【数据分析】信用卡客户价值分析

文/李建平,来源:建行报

让历史告诉未来。客户价值分析就是通过数学模型由客户历史数据预测客户未来购买力,这是数据挖掘与数据分析中一个重要的研究和应用方向。RMF方法就是让历史告诉未来的趋势分析法,利用RMF方法科学地预测老客户未来的购买金额,然后对产品成本、关系营销费用等进行推算,即可按年、按季度、按月预测出客户未来价值。这里以信用卡为例,讨论和分析信用卡客户价值。

一、预测模型

对银行而言,预测客户未来价值能够使银行将传统的整体大众营销推进到分层差异化营销、一对一差异化营销的高度,对不同的分层客户采取不同的营销模式、产品策略和服务价格,从而推动和促进客户购买交易。

根据RFM方法,“客户价值”预测模型为:

客户未来价值 = 银行未来收益 - 未来产品成本 - 未来关系营销费用

对于信用卡客户,我们定义此处的“未来”是指未来一年(也可以是未来一季度)。“银行收益”包括信用卡年费、商户佣金、逾期利息,以及其他手续费等;“产品成本”即产品研发、维护和服务成本,包括发卡、制卡、换卡和邮寄等费用,以及其他服务费用;“关系营销费用”即关系维护和营销成本,包括商户活动、积分礼品兑换、营销宣传等。

RFM方法是目前国际上最成熟、最通用、最被接受的客户价值分析的主流预测方法。实际上,RFM方法是一整套客户价值分析方法中的一部分(其中,R:最近购买日Recency,F:购买频率Frequency,M:平均单次购买金额Monetary),但是RFM方法最具有代表性,其它还包括客户购买行为随机过程模型、马可夫链状态移转矩阵方法、贝氏机率推导状态移转概率方法和拟合回归分析方法等。

(一)预测未来收益

由于“银行收益”包括信用卡年费、商户佣金、逾期利息,以及其他手续费等,这里统一称为“购买金额”。因此,“客户未来购买金额”预测模型为:

客户未来购买金额 = 未来购买频率 * 未来平均金额 * 未来购买频率概率 * 未来平均金额概率

其中,未来购买频率、未来平均金额、未来购买频率概率、未来平均金额概率均可通过客户购买行为的随机过程模型来描述和求解。对于信用卡客户,“客户购买行为”包括刷卡、透支、取现、支付、分期等,以及客户消费习惯、还款习惯、收入贡献、信用额度、用卡来往区间、逾期时长、进件通路、客户服务和副卡的客户购买行为等。

根据RFM方法预测过程,随机过程模型除了推导和计算客户未来购买频率概率、未来平均金额概率的密度分配之外,还隐藏着客户未来购买频率、未来平均金额的状态移转期望值和概率。因此,除了使用随机过程模型之外,还需使用贝氏机率方法推导状态移转期望值和概率。

此外,要科学地分析和预测客户未来价值,有必要用长度和宽度的二维样本数据建立一套牢固、可靠的随机过程模型,样本越大,客户未来价值的预测结果就越接近未来的事实。其中二维样本数据是指客户购买频率与购买金额是两个相互独立的不同的行为维度,不具有相关性。

(二)预测未来产品成本和关系营销费用

RFM方法只能预测客户未来购买金额(或银行未来收益情况),却不能预测出未来产品成本和关系营销费用。而采取平均法或移动平均法将客户历史价值、历史关系营销费用直接应用到客户未来,显然不适合;同样,采取RFM方法的概率分析方法来推断客户未来价值也是不适合的。因为未来产品成本和未来关系营销费用并不是源自客户的随机行为,而是由银行整体产品成本控制和差异化营销决定的,其未来变化不一定按趋势平滑,未来客户的情况可能会出现逆反或抖动。因此,预测未来产品成本和关系营销费用需要采取其他方法。

首先要明确,未来产品成本和未来关系营销费用并不是随机现象,而是遵循各自发生的规律;且客户未来关系营销费用服从客户历史关系营销费用与购买金额的比例,即服从关系营销投入产出比。对于信用卡客户而言,通常以“年”为最小期数进行分析和预测,历史区间和未来区间是连续的,即两者之间无交易期数。所以,未来产品成本和未来关系营销费用的变化符合银行整体产品成本和营销费用的线性拟合回归规律。

因此,对于信用卡客户,“未来产品成本”预测模型为:

未来产品成本 = 未来购买金额 *(1-CRM毛利率),CRM毛利 = 购买金额 - 产品成本 - 关系营销费用

对于“未来关系营销费用”,定义:

Ratei = ∑客户历史关系营销费用/∑客户历史购买金额

Expensei = 客户历史最小关系营销费用(须大于0)

Monetaryi = 客户未来购买金额

X = Monetaryi * Ratei

因此,如果X>Expensei,那么“未来关系营销费用”=X。否则,如果Monetaryi<Expensei,那么“未来关系营销费用”=X;如果Monetaryi≥Expensei,那么“未来关系营销费用”=Expensei。

二、客户价值

从以上分析,客户价值 = CRM毛利 = 购买金额 - 产品成本 - 关系营销费用。因此,在完整的客户关系生命周期内(即从建立关系到未流失的最近一次交易),分析客户未来价值的意义远远大于分析客户历史价值,因此通常意义上的客户价值分析就是对客户未来的价值进行分析和预测。

对于预测出的客户未来价值的结果,可按客户价值分层,并将传统的整体大众营销推进到分层差异化营销、一对一差异化营销的高度,其立足点就是客户价值的差异化分析。

通过分析和预测客户未来价值,即可清楚一旦高端客户、大客户流失将会造成未来怎样的利润损失,也可以挖掘出那些临近亏损或负价值的客户,并进行置疑分析,找出对策。但同时也要认识到,即使预测出客户的未来价值较高,也只能说明其价值势能(即潜在购买力)较高,坐等客户主动上门的价值动能(实际购买力)是不现实的,还需要通过其他沟通交流和营销渠道(如人工坐席外呼、短信发送、微博私信、微信、邮件推送等)与客户互动,推动客户追加购买、交叉购买。

本文分享自微信公众号 - 数据科学与人工智能(DS_AI_shujuren)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2015-10-05

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏CSDN技术头条

深度解析京东个性化推荐系统演进史

在电商领域,推荐的价值在于挖掘用户潜在购买需求,缩短用户到商品的距离,提升用户的购物体验。 京东推荐的演进史是绚丽多彩的。京东的推荐起步于2012年,当时的推荐...

62890
来自专栏生信宝典

Python学习教程(二)

输入输出 交互式输入输出 在很多时候,你会想要让你的程序与用户(可能是你自己)交互。你会从用户那里得到输入,然后打印一些结果。我们可以分别使用raw_input...

31680
来自专栏CDA数据分析师

数据分析与数据挖掘的联系和区别!

数据挖掘挖什么? 前一篇我总结了一些软件的区别和选择。在数据分析的学习道路上,放正了心态(心术篇),扎实了基础(理论篇),熟练了工具(软件篇...

37050
来自专栏CDA数据分析师

机器学习基础与实践(二)——数据转换

本文目录: 一.标准化的原因 二.适用情况 三.三种数据变换方法的含义与应用 四.具体方法及代码 一)标准化 1.1 scale----零均值单位方差1.2 S...

31460
来自专栏企鹅号快讯

数据分析与挖掘的流程和方法

数据分析与挖掘是对收集来的大量数据进行分析,提取有用信息和形成结论而对数据加以详细研究和概括总结的过程,整个分析过程会有以下几个步骤: 1. 确定目标 首先,...

40990
来自专栏生信宝典

Python学习教程(三)

函数操作 函数是重用的程序段。它们允许你给一块语句一个名称,然后你可以在你的程序的任何地方使用这个名称任意多次地运行这个语句块。这被称为 调用 函数。我们已经使...

27990
来自专栏从流域到海域

使用1亿张Instagram照片进行数据挖掘揭示出全球服装模式

原文地址:https://www.technologyreview.com/s/608116/data-mining-100-million-instagram...

29890
来自专栏生信宝典

Python学习极简教程 (一)

Python 教程 欢迎来到Python的世界,本教程将带你遨游Python,领悟Python的魅力。本教程专注于帮助初学者,尤其是生物信息分析人员快速学会P...

616110

机器学习 - 朴素贝叶斯分类器的意见和文本挖掘

人们倾向于知道他人是如何看待他们和他们的业务的,不管是什么东西,不管是汽车,饭店等产品还是服务本身。如果你知道你的客户如何看待你,那么你可以保持或改善甚至改变你...

32450
来自专栏Python中文社区

用Python做证券指数的三种策略分析

这两天恰好看到一本比较有趣的书,《FOF组合基金》。讲的是Fund of Fund,讲的是组合基金的理论,架构和实践。可以说是有既有理论高度,又有实践的策略。 ...

1.6K70

扫码关注云+社区

领取腾讯云代金券

年度创作总结 领取年终奖励