商業銀行高成本定期存款客戶營銷轉化分析

石慧軒，侯星亦，張建輝，袁慎

（中國郵政儲蓄銀行審計局西安分局，陜西 西安 710000）

一、背景

近20年，我國經濟高速發展，已經成為全球第二大經濟體，目前經濟的發展速度從高速回落至中高速。截至2021年6月末，央行公布的1年期LPR（貸款市場報價利率）為3.85%，5年期以上LPR為4.65%，已連續14期保持不變，這也決定了我國銀行業會長期維持在低利率環境中［1］。與此同時，受銀行業存款結構影響，高付息成本促使銀行利差進一步收窄［2］。

以2020年國有六大行披露的年報為例，從存款結構的定活比指標來看，農業銀行、交通銀行為5∶5、工商銀行、建設銀行、中國銀行為6∶4，郵儲銀行為7∶3；從平均付息率來看，六大行個人存款平均付息率為1.81%。因此，商業銀行應優化存款結構，進一步壓降付息成本，以適應我國經濟的高質量發展。本文高成本定期存款是指3年期及以上期限個人定期存款，將依托某商業銀行數據，運用數據挖掘算法對高成本客戶進行預測，打造智能化營銷場景，進一步提升商業銀行競爭力。

二、業務目標

為優化存款結構、合理引流客戶、規劃接續產品，更好地指導基層銀行以智能化、精細化、數字化方式維系客戶。本文以“高成本定期存款客戶營銷轉化”為主題，利用某銀行各業務系統數據，對存量客戶進行特征指標分析，針對高成本定期客戶采取重點維系的營銷模式，為其提供智能化服務。通過數據挖掘算法，以“服務+”的模式為客戶提供全方位精細化的產品配置，實現高成本存款有保有壓，打造專屬“私人銀行”服務，進一步優化存款結構，實現壓成本、優結構的營銷業務目標。

三、建模思路與創新

模型數據源于某商業銀行各業務數據平臺，隨機抽樣10萬高成本定期存款客戶數據，主要從客戶基本屬性、客戶標識、客戶資產、RFM及客戶動賬最值等多個維度，利用100+指標進行特征搜集與寬表搭建［3］。選取2020年12月為建模窗口的觀察時點，對2020年1月至2020年12月之間的定期客戶進行研究，觀測客戶在未來三個月是否購買理財產品。若購買理財，則達到營銷轉化要求，賦值為1；否則未達到要求，賦值為0。針對客戶在未來三個月內“是否達到要求”作為被解釋變量，建立高成本定期存款客戶營銷轉化邏輯回歸模型。本文立足某銀行目前3年及以上定期存款成本高、付息率高的情況，建立Logistic回歸預測模型，該模型形式簡單、可解釋性強、系數含義易理解，能夠實現高成本定期客戶智能化、精準化的營銷轉化。

四、客戶數據實證

（一）數據預處理

一是對缺失值和異常值的數據清洗。對于定期客戶數據的缺失值可采用刪除和插補的方法進行預處理；對于定期客戶數據的異常值，依據銀行業務指標釋義，將異常值進行刪除、修正或不處理。二是指標衍生和指標轉化。因原始客戶流水的數據復雜，需要對定期客戶指標進行加工、衍生與轉化，如對客戶標識數據進行獨熱編碼、對客戶流水數據進行分組賦值、對客戶資產信息進行對數轉換等等。通過數據預處理最終確定95個指標進行本次建模。

（二）模型結果

剔除無效客戶數據后，高成本客戶合計96924人，在未來三個月內營銷轉化（購買理財）的客戶有10824人，占比11.17%。利用SAS軟件進行Logistic回歸建模，指標系數絕對值越大，說明該指標在高成本存款客戶營銷轉化過程中越重要，正值表示正向影響，負值表示反向影響。

其中P值為未來三個月客戶購買理財的概率。對客戶購買理財產生影響的模型指標共20個，分別為X1：近3月手機銀行交易次數；X2：性別；X3：是否為 VIP 客戶；X4：持有信用卡標志；X5：近3月手機銀行交易筆數；X6：近6月購買理財最高評級；X7：近6月購買理財期限；X8：代發工資客戶；X9：客戶評級；X10：活期存款標志；X11：當月 AUM 月日均；X12：近3月柜面交易金額；X13：當月其他交易金額；X14：近3月客戶跨行非同名轉出金額；X15：活期存款月均金額；X16：年齡；X17：戶齡；X18：年齡；X19：受教育程度；X20：賬齡。

（三）模型評估

模型評估-ROC曲線與Lift曲線圖

隨機劃分銀行定期客戶數據，其中80%的客戶數據作為訓練集，建立模型，其余20%的定期客戶數據作為測試集，其模型評估如上圖所示。

圖（a）為ROC曲線，模型AUC值為0.975，表示隨機抽取一個購買理財的客戶和一個未購買理財的客戶，通過模型預測，對購買理財的客戶預測正確的概率為p1，對未購買理財的客戶預測正確的概率為p0，則p1＞p0的概率分別為0.975，模型具有較強的預測效果。圖（b）為Lift曲線，Lift值為6.59，表示使用模型時，概率較高的前10%的客戶中包含購買理財的客戶占比為73.61%，不使用模型時購買理財的客戶占比11.17%，前者是后者的6.59倍。相當于10萬的客戶，選取前10%的客戶進行營銷，實際能夠成功營銷轉化的客戶為7361人（即10萬×10%×73.61%），模型具有較高的提升能力。

五、結語

通過建立Logistic模型得到客戶名單及營銷轉化概率，實現模型在銀行客戶系統中的應用，依據概率由高到低進行排序，并按月實時推送客戶名單。同時，基于客戶基本信息與理財經理業務能力判斷，定制個性化營銷服務，對每個客戶進行差異化產品推薦，建立精準營銷及適度引流方案，實現定期客戶存款的有保有壓策略。

第一，推薦接續產品配置方案。對定期客戶營銷轉化概率排名前10%的客戶，可優先推廣銀行理財新產品，由理財經理電話或上門營銷，或邀約線下活動提升客戶體驗。

第二，理財經理私人化服務。將定期客戶營銷轉化概率排名在10%～30%的定期客戶推送至理財經理，進行私人化服務，有針對性地定制專屬產品配置包，滿足客戶風險與收益的偏好，達到精準營銷的目的。

第三，日常客戶維系與產品營銷。對定期客戶營銷轉化概率在30%以下的客戶，按照AUM值進一步細分客群，以“穩規模”為營銷重心，重點維系低轉化、高價值客群。