论文部分内容阅读
【摘 要】本文探讨了数据挖掘技术在证券公司经纪业务营销活动中的应用，详细分析了经纪业务营销模式的建设要点。通过建立数据仓库，实现了证券公司关于营销主题的事实表和维度表单设计，为数据挖掘应用提供了可能。最后，选择k-means聚类方法，实现了平安证券公司营业部的聚类，并给出了相应的营销方法。
【关键词】数据挖掘 数据仓库 经纪业务 营销
一、概述
自八十年代投资人工智能（AI）研究项目失败后，人工智能转入实际应用时提出了一个新兴的、面向商业应用的研究课题——数据挖掘。目前，越来越多的证券公司管理人员正在利用数据挖掘工具，解决所遇到的至关重要的商业问题和决策问题，如企业经营方向的定位、营销的决策和企业核心竞争力的获取等。
二、数据挖掘技术与证券经纪业务营销
（一）数据挖掘概念
所谓数据挖掘，是从海量的数据中，抽取出潜在的、有价值的知识（模型或规则）的过程[2]。该过程根据预定义的商业目标，对大量的企业数据进行探索，揭示其中隐含的商业规律，并进一步将其模型化的技术。
（二）证券经纪业务营销模式
证券经纪业务的本质是为客户提供中介服务，满足客户在投资过程中对金融服务的需求。近年来，在新的市场条件下，证券经纪业务服务模式已从单一化、粗放式向专业化、精细化转变，部分证券公司在客户分类、服务产品化以及信息技术系统支持等方面进行了积极尝试，取得了较好的效果，初步形成了证券经纪业务品牌效应[4]。在实际的证券经纪业务营销活动中，有许多的营销建设模式要点，归纳如下图1：
（三）数据挖掘功能及其在证券经纪业务中的应用
数据挖掘对收集到的数据有六大类功能[3]：分类 、估值、预测、关联规则、聚类、可视化。在当前，证券行业的外部经营环境发生了较大变化，市场开始细分，券商对其传统的经纪业务进行了调整，以期建立自己的核心竞争力。如何形成差别化优势是各券商考虑的重点，这种优势主要依赖于券商提供的咨询服务与附加服务[5]。数据挖掘在此过程中将发挥重要作用，其应用主要有：客户分析、客户管理、交易数据分析等。在日益竞争激烈的证券经纪业务中，用专业的数据挖掘手段，提供有针对性的营销手段非常重要。
三、数据挖掘在平安证券经纪业务营销中的应用
本文将针对平安证券经纪业务营销进行探索，针对平安证券的具体情况进行数据仓库建模，以期通过数据挖掘技术提出有意义的营销措施。
（一）数据仓库设计
为了满足数据挖掘的需要，数据仓库需满足以下要求：首先，对不同业务数据库的数据进行抽取，统一存放的数据格式；其次，将目标数据存入基于Oracle平台的数据库，这方便实施的简化和稳定；最后，数据的类别简化为三类。根据以上的要求制定以下数据仓库系统图：
（二）事实表和维度表设计
数据仓库的表单设计，主要分为两大类，一是事实表，二是维度表，下面选择其中几个表单详细介绍。
1.事实表
事实表是数据仓库中最重要的数据模型部分，它是分析的主题。事实表通过主键将各个维表组织起来，本系统的事实表单包括如下主体：CPI指标编号、促销流水号、指标编号、团队指标编号、分解编号、活动编号、规划编号、活动流水号、物料进出流水号、时间代码、佣金、交易数量、交易价格、营销花费、营销创收。
2.维度表
维度表是数据仓库逻辑设计的一个重要组成部分，为数据分析打下良好的基础。其中最重要的维度表包括：时间维度表，是数据仓库中的一个重要维度，在本系统中时间维涉及营销活动的时间，管理周期，季度情况等时间关系。具体字段包含：时间代码、日、月、季度、年份；营销活动维表，是营销活动的一个主要维度，主要包含以下字段：活动编号、开始日期、结束日期、预算、成本、业绩、营业部、状态、操作员、时间戳；佣金维表，是营销活动中公司获得多少佣金的维表，本系统关注营销活动的分析，佣金的多寡反映营销活动的成效。它的表设计字段包含：客户编号、货币代码、资金账号、佣金模版、日期、营业部编号。
3.系统应用
下面主要探讨证券经纪业务中营业部细分的一个应用实例。
券商需要提供个性化的服务，首先就必须进行市场细分，不同的市场业务提供不同的服务。在文章中提出了一个市场细分策略，用一个市场细分矩阵图来分类市场业务，如下表：
平安证券在全国共有38个营业部，我们在它的官网上可以查看每个营业部的营销交易数据和综合排名数据，通过这些数据利用数据挖掘中的K-Means聚类算法进行分类。通过聚类分析结果发现，这些营业部表现出四个聚集簇，它们代表了超级营业部、大型营业部、中型营业部和小型营业部，分别标记为A，B，C，D四类。具体情况如下表：
通过聚类分析得到营业部分类，根据该分类结果总公司可以引导各营业部在不同的子市场拓展业务。不同的市场和营业部我们采取下面的策略进行营销：属于A类的营业部，主要应拓展细分矩阵的1、2子集，兼顾3、4子集。该领域客户的主要特征是经济实力雄厚，对营业部提供的产品品质、服务和产品附加值更感兴趣，他们对价格不敏感。属于B类的营业部，主要应开拓细分矩阵中的5、6、7子集的市场，该级别的客户通常比较注重佣金价格和营销服务的专业化咨询。对应处于C类的营业部，应专攻细分矩阵的8、9、10子集。这些领域客户的经济实力处于中等水平，在购买产品时，价格和其他影响因素的作用相当。最后，D类的营业部，主要应拓展细分矩阵的最后四个。这些营业部因自身条件所限，无法吸引高端客户，应主攻中小投资股民。
四、结论
本文着重介绍了数据挖掘在经纪业务营销中的应用，通过分析数据挖掘的相关技术，我们建立了平安证券公司经纪业务中的营销主题的数据仓库，详细设计了事实表和维度表。通过数据挖掘聚类分析方法，分析了平安证券公司各营业部细分的营销方案。
参考文献：
[1]谢寰红. 数据挖掘在证券公司CRM客户细分中的应用[J]. 计算机工程， 2004， 30 （B12）： 553-555.
[2]Jiawei Han，Michelien Kanmber.数据挖掘概念与技术[M]。北京：机械工业出版社：2001
[3]卢泽勇，蒋外文，张肖霞. 数据挖掘在证券经纪人管理系统中的应用 .探索与研究，2003-11
[4]黄斌.新形势下证券公司核心竞争力战略的选择.证券时报，2002年
[5]赵桂萍、孙二召.券商经纪业务面临七大转变.证券时报，2002年
【关键词】数据挖掘 数据仓库 经纪业务 营销
一、概述
自八十年代投资人工智能（AI）研究项目失败后，人工智能转入实际应用时提出了一个新兴的、面向商业应用的研究课题——数据挖掘。目前，越来越多的证券公司管理人员正在利用数据挖掘工具，解决所遇到的至关重要的商业问题和决策问题，如企业经营方向的定位、营销的决策和企业核心竞争力的获取等。
二、数据挖掘技术与证券经纪业务营销
（一）数据挖掘概念
所谓数据挖掘，是从海量的数据中，抽取出潜在的、有价值的知识（模型或规则）的过程[2]。该过程根据预定义的商业目标，对大量的企业数据进行探索，揭示其中隐含的商业规律，并进一步将其模型化的技术。
（二）证券经纪业务营销模式
证券经纪业务的本质是为客户提供中介服务，满足客户在投资过程中对金融服务的需求。近年来，在新的市场条件下，证券经纪业务服务模式已从单一化、粗放式向专业化、精细化转变，部分证券公司在客户分类、服务产品化以及信息技术系统支持等方面进行了积极尝试，取得了较好的效果，初步形成了证券经纪业务品牌效应[4]。在实际的证券经纪业务营销活动中，有许多的营销建设模式要点，归纳如下图1：
（三）数据挖掘功能及其在证券经纪业务中的应用
数据挖掘对收集到的数据有六大类功能[3]：分类 、估值、预测、关联规则、聚类、可视化。在当前，证券行业的外部经营环境发生了较大变化，市场开始细分，券商对其传统的经纪业务进行了调整，以期建立自己的核心竞争力。如何形成差别化优势是各券商考虑的重点，这种优势主要依赖于券商提供的咨询服务与附加服务[5]。数据挖掘在此过程中将发挥重要作用，其应用主要有：客户分析、客户管理、交易数据分析等。在日益竞争激烈的证券经纪业务中，用专业的数据挖掘手段，提供有针对性的营销手段非常重要。
三、数据挖掘在平安证券经纪业务营销中的应用
本文将针对平安证券经纪业务营销进行探索，针对平安证券的具体情况进行数据仓库建模，以期通过数据挖掘技术提出有意义的营销措施。
（一）数据仓库设计
为了满足数据挖掘的需要，数据仓库需满足以下要求：首先，对不同业务数据库的数据进行抽取，统一存放的数据格式；其次，将目标数据存入基于Oracle平台的数据库，这方便实施的简化和稳定；最后，数据的类别简化为三类。根据以上的要求制定以下数据仓库系统图：
（二）事实表和维度表设计
数据仓库的表单设计，主要分为两大类，一是事实表，二是维度表，下面选择其中几个表单详细介绍。
1.事实表
事实表是数据仓库中最重要的数据模型部分，它是分析的主题。事实表通过主键将各个维表组织起来，本系统的事实表单包括如下主体：CPI指标编号、促销流水号、指标编号、团队指标编号、分解编号、活动编号、规划编号、活动流水号、物料进出流水号、时间代码、佣金、交易数量、交易价格、营销花费、营销创收。
2.维度表
维度表是数据仓库逻辑设计的一个重要组成部分，为数据分析打下良好的基础。其中最重要的维度表包括：时间维度表，是数据仓库中的一个重要维度，在本系统中时间维涉及营销活动的时间，管理周期，季度情况等时间关系。具体字段包含：时间代码、日、月、季度、年份；营销活动维表，是营销活动的一个主要维度，主要包含以下字段：活动编号、开始日期、结束日期、预算、成本、业绩、营业部、状态、操作员、时间戳；佣金维表，是营销活动中公司获得多少佣金的维表，本系统关注营销活动的分析，佣金的多寡反映营销活动的成效。它的表设计字段包含：客户编号、货币代码、资金账号、佣金模版、日期、营业部编号。
3.系统应用
下面主要探讨证券经纪业务中营业部细分的一个应用实例。
券商需要提供个性化的服务，首先就必须进行市场细分，不同的市场业务提供不同的服务。在文章中提出了一个市场细分策略，用一个市场细分矩阵图来分类市场业务，如下表：
平安证券在全国共有38个营业部，我们在它的官网上可以查看每个营业部的营销交易数据和综合排名数据，通过这些数据利用数据挖掘中的K-Means聚类算法进行分类。通过聚类分析结果发现，这些营业部表现出四个聚集簇，它们代表了超级营业部、大型营业部、中型营业部和小型营业部，分别标记为A，B，C，D四类。具体情况如下表：
通过聚类分析得到营业部分类，根据该分类结果总公司可以引导各营业部在不同的子市场拓展业务。不同的市场和营业部我们采取下面的策略进行营销：属于A类的营业部，主要应拓展细分矩阵的1、2子集，兼顾3、4子集。该领域客户的主要特征是经济实力雄厚，对营业部提供的产品品质、服务和产品附加值更感兴趣，他们对价格不敏感。属于B类的营业部，主要应开拓细分矩阵中的5、6、7子集的市场，该级别的客户通常比较注重佣金价格和营销服务的专业化咨询。对应处于C类的营业部，应专攻细分矩阵的8、9、10子集。这些领域客户的经济实力处于中等水平，在购买产品时，价格和其他影响因素的作用相当。最后，D类的营业部，主要应拓展细分矩阵的最后四个。这些营业部因自身条件所限，无法吸引高端客户，应主攻中小投资股民。
四、结论
本文着重介绍了数据挖掘在经纪业务营销中的应用，通过分析数据挖掘的相关技术，我们建立了平安证券公司经纪业务中的营销主题的数据仓库，详细设计了事实表和维度表。通过数据挖掘聚类分析方法，分析了平安证券公司各营业部细分的营销方案。
参考文献：
[1]谢寰红. 数据挖掘在证券公司CRM客户细分中的应用[J]. 计算机工程， 2004， 30 （B12）： 553-555.
[2]Jiawei Han，Michelien Kanmber.数据挖掘概念与技术[M]。北京：机械工业出版社：2001
[3]卢泽勇，蒋外文，张肖霞. 数据挖掘在证券经纪人管理系统中的应用 .探索与研究，2003-11
[4]黄斌.新形势下证券公司核心竞争力战略的选择.证券时报，2002年
[5]赵桂萍、孙二召.券商经纪业务面临七大转变.证券时报，2002年