FinTech时代商业银行 基于零售客户标签体系建设与数字化营销应用

  原标题:FinTech时代商业银行 基于零售客户标签体系建设与数字化营销应用

  数字化营销已经成为商业银行获取竞争优势,巩固和提升消费者满意度水平的 重要战略手段。所谓数字化营销,是指采用大数据挖掘对商业银行客户进行精准接 触、细分、营销、管理和维护。对于商业 银行而言,数字化营销的一个重要载体就 是客户标签的开发与应用。零售客户标签 本质上是搭建以客户为中心的画像体系, 即基于数据挖掘技术、关系网络分析技术、客户行为轨迹技术和文本分析技术, 对客户人口统计特征、资产、负债、交易 等属性信息的深入解析。

  基于一线营销人员访谈、文献整理和专家讨论,本文介绍了商业银行零售客户标签的定义和内涵、八大属性维度、四种 标签开发方式以及基于“5H”框架的客 户标签应用分析。基于此,商业银行一线营销人员可以精准识别潜在客户,通过财富类产品的销售,实现客户忠诚的巩固与提高,真正与客户实现共赢。

  数字化营销是商业银行大数据挖掘中经常提到的一个概念。一般来说,数字化 营销包含两个元素,即客户关系管理和大 数据挖掘。本质上,数字化营销是指商业银行“以客户为中心”,开展和实施基于 BDM的客户获取、客户保持、客户维护和 客户挽留等CRM行为,从而提升银行对客户的精细化管理水平。

  具体而言,商业银行的数字化营销 是以企业级数据仓库为基础,通过一定的 技术和方法(如统计算法、机器学习算法 等),从数据中提取出隐藏的、有价值的 信息和知识,找出数据中呈现的规律,从而能够解释已知的事实,预测未来的客户行为及业务发展模式,有效辅助营销人员开展客户关系管理和业务提升。

  对商业银行而言,数字化营销的重要目的就是实现精准化营销。第一,通过统 计和机器学习等量化技术精确实现潜在客户的识别、客户的获取、客户维系与巩固 等。例如,商业银行可以识别哪些客户对 财富类营销活动的响应率比较高,哪些客 户的资产潜力较大,哪些客户较易被提升, 哪些客户处于流失的边缘,哪些客户的信用 程度较低,哪些客户较容易发生欺诈行为 等。第二,数字化营销是个体层面的营销, 它能够监测客户的属性和特征,识别客户的个性化需求,通过提供定制化的服务,从而 有助于提升客户满意度和忠诚感,有助于商 业银行获取领先的竞争优势。

  数字化营销的根本目的就是实现营销 的精准化,而基于客户资产、负债和交易 信息建立起来的客户标签体系,则是识别 客户特征、发现潜在客户、进行客户精准 营销和管理的重要工具。因此,对于商业 银行来说,零售客户标签体系就是数字化 营销的重要载体和工具。

  我们理解“客户标签”是指商业银行 基于大数据挖掘(如统计算法、机器学习 算法、关系网络分析、LBS分析、文本分 析等)技术,通过对商业银行企业级数据 仓库以及相关外部信息源中的客户属性、 特征和信息进行加工和运算,所得到的客 户标签化信息,例如“有房一族”“有车 一族”“有娃一族”“出国消费”“高档 小区”“高端商场”等标识。

  基于零售客户标签,一线营销人员可 以发掘和识别出高价值潜力客户,勾勒客 户画像,进行存量客户提升,防止潜在客户流失,以及监测客户关系网络中的风险传染等,从而成为辅助客户经理开展客户 关系管理的重要工具。

  一线营销人员缺少客户开发的工具。 以往一线客户经理进行客户拓展和产品营销时,常常依赖于现有客户的转介,或者基于一些简单的变量进行筛选(如客户金 融资产、客户层级等)。由于一线人员获 取有效客户名单的途径有限,影响了银行 客户开拓、产品营销、业务提升的效果和效率。

  高潜客户的识别手段有限。就常规而言,商业银行通过客户金融资产或交易 结算量对存量客户进行分类管理。有关高价值潜力客户的识别手段非常有限。客户的一些属性或标签,例如是否有房、是否有车、是否住在高档小区、是否出过国、 是否是他行贵宾客户、是否有收藏工艺品 的倾向和爱好等,都能够凸现客户的资产 实力。我们常常会发现,某个客户的金融 资产层级比较低,但是通过对客户的信用 卡消费摘要分析表明,该客户经常出入高 档场所,经常出国,实际消费能力很强。 这类客户就是所谓的“高潜力-低资产” 客户,也就是说客户并没有把该银行作为 “主办行”。因此,如果我们通过对相关 消费摘要的分析,给客户打上“高潜力” 标签,这有助于一线营销人员找到精准营 销线索,实现相关优质客户在银行的金融资产提升。

  传统模型开发结果变量的离散化使用需求。如何将常规开发的诸多营销模型落地应用,对一线营销人员产生实际价值, 是一个迫切需要解决的问题。通过将模型结 果(如资产提升概率)离散化,转换为五档或七档的标签结果,这样一线营销人员就可以直接调用相关结果。例如,对于流失预警 模型,将客户流失的概率值离散化为标签, 即流失概率高、中高、中、中低、低五档, 从而提升一线标签使用的体验。

  商业银行需要构建360度客户画像。商业银行目前普遍缺少一个较为完整的、 具有较强应用价值的客户画像体系。通过整 合消费附言、客户地址、营销建模、数据仓 库基础数据等客户信息,从而勾勒出客户 360度视图的画像体系(如房车类标签、手机类标签、生活方式类标签、活跃度类标签、投资类标签等),以此提升一线人员对客户的精准服务与管理提升能力。

  在银行一线人员访谈、相关文献归纳 整理和专家经验总结的基础上,我们的理 解零售客户标签是指以零售客户的资产信息、负债信息和交易结算流水等信息为基础,根据客户的人口统计特征、重要属性变量、资产变化、动账交易、消费附言、 客户地址信息、建模预测信息等,综合运用数据挖掘分析、关系网络分析、客户行为轨迹分析、文本挖掘分析等技术方法, 搭建的以客户为中心的画像体系。客户画像体系中典型的标签包括有房一族、有车 一族、有娃一族、受薪一族、高端小区、 高档办公、高端通信、他行贵宾客户、境 外金融需求、近期高端商场客户、近期高 端健身客户、Apple Pay标识、挖掘模型流失预警分类、挖掘模型提升潜力分类和综合收入贡献等。以国内某股份制商业银行为例,该银行的零售客户开发标签, 并且基于标签的使用频率,通过“词云分 析”技术对标签使用情况进行展示,词云 中某个标签的字体越大,说明该标签在统 计期内的应用频次越高。

  按照客户属性和业务需求,建议从以下八个维度入手设计开发客户标签体系。 客户交易属性、自然属性、产品属性、资产属性、负债属性、风险属性、行为属 性和价值属性。我们按照“T-N-P-A- D-R-B-V”的顺序对客户标签属性维 度进行组织是出于考量银行对客户了解的 “由浅入深”,其基本逻辑为:面向一名 行外客户,银行有可能最先看到的是该客 户与银行内部其他客户的交易转账信息; 其次银行可以考虑针对该客户外部采集其 自然属性;之后银行可以根据客户外部采 集信息,与行内已有的客户自然属性进行比对分析,开展客户细分,并考虑将相似 客户已经使用的产品予以推介;产品包括 客户金融资产类产品(如储蓄、理财、基 金、国债、保险等),以及客户负债类产 品(如消费贷款、按揭贷款、小微贷款 等);尤其当涉及借贷业务时可能会产生 风险,银行需要识别和防范;以上相关内 容已经涉及了客户金融行为属性,此外客 户的非金融需求、相关的服务和产品也应 纳入客户行为属性观测范畴;最终,上述 全部内容都将用于银行对客户的价值进行评价、识别和应用。

  客户交易属性维度。客户交易属性所刻画的是零售客户在商业银行资金的转入、转出、代发、留存、登陆等交易情 况,包括活跃度、渠道偏好、大额消费、 大额转出、资金流出类型、资金周期性转出、资金留存比、月代发额分段、手机银行登录次数、网银交易金额等标签。

  客户自然属性维度。客户自然属性所 刻画的是零售客户的人口统计特征、社会 属性方面的要素和标识,包括性别、年龄分段、账龄分段、职业、高端小区、有车一 族、有房一族、有娃一族、手机系统、高端通信、他行贵宾客户、城市层级等标签。

  客户产品属性维度。客户产品属性 所刻画的是零售客户在商业银行的产品持 有、产品偏好、产品状态、产品消费行为 (RFM指标)、产品购买潜力、产品波 动和产品趋势相关的一些特征,包括客户产品持有数、购买稳健产品标识、购买 他行保险标识、信用卡额度、消贷客户标 识、保证金客户标识、理财近度(RFM 指标)、理财频度(RFM指标)、理财 额度(RFM指标)、保险近度(RFM 指标)、保险频度(RFM指标)、保险 额度(RFM指标)、基金近度(RFM指 标)、基金频度(RFM指标)、基金额度 (RFM指标)等标签。

  客户资产属性维度。客户资产属性所刻画的是零售客户在商业银行的金融资 产等级、资产偏好、资产变动、集中度和 变化趋势等,包括客户资产偏好、客户层 级、客户资产集中度、客户层级变动程 度、金融资产趋势、金融资产波动性、财 富人群标识等标签。

  客户负债属性维度。客户负债属性所刻画的是零售客户在商业银行的贷款和行业情况,包括贷款类型、贷款结清标识、 历史贷款笔数、行业类型等标签。

  客户风险属性维度。客户风险属性 所刻画的是零售客户的风险偏好和信用状 况,即客户信用等级,是否存在逾期、不良行为,客户还款意愿和还款能力,包括 客户风险评级、是否有过逾期标识、逾期 次数、是否有过不良标识、历史不良笔数、小微贷款申请评分等标签。

  客户行为属性维度。客户行为属性所刻画的是零售客户的购物、消费偏好、 生活方式、支付和流失等行为、状态。包 括流失预警分类、近期高端商场客户标识、近期高端健身标识、近期高端医疗标识、近期高端商务旅行标识、Apple Pay 标识、工艺收藏、历史境外金融需求等标签。

  客户价值属性维度。客户价值属性 所刻画的是零售客户的提升潜力、对于商 业银行收入和贡献等情况,包括存款贡献度、贷款贡献度、中间业务贡献度、综合 收入贡献度、积分贡献度、提升潜力分类等标签。

  现有标签的开发,一般包括四种方 式,即“数据基础类”标签、“数据加工 类”标签、“数据挖掘类”标签和“文本 挖掘类”标签。从开发的难易程度来看, “数据基础类”标签最为简单,“数据挖 掘类”标签和“文本挖掘类”标签最为复 杂,开发难度相对较高。

  “数据基础类”标签。该类标签直接来自于银行企业级数据仓库基础数据层, 通过数据仓库自助数据服务平台进行数据 提取,如客户性别、年龄分段、是否持有信用卡等。

  “数据加工类”标签。该类标签是在数据基础类标签的基础上再进行加工和 运算而得到的(也称为“数据衍生类”标 签),主要也是通过银行数据仓库自助数 据服务平台获得,例如购买稳健产品标 识、大额消费标识、境外金融需求等。

  “数据挖掘类”标签。该类标签主要通过运用和创新数据挖掘分类、聚类、关 联规则、趋势预测、组合模型等技术(具 体技术包括决策树分类、深度神经网络 分类、逻辑回归分类、K-means聚类、 Apriori购物篮分析、回归预测等统计识 别和机器学习算法),基于客户信息开展 客户细分、产品推荐、预测客户提升和流 失行为等分析工作并形成结果标签,例如 资产偏好标签、渠道偏好标签、流失预警 标签、理财型保险响应标签等。

  “文本挖掘类”标签。该类标签为非 结构性文本信息探索标签,主要针对客户 的地址和消费交易文本附言等文本信息进 行探索和归纳,过程中会使用文本分词、 新词发现、词频统计、词性识别、关键词识别、相似词识别、词义消歧、文本分类、文本聚类、半监督文本学习等文本挖 掘和自然语言处理技术,相关标签例如高 端小区标识、有房一族标识、有车一族标 识、靓号标识、他行贵宾客户标识等。

  关于零售银行客户标签的应用,我们重点围绕五种典型的商业银行客户类型, 即高潜客户、高价值财富客户、高频交易客户、高稳定睡眠客户、高流失可能性客 户,构建了“5H”应用框架,具体介绍如下。

  高潜客户。“高潜客户”应用是指 基于客户标签信息,从存量客户中识别和 判断出具有高潜力的客户,即通过客户的 房产类标签、生活方式类标签、他行信息 类标签和交易类标签,从侧面间接判断客户的潜在资产实力。例如,银行可以通过 有房一族、有车一族、高端通信、出国金 融、高端商场客户标识、高端健身标识、 高端商旅标识、工艺收藏标识、高端医疗标识、他行贵宾客户、大额转账、大额消 费、信用卡额度等标签,有效找到高潜力 价值客户线索,并指导一线业务人员“有 的放矢”地开发和释放客户业务潜力。

  高价值财富客户。“高价值财富客户”应用是指基于客户标签信息,向潜在 客户营销“财富类”产品。应用中,银行可将客户划分为两种类型,即首购客户和重购客户,分类的依据是客户是否具备相 关的财富类产品历史购买经验。

  重购客户。如果针对财富类产品的存 量客户进行营销(即历史上有过财富类产 品的购买行为,这里的财富类产品包括理财、基金、国债和保险等),通过RFM指 标(如理财近度、理财频度、理财额度标 签),可以很好地找到容易唤醒的客户群体。

  首购客户。如果针对财富类产品的首次购买客户,则需要结合潜力标签(如有 房、有车、出国消费等),找到潜力标签 命中数较多的客户,而后进行财富类产品的推介与销售。

  高频交易客户。“高频交易客户”是 指交易活跃的客户,他们一直是商业银行 关注的重点。基于一线营销需求,银行会 重点考虑“高交低存”客户,即客户在银 行的交易量很大,但是资金沉淀量较少。 通过相关客户标签的使用,来实现“高交 低存”客户的资金沉淀和资金留存,这个 问题可以从“小微金融”和“个人金融” 两个方面考虑。

  小微金融。如果客户属于经营类客户 (可通过经营类标签进行判断),那么可 以结合客户经营周期标签进行产品推荐。 当客户处于经营周期的波峰时段,客户的 资金饥渴程度较高,此时适合通过贷款产品的推介,提升客户的满意度,从而实现 客户的资产留存;如果客户处于经营的波 谷,此时客户闲置的资金较多,可以通过财富类产品的推介实现资金留存。

  个人金融。如果客户本身属于传统零 售类客户,则建议通过高潜标签的命中情况,选择性地进行财富类产品的推介。

  高稳定睡眠客户。“高稳定睡眠客 户”应用主要针对在一段观察期内处于过 于稳定(不活跃)状态的睡眠户,通过客户标签的应用,实现对睡眠客户的激活。 具体而言,对于近半年交易量、交易次数 都比较稀少的疑似睡眠户,银行可以通过 一些标签判断客户再次被激活的难易程度,例如历史最高层级(历史上可能是 优质客户)、产品持有数(存在一定的粘 性)、账龄(存在一定的粘性)、潜力标 签命中个数(高价值潜力客户)等。

  高流失可能性客户。“高流失可能性 客户”应用是指通过对客户标签的使用, 对那些被预测为具有高可能性发生未来流 失行为的客户,实现流失率的有效降低。 对于银行零售业务而言,客户流失通常被 定义为客户金融资产(主要包含储蓄、理 财、基金、国债、保险五项)的季日均较 上一季度明显下降。采用“挖掘模型流失 预警分类”标签,银行能够提前识别出下 一季度可能发生流失的客户名单,并可进 一步通过高价值财富客户标签以及高潜客 户标签形成客户挽留策略。例如,银行可 以判断客户是否对某些财富类产品具有高 响应力,并同时识别客户是否为他行贵宾 客户,由此筛选出那些可能在下一季度挪动 资金购买他行财富类产品的客户,并定向为他们推介行内更具吸引力的相关产品,以达到客户金融资产留存的目的;同时,银行也 可以识别出那些在未来有消费需求的客户, 与其让他们将储蓄用作消费,不如为他们提 供价格合理的消费类金融产品,为客户和银 行共同实现更大的收益。

  在商业银行日常经营管理中,一线营销人员缺少识别高价值潜力客户的工具和 手段,同时有关客户画像的认知和了解也处于初级阶段。因此,银行需要通过客户的人口统计特征、资产变化、动账交易、 消费附言、客户地址信息、建模预测信息 等,构建客户标签维度和体系。本文介绍了银行零售客户标签体系的八大属性维 度(T-N-P-A-D-R-B-V),即交易属性、自然属性、产品属性、资产属性、 负债属性、风险属性、行为属性和价值属 性。此外,本文还介绍了标签开发的四种 经典方式,即“数据基础类”标签、“数 据加工类”标签、“数据挖掘类”标签、 “文本挖掘类”标签。最后,本文提出了 “5H”应用框架,介绍和演绎了标签应 用的五个方向和案例,即“高潜客户”应 用、“高价值财富客户”应用、“高频交易客户”应用、“高稳定睡眠客户”应用 以及“高流失可能性客户”应用。希望本文内容以期为FinTech时代商业银行大数 据战略布局及开展基于客户标签体系建设的数字化营销应用提供有益的借鉴。

      和记娱乐,和记娱乐官网

 网站地图