近年来,大数据已经渗透到了各个行业和业务职能领域,并且其规模和储存容量正在迅速增长。银行业的高数据储存量,及其对大数据应用的不断更新与深入,也为银行业的发展带来了更多的机遇与创新,银行对于大数据的应用主要在风险管理、运营优化、财务管理和营销四个方面。而银行的营销观念和模式也日益人性化,利用大数据的数据库营销也以其高准确性、高效率、低成本定位目标客户的特点逐步取代传统营销。数据库营销可以将银行的目标人群定位到响应概率较高的客户,这样既可以降低银行的营销成本,提高营销的投资回报率,也能够提升客户的用户体验和满意度。本文以某外资银行为例,使用SAS软件,对银行客户是否会购买外汇产品进行预测,基于银行的客户数据库来建立响应模型和客户细分模型。建模之前对变量进行预处理和筛选,筛选分类变量采用了 WOE压缩变量的方法,筛选连续变量采用了先聚类再选择1-R方比率值最小变量的方法。响应模型基于Logistic回归和决策树的方法,预测客户响应概率,并使用ROC曲线、K-S统计量以及LIFT图来对比分析两种方法,发现在此例中Logistic回归所建立的响应模型拟合和预测效果相对较好。与此同时,根据客户的个人信息、在银行的各个活动中的表现以及账户的交易情况,建立客户细分模型,最终共划分出四类客户群体,并对这四类进行客户画像,了解客户特点及行为偏好,发现第一类客户拥有较高学历水平、使用网上银行、经济水平好、消费偏好偏储蓄,且储蓄水平高,这类客户对外汇产品的响应率较高,可以定位为外汇产品的潜在客户。最后基于客户细分和营销响应模型的结果,给银行制定适当的营销策略,挖掘出潜在客户群体,从而达到在节约成本的基础上提高营销响应率的目的。