶偏好單筆大額消費(fèi)，這類客戶消費(fèi)頻次較低，建議銀行主動(dòng)向大額消費(fèi)需求型客戶推介信用卡分期產(chǎn)品，從而提高盈利水平；LHLL、LLHL、LLLL類客戶消費(fèi)金額較低，且消費(fèi)不活躍，是極易流失客群，銀行可以對(duì)客戶關(guān)系較短的客戶采取加強(qiáng)客戶保留的措施。

2.4 決策樹(shù)分析

利用決策樹(shù)技術(shù)分析具有何種指標(biāo)特性的客戶會(huì)被分在相同的群內(nèi)。探索不同客群的內(nèi)在特征，幫助銀行中高層解讀價(jià)值客群具象，從而有助于制定差異化的客戶管理決策。利用決策樹(shù)進(jìn)行特征提取，例如節(jié)點(diǎn)“4”——期間有取現(xiàn)交易行為，且期間毛利貢獻(xiàn)為負(fù)的客戶屬于低價(jià)值客群；而節(jié)點(diǎn)“8”——期間有取現(xiàn)交易行為，期間毛利貢獻(xiàn)大于零且VRFM模型評(píng)分大于19的客戶屬于高價(jià)值客群。

針對(duì)不同的客戶采取不同的客戶管理策略，銀行將兼顧客戶關(guān)系維護(hù)與獲取利潤(rùn)方面的平衡。從細(xì)分結(jié)果看，高價(jià)值、中價(jià)值、低價(jià)值客群的跨時(shí)間客戶價(jià)值貢獻(xiàn)也呈現(xiàn)出由高到低的趨勢(shì)，可見(jiàn)本次細(xì)分對(duì)價(jià)值客戶的識(shí)別是良好的，同時(shí)也在跨時(shí)間客戶價(jià)值貢獻(xiàn)中得到了驗(yàn)證（見(jiàn)表3）。

高價(jià)值客戶利潤(rùn)貢獻(xiàn)高，但風(fēng)險(xiǎn)相對(duì)較低，因此建議采取有效措施優(yōu)先服務(wù)并積極關(guān)注該類客戶，將會(huì)穩(wěn)定地保持收益，并可為銀行帶來(lái)良好的綜合口碑效應(yīng)；中價(jià)值客戶用卡相對(duì)積極，但其持續(xù)盈利能力不強(qiáng)，建議銀行采取有效措施，引導(dǎo)客戶使用循環(huán)、分期，提高該類客戶的利息收入或服務(wù)費(fèi)用收入，推動(dòng)該類客戶保持穩(wěn)定收益，逐步向“高價(jià)值”客群遷移；低價(jià)值客戶收入普遍不能覆蓋占用銀行的資金成本，其要么習(xí)慣充分使用免息期，要么銷售疲軟。該類客戶出現(xiàn)“睡眠”或“流失”的概率高，建議銀行在客戶成長(zhǎng)階段通過(guò)多種渠道維系客戶關(guān)系，努力培育客戶用卡習(xí)慣。

3 結(jié)束語(yǔ)

本文的最終細(xì)分結(jié)果顯示，高價(jià)值、中價(jià)值、低價(jià)值客群的特征差異明顯，符合業(yè)務(wù)上定性分析的結(jié)果，為接下來(lái)的策略分析提供了可靠的依據(jù)。然而細(xì)分模型中對(duì)客戶價(jià)值的判斷只是基于歷史價(jià)值，缺乏對(duì)客戶未來(lái)價(jià)值的預(yù)測(cè)，所以需要不斷更新模型使之更適合于業(yè)務(wù)發(fā)展的實(shí)際應(yīng)用。

主要參考文獻(xiàn)

[1]王靜，王延清. 基于信用行為的信用卡客戶細(xì)分策略[J].中國(guó)信用卡，2004（10）：27-29.

[2]任紅美. 基于客戶終身價(jià)值和客戶行為的信用卡客戶細(xì)分研究[D].濟(jì)南：山東大學(xué)，2007.

[3]夏維力，王青松. 基于客戶價(jià)值的客戶細(xì)分及保持策略研究[J].管理科學(xué)，2006（4）：35-38.

[4]陳建. 信用評(píng)分模型技術(shù)與應(yīng)用[M].北京：中國(guó)財(cái)政經(jīng)濟(jì)出版社，2005.