首先看一下資料探勘在客戶分析中的應用，資料探勘主要應用於兩大領域：客戶智慧型和風險管理
。客戶智慧型分為資料層、挖掘層和營銷層，資料探勘屬於中間這一層，是服務支撐層，為營銷提供支援。資料探勘傳統的一些領域，包括客戶細分、營銷**、產品關聯、實時分析、客戶提公升、價值分析，以及現在隨著大資料技術的興起，我們會做實時分析，已經有些公司推出了基於文字的分析判斷產品。
由於時間關係我主要介紹其中的幾個，首先我們來看一下資料探勘伴隨著客戶的生命週期是從始至終都存在的，拿信用卡業務來看，客戶經歷了從客戶的捕獲到客戶的提公升，到客戶的成熟階段，當然最後有可能發生客戶的流失，完整的生命週期，不同的生命週期有不同的關注點。在下面，我們從資料探勘的視角可以看到，其中有很多資料探勘模型可以輔助業務的決策。
首先看客戶細分，
這是傳統的客戶細分，一般基於人口統計學的自然屬性、銀行交易資訊、持有產品資訊、互動反饋資訊等等，針對這些進行細分，形成乙個不是很深入的結果，可能會形成這樣的使用者分級。產生需要的，**值低忠誠使用者是蝴蝶，低價值高忠誠的使用者是藤壺。最終細分出來的客戶，可能是這個客戶更深入洞察的角度，很巧跟邵鐘飛也有相似的細分型別。所以，只有基於這些精準細分模型，才能給使用者提供差異化的營銷手段。
營銷**
，舉個簡單例子，比如我有100個潛在客戶，其中大概有25個人會對我的營銷響應使用我的產品，並帶來人均5元的收益。營銷成本每人是1元，地毯式營銷回報率是25%。在第二代的營銷中我們可能會使用一些聚類的技術，營銷的回報率可能能達到100%，這只是乙個示例。第三代營銷中我們可能會做雙向**模型，同時**響應率和產品使用率，最終可能會收到比較好的效果，回報率要遠遠超出前兩代。
來看流失分析，客戶為什麼會離開我們這家銀行轉移到其它銀行？
波士頓諮詢公司做了乙個市場調查，主要原因是服務質量不好，**沒有吸引力，產品沒有吸引力，以及渠道的不方便因素，等等。同時有些市場調查認為，我獲得乙個新客戶的成本是維持乙個老客戶成本的5倍，因此我們怎麼樣才能做好客戶的流失分析，怎樣才能留住客戶？傳統的客戶流失分析是做事前的**，以前不叫流失**叫流失預警，這時你每個月都要想辦法挽留這一大批使用者，我們是不是要做一些事後分析？看看這些使用者為什麼會離開，提高自己的軟技能和硬技能進行客戶的挽留。
我們剛剛結束的乙個專案案例，就是來做高階客戶的流失分析。這個銀行在2011-2023年這段時間的高階客戶，流失率在18%左右的水平，同業的平均水平大概在12%左右，所以他認為他們的流失率偏高於同業其它銀行。所以他想分析一下，第一，我流失的客戶大概是什麼樣的構成情況，什麼樣的客戶容易流失？第二，他們流失的原因是什麼樣的？第三，怎麼預警挽留這些客戶？這些客戶中業務包括儲蓄、理財、貸款，我們在做分析的時候，因為他不光要分析流失，他還要分析降級，他這裡降級是指嚴重降級，aum變動要超過兩成。我們在裡面分析的時候增加了一層，150萬，這樣讓級與級之間的過度，大概一級就是損失150個aum。
在做分析之前首先會有個思考，客戶提供給我們這些基礎資料涵蓋了哪些內容，包括了人口統計學的屬性，aum的構成，借記卡的卡數、交易次數、交易金額等等這些資訊，這和我做流失分析是有差距的，我缺乏一些流失相關的緯度，比如客戶在我們銀行主要是做什麼業務的。客戶在降級流失之前的乙個月，最後保留的業務是什麼。還有，客戶降級流失的原因是因為他有消費需求嗎？比如要付首付，還是因為更換銀行？前兩種我們認為：第一種，因為消費的需求，客戶對你銀行的忠誠度是沒有降低的，他很有可能把這個銀行作為接下來他首選的銀行，提前還款這東西因為是個被動的業務比較特殊，如果只是單純更換銀行的話，這就說明客戶對你的忠誠度有所降低。再有，無論是降級還是流失都是乙個籠統的概念，客戶的降級是短暫的，如果降了級又恢復，流失也有可能降到aum的1%再恢復，還是有的客戶銷卡了？所以，要對客戶有個全新的認識，當然這裡面也認識到有些東西是資料之外的故事，比如這家銀行某個月客戶經理的流失率是比較高的，帶來了客戶流失率是比較高的。
首先我們增加了乙個緯度，主要業務分類，這裡面又分為月度主要業務分類，也就是計算每個月可以分為儲蓄類、貸款類、理財類，還有混合類，後兩類的客戶比例是非常低的，月度的資料可以綜合出客戶在17個月中主要做的業務。有了客戶主營業務的分類以後，我們可以繼續來看客戶流失的場景是什麼，第乙個場景就是剛才說的大額的消費、大額的刷卡。儲蓄中斷，客戶的儲蓄持續幾個月有100萬，突然就不見了，他是轉移到了其它銀行，至於轉移到了其它銀行做什麼事情我們不清楚。理財的轉移，在這個客戶降級、流失之前，我們猜測這些人多數人去其它銀行多數做理財產品。
同樣，流失級別不能一概而論，我們會把客戶流失嚴重程度分為從輕到重。所有的客戶流失級別裡面，大概有一半多的人是沒有流失的，級別甚至是有所提高的，有17-18%的人是流失了的客戶。再看做什麼主業的客戶容易流失？貸款裡面藍條是沒有流失的，做貸款的客戶是最穩定的，這並不是個很低的門檻。做儲蓄的人是最容易流失的，因為儲蓄轉移的成本是最低的，網銀現在轉移儲蓄肯定兩塊錢就轉走了。
我們還可以看一看全部客戶的主業分布圖，高階客戶裡有43%的人是做貸款的，發生降級、流失的客戶儲蓄減少了、貸款增加了，驗證了上面的資訊。還有一些基礎資訊，地域中西部地區是最穩定的，36歲以下的客戶願意做的業務是貸款業務，非常穩定，55歲以上的客戶儲蓄理財的比例是比較大的，因此流失率也是比較高的。
有了以上的一些交叉分析以後，我們重點看了幾個場景：乙個是理財轉移，理財轉移在這段時間內給這家銀行帶來了大概104億aum的損失，大概有1/7的理財客戶轉移了以後有所恢復，也有1/7的客戶轉移了以後沒有恢復。理財轉移的客戶偏好的產品和其它客戶有沒有區別？我們做個對比。可以看到轉移的期限，左下角使轉移和流失的客戶更喜歡穩健型的產品。能不能**一下貸款的餘額佔總額的百分比到底什麼的時候，客戶一次性提前還款的可能性較高，我們做了簡單這樣的統計度，平均的提前還款率是條紅線，下面的橫座標是貸款的餘額佔的百分之比，貸款餘額降到25%之後的時候提前還款率是非常高的。
金融聚集如何推動個人投資資料聚合，銀行門檻如何
從那時起，為數不多的提供類似服務的新貴，如個人資本 personal capital 和sigfig，已經籌集了數百萬的風險投資，瞄準資料聚合範圍的投資端，並為人類財務顧問提供健康的競爭。klipc認為mint.com對每乙個事務進行分類，並且知道它的使用者在何處生存，所以對索引後面的資料的分析可以...
消費金融是如何利用大資料場景分析提高企業效益的？
如今技術對金融領域的滲透越來越深入。大資料和消費金融都是時下的熱門概念，也是乘著新時代的東風快速崛起的產業，大資料服務於各行各業，消費金融的發展也是離不開大資料的支撐，隨著大資料場景分析越來越成熟，將消費金融和大資料場景化相結合，不僅影響著消費金融行業的運作模式，也影響著大眾的消費和金融行為。而在消...
大資料於產業金融領域的運用究竟如何很好的實現
一 系統模型 通過檢索引擎及爬蟲技術採集產業和產品網際網路海量資料 通過分詞矩陣清洗 排重 過濾等預處理方式，儲存一批完備的產業相關的金融大資料 通過檢索 統計和智慧型分析得到初步的行業分析報告，然後運用金融工程及各類風險控制模型構建以產品 為 的估值模型，以價值鏈為基礎的決策模型並提供適合產業的基...