基于SOM的商业银行客户分类管理模型研究

Ｒｅｓｅａｒｃｈ　ｏｆ　Ｍａｎａｇｅｍｅｎｔ　Ｍｏｄｅｌ　ａｂｏｕｔ　Ｃｏｍｍｅｒｃｉａｌ　Ｂａｎｋ　Ｃｕｓｔｏｍｅｒ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　ＳＯＭ施

扬

２１１１８９）

Ｓｈｉ　Ｙａｎｇ

（东南大学计算机系，　江苏南京

（Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，　Ｓｏｕｔｈｅａｓｔ　Ｕｎｉｖｅｒｓｉｔｙ，　Ｊｉａｎｇｓｕ　Ｎａｎｊｉｎｇ２１１１８９）摘

要：　应用自组织特征映射ＳＯＭ的人工神经网络模型，针对目前多数银行所采用的传统客户划分方法，存在没有针对

性的满足客户的需求的缺点，充分利用自组织特征映射作为样本特征检测器的功能，将反映客户的高维数据特征输入ＳＯＭ进行训练，训练之后的分类模型将可以对在线输入的客户信息进行合理的分类。客户分类是客户关系管理系统的核心功能之一，可以对客户获取、客户保持及客户增值等客户关系管理过程提供全面支持，对商业银行的ＣＲＭ的有效运行提出了一种新的方法。

关键词：　银行；　客户分类管理；　人工神经网络；　Ｔ．Ｋｏｈｏｎｅｎ自组织模型中图分类号：Ｆ８３２．２

文献标识码：Ａ

文章编号：１６７１－４７９２－（２００７）１２－０１０３－０４

前多数银行的客户分类管理还停留在根据某一项和两项单一指标（如季度的存款额度等）来分类，这些数据难以完全表达一个客户的真实价值，评价一个客户的指标很多，必须使用充分的高维数据来表征一个客户。如何处理高维的客户数据成为客户分类管理的主要问题。

本文通过分析反映商业银行客户行为各特征要素的数据，运用自组织神经网络ＳＯＭ，建立了客户价值预测的神经网络模型。由于在商业银行的用户数据中存在大量的模糊数据，例如贷款回收期的快慢、信用状况、信贷项目的使用期限的长短等，在数据特征提取时，笔者采用了模糊技术对这些不确定性数据进行数量化，使这些数据能够被ＳＯＭ处理，并能够更好的反映客户的商业价值。笔者提出了一种基于ＳＯＭ模型的银行客户分类管理模型，该模型能够在对ＳＯＭ模型进行充分的训练之后，实时的给出当前用户的分类情况。文章最后，给出了ＣＲＭ中客户分类管理的未来的发展方向。１

商业银行客户分类的两个主要问题

数据挖掘和神经网络技术在银行等金融领域应用广泛。金融事务需要搜集和处理大量数据，对这些数据进行分析，发现其数据模式及特征，然后可能发现某个客户、消费群体或组织的金融和商业兴趣，有针对的进行营销策略。目前，数据挖掘应用于银行主要包含客户分类、风险管理等。

１．１客户细分

银行根据已有的客户资料通过数据挖掘，可以找出客户

的商业银行客户分类管理模型研究在现今竞争加剧的市场上，顾客满意度成为银行保持竞争力的关键。良好的顾客服务，成为银行与竞争对手之间最佳的差异化特色。有效的ＣＲＭ（客户关系管理）可增加顾客获取与利润创造的机会，同时可针对各个顾客的需求设计营销活动，以获得较高的投资回报率，并可在适当的时间提供正确的产品信息给适合的顾客；　在对内部分，良好的系统构建可改善银行各个部门间营销相关活动的运作关系、改善产品周期，同时减少业务与服务的成本，提升营运效率。

客户分类管理也称为客户群划分技术（ＣｕｓｔｏｍｅｒＳｅｇｍｅｎｔａｔｉｏｎ），是ＣＲＭ中十分重要的部分。在当今的金融、运输等行业，如何更好地进行客户群体划分对公司盈利至关重要。为了给客户提供更好的服务，以赢得客户的忠诚，首先必须了解客户的价值［１］。商业银行拥有大量的个人客户交易数据、个人客户服务数据和个人客户基本资料数据。在这些海量数据中，隐藏着大量的有价值的客户信息。运用数据挖掘中的聚类分析技术可以从这些数据里集中提取客户的分类知识。聚类分析技术可以将性质、特征近似的数据对象归属在相同的群集中。商业银行可以利用此技术分辨出能有效为之服务的最有价值的客户，为他们提供更为个性化的服务，从而影响相关的客户行为并最终达到提高盈利的目的。对于给银行创造较大价值的客户，为了提高他们的满意度与忠诚度，最大限度增大这部分客户的价值，是目前客户管理的有效途径。因此，基于价值的客户细分是十分必要的。目

１０３科技广场２００７．１２

１０４

ｎ＝０，１，２，

…２

为总的学习次数；　η０为初始学习率。

τ

（５）

领域调整函数采用“墨西哥草帽”侧抑制函数：

１０５科技广场２００７．１２

１０６