基于對應分析的商業銀行不同渠道客戶偏好研究

商業銀行的服務渠道通常包括渠道、atm（自動柜員機）、cdm（自動存款機）、crs（存款期限機）、電話銀行、銀行等。它們是分行客戶的主要場所。然而,在商業銀行的客戶營銷中,營業網點的大堂經理和客戶經理們常常會遇到這樣一個問題,那就是面對著千差萬別的個人客戶,如何才能識別出他們的渠道偏好?又如何根據他們的這種渠道偏好對客戶進行市場細分,進而將其合理地分流到相應渠道上,并在此基礎上實施差別化營銷和服務呢?顯然,要回答以上問題,就必須對客戶的渠道偏好有一個正確的認識。為此,本文以山東省某商業銀行個人客戶渠道交易的抽樣數據為樣本,運用現代統計學中的對應分析方法,從客戶的年齡、學歷和家庭收入出發,對個人客戶的渠道偏好進行了實證分析。通過分析,筆者找出了不同年齡、學歷和家庭收入客戶的渠道偏好,并在此基礎上,提出了根據客戶的渠道偏好對客戶進行市場細分、客戶分流和實施差別化營銷及服務的建議。這里,由于受樣本數據的來源所限,本文僅對商業銀行的柜面、ATM(自動取款機)、CDM(自動存款機)和CRS(存取款循環機)渠道進行了分析,而對電話銀行和網上銀行渠道則沒有涉及。一、客戶渠道偏好的對應分析方法對應分析(CorrespondenceAnalysis)又稱關聯分析、R-Q型因子分析,是近年來國內剛剛興起的一種多元統計分析方法。它最早是由法國巴黎科學院Benzecri教授于1970年在因子分析的基礎上提出來的。對應分析方法最先流行于法國和日本,以后又流行于美國、荷蘭和加拿大等國。從國內來看,近年來北京大學概率統計系、中國人民大學統計學院、人口研究所等單位也都對對應分析作了比較深入的研究。從實際應用來看,目前,對應分析主要應用于市場細分、產品定位、地質研究以及計算機工程等領域中品質型變量的定量關系研究。例如在汽車銷售活動中,常常需要利用車主數據來研究車主所選擇的汽車品牌與車主職業、收入水平之間的關系,在房地產業的市場分析中,常常需要利用業主數據來研究房屋戶型、面積與業主收入水平、年齡、職業和家庭結構之間的關系等等。在上述這些案例中,諸如汽車品牌、車主收入水平、房屋戶型等都屬于品質型變量。而在社會科學中,研究這些品質型變量之間定量關系的有效手段就是對應分析方法。從對應分析所涉及的變量種類來看,對應分析可以分為兩種,一種是簡單對應分析,適用于研究兩類品質型變量之間的定量關系,如研究房屋戶型與業主收入水平之間的關系。一種是最優尺度分析,適用于研究多類品質型變量之間的定量關系,如研究房屋戶型與業主收入水平、年齡和家庭結構等變量之間的關系。就本文而言,由于所研究的渠道類型、客戶年齡、學歷和家庭收入均屬于品質型變量,因此,對于個人客戶渠道偏好的研究我們也同樣可以采用對應分析方法。簡單對應分析的基本思想是:首先編制兩品質型變量的交叉列聯表,然后再以兩變量的交叉列聯表為研究對象,將交叉列聯表中的每個數據單元看成兩變量在相應類別上的對應點,接下來再利用行變量和列變量“降維”的方法,通過圖形的方式,來直觀地揭示變量不同類別之間的聯系。具體來講,簡單對應分析的步驟主要包括:第一步,根據統計數據編制兩個變量的交叉列聯表并計算相應的概率矩陣。第二步,根據概率矩陣確定行變量和列變量各個數據點的坐標。第三步,對行變量和列變量進行分類降維處理。其具體方法是:首先計算概率矩陣列向量的協方差矩陣,然后求出協方差矩陣的特征根和特征向量,并根據特征根的累計方差貢獻率來確定需要提取的特征根個數,通常取兩個。然后再計算出相應的因子載荷矩陣,這里的因子載荷是列變量某個分類類別在某個因子上的載荷,它反映著列變量的某個分類類別與某個因子之間的相關關系。也就是說,通過計算特征根的累計方差貢獻度,測度變量類別的共同度對方差的解釋程度和信息丟失程度。我們可以將列向量由多維空間降到二維空間,同理,我們也可以對行向量實現相應的降維。第四步是根據計算出的行變量和列變量的因子載荷矩陣,繪制行變量和列變量分類的對應分布圖,使變量與變量之間的關系同時反映在一張二維的散點圖也即對應分布圖上。在這一分布圖上,相互之間聯系密切的點比較集中,而聯系疏遠的點則比較分散。因此,通過判斷點與點之間的集中程度我們就可以直觀地識別出變量與變量之間的關系密切程度。從上述簡單對應分析的基本思想和步驟,我們可以看出,進行對應分析的關鍵有兩個:一是如何將多個類別點表示在低維空間中,以易于直觀觀察;二是如何確定各類別點的坐標,以鑒別各類別間聯系的強弱。與簡單對應分析相似,最優尺度分析方法的核心也是力圖在低維空間表述兩個或多個變量之間的關系。區別只在于與簡單對應分析相比,最優尺度分析的范圍要更為深入,這主要體現在:一是最優尺度分析不僅可以同時分析多個分類變量之間的關系,而且還可以用圖形方式將多個分類變量之間的關系表現出來;二是最優尺度分析處理的變量種類更加豐富,不僅可以處理各種有序分類變量,而且也可以處理各種無序分類變量和連續性變量。因此,與簡單對應分析相比,最優尺度分析的適用范圍更廣,結果也更為穩定和準確。下面,我們就以山東省某商業銀行個人客戶渠道交易的抽樣數據為樣本,運用對應分析方法,借助SPSS13.0統計分析軟件,從客戶的年齡、學歷和家庭收入出發,對商業銀行個人客戶的渠道偏好進行實證分析,以供商業銀行基層營業網點營銷客戶參考。二、原始數據的預處理由于在SPSS13.0的軟件版本中,原始樣本數據結構常常與SPSS13.0所要求的數據結構存在一定的差異,因此,在進行對應分析之前,有必要先對客戶渠道交易的原始樣本數據進行一下預處理。這里,為了保證樣本數據的代表性,筆者首先利用隨機數發生器產生了50000個服從0~1均勻分布的隨機數,然后以這些隨機數為編號對抽樣樣本按照從小到大的順序進行排序,接下來再按照等距抽樣的方法,從中累計抽樣整理了11745條記錄,以上數據共涉及客戶82441個,渠道交易量5672255筆(數據來源為2006年山東省某商業銀行個人客戶交易渠道的抽樣調查數據)。(一)spss13.0下的相關分析個人客戶交易渠道的原始樣本數據結構如表1所示。在原始的樣本數據中,渠道類型、年齡、學歷和家庭收入都屬于品質型變量,而客戶數和交易筆數則屬于定距型變量。在對應分析中,客戶數和交易筆數可以作為各品質型變量的權數使用。為了能夠利用SPSS13.0的對應分析功能進行統計分析,我們需要對各品質型變量的分類類別進行一下數值變換。各品質型變量的分類類別和分類數值的變換關系如表2所示。根據上述的對照關系,我們可以利用SPSS13.0中Transform菜單所提供的數據轉換功能,將以上各品質變量的分類類別進行數值變換,變換后的樣本數據結構如表3所示。以上形式的數據結構符合SPSS13.0對應分析的要求。下面,我們就先從客戶的年齡、學歷和家庭收入出發,對商業銀行個人客戶的渠道偏好進行一下簡單對應分析。(二)基于不同質量變量的客戶流程偏好的簡單對應分析1.客戶年齡與銀行服務渠道的對應關系在簡單對應分析的輸出結果中,最重要的是對應分析的核心結果概況表和對應分布圖。其中,客戶年齡與銀行渠道類型對應分析的核心結果概況表如表4所示。在核心結果概況表中,最重要的是第三列特征根、第五列!2檢驗的P值、第六列特征根方差貢獻率和第七列特征根累計方差貢獻率。從表4中我們可以看出,由于第一個特征根的方差貢獻率為99.48%,第二個特征根的方差貢獻率為0.44%,兩者累計達99.92%,因此,提取前兩個公因子就可以完全表示變量間的信息,并且由于第一個特征根的方差貢獻率達99.48%,因此,觀察時以第一個公因子也即對應分布圖中的第一維度(Dimension1)為主。同時,由于第五列!2檢驗的P值小于0.05,因此,拒絕零假設,也即客戶的年齡與銀行的服務渠道之間存在著比較顯著的對應關系。客戶年齡與銀行服務渠道的對應分布圖如圖1所示。根據對應分布圖判斷變量之間是否存在聯系的準則是:(1)首先按不同變量分別檢查橫軸和縱軸上的區分情況,如果同一變量不同類別在某個方向上靠得較近,則說明這些類別在該維度上的區別不大;(2)比較不同變量各個取值分類間的位置關系,落在從圖形原點(0,0)出發相同方位上大致相同區域內的不同變量的分類點彼此存在聯系。按照上述原則,從圖1中我們可以得出如下結論:(1)柜面渠道與年齡在46~60歲和60歲以上的客戶距離比較近,這表明,柜面服務渠道與年齡為46~60歲和60歲以上的客戶關系比較密切,也即中老年客戶偏好通過商業銀行的柜面渠道來辦理業務。(2)ATM與18~25歲、26~35歲的客戶距離比較近,這表明,ATM與年齡為18~25歲、26~35歲的客戶聯系比較密切,也即商業銀行的中青年客戶偏好于通過ATM辦理業務。(3)CRS、CDM與各年齡段的客戶距離都比較遠,這表明,CRS、CDM不太受個人客戶的偏好,從實際情況來看,這可能是因為CRS、CDM剛剛興起,各類客戶使用的時間還不長所致。(4)從上述客戶年齡和銀行服務渠道所存在的對應關系,我們可以看出,商業銀行營業網點的客戶經理在營銷客戶時,可將年齡在46~60歲和60歲以上的中老年客戶主要分流到柜面渠道上,而將年齡在18~25歲、26~35歲的中青年客戶主要分流到ATM上。然后,在此基礎上,再根據不同細分客戶的特點進行差別化的營銷和服務。以上是對不同年齡客戶渠道偏好的分析。與上述分析方法相類似,我們可以逐次分析不同學歷、不同家庭收入客戶的渠道偏好。2.客戶學歷與銀行服務渠道的對應關系從表5的對應分析核心結果中我們可以看出,第一個特征根的方差貢獻率為87.77%,第二個特征根的方差貢獻率為11.55%,兩者累計達99.32%,因此,提取前兩個公因子就可以完全表示變量間的信息,并且由于第一個特征根的方差貢獻率達87.77%,因此,觀察時應以第一維度也即對應分布圖中的Dimension1為主。同時,由于第五列!2檢驗的P值小于0.05,因此,拒絕零假設,也即客戶學歷與銀行的服務渠道之間存在著比較顯著的對應關系。客戶學歷與銀行服務渠道之間的對應分布圖如圖2所示。從圖2中我們可以看出:(1)柜面渠道與學歷為研究生、大學本科、中專或技校、高中的客戶距離比較近,這表明,柜面服務渠道與學歷為研究生、大學本科、中專或技校、高中的客戶之間存在著比較密切的對應關系,也即較高學歷的客戶和較低學歷的客戶比較偏好于通過柜面渠道來辦理業務。(2)ATM與學歷為大學專科的客戶距離比較近,這表明,ATM與學歷為大學專科的客戶之間存在著比較密切的對應關系,也即中間學歷的客戶比較偏好于通過ATM來辦理業務。(3)CRS、CDM與各種學歷客戶之間的距離都比較遠,這表明,CRS、CDM與客戶學歷之間的對應關系不是很顯著,從實際情況來看,這主要是因為CRS、CDM剛剛興起,客戶使用的時間還不長所致。(4)從上述客戶學歷和銀行服務渠道所存在的對應關系,我們可以看出,商業銀行營業網點的客戶經理在營銷客戶時,可將較高學歷和較低學歷的客戶主要分流到柜面渠道上,而對于中間學歷的客戶,則可將其主要分流到ATM上。在此基礎上,再對細分之后的目標客戶群體進行差別化營銷和服務。3.客戶家庭收入與銀行服務渠道的對應關系從表6中我們可以看出,第一個特征根的方差貢獻率為98.79%,第二個特征根的方差貢獻率為1.2%,兩者累計達99.99%,因此,提取兩個因子就可以完全表示變量間的信息,并且由于第一個特征根的方差貢獻率達98.79%,因此,觀察時應以第一維度也即對應分布圖中的Dimension1為主。同時,由于第五列!2檢驗的P值小于0.05,因此,拒絕零假設,也即客戶的家庭收入和銀行的服務渠道之間存在著比較顯著的對應關系。客戶家庭收入與銀行服務渠道的對應分布圖如圖3所示。從圖3中我們可以看出:(1)柜面渠道與家庭收入為20萬~50萬元、50萬~300萬元、300萬元以上的客戶距離比較近,這表明,柜面與家庭收入為20萬~50萬元、50萬~300萬元、300萬元以上的客戶之間存在著比較密切的對應關系,也即家庭收入高的客戶比較偏好于通過柜面渠道來辦理業務。(2)ATM、CRS與家庭收入為2.5萬元以下、2.5萬~5萬元的客戶距離比較近,這表明,ATM、CRS與家庭收入為2.5萬元以下、2.5萬~5萬元的客戶之間存在著比較密切的對應關系,也即家庭收入較低的客戶比較偏好于通過ATM、CRS來辦理業務。(3)CDM與各種家庭收入客戶的距離都比較遠,這表明,CDM與客戶的家庭收入之間不存在比較顯著的對應關系,從實際情況來看,這主要是因為CDM剛剛興起,客戶使用的時間還不長所致。(4)從上述客戶家庭收入與銀行服務渠道所存在的對應關系,我們可以看出,基層營業網點的客戶經理在營銷客戶時,可將家庭收入在20萬元以上的客戶主要分流到柜面渠道上,而對家庭收入在20萬元以下的客戶,則可將其主要分流到ATM上。以上我們主要是運用簡單對應分析方法分析了某一特征客戶的渠道偏好。然而,由于客戶往往是多種特征的統一體,因此,為了更為深入地了解客戶的渠道偏好,我們有必要將以上各種客戶特征結合起來進行多維組合分析,而這就需要運用最優尺度分析方法。三、具體的量化散點按照最優尺度分析中所研究變量性質的不同,最優尺度分析包括三種,即多重對應分析(MCA)、分類變量的主成分分析(CatPCA)和非線性典型相關方法(OVERALS)。其中,多重對應分析所研究的變量均為品質型變量,分類變量的主成分分析所研究的變量既有品質型變量又有定距型變量,而非線性典型相關方法所研究的變量則為多組之間的變量。就本文而言,由于所研究的渠道偏好、客戶年齡、學歷和家庭收入均為品質型變量,因此,我們這里采用最優尺度分析中的多重對應分析法。從銀行渠道類型、客戶年齡、學歷和家庭收入的最優尺度分析概況表中(見表7),我們可以看到,有60.3%的方差被兩維數所解釋,其中,第一維度解釋了總方差的31.06%,第二維度解釋了總方差的29.2%,因此,解釋效果基本符合要求。銀行服務渠道類型、客戶年齡、學歷和家庭收入的最優尺度分析的量化散點圖如圖4所示。從圖4中我們可以看出:1.柜面與家庭收入在20萬~50萬元、50萬~300萬元;年齡在46~60歲、36~45歲;學歷為研究生、中專或技校、高中的客戶距離比較近。這表明,柜面渠道與同時具備上述特征的客戶之間存在著比較密切的對應關系,從實際情況來看,這些客戶通常是商業銀行的一些高端優質客戶和中老年客戶,也即他們比較偏好于通過柜面渠道來辦理業務。2.ATM、CRS等自助設備與家庭收入在2.5萬~5萬元、5萬~20萬元,年齡在26~35歲,學歷為大學本科、大學專科的客戶距離比較近,這表明,ATM、CRS等自助設備與同時具備上述特征的客戶之間存在著比較密切的對應關系,從實際情況來看,這些客戶通常是商業銀行的一些中青年客戶,也即他們比較偏好于通過自助設備來辦理業務。3.從上述客戶年齡、學歷、家庭收入和銀行服務渠道的對應關系,我們可以看出,基層營業網點的客戶經理在營銷客戶時,可根據上述的對應關系,將家庭收入在20萬~50萬元、5萬~20萬元,年齡在36~45歲、46~60歲,學歷為研究生、中專或技校、高中的客戶主要分流到柜面上去;而對家庭收入在2.5萬~5萬元、5萬~20萬元,年齡在26~35歲,學歷為大學本科、大學專科的客戶,則可將其主要分流到自助設備上。然后,在此基礎上,再針對細分后的目標客戶實施差別化營銷和服務等。總之,以上就是我們利用簡單對應分析和最優尺度分析所得出的一些結論。從這些結論來看,雖然有些結論和實際情況存在一些反差,但總的來看,還是基本符合現實的。四、網點的客戶偏好從上述我們進行對應分析的結果來看,由于不同年齡、學歷和家庭收入的客戶對于商業銀行的服務渠道確實存在著不同的偏好。因此,在實際工作中,我們可以根據這些渠道偏好關系,對商業銀行的個人客戶進行市場細分,并在此基礎上,針對不同細分市場的目標客戶實施差別化營銷和精細化服務,從而提高商業銀行營業網點的產品營銷能力和客戶的滿意度。具體來講,主要是:第一,商業銀行營業網點可以根據上述研究結果中的客戶渠道偏好,從客戶的人口統計學特征出發,對商業銀行的個人客戶進行市場細分。如根據客戶的年齡,將客戶細分為36歲以上的中老年客戶群體和36歲以下的中青年客戶群體;根據客戶的學歷將客戶分為大學本科以上的高學歷群體和大學專科以下的低學歷群體以及介于二者之間的中間學歷群體;也可將以上特征綜合起來,如按照客戶的年齡、學歷、家庭收入和渠道類型之間的對應關系,將客戶細分為家庭收入在20萬~50萬元、5萬~20萬元,年齡在36~45歲、46~60歲,學歷為研究生、大學本科、中專或技校、高中的客戶群體;家庭收入在2.5萬~5萬元,年齡在26~35歲,學歷為大學專科的客戶群體等。第二,商業銀行的營業網點可以根據上述研究結果中的客戶渠道偏好,對個人客戶進行合理分流,使其各得其所,并在此基礎上,針對不同的細分客戶,實施相應的差別化營銷和服務,從而提高和改善對客戶的營銷效率和服務質量。例如大堂經理可根據中老年客戶偏好柜面服務的特點,將中老年客戶主要分流到柜面服務渠道上,然后,再針對中老年客戶處于生命周期的退休期階段和該階段消費投資都比較保守的特點,對其重點營銷和提供一些養老規劃、遺產規劃和應急基金等理財服務等。也可以根據中青年個人客戶比較偏好自助設備的特點,將其主要分流到各種自助設備如自助取款機(ATM)上,從而減少柜面服務的壓力和網點的客戶排隊現象等。同時,客