挖掘客户细分的价值_数据中心

针对不同阶段的客户关系维护采用相应的数据挖掘方法和技术，才能实现客户细分的最大价值。同样，数据分析的方法有很多种，采用哪种方法取决于银行的营销目标。

依据上述模型，我们分别对各阶段客户关系维护需要重点采用的挖掘技术进行分析。

(1)寻找信用卡潜在客户。从既有的客户群中寻找潜在信用卡客户，远比从市场上寻找新客户花费的成本少得多，加之多数银行具有深厚的零售客户基础，因此，利用交叉销售模型从既有客户中寻找潜在信用卡客户，成为本阶段数据挖掘支持的重点。

(2)了解喜好，刺激消费。这一阶段是培养客户的黄金时期。随着客户拿到卡片开始消费，如何培养其用卡习惯成为本阶段的重点。此时可利用购买倾向模型分析其消费类型，进而了解其消费喜好，为营销人员提供制定客户关系维护策略的参考依据。

(3)提升价值，建立忠诚度。一般而言，卡中心会定期审查客户的消费和还款状况，对其信用额度进行适度调整或提升卡片等级，而客户也会依据其需求对卡中心提出增加信用额度的申请。因此，此阶段可借助挖掘模型，协助卡中心重新界定“好/坏”客户，提供额度调整的参考；同时找出高价值客户的特征，作为提升等级和向上销售的依据。

(4)控制风险，保有客户。在客户和卡中心的往来关系中，不论是主动弃卡还是因为欺诈/坏账而被动流失，总会有客户流失。因此，此阶段可借助数据挖掘建立风险以及流失相关模型，找出高风险客户特征，提早预警，减少卡中心损失；同时，发现高价值客户将要流失的蛛丝马迹，提早进行维护。

三、有效应用数据分析进行营销

例如，某银行希望根据客户状况提供差异化的服务，一般先从了解客户开始，此时通常运用的是客户轮廓分析(Profiling)或挖掘模型(Mining model)，进而建立客户细分(Segmentation)，依照不同客户群的特性和偏好制定相关服务标准、渠道使用与定价策略。另外一家银行期望推广策略性的产品，可以采用预测模型(Predictive model)，依照客户过去的行为模式以及偏好，预测出有购买倾向的客户群并对其进行营销。如果要达到以客户需求为导向(而非站在企业角度预测)的最适合产品推荐(Next Best Offer)，则需再加入客户最近的行为模式，进行线上、线下行为整合分析，才能更精准地确认客户需求。

单纯挖掘客户或细分各种静态、动态客户，银行无法在市场变动下提高竞争力，只有将数据挖掘方式与其他数据分析方式、营销策略紧密结合，才能赢得先机。2002～2007年欧美掀起一股事件式营销和精准营销的风潮，使得客户关系管理走入新阶段。其概念是指从不寻常的变化如客户行为、产品持有、外在环境、季节性等中间挖掘出隐藏在客户背后的产品服务需求。许多企业做过试验性的事件式营销，效果不一，主要差异在于方法论的学习与实践。事件式营销需要对客户行为进行全面分析与了解，先进的银行还会加入客户查询、投诉、线上/线下行为、服务周期水平、社交媒体反应等数据，精准地找出客户需求，并设计多重产品的销售活动。要达到有效的结果，除了数据分析之外还需考虑渠道执行开放式话术的能力，以分析结果为基础，避免过度打扰客户，站在他们的角度引发其对多重产品的需求。

不论是数据挖掘还是开展各种营销，建立绩效评估体系都非常重要。一般银行仅重视业绩或产品销售达成效果，而难以提供目前活动需要修正哪些环节方能继续推广等制定决策所需的效果评估报告，其主要原因是没有收集客户的反馈信息、渠道联系沟通的结果以及营销活动整合分析信息。只有获得渠道反馈信息，才能进一步做出活动修正或取消的决策，从而提高营销成功率。

许多商业银行都在谈论“以客户为中心”，提供客户所需的差异化产品和服务，期望能更有效地提升竞争力。这不仅需要在组织层面以数据分析来驱动营销战略和计划，也要在执行层面培养相关分析人员，使用工具实施有效分析。数据分析在提供差异化服务的各个环节与营销策略上都扮演着非常重要的角色，再加上系统层面自动化的支持，商业银行更能如虎添翼，创造核心竞争力。

（文章来源：中国信用卡）

首页上一页 1 2