客户智能(CI)和商业银行数据挖掘
发布时间:2015-08-04

 

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(CICustomer Intelligence)、风险智能(RIRisk Intelligence)、运营智能(OIOperational Intelligence)。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。

 

客户智能(CI)和商业银行数据挖掘

 

(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。

 

客户智能(CI)和商业银行数据挖掘

 

(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

 

NBONext Best Offer,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(social recommendation)、基于内容的推荐(content-based filtering)、基于协同过滤的推荐(collaborative filtering)。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。

 

客户智能(CI)和商业银行数据挖掘

 

(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。

 

客户智能(CI)和商业银行数据挖掘

 

(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