客户智能（CI）和商业银行数据挖掘

 

一、银行中数据挖掘包含哪些类型？

 

客户智能（CI）是商业银行数据挖掘常常会提到的一个概念。

 

一般来说，商业银行里面的数据挖掘主要包括三大类。即客户智能（CI，CustomerIntelligence）、风险智能（RI，RiskIntelligence）、运营智能（OI，OperationalIntelligence）。三者各自分工和定位并不太相同。

 

（一）客户智能

 

客户智能更多定位于前台的客户关系管理。例如，客户画像、客户细分、客户提升、客户流失、客户响应、客户推荐、客户关系网络等。

 

（二）运营智能

 

运营智能比较侧重后台管理。例如，业务流程优化、IT效率提升、最优的线性规划、运营过程中异常识别和监控、战略和绩效管理、现金管理和优化、人力资源管理建模等。

 

（三）风险智能

 

银行本身就是经营风险的，因此风险智能一直都是最为核心和关键的。常见的风险智能模型主要是ABC评分卡（例如信用评分、行为评分、催收评分模型）、反欺诈模型、操作风险、市场风险等。

 

因为工作的关系，平时接触较多的都是客户相关的分析和建模。这篇文章，想大概地勾勒一下客户智能的范围、框架和研究内容。

 

二、客户智能的本质是什么？

 

什么是“客户智能”？一般来说，客户智能包含两个元素，即顾客关系管理（CRM）、数据挖掘（DM）。

 

本质上，客户智能，就是以客户为中心，基于数据挖掘技术的客户关系管理。换言之，就是把数据挖掘技术应用到传统的客户关系管理领域，借助于统计和机器学习的技术，对客户进行精细化管理。

 

三、客户智能包括哪些模块和内容？

 

依经验，一般来说，客户智能可以包括以下模块。例如客户画像、客户细分、客户提升、客户流失、客户响应、推荐引擎、客户价值、客户生命周期、客户关系网络、客户行为轨迹、客户情绪、事件营销等。

 

 

（一）客户画像

 

很多对数据挖掘接触比较少的人一提到“客户画像”这个名词，就特别容易激动和兴奋。

 

但是，说的朴实些，客户画像就是一个有关客户各种属性、特征、标签的大宽表而已，多则上千个字段，是搭建任何分析模型的基础。还是需要保持冷静，保持冷静。

 

一般来说，客户画像可能会包含这样一些字段。例如，人口统计特征、资产相关特征（不同类型金融资产的余额、资产偏好、持有量、持有时间等）、负债相关特征（贷款类型、频次、时长、担保等）、结算相关特征（不同交易渠道的流水量、频次、占比、偏好等）、社交特征（人脉图谱、关系网络等）、行为轨迹特征（基于地理位置识别客户的生活圈、工作圈、消费圈、活动圈）等。

 

 

（二）客户细分

 

客户细分属于一种探索性建模。通过聚类算法，基于业务关心的特征和变量，把所有客户进行划分。例如，渠道偏好型客户、资产偏好型客户、社交型客户、高价值型客户、活跃创新型客户、稳定成长型客户等。

 

进一步地，基于客户细分，一方面勾勒不同群体的特征，另一方面，指定针对不同群体的开发特定的营销策略和产品包。

 

（三）客户提升

 

提升模型主要针对存量客户。例如，提升现有客户的金融资产、产品交叉持有数等。通过模型寻找到提升概率最大的存量客户。

 

（四）客户流失

 

既有存量客户的降级或资产流失等。例如无贷户金融资产等级的下降，有贷户贷款到期后的休眠。通过模型预测客户流失的概率，从而提前进行干预。

 

（五）客户响应

 

通过模型计算客户对特定产品的响应情况。例如客户是否会对理财产品感兴趣，是否会产生购买意向。

 

（六）客户产品推荐引擎

 

NBO，NextBestOffer，即应该给客户推荐的下一个产品是什么。如果随机给客户推荐三款产品，应该推荐哪三款？

 

典型的推荐算法包括三类，即社会化推荐（socialrecommendation）、基于内容的推荐（content-basedfiltering）、基于协同过滤的推荐（collaborativefiltering）。以推荐电影为例。

 

具体而言，社会化推荐，即找几个经常看电影的朋友，问他们有没有什么电影推荐。即让好友给自己推荐产品。

 

基于内容的推荐。通过分析用户曾经看过的电影，找出用户喜欢的演员和导演，让后推荐这些演员和导演的其他电影。

 

基于协同过滤的推荐。搭建产品相似性矩阵、用户相似性矩阵，基于相似性进行产品的推荐。

 

（七）客户价值和分层

 

以业务需求为出发点，建立基于一定逻辑的、全面综合的客户价值衡量指标体系。可能会包括以下一些维度，例如经济价值、成长价值、潜力价值、风险价值、忠诚价值、网络价值、活跃价值、创新价值、稳定价值等。

 

（八）客户关系网络

 

构建客户的关系网络圈。例如，客户交易圈（资金往来关系）、担保圈（交叉担保关系）、股东圈（小微工商信息）、商圈、同事圈、供应链圈、家族圈等。

 

基于关系网络，一方面识别核心关键客户，基于核心客户进行产品的扩散。另一方面，判断客户风险，防范风险在圈子内扩散。此外，还可以基于圈子识别潜在营销机会，向圈子向客户进行产品推荐、以及基于圈子进行客户管理。

 

 

（九）客户行为轨迹

 

基于地址信息，例如POS刷卡地址、ATM取款地址、支行交互地址、手机银行移动地址，刻画和勾勒客户的行为轨迹。

 

基于客户行为轨迹，可以了解客户的生活圈、工作圈、消费圈、社交圈等信息。在此基础上，一方面，建立客户的标签体系（兴趣、消费容量、品牌偏好等）。另外一方面，识别潜在高价值客户。

 

 

（十）客户情绪和文本分析

 

客户的情绪更多的来自文本分析和自然语言处理技术，通过分析词性，来判断客户的情感偏向。

 

很多创业型公司都是通过爬虫抓取互联网数据，进行分析和挖掘。例如，通过爬取微博文本，判断用户对金融产品的需求。例如，通过抓取全国法院的判决文书，判断企业是否涉诉、是否存在法律风险、涉案金额多寡，是否属于黑名单等。例如，通过抓取即时通讯的聊天记录，判断客户是否是“羊毛党”。例如，通过客户的投诉文本记录，判断客户满意度的影响要素等。

 

（十一）客户事件营销

 

事件营销，更像是一个规则触发引擎，需要建立一个规则库。一旦用户的某个行为触发了某个规则，银行系统就会发出标准的动作，进行客户的提示和挽回。

 

常见的一些触发规则，例如，客户的理财产品到期、客户账户存在大额资产变动、客户异地刷卡、客户异常时间段刷卡等。

 

——来源：比格堆塔作者：周学春