首先看一下银行数据挖掘在客户分析中的应用，银行数据挖掘主要应用于两大领域：客户智能和风险管理。客户智能分为数据层、挖掘层和营销层，数据挖掘属于中间这一层，是服务支撑层，为营销提供支持。银行数据挖掘传统的一些领域，包括客户细分、营销预测、产品关联、实时分析、客户提升、价值分析，以及现在随着大数据技术的兴起，我们会做实时分析，已经有些公司推出了基于文本的分析判断产品。

首先看客户细分，这是传统的客户细分，一般基于人口统计学的自然属性、银行交易信息、持有产品信息、互动反馈信息等等，针对这些进行细分，形成一个不是很深入的结果，可能会形成这样的用户分级。产生需要的，高价值低忠诚用户是蝴蝶，低价值高忠诚的用户是藤壶。最终细分出来的客户，可能是这个客户更深入洞察的角度，很巧跟邵钟飞也有相似的细分类型。所以，只有基于这些精准细分模型，才能给用户提供差异化的营销手段。

营销预测，举个简单例子，比如我有100个潜在客户，其中大概有25个人会对我的营销响应使用我的产品，并带来人均5元的收益。营销成本每人是1元，地毯式营销回报率是25%。在第二代的营销中我们可能会使用一些聚类的技术，营销的回报率可能能达到100%，这只是一个示例。第三代营销中我们可能会做双向预测模型，同时预测响应率和产品使用率，最终可能会收到比较好的效果，回报率要远远超出前两代。

来看流失分析，客户为什么会离开我们这家银行转移到其它银行？波士顿咨询公司做了一个市场调查，主要原因是服务质量不好，价格没有吸引力，产品没有吸引力，以及渠道的不方便因素，等等。同时有些市场调查认为，我获得一个新客户的成本是维持一个老客户成本的5倍，因此我们怎么样才能做好客户的流失分析，怎样才能留住客户？传统的客户流失分析是做事前的预测，以前不叫流失预测叫流失预警，这时你每个月都要想办法挽留这一大批用户，我们是不是要做一些事后分析？看看这些用户为什么会离开，提高自己的软技能和硬技能进行客户的挽留。

我们还可以看一看全部客户的主业分布图，高端客户里有43%的人是做贷款的，发生降级、流失的客户储蓄减少了、贷款增加了，验证了上面的信息。还有一些基础信息，地域中西部地区是最稳定的，36岁以下的客户愿意做的业务是贷款业务，非常稳定，55岁以上的客户储蓄理财的比例是比较大的，因此流失率也是比较高的。

有了以上的一些交叉分析以后，我们重点看了几个场景：一个是理财转移，理财转移在这段时间内给这家银行带来了大概104亿AUM的损失，大概有1/7的理财客户转移了以后有所恢复，也有1/7的客户转移了以后没有恢复。理财转移的客户偏好的产品和其它客户有没有区别？我们做个对比。可以看到转移的期限，左下角使转移和流失的客户更喜欢稳健型的产品。能不能预测一下贷款的余额占总额的百分比到底什么的时候，客户一次性提前还款的可能性较高，我们做了简单这样的统计度，平均的提前还款率是条红线，下面的横坐标是贷款的余额占的百分之比，贷款余额降到25%之后的时候提前还款率是非常高的。

最终，我们对这个银行给出了一些业务上的建议，比如对储蓄类客户推荐更多产品，尤其是提升交叉营销率，提高他的转移成本，其中交叉营销率都是重要的变量，对于理财客户要及时推荐给他符合偏好的产品，利用网银做好产品的衔接与客户挽留。对贷款的客户要做好提前布局，到当时他的贷款余额降到30%左右空间的时候要重点关注，预判到可能发生提前还款的时候，尤其是可以利用网银迅速的做出一些产品的推荐，比如给他推荐一款理财产品，早期的像房贷拿到7折利率的话，现在大概是4.6%左右的利率水平，现在很多银行理财产品都可以达到这一水平，甚至5%以上。有这样的网银推荐给客户的时候，他就要考虑我是不是要提前还款，他如果购买这个理财的话其实实现了双赢，银行留住了客户，这个人也拿到了更好的利率。