銀行客戶融合與數據資產變現

01-29

1 n關於「數據資產」

「數據資產」的概念目前業界尚沒有公論，參考一下業界觀點：數據資產是企業及組織擁有或控制，能給企業及組織帶來未來經濟利益的數據資源。這裡面有三個關鍵因素，其中「擁有或控制」說明不一定是企業在內部信息系統中擁有的數據資源，也可能是通過合作或交易，從外部獲取使用權的各種數據形式。「能帶來未來經濟利益」，是指直接或間接導致資金或現金等價物流入企業的潛力，這種潛力可以是將數據作為一種經濟資源參與企業的經濟活動，也可以是通過交易直接給企業帶來經營收入。「數據資源」，是指數據資產的具體形態，表現為以物理或電子方式記錄的數據。

雖然概念尚未統一，但可以預見的是未來企業的價值是和企業擁有數據資產的規模和活性成正比，和企業解釋運用數據的能力成正比。企業的資產中有一部分無形資產是數據資產，企業期望以對數據資產的深刻認知為核心，完成整體的價值實現。伴隨大數據時代的到來，數據資產的概念正在逐漸被企業認可，但整體上仍停留在初級階段，並且引發了對數據管理、數據應用的全方位挑戰。為此，企業的戰略需要重新審視數據資產的意義，以數據資產為核心對業務運營、管理決策進行調整優化甚至變革。

2 客戶融合與數據價值

2.1 n客戶數據初探

從業務角度，一家優秀的零售銀行至少應在品牌、客戶、渠道、產品等角度具有鮮明的特徵。首先是有若干具有相當知名度的零售業務品牌，其次是零售客戶及營業收入在同類規模銀行中居前列。在互聯網飛速發展的時代，零售服務渠道必須追求多元化，電子渠道替代率需要到達較高的水平。在業務結構角度，也需要最全多元化且相對均衡。以互聯網+的概念為例，除卻商業模式、資本運作、組織變革這些深奧的知識，其實就是整合來在不同渠道、產品、客戶的數據，通過數據分析、挖掘持續優化提供的產品或服務。這個過程做的越紮實深入，對於數據治理和管理的訴求就會越高。數據作為總架構師，應該把數據戰略做好做實以引領數據資產價值實現。遵循「以客戶為中心」的發展戰略，數據分析、數據挖掘對於品牌、營收、服務能夠發揮基礎性作用。銀行應結合自身發展戰略，將數據分析、挖掘技術優先部署於私人銀行、零售銀行等業務板塊。

零售客戶分析的典型應用是客戶細分，20世紀50年代中期由美國學者溫德爾史密斯提出客戶細分概念，其理論依據在於顧客需求的異質性和企業需要在有限資源的基礎上進行有效地市場競爭。進一步解讀概念，是指企業在明確的戰略業務模式和特定的市場中根據客戶的屬性、行為、需求、偏好以及價值等因素對客戶進行分類，並提供有針對性的產品、服務和銷售模式。客戶分層具有多種模式，按照客戶的外在屬性分層最為簡單直觀，數據也很容易得到，是業界應用最為廣泛的做法。目前伴隨大數據、雲計算時代的到來，客戶細分也需要引入更多數據，多維度、深層次的進行分析，換句話說就是建立立體的客戶畫像。用戶畫像作為一種勾畫目標用戶、聯繫用戶訴求與設計方向的有效工具，能夠成為客戶數據價值實現的核心性內容。

2.2 n數據價值驅動模型

本文重點提出客戶融合驅動的價值挖掘模型，其基本理念在於大數據的核心是「真正」以客戶為中心重構流程、產品，數據的使用深度反應的是與客戶的融合程度。在這個過程中，客戶融合（Customer Engagement）是核心，數據管理是支撐，數據應用是價值發揮的途徑。從數據體系的宏觀整體視角考慮問題，才能實現數據價值的最大化實現；管理是應用的基礎和指導，應用是管理的目標及反饋。

數據管理實際工作中通常會面臨許多挑戰，比如數據管理與數據應用之爭，這會直接影響到數據價值的產出效率以及IT預算的分配；再比如數據開放與數據安全的矛盾，直接關聯到信息經濟學、雲計算這些最新的發展趨勢。至於數據管理自身能力提升的快與慢、數據管理的疏與堵兩種策略、數據標準化落地的困惑、數據架構與業務模型之間的鴻溝，做到深處就無法迴避這些問題。這些挑戰在數據科學飛速發展的時期會加快放大，而技術創新又重在提高效率而非解決分歧。為此，如何整合數據管理與數據應用是個艱巨的問題，我們選擇以客戶融合為中心整合各領域內容，其價值驅動模型如下圖所示：

驅動模型中的客戶融合位於中心位置，主要包括客戶畫像刻畫和標籤管理，從兩個維度體現客戶融合的理念和方法，其中標籤管理是中心內容，為後續的多角度引用提供數據基礎。客戶畫像與數據應用結合，提供多對多應用視角的支持。需要注意的是，客戶畫像標籤並不一定直接用於解決問題，而是為具體應用服務，譬如為溝通和制定解決方案提供線索。在解決管理與應用的矛盾過程中，客戶融合起到關鍵的橋樑作用，這個中間層既通過標籤管理體現管理訴求理念，又通過客戶畫像建立起與數據分析角色的理解和信任。客戶融合作為中心環節，對於數據管理和數據應用都能發揮作用。

在客戶畫像建立過程中，畫像標籤在實踐中產生，又在實踐中完善。銀行業務開展受外部經濟環境影響，尤其是監管部門日益提高的要求，同時又受內部經營決策的影響，過程中涉及的數據範圍增加、業務變更都會成為輸入。在互聯網時代，營銷手段、產品品種層出不窮，越來越多不熟悉、不掌握的業務方式出現在競爭中，越來越多的企業都在尋找答案，在這個問題上對應數據運營文化的影響最為迫切。客戶融合促進與客戶多方面多層次的溝通，客戶標籤體現了客戶融合的各種屬性。標籤管理過程中以靜態數據、行為數據為基礎，構建客戶融合模型，具體標籤體系在後文中詳細說明。

3 標籤體系與數據管理

3.1 n客戶融合標籤體系

隨著互聯網、雲計算、移動互聯網等應用的發展，尤其是社交網路等新媒體的興起，客戶融合無論從概念還是實踐都在發生著巨大的變革。客戶不再滿足於傳統被動的方式參與交互過程，而是希望能夠主動地、隨時隨地通過手機、平板電腦等移動設備完成客戶融合過程。為此，如何布局和互聯網、移動互聯網相關的渠道建設，如何發揮新型營銷理念方法，成為目前企業強化核心競爭力的關鍵問題。

客戶融合不僅體現了客戶接觸和互動的現實表意層面，還包含了客戶忠誠和承諾在內的情感聯結。客戶融合與傳統呼叫中心、客戶關係管理、客戶體驗管理、IVR並非截然不同，多渠道客戶互動的體驗經濟及其情感元素仍然是重要的組成部分，只是在新形勢下變得更加多變和具有挑戰性。同傳統方法進行比較，客戶關係管理重視市場與營銷，其核心環節是用戶的積极參与和反饋。客戶體驗管理強調積極互動，通過更適合的售後服務方式來提高客戶滿意度。客戶融合管理旨在吸引客戶，長期獲得關注並引導客戶參與企業營銷。從數據體系角度看，就是商業應用場景的區別對應數據源採集的不同，以及應用方式、應用目標的區別，整合客戶在不同渠道、產品、服務產生的數據是客戶融合的關鍵。

3.2 n標籤挖掘過程

數據挖掘一般是指從大量的數據中通過演算法搜索隱藏於其中信息的過程。數據挖掘是一門跨多個領域的交叉學科，通常與人工智慧、模式識別及計算機科學有關，並通過統計、在線分析處理、情報檢索、機器學習、專家系統（依靠過去的經驗法則）和模式識別等諸多方法來實現上述目標。數據挖掘是一項探測大量數據以發現有意義的模式（pattern）和規則（rule）的業務流程，在探測的過程中是客戶標籤產生利用的過程。

以上圖跨行業數據挖掘標準流程（CRISP-DM）為例說明挖掘演算法與標籤的定義實現過程。在第一個階段商業理解中，我們必須從商業的角度上面了解項目的要求和最終目的是什麼，並將這些目的與數據挖掘的定義以及結果結合起來；伴隨過程中數據挖掘演算法輸出都可以直接或間接的轉換為標籤，或者說在業務問題定義的過程中應該包括對於客戶標籤的相關定義。

數據理解階段開始於數據的收集工作，緊跟對數據的熟悉工作；數據準備階段涵蓋了從原始粗糙數據中構建最終數據集的全部工作。在數據挖掘流程數據選擇、模型確定、參數選擇的過程中，均可對應客戶標籤的設計與實現。

在進行最終的模型部署之前，需要更加徹底的評估模型，回顧在構建模型過程中所執行的每一個步驟是非常重要的，這樣可以確保這些模型是否達到了企業的目標。在模型評估驗證的過程中，對應的是標籤應用和完善。標籤可以在實踐中對應營銷線索、報警閾值，兩層體系也基本對應了數據挖掘過程對於基礎屬性的輸入，對於衍生標籤的輸出。

3.3 n數據管理體系

在整體的價值驅動模型中，數據管理中數據架構、數據質量、數據安全、數據標準是關鍵問題。數據架構是客戶標籤數據整合應用的關鍵，數據標準是管理應用的基礎，數據質量是數據管理的目標也對數據應用發揮重要影響，數據安全是整個模型的保障。在此之上，數據政策/戰略要體現數據資產管理的核心思路，包括數據資產管理和價值實現的規劃，涉及具體操作流程思路。在數據治理部分也需要得到強化，治理機制要涵蓋所有的人、流程、機制方面的內容。

數據管理、應用、生命周期屬於閉環交叉關係，互相影響交互。大數據時代，數據源、數據權力、數據邊界是數據管理體系需要額外考慮的問題。採集數據來源、數據歸屬權、數據隱私和數據使用邊界。三個問題不僅是法律合規的問題，更有數據管理的含義在裡面。

4 n應用模式設計

任何數據系統都是強產品關聯的，最直觀的用戶畫像是一個用戶寬表，但用戶畫像的建立和充實都需要與實踐進行充分結果。整體畫像標籤體系與銀行應用呈現多對多模式，可以直接用於零售銀行的常規分析，比如零售客戶報告、個性化標籤制定等；也可以面向具體的業務應用，比如精準營銷、風險模型、產品定價、開放金融等；最後也可以面向大零售的不同業務部門，以及對應的中後台支撐部門。

整體標籤與銀行應用是相輔相成、相互促進的關係，可以作為一個體系性的產品用於零售銀行的方方面面。下面以客戶洞察、客戶流失預警為例，介紹在客戶標籤在客戶管理方面的應用。

4.1 n業務背景說明

忠實的客戶群體是零售銀行一切業務發展的基礎。在激烈的市場競爭中，能獲得客戶，並用服務和產品黏住客戶，就能獲得優勢。要想取得競爭優勢，很大程度上取決於我們對客戶的了解程度。如果能及時捕獲客戶需求、感知客戶情緒、掌握客戶價值取向、評估客戶道德風險有助於銀行抓住營銷機會、提高風險控制能力、提高營銷資源使用效率。然而在傳統的零售客戶核心數據範疇內，對客戶的非金融數據知之甚少，對行外的潛在客戶了解幾乎為零，如今依託大數據技術，獲取豐富的外部數據，建立客戶標籤體系，生成客戶畫像已成為可能。

4.2 n標籤體系構建

4.2.1 標籤體系概括

一個完善的標籤體系應該是立體、多維度的。既能覆蓋業務的廣度，也能體現應用的深度。從標籤的業務屬性維度可以細分為：客戶基本屬性、客戶興趣偏好、客戶關係、客戶價值、客戶分析、客戶營銷機會等大類。從標籤加工類型上可以細分為基礎標籤和衍生標籤，衍生標籤是在基礎標籤的基礎上進一步運用數學模型、機器學習演算法等形成模型標籤和預測標籤。

標籤體系信息龐雜，需要按照一定的方法將標籤組織在一起。一般按照標籤的層級關係，組織成樹狀結構，這是人類最自然的信息組織方式。標籤必須要有完整的語義，從樹根到葉子節點才算一個標籤。例如：基本屬性→人口屬性→年齡→26-35歲。

nnnn

客戶標籤體系在零售銀行客戶管理、運營管理和風險管理領域均有很多具體的應用。在客戶管理方面，可以利用客戶標籤完成客戶細分，開展交叉營銷；在運營管理方面，可以根據客戶的行為模式和渠道偏好，優化渠道，提高效率，提升客戶滿意度；在風險管理方面可以通過客戶關係網路、風險偏好評估客戶的信用風險和操作風險。

4.2.2 基礎標籤到衍生標籤

客戶標籤都來自對數據的層層加工。先從原始數據中生成基礎標籤，然後從基礎標籤中衍生出模型標籤、預測標籤。如下圖所示：

nnnn

基礎標籤也稱為事實標籤，簡單、清晰、明確，不需要複雜的加工邏輯和建模演算法就可以生成，一般使用統計分析的方法，按照一定的業務規則從原始數據加工而來。

衍生標籤包含模型標籤和預測標籤，通常是在基礎標籤的基礎上衍生而來。衍生標籤加工方法相對基礎標籤而言較為複雜，通常使用機器學習演算法或者商業分析模型進行建模，然後才能得到一個針對具體業務問題的客戶標籤，比如客戶未來流失的概率。

5 n標籤應用示例

5.1 n基礎標籤

如今外部數據的內容十分豐富，其中較有價值的一部分數據就是客戶在互聯網上的購物行為、商品瀏覽行為，通過這些數據可以推測客戶的興趣偏好，並發現短期和長期的營銷機會。銀行可以通過合作，根據需要引入部分數據，完善客戶畫像，發現客戶的興趣點，從而為客戶推薦最有吸引力的金融產品。例如：某商業銀行有一款專門針對出國旅遊人群設計的借記卡產品，持卡人在境外ATM機上取外幣時，免收手續費。在營銷之前，營銷人員先通過數據合作，從外部補充了部分客戶的差旅相關的數據，通過數據加工形成了差旅類的客戶標籤。最後營銷人員使用不同的客戶標籤組合，從潛在客戶中找出目標客戶。

5.2 n衍生標籤

客戶流失概率可以認為是一種客戶情緒標籤，是客戶的心理變化，內在反映了客戶對銀行產品的持有意向以及對銀行服務的滿意程度，預示著客戶未來一段時間內流失的可能性。如果能對高流失概率的客戶進行有效的挽留，就可以減少銀行客戶的流失。當然我們不能直接去獲知客戶的情緒，但是通過在基礎標籤的基礎上進行預測建模，完全可以對客戶的流失進行較為準確的預測建模。

n流失預警模型需要使用的基礎標籤包括人口屬性、產品持有、歷史交易趨勢、渠道偏好等四類，利用邏輯回歸演算法，建立客戶流失預警模型。下圖是利用6個月的歷史數據，預測客戶在未來1個月內流失模型的實際效果。通過多次測試，模型的AR值穩定在0.6以上。在高流失概率客群中，模型的預測準確率相對隨機模型，提升度為4.3倍。

6 總結展望

本文結合客戶融合理念及客戶屬性建立標籤體系架構，並以此為更新建立了數據價值挖掘模式，融合數據管理與數據應用理念，為最大化數據資產價值提供了有益參考。整個標籤體系與實踐應用密切n，在應用中完善充實標籤。數據管理和數據應用進一步融合，在一個框架之上構建多對多解決方案，適應銀行的複雜應用。

下一步我們將著重整體模型的持續優化，以及廣泛深入的推廣應用。

更多交流請參考公眾號文章，歡迎批評指正。