大数据下的零售客群数据模型设计与研究

汪云

（汕头职业技术学院计算机系，汕头515000）

0 引言

目前，随着互联网技术的不断进步和市场的发展成熟，银行产品和服务的差异越来越小，传统的零售业务发展之三大驱动力：“产品拉动、价格驱动、团队驱动”，在当前的市场环境下虽能取得短期产能提升，但对于持久繁荣却不能形成稳定的支撑线[1]。随着新常态下大数据时代的来临，银行业不仅拥有广大的客户群体，更具备客户群的基本信息、交易行为、消费行为等维度特征，如何给客户形成标签化管理，提供数字化运营逐渐开始成为银行零售业发展的有效手段和目的[2]。在银行经营中，获取新客户付出的成本收益率远比维系优质老客户的成本效益率高[3]。因此，银行存量潜力客户的挖掘、贵宾客户的流失提升持续成为银行业发展中面临的巨大挑战。

1 客户提升数据模型

目前，银行零售客群数据庞大，如何挖掘和分析是一个热点和难题[4-5]。银行业面临各色各样的消费者，从性别、年龄、职业、教育程度、收入、婚姻状况和子女状况，以及与银行的交易频率、交易额、产品偏好等各个特征均不相同，因此，市场细分是成功的市场营销战略的基础。目前在实践上，银行大多数通过金融资产、负债等静态数据判断客户在银行的价值，忽略了其交易行为、信息属性等综合特征[6]。对于建立科学合理的零售客户分类体系，发现有价值客户，尚未有成熟的方法研究。所谓潜力客户挖掘，是指商业银行在一定成本控制下，通过与潜力客户之间建立并培养良好的关系来挖掘客户潜力的关系管理，其挖掘的核心是逐步培养关系，促进客户与客户关系不断升级[7]。

本文分析方法为先使用因果预测分析界定“壕”客户，按照客户价值细分理论[8]探索各维度优先级，不同优先级通过聚类分析组合挖掘出初潜力客户集，结合交易次数维度筛选出黏度高的客户群作为终潜力客户集；再利用产品序列模型给每个潜力客户选择合适产品，使用技术手段推送各线索进行落地实施。方案落地实施一段时间后，可对已经提升的潜力客户进行跟踪分析，验证推导其主要来源维度，再利用此维度聚类，生成新潜力客户群，形成一个不断迭代修正的过程。

1.1 因果预测界定壕客户

本文首先通过对高端客户的行为习惯进行列举，确定维度为购买大额他行理财、私营老板代发工资、大额交易、信用卡高还款、信用卡高消费、当地优质手机号码、高端社区，再对不同维度按照客户价值细分理论进行优先级分类，将购买大额他行理财、私对私代发作为判断的必然性因素，将借记卡大额交易、信用卡高还款、信用卡高消费、高代发额作为判断的常态性因素，将当地优质手机号码、高端社区作为参考的偶然性因素。

1.2 线性分类之潜力客户初挖掘

本文试图提出一种潜力客户维度的优先级类型划分方法，最终通过三个维度不同结合方式来统计潜力客户，分别是：①购买大额他行理财，②私对私代发人，③先所有常态性维度并集，所有偶然性并集，再常态性并集结果与偶然性并集结果相交集。最后将①、②、③进行并集得到潜力客户初挖掘结果集。具体方法为：

（1）购买大额他行理财维度进行统计，获得潜力客户结果集；

（2）私对私代发工资维度进行统计，结合年龄层集中区间进行结果集获取；

（3）借记卡大额交易、信用卡高还款、信用卡高端消费、高代发额四个维度进行并集，再与优质手机号码、高端小区的并集进行交集，筛选出潜力客户结果集；

（4）综合如上三个维度的挖掘分析结果，汇总：①大额理财，②私对私代发人，③先所有常态性维度、偶然性维度各自并集，再相互交集之后所得到的潜力客户；即①②③中得到的潜力客户并集去除重复项，获得汇总的潜力客户群。

1.3 线性分类之潜力客户再挖掘

本文预期将得到的潜力客户结果集合推送至前线部门进行实际提升，当结合标签和营销落地方案实际提升一段时间后，分析工作需及时总结提升经验和统计营销效果。通过实践数据的获取，本方法统计出提升效果较好的标签维度，将此维度作为通过实践验证的潜力客户标签挖掘维度。接下来，分析方法将重新聚类此维度之客户群，形成新的目标客群集合，从而达到了迭代修正此模型的效果，最终形成一个潜力客户挖掘之闭环设计体系。

2 贵宾户数据模型

目前国内外研究文献中，对银行客户流失的研究主要集中在流失预警模型和算法的研究上，而对于结合流失模型，通过逆向思维，对已经流失客户群进行提升的综合研究方面尚缺乏十分有效的方法[9]。目前，中国四大银行对高端个人客户的细分方法比较简单，对中高端群里的细分标准属于静态和粗放型，主要依据客户金融资产和负债对客户群进行分类，导致商业银行对这部分客户的市场定位并不明确及高端客户群体金融资产稳定性较差；一年内大约45.8%的高端客户资产等级向下迁徙或者出现很多的客户流失行为[10]。

本文通过研究客户的交易特性、时间特性、不同特征，提出一种定其“位”+验其“效”+探其“好”的贵宾客户提升挖掘方法，即结合客户每月监测流失和每日监测流失准确判断客户流失时间节点；再验其“效”，结合客户流失特征模型，将流失客户特征归为从个人用款类、客户维护、同行竞争类、服务质量类，并通过历史数据进行归类校验，得到随机情况下已流失客户群的自然提升率；最后探其“好”，寻找历史数据中自然提升率高客户群的特征和偏好产品，对后期客户提升进行实际指导，并可结合银行实际业务需求，构建特色本地化产品需求。

2.1 定其位

（1）客户每月监测流失

通过分析贵宾客户提升前六个月的各种交易行为、资产变化、基本属性等与客户流失之间的定量关系，基于客户已有基本信息属性和交易属性，预测客户在未来三个月流失的可能性，帮助业务人员及时发现潜在流失客户群，及时地维护和挽留，降低此客户群的流失率。流失客户特征可结合本银行客户群特性进行归类，如同行竞争类、客户维护类、服务质量类、个人用款类等类别，进行聚类分析，挖掘出测试客户群的本地化流失特征，将各特征按照权值进行加分和，累计分数值，最后根据分数值高低判断客户的流失概览及流失比例，分数越高，代表该客户流失可能性越大，需重点关注；分数较低，则代表该客户群目前较为稳定。

（2）客户每日监测流失

为了精确地监测客户资金动向，防止客户流失，本文提出一种客户每日监测流失方法，即可选取零售客户资金转出、产品到期、基金亏损等触发事件作为线索导向，设置不同阈值，通过技术手段每天建立不同的线索目标客户群。当客户触发了相应线索时，可及时地通过系统和通讯方式通知至各支行营销经理，营销经理可根据此线索机制及时地关注此客户群。

（3）流失结合模块

客户每月监测流失模块仅仅通过历史数据预测客户将在未来一段时间内流失的可能性，但是无法精确判断客户具体会在何时流失，只能预测其倾向性，而尽快、及时地恢复客户关系对于挽留客户而言至关重要；客户每天监测历史模块通过触发事件进行监测，无法准确判断客户是否会真实流失，或者只是周转资金的需求；基于二者均存在各自预测短板，本文创新性地提出一种每月监测流失与每日监测流失结合模型，即通过每天监测流失客户模型监测客户群，形成目标流失客户群，同时在此基础之上，通过每月监测流失客户群模型，进行联合匹配，可规避两者短板，准确地对客户流失概率进行判断，并把握住最佳挽留时间，达到客户流失预警的最佳效果。

2.2 验其效

本方法在客户流失预警基础上，逆向思维提出对已流失客户群提升发展，首先将流失原因进行归类，例如个人用款类、资金周转类、同行竞争类、服务质量类等类别，将同行竞争类和服务质量类归为客户主动流失原因。对此类客户群，需要在客户出现流失征兆之前，针对客户流失原因，采取针对性强有效性的措施进行提前干预，减少客户流失，通过不同变量进行聚类，获得客户随机情况下提升率，挖掘出提升率较高客户群的共有特征，建立起基于银行客户不同流失群体特征进行客群流失维护的模式管理。

2.3 探其好

本文分析方法的最后提出一种客户产品偏好模型，试图通过分析不同产品类别客户群在持有产品之前六个月的各种交易行为、资产变化以及客户属性等维度与用户购买该产品之间的定量关系，从而得出目标潜力产品客户群共有特征，从而实现基于客户已有信息属性和行为属性，来预测流失用户在未来一段时间购买产品的倾向性，为流失客户群适配相对应的产品，把控客户产品偏好，针对性地将相应产品推荐给目标流失原因分类客户群，实现从流失到跟踪到提升的完整客户营销闭环体系。

3 结语

本文以商业银行的零售客群经营转型作案例研究，针对潜力客户挖掘和存量客户流失两个案例都提出了一些理论和实际探索。对于潜力客户挖掘课题，本文提出一种因果预测分析+线性分类+迭代修正的新数据挖掘应用组合模型，掘目前在银行较低的客户群层级中所隐藏的有价值目标客户群，通过科学制定服务改进措施实现客户的精准识别和精确提升。对于存量客户流失案例，本文提出一种定其“位”+验其“效”+探其“好”的贵宾客户提升挖掘模型，寻找与银行忠诚度下降的客户群进行一对一针对性地营销，并根据不同客户历史购买产品、消费偏好制作产品适配模型及时推荐适配产品，帮助银行决策者建立系统化的基于客群维度进行流失后管理的设计，避免客户流失只依赖人工经验和定性分析的问题。通过本文一系列对客户特征的归纳总结和分析，为商业银行各级管理人员清晰地展示了客群经营转型的精细化目标和管理。