一、项目背景及目标

近年来，在零售转型过程中，基础客群的经营是各家银行重点挖掘宝藏。同时互联网巨头通过支付等高频金融场景及其他非金融类场景带来的巨大流量优势也在抢占银行的市场。围绕基础客户经营，银行需要面临来自同业的竞争和异业的蚕食。我行有大量的优质代发客户、社保、医保等客群，但多数客户在我行资产留存较少，目前亟需盘活低效客户，为行里各种产品精准营销匹配不同客群。零售客户潜力提升项目利用行内数据结合外部三方数据，对客户进行联合建模分析，找出潜力客户目标群体，分析客群特征和喜好，并适配不同产品进行针对性推荐，支持帮助运营部门进行精准营销。

我行大数据分析平台上线以来完成了多个应用场景的落地，分析设计并构建相应大数据分析模型，通过对内部业务数据进行挖掘与分析，生产相应预测名单，供下游大零售营销平台、CRM等系统营销使用，经过实践检验，数据分析结果具备一定预测效果。客户潜力提升项目针对我行资产月日均大于1千元的客户，用机器学习算法XGBoost预测这些客户中未来一个月资产提升5万元以上的概率，将预测概率高的客户名单发放到大零售系统供客户经理营销使用。同时，借鉴行业领先的经验，数据分析结果结合成熟系统、产品、运营的全流程综合平台解决方案进行持续运营完善，并不断提高金融服务效率。

二、创新点

将大数据技术与机器学习算法应用于一线，减轻分支机构的营销压力，对零售客户提供更精准的营销标签，提高业务转化率，更高效地促成业务规模的发展扩大。

三、技术实现特点

1.大数据系统架构

2.数据基础

在大数据平台（Hadoop)进行数据整合与加工，基于底层数据按月加工成包括客户基本信息、产品信息、资产类信息、交易类信息以及建模标签，总计300余变量。其中标签设计逻辑为：基础客户中表现期（当前月未来1个月）的资产日均-观察期（当前月的之前3个月）资产日均 >  5万元的客户定义为价值提升客户，标签值为1，否则标签为0。

3.模型开发

在大数据分析平台（APS）进行数据建模，过程如下：

（1）根据业务场景删除无用变量。

（2）对每个变量都计算其缺失值比例，然后按照变量类型（数值型、类别型）分别制定删除和填充策略。

（3）删除重复率高的变量。

（4）特征衍生，选取部分资产及交易类特征，用近三个月数据分别做【当月数-前月数】处理，来刻画客户近三个月金额变化情况。

（5）通过递归特征消除（RFE）来选择重要特征，采用的是随机森林分类器，阈值设定0.6，剩余85个字段。

（6）划分训练集和验证集，用上采样方法做样本均衡处理，使用RandomForest、GradientBoosting、XGBoost、LightGBM模型进行训练，选择AUC值高的XGBoost模型。从模型效果来看，验证集、测试集取概率0.9以上时，名单预测的准确率在0.8以上，召回率在0.55以上，说明模型具备较好的预测能力。

4.模型应用

将模型预测提升概率较高的客群下发至大零售营销平台中建立专项商机活动，通过客户触达比对模型预测效果，实现循环感知和模型迭代优化。

四、项目过程管理

1.需求分析阶段

此阶段时间段为2021年5月至2021年6月，其间主要对接业务部门明确业务需求，确定标签加工逻辑。

2.基础数据加工阶段

此阶段起始时间为2021年6月至2021年7月，其间主要梳理基础表，在大数据平台进行数据整合与加工，形成建模宽表。

3.模型开发阶段

此阶段起始时间为2021年7月至2021年9月，其间完成了客户潜力提升项目的数据探索与建模。

4.试运行阶段

此阶段起始时间为2021年9月至2021年11月，其间先选择青岛分行、总行营业部作为试点，评价模型应用效果。

五、运营情况

依托APS大数据分析平台，每月从大数据平台中取数跑批，将生成的预测名单下发到大零售系统供各分支机构客户经理精准营销使用。

六、项目成效

1.名单预测较准确，82.9%的客户日均资产能够提升五万元以上。

2.选取营销人数较多的青岛分行和总行营业部分析：已营销客群资产提升概率比未营销明显提高10%到20%。

3.除威海分行外，各机构已营销群体人均AUM增幅高于未营销群体增幅，其中总行营业部已营销群体人均资产增幅较未营销多4.7万元。

七、经验总结

精准营销的前提条件是了解你的客户（know your customer ，KYC)，为此需要在多维度上进行深入分析，从标签的角度，分析不同标签样本在多个变量/维度的分布情况。同时，需要对客群经营背景及客户总体经营情况进行分析，制定不同的营销方案。