银行公司业务创新与营销专题研究报告.doc

中国·银行业公司业务创新与营销专题研究报告INNOVATION &MARKETING本期专题：商业银行大客户经营管理创新 我国商业银行客户管理的基本现状 商业银行潜在大客户的识别与分类 银行实施大客户管理的对策选择 构建实施大客户管理的保障体系 银行实施客户管理管理的具体步骤 商业银行大客户退出时机的选择 商业银行大客户管理实务案例分析前 言中国的银行业，信息化在改变着金融竞争的规则，混业与创新在改变着金融服务的形态，而客户关系和资源掌控的格局深刻改变着金融市场的力量对比。银行也早已认识到客户就是银行至关重要的商业资源，客户是银行利润之源，高端客户成为各家银行竞相争夺的“香饽饽”。面对日益激烈的同业竞争形势，如何巩固老客户，发展新客户，实现可持续发展，这是每家银行必须冷静思考并着力解决的一大难题。客户管理是关系到商业银行生存至关重要的一个环节，对于具有庞大客户资料的银行而言，基于数据挖掘的客户管理信息技术日益重要，以至于聪明的银行不会丢弃与此有关的任何工作，因为谁掌握了最先进的客户信息技术谁就赢得了市场大客户管理作为商业银行客户营销的新模式，已成为当前市场营销的热点。国内外关于大客户管理的研究刚刚起步，还没有形成系统的理论体系，尤其在商业银行领域的研究虽倍受关注，也仅停留在可行分析及一般性措施研究方面，缺乏对实际应用的指导性。对此，银联信倾情推出本期专题，旨在从实际出发解决银行在大客户管理存在的一些问题。本期专题第一部分客观分析我国银行客户管理存在的问题客户等级不识、客户需求不清、服务营销不对路、产品服务不具体、考核机制不健全以及客户管理系统滞后等。本期专题第二部分重点对大客户中的潜在客户进行分析，提出识别的方法，根据客户周期对处于各个生命周期的潜在客户进行分类，确定银行在客户所处的各个阶段中应与客户保持的关系及采取的措施。另外，在介绍大客户进行挖掘和营销过程中应采用的方法的基础上，重点介绍数据挖掘技术在商业银行的应用方式。本期专题第三部分通过对大客户的识别，客户关系的管理及关系的维持等方面进行深入研究，并提出具体的对策。本期专题第四部分主要从银行构建实施大客户管理的保障体系入手，涉及到银行经营理念、经营战略的转变、各个部门的配合、流程中各个环节的衔接、信息交互与信息处理放的手段等，旨在为银行系统地制订一个大客户管理的解决方案。本期专题第五部分阐述了银行实施客户关系管理的具体步骤客户的信息收集、“金牌”客户身份的确定、客户忠诚度的培养、非“金牌”客户的改造和分化、客户信息的反馈等。本期专题第六部分在讨论把住风险的入口的基础上，借鉴生命周期理论，对银行与大客户的关系进行深入分析，指出银行在与大客户的合作过程中应该通过适时退出策略，规避由大客户产生的风险。另外，还从商业银行风险控制角度，针对中航油事件进行案例分析，得出了三点具体的启示。在此部分最后还给出了商业银行化解大客户风险的四种方式。本期专题第七部分以“M玻璃公司”客户管理为例，从客户信息的收集、发展目标、目标的可行性、资金的需求、资金的来源以及金融服务方案等方面分析入手，旨在给银行在大客户管理方面一种新思路。敬请关注：商业银行大客户经营管理创新。本期专题：商业银行大客户经营管理创新正文目录本期专题：商业银行大客户管理创新第一章 我国商业银行客户管理的基本现状一、我国商业银行客户管理的基本现状二、我国商业银行在客户管理系统方面的现状三、我国商业银行大客户关系管理的现状第二章 商业银行潜在大客户的识别与分类一、数据挖掘技术与潜在大客户的识别（一）数据挖掘技术的国际借鉴（二）数据挖掘常用技术在商业银行的运用（三）潜在大客户的识别二、潜在大客户识别的基本模式（一）银行客户数据的采集（二）数据信息的分类处理（三）建立客户分类模型（四）确定对客户的营销方式三、进行潜在客户识别的要件分析（一）投入产出的关系（二）数据的准确性（三）数据挖掘对隐私的威胁（四）加强企业文化和人才队伍的建设四、潜在大客户的分类及方法（一）银行客户的分类（二）银行客户分类方法（三）客户价值金字塔五、对尚未在银行开户的潜在客户的组合分类六、潜在客户营销中应注意的问题（一）对营销机会和潜在客户的划分标准要清晰（二）客户经理要对敏感的数字进行关注（三）客户经理同时要把握自己的时间（四）银行要有快速的服务创新能力（六）要重视CALL CENTER的作用第三章 银行实施大客户管理的对策选择一、以正确识别开发大客户为起点（一）正确选择大客户（二）准确确定大客户二、与大客户建立长久的战略伙伴关系（一）实施差别化服务，提高客户满意度（二）持续提高客户的自身价值，巩固客户忠诚度三、加强客户管理的举措与提高（一）加强领导，明确职责（二）细分客户，明确目标（三）再造组织机构与业务流程（四）强化市场营销，增加优质客户（五）加强客户管理，推行差异服务（六）完善客户经理制，提高客户管四、加强客户关系的深度管理第四章 构建实施大客户管理的保障体系一、确立实施大客户管理的经营理念二、确立大客户管理的组织架构（一）组织结构（二）工作职责三、确立大客户管理的流程及运行机制四、优化人力资源配置五、培育大客户导向的企业文化（一）形成“共赢”的文化（二）形成创新文化（三）培育客户关系至上的文化六、完善激励约束机制（一）完善大客户经理制度（二）建立对大客户管理团队的考评机制七、为实施大客户管理提供信息支持第五章 银行实施客户关系管理的具体步骤一、收集客户信息二、对客户进行细分，确定“金牌客户三、满足“金牌”客户差异化需求，培养客户忠诚度四、改造和分化非“金牌"客户五、做好客户联系，取得客户信息反馈第六章 商业银行大客户退出时机的选择一、大客户风险与商业银行风险管理（一）商业银行的风险控制（二）大客户的风险控制二、商业银行大客户风险管理误区（一）大客户并不就一定是优质客户（二）将具有一定知名度高的集团客户等同于优质大客户（三）将各家银行竞相争夺的集团客户视为好客户三、大客户综合授信原则（一）强调分散性原则（二）防止多重授信原则（三）重视预警信号原则（四）完善授信管理制度原则四、商业银行风险退出与企业生命周期（一）企业的生命周期（二）客户关系生命周期理论（三）透过企业生命周期分析规避大客户风险（四）银行大客户退出机制的构建五、大客户信贷退出策略六、进行大客户风险退出的手段第七章 商业银行大客户管理实务案例分析一、M玻璃公司的客户信息收集（一）M玻璃公司的客户经营情况分析（二）M玻璃公司的客户市场地位分析（三）M玻璃公司的发展路径及瓶颈分析（四）M玻璃公司的运营情况小结二、M玻璃公司的客户发展目标分析（一）M玻璃公司的发展目标设计的主要思路（二）M玻璃公司的发展目标的主要内容三、M玻璃公司的发展目标的可行性分析（一）M玻璃公司发展的宏观环境分析（二）M玻璃公司发展的竞争环境分析（三）M玻璃公司的风险评价与分析四、M玻璃公司发展的资金需求预测（一）M玻璃公司发展的固定资产投资需求（二）M玻璃公司发展的股权类投资需求（三）M玻璃公司发展的流动资金需求（四）M玻璃公司发展的其他金融产品资金需求五、M玻璃公司发展的资金来源分析（一）M玻璃公司发展的内源性资金来源分析（二）M玻璃公司发展的外源性资金来源分析（三）M玻璃公司的融资偏好分析六、开发性金融支持M玻璃公司发展的方案设计（一）开发性金融支持M玻璃公司发展的现状分析（二）开发性金融支持M玻璃公司发展的规划项目融资分析（三）开发性金融支持M玻璃公司发展的系统性融资方案设计（四）开发性金融支持M玻璃公司发展的平台建设方案（五）开发性金融M玻璃公司发展的信贷风险防范方案图表目录图表 1：商业银行客户分类及营销策略10图表 2：我国商业银行客户类型占比图14图表 3：潜在客户生命周期特性分析37图表 4：“MAN”原则因素41图表 5：商业银行金字塔客户结构图47图表 6：客户识别和选择矩阵图48图表 7：客户满意的三种感受51图表 8：商业银行大客户管理的解决方案59图表 9：商业银行大客户管理组织结构61图表 10：商业银行大客户信息收集要点图71图表 11：商业银行客户管理框架76图表 12：M玻璃公司基本情况表95图表 13：M玻璃公司2008年、2009年主要财务指标96图表 14：2010年玻璃行业政策支持情况汇总表97图表 15：玻璃行业同类客户生产规模横向比较99图表 16：M玻璃公司与行业优势产业集团比较100图表 17：M玻璃公司发展沿革时间表100图表 18：M玻璃公司2011年之前要划转企业分析104图表 19：M玻璃公司不同阶段发展目标106图表 20：M玻璃公司发展的PEST模型分析图109图表 21：M玻璃公司发展的SWOT分析矩阵图112图表 22：M玻璃公司不同发展阶段固定资金需求预测114图表 23：M集团上市以来-2009年上半年股权类投资事件114图表 24：M玻璃公司不同发展阶段流动资金需求预测表115图表 25：M玻璃公司自有资金来源情况116图表 26：M玻璃公司债务性资金分析117图表 27：M玻璃公司近期规划融资项目120图表 28：M玻璃公司投资计划与资金筹措表120图表 29：开发性金融支持M玻璃公司发展的平台建设条件及标准121第一章 我国商业银行客户管理的基本现状一、我国商业银行客户管理的基本现状银行是典型的金融服务行业，它具有海量的客户。少则一家小型银行有几百万的客户，多则一家大型国有银行具有上亿到几亿的客户。面对这么多的客户、市场变化和客户成长和分化又快，到底怎样来管理的我们的客户，才能在激烈的竞争中立于不败之地呢？银联信认为，分级服务分类营销方法，服务营销和数据库营销是过程，客户忠诚是目标。下面，我们来看看我国商业银行客户管理的现状：银行简单按照资产量划分客户等级，不识客户“庐山真面貌”。对客户的需求不清楚，在客户需求和银行理解的需求层面有鸿沟。从中台到基层一线缺乏明确有效的服务营销套路和规范进行工作。人员匮乏，客户覆盖不到位，但又缺乏有效的批量营销的方法。银行产品和服务品类众多，客户却不了解，更谈不上在服务过程中合理匹对。需要针对客户的成长路径而提供的服务，缺乏真正以客户价值为中心的工作思路。考核绩效纯粹以结果为导向，缺乏以客户管理和客户体验为过程导向的考核方式。凡此种种，在国内的银行业中客户体验好的寥寥无几，客户总是被漠视或者伤害，只能换了一家又一家，直至失望和麻木。通过现象，究其本质，还是国内银行缺乏有效的客户管理的整体规划以及落实执行的有效抓手，以及合理调配的考核方式。我们需要将客户进行有效的分级，然后分类，做好客户研究和需求分析工作。首先就价值而言，可以将中高端客户作为贵宾客户来对待，设立VIP客户俱乐部，用服务营销标准化的方式来进行忠诚度营销。在此期间，我们根据客户的行为特征等进行有效的分类，按照不同类型的客户触发因素来组织资源，开发产品和服务，从而在俱乐部的品牌影响下，维护和营销客户。图表 1：商业银行客户分类及营销策略资料来源：银联信同时我们可以对仅次于贵宾客户的中端客户进行潜力挖掘。这部分客户，银行限于客户经理的数量和精力，基本没有服务覆盖。所以适合采用数据库营销的方式进行营销和维护。往往，客户不是不需要服务，而是有些他们需要的服务不知道，或者银行主观推送的服务“牛头不对马嘴”，造成客户的不信任。采用数据库营销，可以从客户分类的角度出发，合理推荐银行现有的产品组合。“三分规划、七分执行”，在进行服务营销和数据库营销的规划和执行过程中，又要注意什么呢？我们先说数据库营销存在以下问题。缺乏整体统一规划一是30万资产以上的客户服务营销工作需要进一步服务到位；5-30万的客户没有较好手段覆盖和服务。二是缺乏统一规划的数据库营销策略和中长期计划，零散和随机的数据库营销活动不但效果不佳，而且客户感知不好。三是大部分商业银行产品组合模型暂未成熟，对客户的交叉销售和向上销售尚未形成较好套路。缺乏专业指导和方法一是银行缺乏数据库营销方面的专业人员进行体系指导，主要靠自我摸索，成效慢且低。二是银行对客户分类缺乏科学的方法，对客户价值缺乏正确的判断。三是客户筛选主要是根据个人主观臆断进行挑选，缺乏比较科学的依据。缺乏专职人员一是参与数据库营销的专职人员少。二是客户经理和柜台人员没有足够时间和机会做好数据库营销。缺乏有效支撑平台一是客户经理缺乏统一的电子化平台与客户进行沟通，经常发生客户不相信客户经理的情况。二是业务数据没有很好的集成到客户营销管理数据库中，客户基础数据、补充数据等不齐全，三是在银行不熟悉的数据库营销环节工作，占用了工作人员大量的时间和精力所以，从数据库营销的角度，我们需要从四个方面做工作。如统一的规划、专业的数据库指导方法和培训、内外部专业人员和团队的规划、电子化的虚拟电子渠道平台。二、我国商业银行在客户管理系统方面的现状客户管理是关系到银行生存至关重要的一个环节。对于具有庞大客户资料的银行而言，基于数据挖掘的客户管理信息技术日益重要，以至于聪明的银行不会丢弃与此有关的任何工作，因为谁掌握了最先进的客户信息技术谁就赢得了市场很多银行如摩根银行花旗银行FCC国家银行汇丰银行瑞士银行等都采用了基于数据挖掘的最先进的客户管理系统，并从中获得了大量收益近20年来花旗银行获得了超常规的发展，花旗前总裁把其成功归结于花旗银行高效运用了基于客户数据挖掘的管理信息系统，这个系统通过与计算机技术相结合，能够在庞大繁杂的数据里高效甄别出银行的客户级别（尤其是重点客户），进而决策客户的获取与保留，并针对不同客户的需求快速选择出合适的策略，进而优化提高银行的服务水平，最大限度地提高银行效率和收益银行经营学里有个着名的“二八定律”，既银行80%的利润来自20%的客户，如何科学甄别并把握好这20%的客户就成为银行成功的关键很多发达国家的银行都把经营的重点锁定到这20%的重点客户身上据悉花旗银行进入我国后，截止到2006年第一季度，花旗在上海北京等地的分支机构通过充分运用基于客户数据挖掘的管理信息系统，已成功高效率地挖掘出10余万高质量的黄金客户，并陆续展开了对这些黄金客户进一步至善至美的营销服务有业界人士惊呼：若国内银行还不采取措施，再过几年，京沪等地的高端客户将成为花旗的天下在目前我国的商业银行中，尽管各银行在数据管理系统的建立方面投入规模庞大，但除少数银行外，多数银行的客户数据管理系统还处在比较低的水平，在计算机技术客户数据的管理与运用方面还与世界发达国家的银行系统有着很大差距，系统的建立不仅缺乏总体规划，而且数据的采集规范性差真实性无有效保障同时，银行客户信息管理系统的内容还比较匮乏滞后缺乏科学的分析方法和手段三、我国商业银行大客户关系管理的现状商业银行大客户管理是指银行通过持续地为大客户量身订做产品和服务，满足大客户的特定需求，从而培养出一批忠诚大客户的一种管理方法。大客户管理的成功很大程度上取决于大客户对银行的依赖程度和银行对大客户所提供的产品、服务及优惠幅度。商业银行只有对市场进行准确细分、把握业务拓展的重点，才能以较小成本收到最大效益，以较少成本吸引到更多更有价值的大客户。1运用数据挖掘技术收集大客户信息及数据进行分析近几年来，在世界范围内，随着CRM理念的认同程度扩大和行业产品系统的日趋成熟，客户关系管理在金融领域的应用实施也被一些大型银行和新型银行列入工作安排中。在20世纪90年代中期，花旗银行导入了客户关系管理的理念，以此维持与客户的良好合作关系，以技术创新和大胆决策作为提高银行竞争力的重要手段。目前花旗银行在全世界100多个国家拥有1亿个企业客户和私人客户，已成为一个巨大的“金融百货公司”，几乎可以根据客户需求提供所有的金融服务。客户关系管理系统在国内，特别是金融行业的关注度非常高，但应用较少，属于起步发展阶段。例如，中国建设银行的重要客户服务系统，工商银行的客户信息系统和MIS（管理信息系统），这些都在不断完善中。2客户经理手工建立档案，补充客户资料收集分析尚未同银行建立关系的大客户，银行也可以收集相关行业或企业信息，同样利用数据挖掘方法，从收集到的数据中抽取出有效的、新颖的、潜在有用的数据。再通过这些数据分析行业前景，预测行业发展的生命周期，主动与处于上升阶段的企业进行联系，将他们培育成银行的大客户。每个行业和企业都要经历初创阶段、成长阶段、成熟阶段和衰退阶段，因此银行在对大客户进行有效识别后，还要选择适当的时机进入企业，对发展前景明朗、有潜力的企业进行重点营销。分析企业的理财需要，提供真正的个性化服务，以达到客户满意度为出发点，推出更多产品和服务，以强化价值定位，实现客户利益最大化下的企业效益最大化。第二章 商业银行潜在大客户的识别与分类在识别目标客户的时候，首先要区别客户关系价值与客户价值的概念：客户关系价值和客户价值是截然不同的两个概念，在本文中客户关系价值可以理解为客户在其生命周期内为银行所带来的总价值，银行只有在设计和提供产品时以客户为导向，充分体现客户的个性化需求，为客户提供超越竞争对手的价值，才能在激烈的市场竞争中不断提高客户关系价值，以获取可持续发展的竞争优势。而客户价值是指客户在使用银行的金融产品和服务的过程中所得到的全部利益，客户关系管理（CRM）的核心就是客户价值管理。它将客户价值分为既成价值、潜在价值及模型价值。通过满足客户个性化需求，提高客户忠诚度和保有率，实现缩短销售周期、降低销售成本、增加收入、扩展市场，从而全面提升企业的赢利能力和竞争力。前者是从银行的立场出发，而后者则从客户的角度考虑。图表 2：我国商业银行客户类型占比图资料来源：银联信关于潜在客户的定义，全美最权威的资深管理顾问，在营销领域创造性提出了“潜在客户管理系统”理论的Stephan schiffman先生，解释说就是那些用行动证明了他们愿意和你一起经历整个销售过程的人。组织打算把自己的产品或者服务推销给谁，谁有可能购买组织的产品，谁就是组织的潜在客户。那么银行的潜在客户则是指：银行打算把自己的产品或者服务销售给谁，谁有可能购买银行的产品，谁就是银行的潜在客户。寻求潜在客户有它的现实意义和迫切性。因为潜在客户会成为银行的现实客户，同时如果停止下来不去发掘的话，有可能下降。仿佛储存的水一样，要时常保持满库状态，才有可能不让其流失，而成为真正的客户给银行带来收益。推销成功的关键是有效的管理和维持潜在客户库。潜在客户具备的特征是用得着、买得起。对于银行潜在大客户来说他们有雄厚的资金实力，对银行提供的金融产品和服务有较高的需求。根据麦肯锡的调查表明，高端客户对银行的忠诚度不如中小客户那样稳定，他们总是在不停的寻求更好的选择，更令他们满意的产品和服务。国内银行往往对自己的客户构成和客户对银行的利润贡献没有清晰的认识，对客户的重要性更是没有加以明确界定和识别。且银行的服务资源是有限的，在不对客户进行区分的情况下就面向所有客户展开营销，不仅成本高，而且由于缺乏针对性，效果也不好。因此银行要想抓住这一部分客户就要先对客户进行一个分类，将具备有潜在客户特征的一类客户区别开来，有针对性的进行营销，采用“潜在客户管理系统”不断的将客户与银行的关系推进。将这部分潜在客户发展成有效潜在客户。这也是本文所要进行的一项工作。这里要说明的是有效潜在客户是指那些不断和我们洽谈并同意进一步合作的人。一、数据挖掘技术与潜在大客户的识别市场竞争日趋激烈，银行的经营理念也由传统的以生产为中心，转向以客户为中心，赢得客户也就赢得了市场。因此银行构建数据库，从客户的基本数据、交易情况，市场数据挖掘信息已成为一种趋势。客户信息是银行所拥有的巨大财富，如果能进行统一，及时、有效的管理和维护，并从中挖掘有价值的信息，就能获得更多的利润。但是，由于缺乏有效的工具和分析的技术方法，巨大的数据资料并不能直接为银行提供有效、潜在的信息。因此，建立以客户为中心的数据平台集成客户信息，帮助银行从海量的数据中发现潜在的大客户，并且对潜在客户进行分析，这将对银行具有巨大的意义。（一）数据挖掘技术的国际借鉴客户关系管理的核心观念是以客户为中心，即充分了解客户的需要，为客户提供个性话的与其需求相适应的产品和服务。银行的数据库中积累了大量的客户信息，但是缺乏一套行之有效的数据分析系统进行信息分析，甚至连同一客户的不同账户也无从辨别，更不用说为客户提供“一对一”的服务。银行的各种数据不能有效结合，形成了很多“信息孤岛”，使金融机构很难将各种各样的客户信息统一起来，领导决策层也很难搞清楚数据库系统的整体运作情况，不能有效的提供决策帮助。但是，随着银行的成长和信息的累积，银行发现由于以前系统设计的缺陷，要从其累积的海量客户信息和交易数据中发现客户需求规律已经变成极为困难的事情，并且这些数据在同一银行的不同部门之间也不能进行共享，因而，能够从海量数据中挖掘有用的规律和知识的数据挖掘技术就被越来越多的CRM厂商所采用。数据挖掘又称知识发现（Knowledge Discovery in Database，简称KDD），是从大量数据中抽取有意义的、隐含的、以前未知的并有潜在使用价值的知识的过程。数据挖掘是一个多学科交叉性学科，它涉及统计学、机器学习、数据库、模式识别、可视化以及高性能计算等多个学科。利用数据挖掘技术可以分析各种类型的数据，例如结构化数据、半结构化数据以及非结构化数据、静态的历史数据和动态数据流数据等。数据挖掘可以通过挖掘数据仓库中存储的大量数据，从中发现有意义的新的关联模式和趋势的过程。数据挖掘最吸引人的地方是它能建立预测模型而不是回顾型的模型。数据挖掘是用来：发现知识、使数据可视化和纠正数据。通过自动或半自动化的工具对大量的数据进行探索和分析的过程。其目的是发现其中有意义的模式和规律。它又分为直接的数据挖掘和间接的数据挖掘。数据挖掘可以在整个周期的各个阶段应用，以改进客户关系管理。其作用是：把不通的数据收集起来，通过比较作出比较好的商业决策。对于银行来说其具有更加巨大的意义。早在上世纪90年代初，国外一些银行就已开始建立自己的商业智能解决方案，典型代表有美洲银行、加拿大皇家银行、澳洲国民银行、英国巴克利银行等。其主要应用领域大都集中在客户信息/客户关系管理、利润贡献度分析、绩效考核/指标分析、信用风险管理、资产负债管理等方面，随着时间的推移，每一个项目的应用都在进一步深入和发展。银行通过逐步建立基于数据仓库技术的商业智能解决方案，可以对全行业务数据进行集中存储和统一管理，确保业务人员随时掌握银行的经营风险、运营情况和经营目标。在引入详细交易数据以后，可以通过各种数据的关联分析，衡量各类客户需求、满意度、赢利能力、潜在价值、信用度和风险度等指标，帮助银行识别不同的客户群体，确定目标市场，为实施差异化服务、产品合理定价策略提供技术支持。客户信息/客户关系管理客户信息是每家银行所拥有的巨大财富，如果能进行统一、及时、有效的管理和维护，并从中挖掘出有价值的信息，就能获得更多的利润。从技术实施上看，建立以客户为中心的数据平台集成客户信息，能有效保证客户信息的集中、统一和规范。“客户信息管理”应用则是提供某客户的“单一视图”，包括轮廓、账户以及交易等，帮助银行及时掌握动态，不断发现和预测需求和市场变化。“客户关系管理（CRM）”需要整合银行与客户接触的各种渠道，帮助银行在适当时间、通过适当渠道、为客户提供适当的产品和服务。数据挖掘技术是银行可以运用数据挖掘的方法，对收集到的数据进行分析。对于已在银行开户的大客户和潜在客户来说，银行可以根据收集到的信息将客户给银行带来的收益，以及银行为维护客户交易及客户关系所付出的成本计算出来考核该客户对银行的贡献客户贡献度，以此作为划分银行大客户的依据。在这种划分方式下，那些对银行的利润贡献度处于上升的企业，则是我们银行应该予以特别关注的企业，银行要积极主动地与他们建立友好关系，加强合作，帮助企业发展壮大。对于尚未同银行建立关系的大客户，银行也可以进行收集相关行业或企业的信息，同样利用数据挖掘的方法，从收集到的数据中，抽取出有效的、新颖的、潜在有用的数据。再通过这些数据分析行业前景，预测行业发展的生命周期，主动与处于上升阶段的企业进行联系，将他们培育成银行的大客户。每个行业和企业都要经历一个由成长到衰退的发展演变过程，即行业的生命周期初创阶段、成长阶段、成熟阶段和衰退阶段。因此银行在对大客户进行有效识别后，还要选择适当的时机进入企业，对发展前景明朗，有潜力的企业进行重点营销。分析企业的理财需要，制定出真正的个性化服务，以达到客户的满意度为出发点，推出更多产品和服务，以强化价值定位，实现在客户利益最大化下的企业效益最大化。（二）数据挖掘常用技术在商业银行的运用无论要分析的数据对象的类型如何，常用的数据挖掘技术包括关联分析、序列分析、聚类分析和分类等，本节主要结合银行的具体业务探讨这些方法在商业银行中的运用：1关联分析关联分析主要用于发现不同事件之间的关联性，即一个事件发生的同时，另一个事件也经常发生。关联分析的重点在于快速发现那些有实用价值的关联发生的事件。其主要依据是事件发生的概率和条件概率应该符合一定的统计意义。对于结构化的数据，以客户的购买习惯数据为例，利用关联分析，可以发现客户的关联购买需要。例如，一个开设储蓄账户的客户很可能同时进行债券交易和股票交易。利用这种知识可以采取积极的营销策略，扩展客户使用金融产品的范围，吸引更多的客户。通过调整金融产品的品种结构便于客户使用自己的金融产品。扩展客户购买的金融产品范围，吸引更多的客户。通过调整商品的布局便于顾客买到经常同时购买的金融产品，或者通过降低一种金融产品的价格来促进另一种金融产品的销售等。对于非结构化的数据，以空间数据为例，利用关联分析，可以发现地理位置的关联性。例如，商业银行分行网点的选址，应该以大客户能就近办理业务为首选，而至于自助银行，则要以人流量为首选依据。2序列分析序列分析技术主要用于发现一定时间间隔内接连发生的事件。这些事件构成一个序列，目的是预测未来发展趋势，或者寻找相似发展模式或者是发现周期性发展规律。发现的序列应该具有普遍意义，其依据除了统计上的概率之外，还要加上时间的约束。我国商业银行在对序列分析方面与发达国家差距较大。在许多领域，如金融、保险等领域将逐步对外开放，这就意味着许多银行将面临来自跨国银行集团的竞争压力更大。国外发达国家的金融业采用商务智能的水平已经远远超过了我国。美国Palo Alto管理集团公司1999年对欧洲、北美和日本375家大中型企业的商务智能技术的采用情况进行了调查。结果显示，在金融领域，商务智能技术的应用水平已经达到或接近70%，在营销领域也达到50%，并且在未来的3年中，各个应用领域对该技术的采纳水平都将提高约50%。现在，许多银行都把数据看成宝贵的财富，纷纷利用商务智能发现其中隐藏的信息，借此获得巨额的回报。我国银行业务现在也开始有计划的实施CRM，并通过各个渠道对客户资料进行收集，对现有的系统进行改造，建立数据库，对大量的数据进行分析，获取有用的信息，设计适应客户的产品。对于大客户而言，他们对银行的需求往往是银行能够为他们提供一整套的理财计划。例如对信用好的大客户而言，银行可以通过为其办理银行承兑汇票减少资金压力。客户只需存入的一定比例的保证金，便可开出一定期限的银行承兑汇票，在承兑汇票到期前再将差额的资金补上便可。此种方式既可以为企业带来一定的利息收入，又可以给银行带来一定的中间业务收入，达到了一定意义上的双赢。另外目前许多银行纷纷推出一定期限的理财产品，就是针对在一定时间内具有一定闲置资金的客户设计产品。它具有流动性小于现金，风险性大于现金的特征。为那些既想获得一定收益又想避免承担大量风险的客户的资金提供了好的去处。企业可以将暂时闲置的资金用于各种期限的理财产品的投资，为闲置的资金找到出路。3分类分析分类分析通过分析具有类别的样本的特点，得到决定样本属于各种类别的规则或方法。利用这些规则和方法对未知类别的样本分类时应该具有一定的准确度。其主要方法有基于统计学的贝叶斯方法、神经网络方法、决策树方法以及support vector machines等。利用分类技术，可以根据客户的消费水平和基本特征对客户进行分类，找出对银行有较大利益贡献的重要客户的特征，通过对其进行个性化服务，提高他们的忠诚度。利用分类技术，可以将大量的半结构化的文本数据，如WEB 页面、电子邮件等进行分类。银行利用分类技术可以对大客户的共性进行有针对性的宣传，派出能为大客户提供它所需要的客户经理同其进行沟通，提供有利于大客户同时也能为银行带来丰厚收益的金融产品。例如根据企业所处的产业特征，对其产品结构和所需的资金流量进行分析，可以推荐企业办理协议转账业务，将该企业各个下属机构账户上的资金定期转入总公司的账户，便于统一管理，提高资金使用效率。4聚类分析聚类分析是根据物以类聚的原理，将本身没有类别的样本聚集成不同的组，并且对每一个这样的组进行描述的过程。其主要依据是聚到同一个组中的样本应该彼此相似，而属于不同组的样本应该足够不相似。银行正在努力运用这种聚类的方法将客户群体进行划分，以更有效的实施大客户关系管理。利用聚类技术银行可以初步按客户在一家银行的存款数量来进行划分，如对个人群体来说，银行一般以30-50万为限，对拥有存款在30万或50万以上的客户归为VIP客户。这类客户往往可以得到理财规划师为其量身定制的理财计划书，而存款在30-50万元以下的客户则可能紧紧对银行提供的定期类储蓄产品感兴趣。对于企业来说也是这样，大的企业集团，一般对资金的统一控制和管理提出了需求，因此银行将这类客户划分为一类，为他们提供企业集团支付，使企业资金能够得到统一调度，减少资金在途时间，客户得满意度因此也大大增加。由此可见针对不同的客户群，可以实施不同的营销和服务方式，从而提高客户的满意度。对于空间数据，根据地理位置以及障碍物的存在情况可以自动进行区域划分。例如，根据分布在不同地理位置的ATM机的情况将居民进行区域划分，根据这一信息，可以有效地进行ATM机的设置规划，避免浪费，同时也避免失掉每一个商机。对于文本数据，利用聚类技术可以根据文档的内容自动划分类别，从而便于文本的检索。例如我国政府正在试图建立的诚信体系，就是对企业或个人在经营活动等各个领域的信用情况进行记录，将守信与不守信的企业或个人进行归类，银行在与客户进行交往的过程中，就可以以此作为判断是否能与其进行全面合作的依据之一。（三）潜在大客户的识别事实上在日常的情况下，银行的许多客户价值已经是符合“二八法则”的。但是从量化和真正实施运用二八法则的角度来说，要从银行成千上万的客户中找出那些最有价值的客户，并分析这些客户究竟在哪些方面对银行的价值最大，他们在运用银行的产品时都具有哪些共同的特征，却不是一件很容易的事。它不仅需要银行从现有资源上加以整合，并且要善于运用外界的资源进行对潜在黄金客户进行挖掘。然而由于技术和人力的限制，银行在对客户的管理上还停留在根据某一项或两项单一指标对客户进行排序，如：很多银行现在推销的VIP服务就以客户在银行的最低存款额为限进行划分。当然这比起以前银行以产品为中心或者以行政指标为中心要进步了许多，但是这种方式仍然无法从多个角度对客户价值进行综合分析和管理。要真正实现CRM所推行的以客户为中心的理念，就要建立全面的客户价值分析系统，利用数据挖掘技术快速的找出有价值的目标价值客户，建立起真正的客户价值金字塔。如同前面在对客户满意度和忠诚度概念的介绍中提到，要实现自身的利润最大化目标，培育忠诚客户是银行必不可少的高层次市场营销行为。但是对客户忠诚度的培育是基于银行要消耗大量资源为代价的。从简单的利润公式来看，利润收入支出，要提高银行利润就必须减少支出或增加收入，因此银行必须有针对性的培育忠诚客户，盲目的不加分析的面向全体客户一视同仁的开展忠诚客户营销，必然增加银行营运成本，浪费银行资源，降低营销效率，更由于服务的无差别化，而导致高价值客户忠诚度的降低。识别潜在高价值忠诚客户群体必须借助先进的市场细分手段。银行要充分发挥客户资源众多的潜在优势，借助数据仓库、数据挖掘等信息技术，建立符合自身营销需要的客户关系管理系统。通过完善的客户关系管理，对客户在财务指标、人口学指标、银行对其提供服务的成本和综合回报乃至个人偏好和生活方式等多方面的共性和特性进行分析，发现潜在高价值忠诚客户群的共同特点，在此基础上进一步对潜在高价值忠诚客户群细分等级，掌握各种忠诚客户子类型的详细资料，制定相应的营销策略为以后忠诚客户营销措施的及时有限跟进创造条件。事实上，银行要加快对大客户识别的要求既十分迫切，又具有现实意义。从个人银行业务来说，根据统计，目前中国新兴的中产阶层多位为受过高等教育的白领或金领阶层，他们不仅对金融产品和金融服务的需求量大，而且其所具备的信用等级也较高。因此，与中产阶层相关的金融业务具有较高的成长性和附加值，且风险相对容易控制。国际上一些资深的银行家认为，要保持和提高商业银行经营管理的效率，不必一味地追求发展新客户，而应注重稳住原有的“基本客户”，而对银行最忠实的“基本客户”群，往往集中于中产阶层。据国际权威咨询机构麦肯锡2002年9月的研究报告，中国约有3000万中等以上收入的城市家庭，其年收入超过4300美元，其中4%的家庭（约120万）有10万美元以上的存款，这些相对富裕的客户拥有中国个人存款总额的50%，他们是许多金融产品的消费主体，为中国的银行业创造一半以上的利润。他们最有潜力成为中产阶层。新生的中产阶层在消费观和投资观上与前辈或年长者有较大差异，作为未来社会的主流群体，前者的思想观念对整个经济和社会的发展将产生重大影响。事实上，当今许多国际性金融机构都将新生的中产阶层作为其主要的目标客户，或者以新生的中产阶层之金融需求作为其设计大众化金融产品的基本标准。二、潜在大客户识别的基本模式数据挖掘的应用目前主要集中在电信业、银行和超市零售行业。这三个行业有一个共同的特点即客户数据相对比较完整和准确，而且比较容易收集到。如电信和银行业要求客户必须提供完整的个人信息才可以享受服务。而超市零售行业也可以通过诸如抽奖或是会员制等活动来促使客户提供个人的相关信息。而完整的数据仓库是有效数据挖掘的前提。因此在这三个行业中应用实施的案例较多。数据挖掘的主要过程：根据相应数据的特点来选取规则模板，对数据进行选取，清洗和转换，然后根据需要应用归纳学习方法，决策树方法、粗集方法、最邻近方法、人工神经网络技术、遗传算法等来进行数据挖掘。首先是理解业务，了解业务特点，并把它还原成为数据分析的条件和参数。接下来是对现有数据的规整和分析。在数据准备阶段完成的主要任务是对数据的转换、清理和导入数据。可能从多个数据源抽取并加以