一、项目背景及目标

当前，各家中小银行虽已全面布局数字化战略，但仍面临着数字化应用深度不足、客户数据挖掘不充分等问题，如何实现精准客户定位和高效营销转化，解决客户需求多样化与营销资源有限之间的矛盾，成为提升竞争力的关键挑战。

本案例聚焦宁夏银行信用卡分期客户群体，基于客户分期数据，按照‘全面收集客户数据——客户营销模型构建——营销模型效果评估——寻找客群主要区分特征——客群分类分级——规划客户营销计划——提供结果反馈’的线上化部署全流程数智化管理运营思路，构建客户分层分级模型，并根据其消费习惯和偏好，基于不同场景客户特征，以大数据技术和机器学习模型为手段，挖掘客户的内在关联和需求，制定个性化营销策略，精准推送产品和服务，由此形成运营闭环链路，提升数字化营销能力（图1）。

图1：客群闭环营销运用思路

二、创新点

本案例主要聚焦以下重点:一是形成基于场景的精准营销能力，通过机器学习模型精准定位客户分期需求，围绕客群细分和响应概率，完善银行精准营销标签，实现渠道、产品和权益的融合，拓展精准分期服务的边界，提升客户金融获得感；二是准确的客群定义与价值转化，弥补现有营销体系下客户分层体系、长远的客户营销体系构建缺失等缺点，提升客户对银行的综合回报和价值贡献。创新点包括以下内容：

1、使用XGBoost机器学习算法，建立分期精准营销模型，并通过特征重要性对建模结果进行解释分析并挖掘发现隐藏在数据中的客户行为规律，识别各特征在客户分期营销中的重要性并排序，并使用营销模型赋能信用卡分期营销。

2、基于分期精准营销模型，按照客户分期成熟度，将客服分为四个群体：成熟客户、分期厌恶型客户、中间客户、新生客户，并采用SRFM模型进一步划分中间客户，实现对客群特征分析，从而根据具体的客群特征制定准确的营销策略，提供更适合客户需求的金融服务。

三、项目技术方案

1.信用卡分期概率预测模型

本案例首先针对信用卡分期的全量客群，建立机器学习并对每一个客户的分期概率进行预测，并对不同概率层级的客群进行特征分析。取某月全部符合分期办理条件的客户，将办理账单分期的客户作为正样本，未办理账单分期客户作为负样本。收集客户的常规特征、消费特征和卡片特征三大类、100余个特征项作为模型的特征输入，使用XGBoost作为信用卡客户分期精准预测的模型。使用当月数据为训练数据集，次月数据为验证数据集，分别以精确度、Roc_Auc为训练目标得到模型A与模型B，采用机器学习中典型的评价指标进行模型评价，主要包括混淆矩阵、准确率、精确率、ROC及AUC衡量模型性能，其在测试数据集和验证数据集上的表现如表1所示。

表1：模型A与B的评价指标对比

该模型虽然就能够有效的对客户的分期需求进行预测，提升银行精准营销的能力，但模型总会因为外界因素等变化逐步失效，且依靠模型仅能在一次或多次分期营销中占据优势，但对信用卡整个分期客群的营销质效提升效果并不明显。具体来说，如果银行采用只营销分期概率较高的客户，那么随着营销次数的累加，最终营销触达的客户仅剩头部，长期具有分期习惯的客户，剩余的长尾客户将逐步下沉，无法实现客户的层级跃迁，产品的横向跃迁，最终导致客群流失。因此，本案例认为应当基于该模型，挖掘信用卡分期客群的重要特征，以促进客群转化为目的，对客群匹配不同营销手段。

通过对比使用Xgboost树模型的特征重要性和基于SHAP理论的特重要性算法可以发现，历史分期数、账单波动比、额度占用比、账单月尚存分期笔数等描述客户消费特征的特征表现要大于客户常规特征及卡片特征。历史分期数对客群分期影响力最高，造成这种现象的主要原因是客户的消费习惯具备一定的连续性。基于此我们认为客户的历史分期数是信用卡分期客户分层的重要特征，同时结合客户的自主分期能力，我们在客群分层中重点使用该特征并实施不同的营销手段，促进客户层级转化。

图2：基于XGBoost的特征重要性

图3：基于SHAP的特征重要性

2.信用卡分期客户分层营销模型

历史分期数在预测模型中特征重要性排名第一，但大量客户该值为空值，即客户历史并不存在分期行为，因此本案例依照此分析思路，分析历史从未分期客户在本月分期表现。宁夏银行客户账单分期率达4.2%，但历史未分期客户的账单分期率仅为0.8%，这意味着宁夏银行的信用卡分期群体中存在大量长尾客户，该类客户人数、金额占比较高，但对分期贡献率极低。该类客户产生的原因一是客户本身为信用卡新客，尚未达到历史分期条件；二是客户对信用卡分期持厌恶型态度，即使多次满足分期条件也并不能转化为分期客户。这两种客户的区分在于客户的账单厚度（历史上层满足可分期条件的账单次数）。同时,宁夏银行存在一批信用卡分期的忠实客户，一旦满足分期条件，该类客户可在一定程度上不经人工营销自主触发分期行为，即该类客户的营销转化成本较低，客户忠诚度较高。因此基于最小化营销成本，最大化分期收益原则，我们首先将信用卡分期客户进行首层划分，如图4所示。

①成熟客户：该类客户是指宁夏银行信用卡分期的忠实客户，账单日后自主分期。

②分期厌恶型客户：该类客户是指在宁夏银行存在一定的信用卡账单厚度，但历史从未分期，对分期持厌恶态度的客户。

③中间客户：该类客户是指宁夏银行信用卡分期的主要营销客户，被动接受分期营销，未表现出明显分期厌恶也未全面自主分期。

④新生客户：该类客户是指该客户在宁夏银行首次达到信用卡分期条件，是信用卡分期的潜力客户。

图4：基于信用卡分期场景的客户分层

针对以上客户分类，我们对客户的某月营销比例进行匹配，如表5所示。成熟客户的分期客户占比及金额最大，且超过70%，这意味着成熟客户自主分期能力很强，能够自主触发分期行为，且根据A行规定，自主分期客户可享受手续费优惠。针对该类客户，还需要拓宽A行的线上办理渠道，如手机银行、微信公众号、短信申请等多个平台，助力简化信用卡分期办理与还款操作。分期厌恶型客户的分期概率极低，针对该类客户，拓展业务场景，满足客户其他信用卡需求。对中间客户，应根据表4的客户营销模式有效引导，提升客户分期营销能力，引导客户逐步稳定分期，自主分期。

表5：信用卡分期全量客户分期情况统计

3.信用卡分期线上化生产部署

模型部署共分六大流程，详细流程目标及数据流向见图5及图6。

图5. 营销模型流程示意

图6.营销模型数据流向示意图

数据拉取：基础数据层ODS接入每月客服系统当月卡中心分配的营销任务明细（以卡号识别），该数据存储于银联前置FTP服务器。基础数据层ODS每日轮询采集数据，若采集到数据，则发送短信提醒相应人员并开始本次后续任务执行，否则终止当日除特征生成和结果统计以外的任务

特征生成：在智能数据区模型特征层加工整合信用卡全量客户全部特征，形成信用卡业务特征宽表IDM.Ft_Credit_Card_Holo，在智能数据区模型应用层新建数据模型IDM.Ap_Credit_Card_Ist_Pay，该表包含每月我行信用卡客户的分期特征数据，于账单日次日生成。

模型跑批：IDM.Ap_Credit_Card_Ist_Pay与客服营销数据关联后，取出本期营销数据的特征数据放入IDM.Ap_Credit_Card_Ist_Pay_CSC表中，该表记录各批次营销数据的批次号、卡号及入模特征。数据生成后将该批次数据送入Python模型，输出模型客户分期意愿分类、客户分期概率。

模型写入：将客户特征、模型输出的主概率、辅助概率、客户分期意愿分类结果写入IDM.Ap_Credit_Card_ Ist_Pay_CSC_Proba，作为模型输出结果数据。模型输出结果按账单月分区存储近一年的数据，一年以前数据直接清理。

客服获数：基础数据层ODS将IDM.Ap_Credit_Card_Ist_Pay_CSC_ Proba结果按批次推送至客服系统，由客服系统创建外呼任务批次，客服创建外呼任务时与推送数据批次号保持一致。客服人员通过客服系统获取客户特征、分类和分期概率，开展分期营销。

结果统计：基础数据层ODS按日匹配和更新本账单月客户分期情况，并将分期金额、分期日期、分期渠道、外呼情况等结果写入IDM.Ap_Crdt_Card_Ist_Pay_CSC_Final，该表主键为批次号、卡号、分期付款序号，每天进行跑批更新并推送客服系统及下游统计数据发布平台生成相应多维报表。报表截图（脱敏）

四、项目过程管理

该模型是宁夏银行首个自主研发并部署生产系统的机器学习模型，模型于2023年年末开始研发，在测试环境不断试验模型效能并持续优化，为期半年的实验期内，模型整体表现较优，具有较强的客群区分能力。在实验过程中不断加入外部数据、逾期数据等相关特征，提升机器学习模型对客户分期概率的预测精准性。2024年6月初，该模型经实践验证可行有效，决定部署于生产进行全流程线上化部署并实施自动跑批，为保证后续其他模型的可拓展性能，宁夏银行对基础数据层ODS进行改造，增加智能数据区IDM存储模型特征数据、跑批结果数据，并根根据数据流程联通上游的银联前置系统和下游的客服系统，保障全流程自动化过程。该模型于2024年12月正式上线，上线后服务客群20余万人，大大提升营销质效。

五、运营情况

该模型是宁夏银行首个部署生产系统的机器学习模型，该模型自上线以来持续赋能信用卡分期营销业务，持续提升客户精准营销水平。该模型上线后主要采取两方面运营和监测。一是模型监测，为保证模型运行效果，原则上需根据模型输出评价指标、最终分期结果统计来评价模型有效性。其中模型输出评价指标是指模型跑批完成后，调取模型输出结果，各项评价指标均不低于记录数值以保证模型不失真，当ROC_AUC值低于0.7时触发短信告警；业务人员持续监控最终分期结果统计报表，使用最终该批次结果检核当月分期总量及各类别客户分期比例。二是替换调优：若模型监测中表征模型表现能力下降或模型超过三个月未更新，则需要对模型进行替换调优。调优过程中，取T-1月全量分期数据作为训练数据集，T-2月全量分期数据作为测试数据集，通过开发环境对模型参数进行调整，并在测试环境进行测试，测试完毕后将模型文件备份完毕后替换生产环境的模型文件，保证模型有效性。自上线以来模型实现调优1次，模型整体表现良好。

六、项目成效

该项目自上线以来，分期付款成交金额和预期手续费收入同比增长35.35%、31.44%，实现金额费用双提高，客户信用卡分期成熟度水平持续提升。因客户分层的成功应用，行内客服只需遍历 20.14% 的客户（去除分期厌恶型客户）便可达到81.40%的分期金额，大幅提升了行内客服中心的营销绩效，降低客户营销冗余。配合宁夏银行信用卡营销活动及营销人员的付出，信用卡分期金额于2024年年末实现倍增，4.13%客户从分期厌恶客户跃迁到中间客户，成功实现了客户层级提升，拉升客群营销潜能。

七、经验总结

本案例使用机器学习模型对客户分期行为进行精准的预测，并根据影响客户分期行为的重要特征，结合SRFM模型对客户进行分层。客户分层实现客户层级纵向跃迁能力提升和客户横向跃迁能力提升，感知客户价值诉求，提供客户价值服务。

一是针对模型建设方面。不同的机器学习模型能够就不同问题给出不同的解决方案，但无一例外都存在模型长期表现性能、客群挖掘潜力下降等问题，本案例认为本文提出的运营思路，构建客户分层分级模型，以大数据技术和机器学习模型为手段，挖掘客户的内在关联和需求，形成运营闭环链路是真正解决精准营销的必经之路。

二是针对客群运营方面。客户分层对纵向跃迁能力提升和横向跃迁能力提升有积极的正向作用。对纵向跃迁能力来说，本案例提出基于不同业务场景应当构建不同分层分级，实现客户精准营销。宁夏银行未来将建立面向不同业务场景的客户层级的纵向迁移和横向跃迁跟踪机制，准确识别客户纵向跃迁、纵向降级趋势。根据各层级的运营能力和客户变化有效评估该场景和业务的成熟度，量化不同的营销活动的营销效果，形成良性循环的营销体系。

三是针对全流程数智化管理方面。本案例成功实现了本行信用卡电话营销核心环节的全流程数字化与智能化转型。项目聚焦于将信用卡电话营销的“客户筛选—模型决策—任务派发—效果反馈”关键流程线上化、自动化。通过构建并线上部署信用卡分期付款精准营销模型，对海量可外呼信用卡客户数据进行精准营销概率分析，并将分析结果（客户分类名单及预测概率）实时、自动推送至客户服务中心外呼系统，指导坐席精准营销。同时，创新性地建立了数据闭环管理，每日自动将客户实际分期结果报表回传至客服系统并生成不同维度结果分析报表，便于员工业绩辅导及跟进。