您的位置：首页 >财经头条 > 财经头条

银行精准营销客群分析「银行优化客户体验」

2024-03-07 08:56:33 来源：搜狐

简介:来源：BanTech智库作者:中国银行软件中心合肥分中心姚尧中国银行软件中心合肥分中心姚尧近年来，随着数字革命的兴起和产业变革的加快，商业银行的数字化转型刻

来源：BanTech智库

作者:中国银行软件中心合肥分中心姚尧

中国银行软件中心合肥分中心姚尧

近年来，随着数字革命的兴起和产业变革的加快，商业银行的数字化转型刻不容缓。依托于金融领域多年耕耘沉淀的海量数据资产，中国银行致力于推动利用先进技术赋能传统业务，融会贯通大数据技术及人工智能建模技术，挖掘出业务数据蕴含的客户行为特点，从而合理配置营销资源，打破传统“广撒网”营销模式造成的资源浪费、效果不佳等局面。本文通过介绍手机银行沉默客户精准促活模型的建立、优化、应用及再优化的闭环，阐述了适配分行特色的金融模型建立及快速落地应用实践。

一、盘活数据资产、激活潜在客户迫在眉睫

1.把握数字经济的关键节点

近年来，新一代信息技术，包括大数据、区块链、高性能计算等发展日新月异，各界进入数据量级迅速提高的“大数据时代”，数据逐渐也成为生产要素中不可或缺的组成部分。作为社会生产力的新生力量，与计算机的算力、算法组合之后，在生产生活中举足轻重，特别是在传统的金融服务行业，数字资产蕴含丰富信息，涵盖客户资产数据、消费偏好、行为特点等方面。中国银行在数字经济飞速发展的时代背景下，大力推动高新技术的应用及推广，利用人工智能技术盘活数据资产，在不同场景下实现数字营销、精准获客、差异化定价、智慧风控、智能反欺诈等，在数字经济的浪潮中掌握技术创新主动权。

2.聚焦业务增长痛点

面对日趋激烈的行业内部竞争及互联网金融带来的冲击，商业银行为保有市场份额及盈利水平，亟需深挖现有客户价值，乃至拓宽客户渠道，发现潜在客户群。在此背景下，传统的粗放营销模式往往效果不佳，原因是难以匹配客户的真实需求，或未针对性解决客户的难点痛点问题；盲目营销不仅未达到留客获客的目标，还造成营销资源的浪费。

仅凭单一条线发力不足以破局：在业务侧，由于缺乏相关数据及理论支撑，一线营销人员在营销策略的制定及营销人群选择上往往依靠经验，无法及时识别市场最新动向对客户选择带来的影响，造成营销效果不尽人意；而在科技侧，技术人员缺乏相关业务知识，难以建立与业务场景匹配的模型。因此，企业应着力打通科技与业务之间的壁垒，建立不同场景下的精准营销模型，使个性化营销资源精准触达目标客户。

二、立足手机银行，科技赋能业务

手机银行作为交易的重要渠道，积累了大量客户画像数据资源，涵盖基本资料、金融投资、消费明细、贷款信息及收入情况等多维度、高可信的数据信息。基于手机银行沉淀的宝贵数字资产，刻画全面精准客户画像，从而通过模型在客户与产品之间建立起对应关系，助力业务人员制定营销方案、分配营销资源。

1.模型背景

目前，业内普遍存在以下痛点：手机银行客群虽体量庞大，但大部分客户长期处于不活跃状态，无交易往来或消费行为，创造利润能力较低。该部分客群在营销促活中转化率低，用户沉淀的数据信息较少，进行大范围营销促活不仅消耗大量营销资源，且难以取得理想的促活效果。对该部分客群进行深入研究，通过数据建模，挖掘潜在易触达客户进行精准促活，将有效提升促活转化率，唤醒沉默客户，防止客户流失。

2.模型理论

为解决这一行业沉疴，通过对模型背景的深入分析，技术人员将寻找潜在易触达客户的问题化归为人工智能背景下的推荐系统问题，根据客户资产情况、行为模式等画像信息，推荐其感兴趣的产品及服务。个性化推荐模式在互联网行业应用广泛，变革传统知识获取方式，由过去客户基于明确的目标主动寻求信息转变为算法主动向客户曝光产品，主动权的转移、曝光度的增加有利于充分发掘客户认知度较低的产品的盈利潜能。

根据理论基础不同，推荐系统可划分为基于内容的推荐、协同过滤推荐及混合推荐，具体理论如下：

（1）基于内容的推荐

利用产品的内在或固有属性进行推荐，例如理财产品类型、风险大小、收益率等指标，不需构建UI矩阵，而是采用机器学习的方法从属性相关的特征描述事例中发掘客户兴趣点。算法首先通过效用函数计算特定客户 c 对于某产品 s 的评分：

之后，训练与产品的内容属性维度相同的客户属性：

该公式通过梯度下降法使得误差平方和最小化，其中θ (j)为待训练客户维度特征，x (i)为产品内容维度特征，训练目标在客户已购买的产品上，观测数据与预测数据间的误差平方和最小。

（2）基于协同过滤的推荐

该算法的基本原理是，根据所有客户对产品的偏好，筛选出与目标客户群体偏好类似的群体，进而基于相似群体的历史偏好信息对目标群体做出推荐。协同过滤可进一步划分为基于客户的最近邻推荐（User-based Nearest Neighbor Recommendation）和基于物品的最近邻推荐（Item-based Nearest Neighbor Recommendation），本模型使用基于客户的最近邻推荐算法。

（3）基于混合的推荐

机器学习中的集成学习（Ensemble Learning）是整合多个分类或回归算法以获得更好的学习效果，原理是不同算法的组合有助于降低系统误差或方差，提高整个模型的准确性。混合推荐借鉴了以上思路，利用两种或两种以上推荐算法的组合克服单个算法缺陷，提升推荐效果。常见实现方案包括特征组合混合、特征增强混合、加权混合等。

技术人员采用RFM模型构建用户画像，嵌套于基于协同过滤的推荐系统中。在客户关系管理的分析模式中，RFM模型最为常用，原因是其准确刻画客户价值、反映客户创利能力。模型中3个指标分别为：最近一次消费（Recency）、消费频率（Frequency）、消费金额（Monetary）。RFM模型通过客户行为，较为动态地显示了客户的轮廓，为个性化的营销活动及维系客户提供依据。

为从手机银行沉默客群中识别出潜在活跃客户，针对性推送营销活动，采用相似度计算的方法定量描述不同类别之间客户的相似度。常用的相似度计算方法包括欧几里得距离、曼哈顿距离、Jaccard系数和余弦相似度等，计算公式如下：

⚫ 欧几里得距离（Euclidean Distance）:

欧式距离是欧式空间中两点间直线距离，在相似度计算中常用于计算群体之间的距离。

⚫Jaccard系数（Jaccard similarity coefficient）:

当数据集为二元变量，对象只有两种状态：0或者1，我们用Jaccard系数计算两个数据集都是二元变量的相似度。

⚫ 余弦相似度（Cosine similarity）：

通过计算两个向量的夹角余弦值来度量它们之间的相似性。给出的相似性范围从-1～1：-1意味着两个向量指向的方向正好截然相反，1表示它们的指向是完全相同的，0通常表示它们之间是独立的，而在这之间的值则表示中间的相似性或相异性。

考虑到RFM模型包含的特征均为连续型数值变量，且非文本数据，不需考虑向量的方向问题，使用欧氏距离计算客户之间的相似度。对每位沉默客户，分别计算其与活跃客群的欧氏距离，距离越小代表相似度越高。

3.数据获取

基于手机银行客户数据，本模型中沉默客户定义为：连续n月手机银行未动账的客户；活跃客户定义为：连续n-1个月手机银行未动账，第n个月动账的客户。明确模型研究对象后，选取时间跨度为n个月所有渠道有交易的客户作为训练数据。特征方面，选取客户手机银行交易数据及所有渠道交易数据标识其行为特点。

4.数据分析

根据模型定义区分出沉默客户及活跃客户后，针对获取到的数据进行探索性分析，以验证不同客户群体之间行为特征差异明显。概率密度图反映了样本在某个确定的取值点附近的可能性，通过绘制所有渠道交易金额及交易笔数概率密度图，技术人员发现沉默客户的概率密度图更加陡峭，且极值点与活跃客户相比向左偏移，说明该群体交易金额分布更为集中且多为小额交易，这一点与常识相符：活跃客户使用手机银行更为频繁，累计产生交易金额更高。基于两个群体交易金额、交易笔数的显著差异，可以基于此进行特征工程以进一步增强可分性。

频数分布直方图则反映了样本在某一区间内的比例，与概率密度图相比，较为直观地反映了交易金额、交易笔数的相对大小。绘制所有渠道交易金额及交易笔数频数分布直方图后，技术人员观测到大多数沉默客户月交易金额与活跃客户相比低一个量级；此外，沉默客户的所有渠道月交易笔数略高于活跃客户，各区间占比情况与月交易总金额占比类似，以上结果说明可以通过短信息营销、电话营销和弹框营销等方式，使得沉默客户的部分交易转移至手机银行进行。

三、技术落地，数据驱动业务决策

1.特征工程

以2021年某月作为基准日期，基于客户基准日期前n个月的交易信息及一定计算规则，构建RFM模型中的对应指标；对于沉默客群，重复相同计算过程，得到该群体RFM特征。

2.相似度计算

得到沉默客群及活跃客群的特征后，计算沉默客群中每位客户与活跃客户的相似度，沉默客户与活跃客户的相似度越高，越有可能被营销活动激活。

分析各指标特点可以看出，沉默客户与活跃客户的RFM特征数值跨度较大，为保证各维度指标在相同的刻度级别，需对各个特征分别进行标准化处理，否则计算相似度将失效。对于标准化之后的特征，取活跃客群的特征均值作为该群体特征。最后，使用欧氏距离计算沉默客户与活跃客户的相似度，根据业务人员需要取相似度由高至低的一定数量客户作为下月营销对象，推送营销活动信息。

四、模型快速复用，迭代优化实施

手机银行沉默客群精准促活模型建立后，先后在2家分行进行实施及后评价工作，营销结束后，技术人员及业务人员都对模型总结回顾，形成可分享、可复用的模型资产，在全辖内推广应用。

1.总结实施经验，提出改进方案

模型建立后，A分行业务人员即针对筛选出的客户名单推送手机话费充值活动短信，其中相当一部分的手机银行沉默客户产生动账，转化为活跃客户。对比不加筛选的对全量客户推送活动信息，该模型转化率较高，模型具有识别潜在活跃客户的能力，体现人工智能技术在传统行业具有价值发现、降本增效的强大效用。

2.灵活适配，快速落地

A分行实施模型两个月后，B分行提出手机银行客户营销需求，立足于前期建模积累经验，针对B分行业务特色及需求做出相应适配，仅用两周时间就实现了模型复用及迭代实施。在针对模型筛选出的未开通手机银行的客户精准推送营销促活信息后，促活率接近自然成活率的5倍，成果亮眼。

模型复用极大提高业务难题响应效率，技术人员无需花费大量时间精力进行前期数据准备、探索及模型调试工作，只需根据分行特色及业务需求调整模型细节，由模型后评价中发现问题，调整后投入新一轮实施，形成模型建立—实施—改进的技术应用正向闭环。中国银行在模型复用及迭代实施方面的探索，加快人工智能资产赋能全行业务，真正解决一线业务人员的难点、痛点问题，为传统粗放营销模式的转型升级、新业态新模式的产生释放动能。

五、应用场景及后续展望

人工智能技术发展日新月异，跨越计算机科学、认知科学、数学、信息论等多学科，可被运用于金融行业诸多领域，从前台智能客服，到中台智能投顾及精准营销，延伸至后台风险防控及监控。依托前期技术落地经验，在监管制度、管理体系、架构设计等方面合理布局、长远规划，才能实现全面的技术及架构转型，进而抢占未来发展制高点。

伴随着人工智能技术发展的东风和商业银行数字化转型的后浪，商业银行智能化的能力将大大提高。一方面，对海量企业客户数据的挖掘，将极大提高企业对客户服务、产品质量真实而全面情况的掌握，同时提高对客户需求和行为的预测性，从而为客户提供更好的服务；另一方面，数字化资产的持续积累，如模型资产、建模经验、实施经验等，将帮助企业推进数字技术向业务端延伸，改进服务传递的方式和流程，提升客户触达效果及营销促活转化率，降低企业经营成本，助力企业实现降本增效。最后，把握数字经济发展的关键节点，掌握技术创新主动权，深耕数字化资产的迭代与积累，是新时代背景下企业持续发展的不竭动力。

-END-

这是科技创新最好的时代，这是属于我们每个人最好的时代，关注“BanTech智库”，专注银行科技发展，探索无界金融生态！

关注“亚太FinSearch”，聚焦区域宏观经济金融研究，跟踪区域金融科技动态。

很赞哦！