新金融背景下数据分析与机器学习对 交叉销售策略优化的思考

摘要：随着新金融时代的到来，互联网金融平台的网络直销模式正逐渐侵蚀商业银行传统获客渠道，商业银行交叉营销模式逐渐兴起，但传统交叉销售模式效率有待提升。本文从数据分析、机器学习的常用模型入手，探讨如何运用数据分析和机器学习技术，实现传统商业银行对销售产品、销售对象和营销团队的优化，以交叉销售策略精准触客提升商业银行市场竞争力。

关键词：数据分析；机器学习；商业银行营销；交叉营销

伴随利率市场化的推进、互联网金融的冲击和零售巨头金融布局的拓展，金融活动的参与主体更加庞大和多元化，以技术创新和生态创新为特征的新金融格局正逐渐模糊传统金融业的边界。在新金融活动的探索中，互联网金融销售平台以方便、快捷、费率低的直销模式赢得了大量客户，商业银行传统获客渠道已遭受了较大的侵蚀，银行用户对物理网点的接触率较传统金融时代已大大降低。大型商业银行要在新金融版图中保持原有竞争优势地位，改变传统的触客模式是当务之急。交叉销售作为新出现的以数据为基础的营销模式，可以通过对用户数据匹配并挖掘潜在客户需求，并最终精准触达客户与达成交易的营销方式，目前已被较多的传统商业银行所选择。

目前商业银行的交叉销售模式以电话销售为主，应用较为广泛,但存在数据可控性低、产品多样性不高、针对性不强等不足。交叉销售可以大致概括为借助客户画像、客关系统等技术手段和体系化市场调研，挖掘客户需求，提供相匹配的产品或产品组合的一种销售模式。在已有的金融营销实践中，商业银行交叉销售被认为对提升营销精准性、降低客户流失率、提高客户忠诚度和降低销售成本有明显的正向影响，而电话客服作为获客成本较低、触达率较高的渠道，目前已被大多数商业银行采用,营销方式以外呼触客并销售自身金融产品为主。然而现阶段，商业银行的精准营销策略主要运用于客户画像、用户行为相关性分析以及明星产品的定向投放上，对营销成功率、长期产品留存率等数据并未进行系统性的量化研究。

远程智能银行中心每天会产生大量的运营数据和客户数据，随着机器学习时代的到来，在进行交叉销售时，完全可以依托自身已有的大数据，通过趋势预测和机器学习，对客户保持率、产品结构、客户行为、销售效果做出评价，从而对营销产品选择、对象选择和人员分配起到较好的优化作用，提升交叉销售的效率。

一、对交叉销售产品选择的优化

在评价某一特定产品的营销效果时，营销人员通常会评价营销产品的选取是否合适，并对客户对相关产品的适合度进行分析检验，从而做出对营销策略中营销产品组合选取的优化决策。但面对海量的销售数据时，传统的问卷调查、录音调听等方式无法大规模应用，也无法通过营销过程和客户态度考察目标客群对产品的认知。因此，在考察某客群的交叉销售产品是否合适准确时，基于海量客户数据运用相关性分析进行辅助决策的精准度优于传统评价模式。

首先，可以通过销售数据分析得出用户某一或某几个特征变量和销售业绩这一因变量之间的相关性。在目前的商业银行交叉销售实践中，普遍以客户AUM值、年龄、交易频率、风险承受能力、等结构化指标作为特征变量，以是否营销成功作为因变量进行分析。其中，对某单一变量而言，可以采用皮尔逊（Pearson）相关系数考察特征变量与销售业绩的相关度。例如，我们以AUM值为特征变量x，以是否营销成功作为因变量y（其中成功值为1，不成功值为0），在本相关性分析中，皮尔逊相关系数的计算公式如下：

当=0，x和y不具有线性相关的关系；当>0，x和y具有正线性相关的关系；当<0，x和y具有负线性相关的关系；当越接近±1时，相关性越高。从统计学上来说，≥0.3时，特征变量和因变量具有较好的相关性。同时，在计算出相关系数后，还可采用t检验来检测显著性水平，判断该相关系数准确的可能性。

对于多因子分析，则可以直接采用多元线性回归预测各特征变量和因变量之间的数量关系，并通过排除部分因变量之间的多重共线性，得到最精简的多元线性回归模型，模型如下：

=+++…++，其中i=1,2,…,n

其中，为因变量，为常数项，为客户特征变量(k为特征变量的序号)，为回归系数，为误差。

分析结束后，可以根据相关性分析的结果，得出在一定置信度情况下，应当接受还是拒绝该客户群。如果考虑接受该客户群，则代表现行交叉销售目标客群是契合的，反之该目标客群是低效的，从而从大数据分析上辅助营销决策人员做出优化决策。

二、对交叉销售对象选择的优化

数据分析可以通过在短时间内预测更长期间的营销数据，辅助决策者做出对产品的优化决策。

金融产品和有形商品相比，最大的区别是它的持有/复购率显得更加重要，因为同样的金融产品只有一直被用户重复购买或长时间持有，才能给金融机构带来持续的营收与利润（如每月重复购买账务变动提醒服务或一直持有某理财产品）。由于交叉销售效率和收益的最大化是建立在金融营销团队投入有限人力，且销售具有一定效率的假设之下，远程银行有必要在交叉销售对象选择中保留最忠诚、复购率最高的客户群体。而采用数据分析技术，运用基于短时数据的逻辑回归模型预测长期业绩走向，可帮助决策者及时修改决策，优化出最有效率的营销对象。

在客群优化中，我们可以采用在机器学习中常用的逻辑回归模型进行预测，并且无需经过复杂计算即可得出结论。首先，可以对销售数据样本进行粗略的处理，剔除极端数据,使之大致符合二维高斯分布，再根据数据预测的需要，对已有的数据提取特征向量。其次，我们可以通过Facebook在2014年提出的迭代决策树（GBDT, Gradient Boosting Decision Tree）模型对已有的特征进行处理。最后可以将处理后的特征运用逻辑回归，预测用户是否会在一段时间后是否仍然保有该金融产品或产品组合。得益于目前计算机水平的发展，相关的数据处理和运算不需要数据分析人员亲力亲为，而是可以通过在Python等软件中使用已有的程序包得出结论。

实际操作中，可以通过用户行为定义特征向量，通过预测模型最终预测客户长期行为。对于交叉销售的目标客户，浏览产品、意向购买（如在银行app中点击关注）、购买产品均是其标志性行为，因此明确客户被客服交叉销售的全过程有利于分析其特征，流程如下图：

图1 交叉销售客户销售和持有产品全流程

之后我们可以选取近3个月的用户数据，并从中每位用户选取用户的浏览次数、购买次数等特征向量作为原始统计特征，运用购买数/浏览数、复购数/购买数作为连续特征。

随后我们可以使用GBDT模型处理变换后的连续特征。经过机器反复训练，可以使处理后单个特征向量与我们的最终预测目标——客户是否留存/复购的相关性大大增加。最后用逻辑回归模型便可以较为准确的测算出某位客户是否会在未来可预期的一段时间内持有/复购该产品。决策者可以依据此数据分析结果得出结论，在给定金融产品或产品组合的情况下，对现有客户群体营销是否是高效的，如果不高效，是否应该做出更换另一客群的决策。

三、对交叉销售营销团队的优化

目前，商业银行已能够通过客户画像对每位客户形成基本的认识，并据此对客户消费行为进行一定合理的预测，但针对员工端同样可以采用类似的数据分析方法，建立员工画像，从而辅助管理人员做出交叉销售人员分配，使特定的员工从事最能发挥其工作水平的特定交叉销售工作。

形式上，可以通过建立大数据“人才画像”，为特定员工匹配最适合的“营销领域”，从而令特定的营销团队获取最大的营销收益。具体来说，可以通过将员工个人特质和在职行为标签化，对员工的学历、专业、年龄、从业资质等个人数据，以及销售产品分布、客户留存率、通话时长、工作时间等销售行为数据进行整合，建立营销人员字典，最终从海量人才数据和销售数据中抽象出 “标签化”的模型，形成“松耦合”式的关联，并探寻其相关性，部分实例如下表所示：

表1 员工人才数据标签与销售产品类型对应示例

在实际工作中，人才画像与工作类型的相关性匹配已被许多企业证明是行之有效的，远程智能银行中心对人才画像的应用还有较大提升空间。例如，已婚已育的员工由于对家庭储蓄和财富积累有更深认识，在营销教育储蓄产品时能够更设身处地的抓住客户痛点；年轻员工在营销消费金融产品时也更能抓住同龄人的消费需求，从而提升营销成功率。

在交叉销售工作开展初期，管理者无需进行人才画像，但随着交叉销售工作的深入和数据的积累，人才数据与销售数据的积累使相关性分析成为可能，这时再进行人才数据与产品类型，得出本团队员工人才数据的某些特征与产品营销业绩的关系，能帮助营销团队管理者做出更科学地人员调动决策。

在数据化时代的新金融实践中，如果远程智能银行中心交叉销售全方位地运用数据分析技术，不仅可以使用包括客户画像在内的大数据技术助力精准触客，还可以通过相关分析、机器学习在内的大数据分析手段检验交叉销售成果，最终能够形成数据分析对商业银行交叉营销全生命周期的管理闭环,并对交叉销售策略进行迭代优化。（文/中国建设银行远程智能银行中心武汉分中心  向竞杰）

参考文献:

[1]肖承杭,刘君.大数据在商业银行信用卡交叉营销中的应用研究[J].中国金融电脑,2015(08):36-42.

[2]张丽丽,王蕾.B2C电子商务企业交叉营销模式研究[J].商业时代,2014(26):71-72.

[3].佛山分行:工银财富卡礼品包EBM交叉营销显成效[J].中国城市金融,2014(06):32.

[4].交叉营销[J].财务与会计(理财版),2014(06):44.

[5]俞富强.商业银行信用卡交叉营销成功实践比较研究[J].中国信用卡,2014(01):72-74.

作者：向竞杰，中国建设银行远程智能银行中心武汉分中心。

本文刊载于《客户世界》文集2023第三辑•体验与文化。

转载请注明来源：新金融背景下数据分析与机器学习对 交叉销售策略优化的思考

本文链接地址：http://www.ccmw.net/article/188327.html