客户智能在商业银行中的应用分析

基于客户知识的客户智能强调了利用知识发现技术产生客户知识，并通过客户知识管理过程来产生创造客户价值的客户智能。本文以某商业银行的基于客户价值的客户分类为例，探讨客户智能在商业银行中的应用。

从客户智能的定义来看，客户智能包括了创新和使用客户知识的整个过程。在客户知识被创新之前，还存在客户数据和客户信息的更新、展示、使用等事务处理和分析处理操作。所有这些的实施是存在这样一个大前提的：客户数据必须准备、完整，能初步具备构建客户数据仓库的标准。

对目前国内的商业企业和工业企业来讲，客户数据达到这一标准还似乎很难。许多业内在谈到数据仓库或商业智能的应用时都发出这样的呼吁，如果企业不重视基础数据的规范性和完整性，在这种数据基础上拓展数据仓库或商业智能业务无疑从开始就注定了该项目的失败。而这种情况在商业银行、保险业、通信业就完全不同了。在这几个行业，由于：1、领导素质高，竞争意识强，已经感受到来自多方面的竞争压力；2、凭借多年的服务经验，企业基本上树立起了以客户为中心的战略导向；3、企业信息化水平较高，具有规范的操作规范和非常高的系统安全级别，已经致使这些行业开始认识到利用目前信息化的成果来提高决策的科学化、智能化。其实，随着国外同行业的强有力的竞争者涌入国内市场，这些行业的决策者已经认识到存在于企业之间的决策水平、管理水平之间的差距，并努力缩小这种差距。所以，本人在研究和应用客户智能过程把商业银行、保险业、电信业作为客户智能体系的典型应用行业，其原因除了满足更激烈的商业竞争外，还在于它们拥有较为完整的客户数据基础。

还有一点不同，这些行业较之与商业企业和工业企业，它们的业务不仅涉及如何吸引更多的客户、如何有效地提高客户忠诚度和保留客户。而且，科学地预测客户风险，尤其产品风险和竞争风险，进行风险的预警和监控是维护企业和客户利益的又一个艰难的课题。

随着我国加入WTO，金融领域的进一步开放已是大势所趋。金融业竞争日益激烈，金融企业不断增多，对客户的争夺越来越激烈。同时，现代金融业的竞争和发展已开始突破传统业务的框架，进入到一个以客户为中心的变革时代。如何在激烈的竞争中留住客户，将是各银行竞争成败的关键。

从金融服务理念来说，国外银行已率先提出了在一对一的营销环境下，使客户生命周期价值（LTV）对金融企业达到化。例如挪威联合银行提出了“由一家银行变为一百万家银行—每个客户一家银行”的经营策略，美国的Woolich公司正在实行一种多渠道的个人银行服务策略，通过对客户信息的挖掘和区分进行服务，来达到利用稀缺的市场营销资源的目的。

而目前我国国有银行的客户分析系统还很缺乏，对客户信息不能进行科学的分析。而且，在对客户信息的挖掘分析能力上与外资银行有很大差距。虽然我国银行界从八十年代初就开始了客户信息的收集工作，但是初的客户资料只有与银行业务紧密相关的简单信息，大部分是依靠信贷员或者业务员的人工劳动的原始信息，许多客户信息至今仍处于闲置状态。银行对客户的认识还很模糊，客户信息的价值并末被挖掘出来。

一个集成的客户数据仓库是客户智能应用的基础。鉴于目前商业银行在各地都建有大量的分支机构，商业银行的客户智能系统可采用集约式客户数据仓库环境，即所有分行均拥有自己的客户智能系统，并与本地综合业务系统及电子银行客户服务中心连接。在总行建有中央客户数据仓库，提供面向全行的分析决策功能，并为网上银行业务提供数据查询支持。

基于客户知识的客户智能应用是客户智能理论在商业银行中的成效的应用。企业要能在与客户互动的同时，立即将客户的行为与偏好等信息记录在客户数据库中，并随时抽取这些资料进行产品与客户间的关联分析、以掌握客户的潜在需求，并将结果转化为客户知识。这是关联型客户知识在商业银行基本的应用。此外，基于客户价值的客户分类可以依照影响客户生命周期价值的因素和客户某一段时间的累计消费将客户分级，对于高价值的客户给予特殊优惠，以争取更高的客户占有率。基于客户知识的客户智能应用还包括客户流失性分析（Churn Analysis）、客户信用记分（Credit Scoring）、欺诈发现（Fraud Detection）等等。

本人作者在苦苦探寻推广客户智能体系应用的旅程中，受到了中国人民银行总行、中国人寿保险总公司、福建兴业银行北京分行某支行、上海供电局营销部门的大力支持。在与这些单位有关负责人的交流过程中，证实了开展客户智能研究和应用推广的初衷，也进一步认识到在这些行业加强与客户有关的研究和分析的重要性和迫切性。为了能以一个全面的例子描述客户智能的应用过程，本文选择了某商业银行的基于客户价值的客户分类业务为蓝本进行客户智能体系的应用。在该商业银行中，客户被分为三大类：工商企业类客户、机关团体类客户及金融同业类客户。本以工商企业类客户为研究对象。

东南亚金融危机爆发以来，人们对银行体系的改革更加关注。商业银行改革有两件迫切的事情要做，一是建立科学的管理体系，其是规范流程、权责明确、管理科学；二是解决处理不良资产，提高资产质量。对客户进行科学的分类，是这两件事的基础，是银行建立以客户为中心的经营模式的重要环节，帮助建立以科学的、系统的、客户的经营哲理去经营商业银行而不再是粗放式的、经验型的、狭隘的经营模式。

今后我国银行业对客户资源特别是优质客户的争夺将会异常激烈，由于客户及客户价值的多样性，如何恰如其分地根据客户价值的大小进行客户分类已成为我国商业银行制定适合自身特点客户营销战略的一项刻不容缓的基础性工作。合理的客户分类是客户关系经济学的，有利于建立企业与客户之间的长期学习型关系。在本文研究的客户智能体系中，客户价值是客户智能理论基础的基础之一。按客户价值进行客户分类，有利于识别出企业的价值客户，有利于根据客户对商业银行的价值的不同采取不同的保留措施，有利于科学地对客户关系进行改进和优化，有利于提升企业的竞争力。

由于受到当前企业的会计体系等因素的制约，获取忠诚客户的全部价值进而进行分析的难度较大。所以，在现有的企业用例（case）中通过企业的业务系统来计算所有的客户价值存在一定的难度。

本文作者将“客户价值”概括为从客户出发的价值-客户让渡价值和从企业出发的价值-客户关系价值的综合体，并总结出客户价值的数量计算方法。针对商业银行客户，从客户出发计算客户让渡价值存在一定难度，而进行基于客户价值的客户分类的目的是将客户按客户价值分类，一方面判断客户是否具有支持价值，另一方面有利于按客户价值的大小分别预测客户忠诚度的大小，采取不同的客户保留措施，同时为客户风险分析提供了数据来源和参考依据。所以，客户关系价值是本中客户价值关心的全部。

客户关系价值不再是仅仅关心单次交易客户给企业带来的价值，而扩延到整个客户生命周期，客户关系价值更注重客户的未来。本计算的客户关系价值是在客户现状的基础上，预期未来，据此作为客户对商业银行价值贡献的大小。

客户智能的动机之一是兼顾企业长期利益，对客户关系进行改进和优化。客户忠诚提升机制认为提升客户忠诚的关键步骤之一是客户分类。而客户LTV的研究结论认为，客户LTV是对客户进行分类的主要参照依据。这样做的好处体现在于按客户LTV进行分类、排序，企业会发现不同客户对企业的价值贡献的大小，从而采取相应级别的客户保留措施。比如对客户和一般客户，客户保留措施会有所不同。

存在基于客户价值进行客户分类的不同商业银行，其对客户价值分类的目标不同。结合该商业银行的业务，中基于客户价值的客户分类存在以下分类目标：非常高、高、一般、低、非常低。

不同的商业银行会有不同进行客户分类的指标体系。这些指标的取舍往往凭经验和行业经验获得。客户智能理论追求基于客户价值的客户分类，其客户分类的指标体系同样是影响客户价值大小的指标体系。工商企业类客户的价值评价主要从财务因素和非财务因素两个方面。非财务因素主要指资信、经营管理等法人基本情况和市场状况两方面。

结合本，作者本人基于神经网络设计和开发了一套客户分类算法。该分类算法作为客户分类知识发现系统的数据挖掘算法，辅助实现客户分类知识的生成。使用Visual C++开发语言实现了该分类算法，该程序可以编译后作为应用程序部署到任何基于RDBMS的应用系统的中间层。

建立一个高效的、实时的基于客户价值的客户分类体系必须以面向业务的MIS系统为支撑，该支撑是客户智能系统中的事务处理部分。在调查的商业银行中，计算机应用系统几乎涵盖了所有的业务操作，人员素质较高，这是保证客户数据质量的前提。就已有的客户数据类型来看，基本上满足了客户数据仓库对源数据的要求，比如数据准确性、字段属性明确性、数据库结构规范性等等。但是，这离建立面向客户分类的客户数据仓库还相距甚远，因为缺少很多用来计算指标的源数据，具体地讲是缺少了大部分的事实数据和缺少了收集的关于客户特征的数据。其实这是几乎所有的知识发现过程都会遇到的尴尬问题。

本在进行客户数据仓库构建时，采用关系数据库（称之为中央数据库）作为数据存储的主体，业务系统中的数据经过抽取、转换、清洗的过程，被装载到这个数据库中。中央数据库中存储的是一些有价值的、却未经过聚集整合的零散数据，无法用于分析。真正用于决策支持的数据存放在指标数据库或多维数据库。这些数据是中央数据库中的数据经过数据建模过程生成的，每一个指标数据库是一个面向特定业务主题的数据中心，即标准数据仓库模型中的数据集市。本中，基于客户价值的客户分类可以作为客户数据仓库的一个主题域。

在实现的客户分类数据挖掘算法中，存在一个归一过程（procedure）。所有指标的输入均被量化为（0-1）之间的数值。所以，模型要求所有指标均是以数值的形式输入。在表1所列的指标体系中，有许多指标是定性描述的。业务系统的客户数据被抽取到客户数据仓库的过程中，模型要求完成指标的量化和计算。具体指标的内容及指标量化所参照的标准本文不再详述。

客户知识发现是一个有机的整体，各个部分之间有着密切的关系。把围绕某一客户知识发现任务的客户知识发现过程称为客户知识发现系统。所有的挖掘算法是为某一个客户知识发现系统服务的。客户知识发现系统（图1）的研究是为了建立科学的系统结构，利于知识发现算法的重用、嵌入，利于算法与系统其他模块有机结合。本基于客户价值的分类算法作为实现分类客户知识发现的一种算法，被客户知识发现系统管理和重用。

本选取了40个商业银行的客户为原始数据进行分类算法的学习。经过多次训练，使系统误差控制在可以接受的范围内。得出的分类模式经过“模式表达与解释”后，被装载入客户知识库。

客户智能系统的实现会帮助该商业银行挖掘出与客户消费或偏好有关的规律或模式，而这些规律经过银行的解释，可以得出许多意想不到、具有高价值的客户知识。如，“如果一个客户经营状态良好，但资信记录不良，该客户的客户价值为低”，等等。这些客户知识可以直接被应用于已有和潜在客户的客户价值识别中，帮助商业银行建立具有个性化的营销策略，大大提高了该商业银行的工作成效性。

本文是《客户智能研究系列》的一篇，这些认识是作者多年潜心理论研究和CRM系统研发、实施的结晶。本系列文章涵盖的内容既包括了从理论上如何定义客户智能，也包括如何认清客户智能的内在本质及如何实现、实施客户智能。个人认为，如果客户智能不能够被CRM系统所包容并实现的话，就不能认为CRM市场走向成熟。因为在以客户为中心的市场竞争时代，企业需要从“客户关系”中获得的知识实在太多了。正如客户智能的本质所描述，企业需要创造更多的客户知识，并利用它创造更多的客户价值。这是企业获取竞争优势的根本。衷心期望本系列文章能够对涉及客户智能的CRM系统研发、实施及顾问有所启迪。

杨林，博士。顾问