大數據下的零售客群數據模型設計與研究

汪云

（汕頭職業技術學院計算機系，汕頭515000）

0 引言

目前，隨著互聯網技術的不斷進步和市場的發展成熟，銀行產品和服務的差異越來越小，傳統的零售業務發展之三大驅動力：“產品拉動、價格驅動、團隊驅動”，在當前的市場環境下雖能取得短期產能提升，但對于持久繁榮卻不能形成穩定的支撐線[1]。隨著新常態下大數據時代的來臨，銀行業不僅擁有廣大的客戶群體，更具備客戶群的基本信息、交易行為、消費行為等維度特征，如何給客戶形成標簽化管理，提供數字化運營逐漸開始成為銀行零售業發展的有效手段和目的[2]。在銀行經營中，獲取新客戶付出的成本收益率遠比維系優質老客戶的成本效益率高[3]。因此，銀行存量潛力客戶的挖掘、貴賓客戶的流失提升持續成為銀行業發展中面臨的巨大挑戰。

1 客戶提升數據模型

目前，銀行零售客群數據龐大，如何挖掘和分析是一個熱點和難題[4-5]。銀行業面臨各色各樣的消費者，從性別、年齡、職業、教育程度、收入、婚姻狀況和子女狀況，以及與銀行的交易頻率、交易額、產品偏好等各個特征均不相同，因此，市場細分是成功的市場營銷戰略的基礎。目前在實踐上，銀行大多數通過金融資產、負債等靜態數據判斷客戶在銀行的價值，忽略了其交易行為、信息屬性等綜合特征[6]。對于建立科學合理的零售客戶分類體系，發現有價值客戶，尚未有成熟的方法研究。所謂潛力客戶挖掘，是指商業銀行在一定成本控制下，通過與潛力客戶之間建立并培養良好的關系來挖掘客戶潛力的關系管理，其挖掘的核心是逐步培養關系，促進客戶與客戶關系不斷升級[7]。

本文分析方法為先使用因果預測分析界定“壕”客戶，按照客戶價值細分理論[8]探索各維度優先級，不同優先級通過聚類分析組合挖掘出初潛力客戶集，結合交易次數維度篩選出黏度高的客戶群作為終潛力客戶集；再利用產品序列模型給每個潛力客戶選擇合適產品，使用技術手段推送各線索進行落地實施。方案落地實施一段時間后，可對已經提升的潛力客戶進行跟蹤分析，驗證推導其主要來源維度，再利用此維度聚類，生成新潛力客戶群，形成一個不斷迭代修正的過程。

1.1 因果預測界定壕客戶

本文首先通過對高端客戶的行為習慣進行列舉，確定維度為購買大額他行理財、私營老板代發工資、大額交易、信用卡高還款、信用卡高消費、當地優質手機號碼、高端社區，再對不同維度按照客戶價值細分理論進行優先級分類，將購買大額他行理財、私對私代發作為判斷的必然性因素，將借記卡大額交易、信用卡高還款、信用卡高消費、高代發額作為判斷的常態性因素，將當地優質手機號碼、高端社區作為參考的偶然性因素。

1.2 線性分類之潛力客戶初挖掘

本文試圖提出一種潛力客戶維度的優先級類型劃分方法，最終通過三個維度不同結合方式來統計潛力客戶，分別是：①購買大額他行理財，②私對私代發人，③先所有常態性維度并集，所有偶然性并集，再常態性并集結果與偶然性并集結果相交集。最后將①、②、③進行并集得到潛力客戶初挖掘結果集。具體方法為：

（1）購買大額他行理財維度進行統計，獲得潛力客戶結果集；

（2）私對私代發工資維度進行統計，結合年齡層集中區間進行結果集獲取；

（3）借記卡大額交易、信用卡高還款、信用卡高端消費、高代發額四個維度進行并集，再與優質手機號碼、高端小區的并集進行交集，篩選出潛力客戶結果集；

（4）綜合如上三個維度的挖掘分析結果，匯總：①大額理財，②私對私代發人，③先所有常態性維度、偶然性維度各自并集，再相互交集之后所得到的潛力客戶；即①②③中得到的潛力客戶并集去除重復項，獲得匯總的潛力客戶群。

1.3 線性分類之潛力客戶再挖掘

本文預期將得到的潛力客戶結果集合推送至前線部門進行實際提升，當結合標簽和營銷落地方案實際提升一段時間后，分析工作需及時總結提升經驗和統計營銷效果。通過實踐數據的獲取，本方法統計出提升效果較好的標簽維度，將此維度作為通過實踐驗證的潛力客戶標簽挖掘維度。接下來，分析方法將重新聚類此維度之客戶群，形成新的目標客群集合，從而達到了迭代修正此模型的效果，最終形成一個潛力客戶挖掘之閉環設計體系。

2 貴賓戶數據模型

目前國內外研究文獻中，對銀行客戶流失的研究主要集中在流失預警模型和算法的研究上，而對于結合流失模型，通過逆向思維，對已經流失客戶群進行提升的綜合研究方面尚缺乏十分有效的方法[9]。目前，中國四大銀行對高端個人客戶的細分方法比較簡單，對中高端群里的細分標準屬于靜態和粗放型，主要依據客戶金融資產和負債對客戶群進行分類，導致商業銀行對這部分客戶的市場定位并不明確及高端客戶群體金融資產穩定性較差；一年內大約45.8%的高端客戶資產等級向下遷徙或者出現很多的客戶流失行為[10]。

本文通過研究客戶的交易特性、時間特性、不同特征，提出一種定其“位”+驗其“效”+探其“好”的貴賓客戶提升挖掘方法，即結合客戶每月監測流失和每日監測流失準確判斷客戶流失時間節點；再驗其“效”，結合客戶流失特征模型，將流失客戶特征歸為從個人用款類、客戶維護、同行競爭類、服務質量類，并通過歷史數據進行歸類校驗，得到隨機情況下已流失客戶群的自然提升率；最后探其“好”，尋找歷史數據中自然提升率高客戶群的特征和偏好產品，對后期客戶提升進行實際指導，并可結合銀行實際業務需求，構建特色本地化產品需求。

2.1 定其位

（1）客戶每月監測流失

通過分析貴賓客戶提升前六個月的各種交易行為、資產變化、基本屬性等與客戶流失之間的定量關系，基于客戶已有基本信息屬性和交易屬性，預測客戶在未來三個月流失的可能性，幫助業務人員及時發現潛在流失客戶群，及時地維護和挽留，降低此客戶群的流失率。流失客戶特征可結合本銀行客戶群特性進行歸類，如同行競爭類、客戶維護類、服務質量類、個人用款類等類別，進行聚類分析，挖掘出測試客戶群的本地化流失特征，將各特征按照權值進行加分和，累計分數值，最后根據分數值高低判斷客戶的流失概覽及流失比例，分數越高，代表該客戶流失可能性越大，需重點關注；分數較低，則代表該客戶群目前較為穩定。

（2）客戶每日監測流失

為了精確地監測客戶資金動向，防止客戶流失，本文提出一種客戶每日監測流失方法，即可選取零售客戶資金轉出、產品到期、基金虧損等觸發事件作為線索導向，設置不同閾值，通過技術手段每天建立不同的線索目標客戶群。當客戶觸發了相應線索時，可及時地通過系統和通訊方式通知至各支行營銷經理，營銷經理可根據此線索機制及時地關注此客戶群。

（3）流失結合模塊

客戶每月監測流失模塊僅僅通過歷史數據預測客戶將在未來一段時間內流失的可能性，但是無法精確判斷客戶具體會在何時流失，只能預測其傾向性，而盡快、及時地恢復客戶關系對于挽留客戶而言至關重要；客戶每天監測歷史模塊通過觸發事件進行監測，無法準確判斷客戶是否會真實流失，或者只是周轉資金的需求；基于二者均存在各自預測短板，本文創新性地提出一種每月監測流失與每日監測流失結合模型，即通過每天監測流失客戶模型監測客戶群，形成目標流失客戶群，同時在此基礎之上，通過每月監測流失客戶群模型，進行聯合匹配，可規避兩者短板，準確地對客戶流失概率進行判斷，并把握住最佳挽留時間，達到客戶流失預警的最佳效果。

2.2 驗其效

本方法在客戶流失預警基礎上，逆向思維提出對已流失客戶群提升發展，首先將流失原因進行歸類，例如個人用款類、資金周轉類、同行競爭類、服務質量類等類別，將同行競爭類和服務質量類歸為客戶主動流失原因。對此類客戶群，需要在客戶出現流失征兆之前，針對客戶流失原因，采取針對性強有效性的措施進行提前干預，減少客戶流失，通過不同變量進行聚類，獲得客戶隨機情況下提升率，挖掘出提升率較高客戶群的共有特征，建立起基于銀行客戶不同流失群體特征進行客群流失維護的模式管理。

2.3 探其好

本文分析方法的最后提出一種客戶產品偏好模型，試圖通過分析不同產品類別客戶群在持有產品之前六個月的各種交易行為、資產變化以及客戶屬性等維度與用戶購買該產品之間的定量關系，從而得出目標潛力產品客戶群共有特征，從而實現基于客戶已有信息屬性和行為屬性，來預測流失用戶在未來一段時間購買產品的傾向性，為流失客戶群適配相對應的產品，把控客戶產品偏好，針對性地將相應產品推薦給目標流失原因分類客戶群，實現從流失到跟蹤到提升的完整客戶營銷閉環體系。

3 結語

本文以商業銀行的零售客群經營轉型作案例研究，針對潛力客戶挖掘和存量客戶流失兩個案例都提出了一些理論和實際探索。對于潛力客戶挖掘課題，本文提出一種因果預測分析+線性分類+迭代修正的新數據挖掘應用組合模型，掘目前在銀行較低的客戶群層級中所隱藏的有價值目標客戶群，通過科學制定服務改進措施實現客戶的精準識別和精確提升。對于存量客戶流失案例，本文提出一種定其“位”+驗其“效”+探其“好”的貴賓客戶提升挖掘模型，尋找與銀行忠誠度下降的客戶群進行一對一針對性地營銷，并根據不同客戶歷史購買產品、消費偏好制作產品適配模型及時推薦適配產品，幫助銀行決策者建立系統化的基于客群維度進行流失后管理的設計，避免客戶流失只依賴人工經驗和定性分析的問題。通過本文一系列對客戶特征的歸納總結和分析，為商業銀行各級管理人員清晰地展示了客群經營轉型的精細化目標和管理。