劉鳳艷（淮南師范學(xué)院　金融學(xué)院，安徽　淮南　232001）

?

基于聚類(lèi)分析的證券業(yè)客戶(hù)分層實(shí)證研究

劉鳳艷
（淮南師范學(xué)院金融學(xué)院，安徽淮南232001）

摘要：客戶(hù)管理的依據(jù)是客戶(hù)價(jià)值.本文根據(jù)客戶(hù)對(duì)證券公司提供的價(jià)值，采用聚類(lèi)分析方法對(duì)某證券公司提供的2014年6月到2015年6月總資產(chǎn)在50萬(wàn)~100萬(wàn)之間93個(gè)客戶(hù)共1116條記錄進(jìn)行實(shí)證分析，研究客戶(hù)的分層情況.通過(guò)細(xì)分結(jié)果可以對(duì)不同類(lèi)的客戶(hù)提供和設(shè)計(jì)不同的服務(wù)項(xiàng)目并提供個(gè)性化服務(wù)策略.

關(guān)鍵詞：客戶(hù)細(xì)分；聚類(lèi)分析；證券業(yè)；客戶(hù)價(jià)值

引言

近年來(lái)，證券企業(yè)行業(yè)的競(jìng)爭(zhēng)越來(lái)越激烈，在各個(gè)企業(yè)中哪個(gè)單位能把握住客戶(hù)的真正需求并且能保留住老客戶(hù)且吸引新客戶(hù)，才能有更高的收益；哪些客戶(hù)的投資回報(bào)率最大，哪些的虧損率多，誰(shuí)能根據(jù)以往的海量的交易數(shù)據(jù)，提出合理的投資建議，提取更多有價(jià)值的信息以便幫助各個(gè)企業(yè)有更好的發(fā)展，是各個(gè)企業(yè)重要的目標(biāo).而在金融證券業(yè)對(duì)客戶(hù)的相關(guān)數(shù)據(jù)的挖掘越來(lái)越重要，其對(duì)企業(yè)未來(lái)的發(fā)展趨勢(shì)可以進(jìn)行預(yù)測(cè)，此種方法已得到廣泛的應(yīng)用，本文是利用聚類(lèi)分析對(duì)證券公司提供的總資產(chǎn)在50萬(wàn)到100萬(wàn)的客戶(hù)數(shù)據(jù)進(jìn)行實(shí)證分析.

1　聚類(lèi)分析的介紹

聚類(lèi)分析是根據(jù)建立模型簡(jiǎn)化數(shù)據(jù)結(jié)構(gòu)的方法，可以對(duì)變量進(jìn)行聚類(lèi)也可以對(duì)樣品進(jìn)行聚類(lèi).聚類(lèi)的方法也很多，常見(jiàn)的有系統(tǒng)聚類(lèi)，快速聚類(lèi)法及有序聚類(lèi).而系統(tǒng)聚類(lèi)根據(jù)類(lèi)與類(lèi)之間距離的定義不同又分為最短距離法，最長(zhǎng)距離法重心法及類(lèi)平均法等等.在系統(tǒng)聚類(lèi)中因?yàn)樾枰?jì)算出不同樣品或變量的距離還要在聚類(lèi)的每一步都要計(jì)算類(lèi)間距離，相應(yīng)的計(jì)算量較大，特別是容量很大時(shí)需要占據(jù)很大的計(jì)算機(jī)內(nèi)存空間，這會(huì)給計(jì)算帶來(lái)很大的困難.所以在數(shù)據(jù)量較大時(shí)可以采用快速聚類(lèi)法，得到的結(jié)果比較簡(jiǎn)單易懂，對(duì)計(jì)算機(jī)的性能求不高，所以應(yīng)用比較廣泛，本文就是利用快速聚類(lèi)來(lái)進(jìn)行分析.

聚類(lèi)分析的應(yīng)用比較廣泛，常被應(yīng)用在在以下幾個(gè)方面：生物學(xué)方面，聚類(lèi)分析可以用來(lái)進(jìn)行動(dòng)植物的分類(lèi)，可以對(duì)基因進(jìn)行分類(lèi)；商務(wù)方面，聚類(lèi)分析可以幫助企業(yè)人員從龐大的客戶(hù)數(shù)據(jù)庫(kù)中發(fā)現(xiàn)不同類(lèi)別的客戶(hù)群，并且根據(jù)客戶(hù)群特征提供相應(yīng)的服務(wù)；經(jīng)濟(jì)研究中，為了研究不同地區(qū)城鎮(zhèn)居民生活中的收入和消費(fèi)情況；在地質(zhì)學(xué)中，為了研究礦物勘探，需要根據(jù)各種礦石的化學(xué)和物理性質(zhì)和所含的化學(xué)成分把它們歸屬于不同的礦石類(lèi)；在人口學(xué)研究中，需要構(gòu)造人口生育分類(lèi)模式、人口死亡分類(lèi)模式，來(lái)研究人口的生育和死亡規(guī)律.

2　客戶(hù)分層管理介紹

客戶(hù)關(guān)系管理（簡(jiǎn)稱(chēng)CRM）20世紀(jì)90年代初出現(xiàn)在美國(guó)，90年代末期進(jìn)入中國(guó).客戶(hù)關(guān)系管理應(yīng)用的最終目標(biāo)的幫助企業(yè)獲取更多的客戶(hù)、保留原來(lái)的老客戶(hù)、提高客戶(hù)的忠誠(chéng)度，從而達(dá)到客戶(hù)創(chuàng)造價(jià)值的目的.客戶(hù)關(guān)系管理的實(shí)質(zhì)是利用網(wǎng)絡(luò)系統(tǒng)的優(yōu)勢(shì)實(shí)現(xiàn)對(duì)消費(fèi)者的一對(duì)一營(yíng)銷(xiāo),企業(yè)向客戶(hù)提供個(gè)性化的服務(wù),盡量讓每個(gè)客戶(hù)都認(rèn)為這種服務(wù)是完全針對(duì)他個(gè)人的.要做到這一點(diǎn),就要區(qū)別地對(duì)待不同的客戶(hù)，具體的實(shí)施步驟可以分為以下四個(gè)階段:第一階段:識(shí)別你的客戶(hù)，第二階段:對(duì)客戶(hù)進(jìn)行差異分析，第三階段：與客戶(hù)保持良性接觸,就是同客戶(hù)的交流和溝通，第四階段:調(diào)整產(chǎn)品或服務(wù)以滿(mǎn)足每一個(gè)客戶(hù)的需求,即企業(yè)向客戶(hù)提供個(gè)性化的服務(wù),進(jìn)行市場(chǎng)營(yíng)銷(xiāo).利用統(tǒng)計(jì)方法，分析出有效的客戶(hù)價(jià)值信息，有利于企業(yè)把握優(yōu)質(zhì)客戶(hù)，發(fā)展?jié)摿蛻?hù)，認(rèn)識(shí)到客戶(hù)間的差異，從而為客戶(hù)提供一對(duì)一的差異化服務(wù).最終達(dá)到增加客戶(hù)滿(mǎn)意度、提高客戶(hù)忠誠(chéng)度、挽留優(yōu)質(zhì)客戶(hù)的目的，并實(shí)現(xiàn)企業(yè)利潤(rùn)的最大化.

而客戶(hù)分層最重要的就是客戶(hù)細(xì)分.客戶(hù)細(xì)分就是指根據(jù)客戶(hù)的某種屬性或特征將大的客戶(hù)群體劃分成若干個(gè)小的客戶(hù)群的過(guò)程，同屬一個(gè)客戶(hù)群的消費(fèi)者彼此相似，而隸屬不同客戶(hù)群的消費(fèi)者彼此不相似.客戶(hù)細(xì)分可以使企業(yè)全方位的、有目的性的分析、提取客戶(hù)數(shù)據(jù)庫(kù)中的有效客戶(hù)信息，同時(shí)使得企業(yè)可以根據(jù)細(xì)分群采取不同的方式為處于不同群的客戶(hù)提供優(yōu)質(zhì)服務(wù).客戶(hù)細(xì)分的方法有很多種，基于客戶(hù)統(tǒng)計(jì)學(xué)特征的、基于客戶(hù)生命周期的、基于客戶(hù)交易行為的以及基于客戶(hù)價(jià)值指標(biāo)的都是比較常見(jiàn)的細(xì)分方法.

本文針對(duì)淮南市某證券業(yè)提供的數(shù)據(jù)進(jìn)行客戶(hù)細(xì)分，以便提出合理的分群方法，提供不同的服務(wù).

3　客戶(hù)細(xì)分模型的建立

客戶(hù)細(xì)分是客戶(hù)關(guān)系管理重要的實(shí)現(xiàn)手段之一，采用基于客戶(hù)交易行為的客戶(hù)細(xì)分是一個(gè)可選的方法.針對(duì)證券業(yè)龐大的客戶(hù)群，通過(guò)一定的劃分方法，將客戶(hù)分為優(yōu)質(zhì)客戶(hù)、潛力客戶(hù)、一般客戶(hù)，有利于證券公司提供差異化的服務(wù)，有利于客戶(hù)關(guān)系管理的成功實(shí)施.

3.1模型中變量的解釋

客戶(hù)細(xì)分的變量屬性有動(dòng)態(tài)屬性，也有靜態(tài)屬性.調(diào)查的數(shù)據(jù)是2014年7月到2015年6月底，資產(chǎn)在50w到100w之間的客戶(hù).調(diào)查的動(dòng)態(tài)屬性變量有期末資金，期末資產(chǎn)，交易量，成交筆數(shù)，凈傭金，傭金，股票盈虧，成交金額-買(mǎi)入，成交金額賣(mài)出，靜態(tài)屬性變量有證券代碼、交易時(shí)間、客戶(hù)姓名、客戶(hù)年齡等.

3.2數(shù)據(jù)的預(yù)處理

分析過(guò)程中最重要的是數(shù)據(jù)預(yù)處理.在現(xiàn)實(shí)生活中，數(shù)據(jù)對(duì)象并不都是規(guī)范的，大多會(huì)有噪音、冗余、數(shù)據(jù)不一致等問(wèn)題出現(xiàn)，為了能夠提高數(shù)據(jù)挖掘的質(zhì)量、效率，就必須對(duì)這些存在缺陷的、不完整的數(shù)據(jù)進(jìn)行預(yù)處理，使得數(shù)據(jù)挖掘過(guò)程更簡(jiǎn)單、更有效、更實(shí)用，結(jié)果更能準(zhǔn)確地反映客觀情況.數(shù)據(jù)預(yù)處理可以概括為以下三個(gè)階段：

(1)數(shù)據(jù)選取

由于從數(shù)據(jù)庫(kù)中隨機(jī)選取的歷史交易數(shù)據(jù)屬性繁多、數(shù)量巨大，這就需要人為地設(shè)定標(biāo)準(zhǔn)以便從眾多的數(shù)據(jù)中選擇有用的數(shù)據(jù).

(2)數(shù)據(jù)變換

數(shù)據(jù)的觀側(cè)值可能相差很大，因?yàn)閿?shù)據(jù)庫(kù)中的各個(gè)數(shù)據(jù)對(duì)象具有各種不同的性質(zhì)屬性，通常都有不同的度量單位.所以，絕對(duì)值相對(duì)較少的變量起不到應(yīng)有的作用，絕對(duì)值較大的變量可能會(huì)影響到絕對(duì)值較小的變量.為了保證各變量在聚類(lèi)分析中所處的地位相同，有必要對(duì)數(shù)據(jù)對(duì)象進(jìn)行數(shù)據(jù)變換.標(biāo)準(zhǔn)化變換是常見(jiàn)的變換方法.

標(biāo)準(zhǔn)化公式為：設(shè)共有n個(gè)客戶(hù)，設(shè)計(jì)p個(gè)屬性（變量），設(shè)xij是第i個(gè)對(duì)象的第j個(gè)屬性i=1,2,…,n；j=1,…,p，算得第j個(gè)屬性的平均值為，而樣本的標(biāo)準(zhǔn)差為則標(biāo)準(zhǔn)化后的數(shù)據(jù)為（i=1,2,…,n；j=1,…,p）.

在經(jīng)過(guò)標(biāo)準(zhǔn)化變換后，各數(shù)據(jù)對(duì)象的變量屬性的均值為0，且標(biāo)準(zhǔn)差均為1.也就是說(shuō)各變量屬性的基點(diǎn)相同，并且變化范圍也相同.

3.3快速聚類(lèi)的算法：

此方法的實(shí)現(xiàn)有以下三步：

（1）初始重心的選擇.重心選擇的好壞能夠影響到聚類(lèi)結(jié)果是否是有效的.

（2）進(jìn)行修改，逐個(gè)分派樣品到其最近均值的類(lèi)中，重新計(jì)算接受新樣品的類(lèi)和失去樣品的類(lèi)的重心.

（3）重復(fù)上步，直到?jīng)]有元素進(jìn)出.此時(shí)聚類(lèi)結(jié)束.

4　實(shí)例驗(yàn)證

本例所選的具體數(shù)據(jù)選自淮南某證券公司柜面系統(tǒng)中2014年7月到2015年6月底，資產(chǎn)在50w到100w之間的客戶(hù)部分客戶(hù)歷史交易數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)的選取、清理后選取94個(gè)客戶(hù)信息，每個(gè)客戶(hù)所用數(shù)據(jù)為一年的平均值.其中包含的觀測(cè)變量有期末資金，期末資產(chǎn)，交易量，成交筆數(shù)，凈傭金，傭金，股票盈虧，成交金額-買(mǎi)入，成交金額賣(mài)出.處理的數(shù)據(jù)是一年的平均值.利用PASW Statistics 18軟件進(jìn)行K均值聚類(lèi)：

指標(biāo)的含義及計(jì)算方法

因上述指標(biāo)數(shù)量級(jí)差別較大，若直接放在一起進(jìn)行運(yùn)算，則數(shù)量級(jí)大的指標(biāo)將掩蓋數(shù)量級(jí)小的指標(biāo)，為了保證各變量所處的地位相同，有必要對(duì)數(shù)據(jù)對(duì)象進(jìn)行數(shù)據(jù)變換，而標(biāo)準(zhǔn)化后的數(shù)據(jù)根據(jù)準(zhǔn)則，應(yīng)該都是介于-3到+3之間，通過(guò)統(tǒng)計(jì)方法處理，最后刪掉異常數(shù)據(jù)，最后剩下82個(gè)客戶(hù)的數(shù)據(jù).利用剩下的數(shù)據(jù)，利用K-均值聚類(lèi)進(jìn)行分析，得到結(jié)果如下：

初始聚類(lèi)中心

迭代歷史記錄a

最終聚類(lèi)中心

每個(gè)聚類(lèi)中的案例數(shù)

可以看到在第一分類(lèi)中有4個(gè)客戶(hù)，第二個(gè)分類(lèi)客戶(hù)中有62個(gè)客戶(hù)，第三分類(lèi)中有19個(gè)客戶(hù).在第二分類(lèi)中客戶(hù)最多,是所有大客戶(hù)中比例最多的.

從最終聚類(lèi)的重心可以看出，客戶(hù)細(xì)分結(jié)果得出三個(gè)質(zhì)心，三個(gè)質(zhì)心分別為：

第一個(gè)質(zhì)心為

(389386.681，9210.025，6142706.393，89.167，3081199.564，3061506.828，2614.587，1982.649，16435.200)；

第二個(gè)質(zhì)心為

（410626.495，88931.742，721038.618，19.116，357467.390，363599.010，839.049，766.991，22087.037）；

第三個(gè)質(zhì)心為

（548603.918, 55948.980, 2870916.795, 41.864, 1435940.978, 1434975.817, 2035.590, 1741.470, 25414.573）

這三個(gè)質(zhì)心的數(shù)據(jù)分別代表三種不同類(lèi)型的客戶(hù)：

（1）第一類(lèi)代表著優(yōu)質(zhì)客戶(hù)，從最終聚類(lèi)中心中可以看出這類(lèi)客戶(hù)股票操作頻率頻繁、資金量大，手續(xù)費(fèi)收入多，客戶(hù)數(shù)量很少，但貢獻(xiàn)的手續(xù)費(fèi)收入很多.表示這類(lèi)客戶(hù)資金雄厚，熱衷于股市，是證券公司獲得利潤(rùn)的重要客戶(hù)，證券公司可以從這類(lèi)客戶(hù)身上獲得頗豐的收入.對(duì)于優(yōu)質(zhì)客戶(hù)，企業(yè)要積極與這部分客戶(hù)溝通，了解客戶(hù)的需求，進(jìn)行細(xì)致入微的訪談，必要時(shí)進(jìn)行“一對(duì)一”的服務(wù).優(yōu)質(zhì)客戶(hù)可以?xún)?yōu)先享用證券公司的資源，如信息提前通知，高頻率的電話(huà)回訪等.最終達(dá)到客戶(hù)滿(mǎn)意、公司盈利，并挽留客戶(hù)的目的.

（2）第三類(lèi)代表著潛力客戶(hù)，從表中可以看出，這類(lèi)客戶(hù)操作頻率可觀，手續(xù)費(fèi)收入比優(yōu)質(zhì)客戶(hù)少一些，由數(shù)據(jù)表明這類(lèi)客戶(hù)有發(fā)展成為優(yōu)質(zhì)客戶(hù)的潛質(zhì)，如果公司服務(wù)不到位也可能面臨著這部分客戶(hù)的流失.因此，證券公司要掌握這類(lèi)客戶(hù)的有效信息，如個(gè)人愛(ài)好、購(gòu)買(mǎi)特點(diǎn)，抓住客戶(hù)的心里需求，從而提供積極主動(dòng)的服務(wù)，讓客戶(hù)有被尊重的感覺(jué)，可以放心地在公司辦理一切業(yè)務(wù)，以至最終達(dá)到客戶(hù)滿(mǎn)意公司提供的服務(wù)、信任公司，發(fā)展成優(yōu)質(zhì)客戶(hù).

（3）第二類(lèi)代表著一般客戶(hù)，一般客戶(hù)占有的比例較大，但這類(lèi)客戶(hù)由于種種因素，對(duì)股票的操作頻率僅為19.116，手續(xù)費(fèi)收入相對(duì)不高，股市參與度相對(duì)較低.一般客戶(hù)對(duì)公司的利潤(rùn)貢獻(xiàn)最少的，但是人數(shù)眾多，總的受益還是很客觀的，對(duì)這類(lèi)客戶(hù)要努力開(kāi)發(fā)成潛力客戶(hù)，這類(lèi)客戶(hù)的資金也很多，開(kāi)發(fā)的潛能很大.證券公司要注意提取有價(jià)值信息，辨別一般客戶(hù)是否有成為優(yōu)質(zhì)客戶(hù)的潛力，對(duì)癥下藥，為其提供與之相適應(yīng)的服務(wù).

5　小結(jié)

根據(jù)以上分群，首先，可以對(duì)對(duì)公司的貢獻(xiàn)價(jià)值對(duì)不同的客戶(hù)提供差異化服務(wù)，為貢獻(xiàn)度高的客戶(hù)優(yōu)先配置有限的資源，為貢獻(xiàn)度不大的客戶(hù)配置資源放在次要順序，這樣就實(shí)現(xiàn)了顧客的區(qū)別對(duì)待；其次客戶(hù)可以根據(jù)自身的條件選擇不同的服務(wù)；最后，企業(yè)為獲取增長(zhǎng)性、持續(xù)性的利潤(rùn)的就必然要提供差異化服務(wù)，滿(mǎn)足客戶(hù)合理需求.

參考文獻(xiàn)：

〔1〕邢留偉.K-Means算法在客戶(hù)細(xì)分中的應(yīng)用研究[D].西南財(cái)經(jīng)大學(xué)，2007.

〔2〕婁至濤.基于聚類(lèi)分析的證券業(yè)客戶(hù)關(guān)系管理研究[D].西北農(nóng)林科技大學(xué)，2010.

〔3〕劉莉.K-means算法在移動(dòng)客戶(hù)細(xì)分中的應(yīng)用研究[J].信息通信，2008（6）.

〔4〕王荇，鄭成增.聚類(lèi)算法在證券公司CRM中的應(yīng)用[J].常州工學(xué)院學(xué)報(bào)，2008（4）.

〔5〕王園.證券業(yè)客戶(hù)細(xì)分模型構(gòu)建及時(shí)政研究[J].上海管理科學(xué)，2012（2）.

基金項(xiàng)目：淮南師范學(xué)院教師社會(huì)實(shí)踐項(xiàng)目；淮南師范學(xué)院科學(xué)研究項(xiàng)目(No.2014xj45)

收稿日期：2015-11-5

中圖分類(lèi)號(hào)：F830.91；F270

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1673-260X（2016）04-0099-03