基于RFM模型的商业银行营销决策分析-论文.pdf

《基于RFM模型的商业银行营销决策分析-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、决策参考基于RFM模型的商业银行营销决策分析吕斌，张晋东(1．包商银行博士后科研工作站，北京100101；2．北京大学光华管理学院，北京100871)摘要：客户关系管理(cRM)的应用帮助商业银行建立起现代化经营理念，打造其核心竞争力。文章的重点为CRM的核心问题：客户分类以及以客户为中心的营销体系。以解决商业银行营销决策问题为目的，首先利用RFM模型对客户进行分类，然后将营销问题转化为组合优化的$0，1$背包问题，最后利用遗传算法对该问题进行求解。关键词：客户关系管理；RFM模型；营销决策；背包问题；遗传算法中图分类号：021

2、2文献标识码：A文章编号：1002—6487(2013)14—0065—02表1设定RFM模型属性值1RFM客户分类模型交易间隔日期(RI)(天)交易频率(F)(次)交易金额(M)(万)级别(L)90以上1—70一l0130-908-2010-502本文选用RFM模型作为商业银行客户分类的模型。0-302O以上50以上3RFM模型是众多CRM分析模型中非常重要的一个分析模露■■■-客户类别数LR由R、F、M的要素等级数LR，LF，决型，是衡量客户价值和客户创利能力的重要工具和手段。定：墨RFM模型是美国数据库营销研究所Arthu

3、rHughes研究提LnLXLFXLM(1)出的，该模型通过三个重要的客户要素来描述客户的价值从银行核心系统随机抽取3000名客户信息，按照表1状况，包括有最近一次消费(Recency)、消费频率(Frequen—设定的RFM要素等级，于是可以将客户分为27类，如图1cv)以及消费金额(Monetary)。所示。RFM模型在商业银行应用中，以客户存款行为为例，可以将客户存款行为看做客户的购买行为，要素Recency皿代表最近的存款交易日期，Frequency代表客户的存款交’易频率，Monetary代表存款交易余额。RFM分析模

4、型对客臼臼户进行分类的基本假设是(1)最近交易的客户进行再次交易的可能性要高于最近没有交易的客户；(2)交易频率高的瓣露fi!}61}薅客户比交易频率低的客户更有可能再次交易；(3)总的交易■■■■_■■■金额较高的客户再次交易可能性高。vvvvvvvvvvvvvvvvvvR(Recency)是体现客户交易趋势的重要指标，R是指图1基于RFM模型的客户分类最近的交易日期，即客户最近一次交易日期距分析日的时将抽取到的3000名客户按照RFM模型分为27个客间间隔，时间间隔越小越好。因为要吸引一名一个月前的户类，人数分别为68人，1

5、25人，94人，101人，138人，84人，客户交易，比吸引一名一年前来过的客户要容易得多。F163人，88人，126人，155人，184人，94人，101人，71人，72人，(Frequency)是体现客户满意度、忠诚度重要的指标，F是指89人，176人，88人，172人，87人，189人，102人，79人，88人，42单位期间内的客户交易次数。在单位期间内的交易频率人，121人，103人。类似地，银行可以结合自身的经营特越高越好。通过挖掘交易频率高的客户的客户价值，提升色、发展战略方向，以及客户的品质，设定RFM模型属性银行

6、的“客户份额”。M(Monetary)是客户分析的支柱性指值，从而将全部客户有针对性地分类。标，M是指单位期间内的交易总额。在单位时期内交易总额越高越好，交易额高的客户是银行利润贡献的重要客户2营销决策分析模型资源。设定RFM的属性值如表1所示，对于每个要素设定三客户分类只是CRM核心内容之一，另一核心内容是个等级，其中用交易间隔天数替代最近交易日期要素，商业银行的营销决策。以客户分类作为基础，针对不同类交易间隔天数(RI)=当前日期一最近交易日期(R)客户分析此类客户的特性，通过不同的价格策略、不同的作者简介：吕斌(1982一

7、)，男，北京人，博士，研究方向：银行信息管理。统计与决策2013年第14期·总第386期65决策参考渠道策略、不同的产品策略以及不同的服务策略，提升客J∑nP函∑Hnz≤C⋯户的满意度、忠诚度、贡献度，降低客户的流失率，打造银10，幻>c行的核心竞争力。L‘一l复制运算。在遗传算法中，通过复制操作将优良的个为了利用数学方法解决商业银行营销决策问题，首先体插入下一代新群体，从而体现“优胜劣汰”的原则。选作出如下假设：(1)假设针对商业银行的某一营销主题的营择优良个体的方法采用的是J．H．Holland的轮盘法。轮盘销费用是有限的，

8、设总金额为c；(2)假设在进行营销活动法的基本思想是个体被选中的概率取决于个体的相对适时，为每位客户提供的营销费用是相同的，设金额为t；(3)应度：kj=f／M，其中kj是个体被选中的概率；￡是个假设通过客户账务信息、历史交易信息等数据的累积和分析，可以预测出如