某商业银行客户画像及流失预警策略案例研究

编辑：夕照寺 | 2019年7月6日 | 标杆展示 | 评论已关闭 | 5034

一、项目概述

近年来，关于人工智能的研究与应用在各行各业中都备受关注，本项目将从商业银行的角度出发，根据银行实际的业务需求，结合前沿的人工智能技术，为银行打造专属的用户画像体系并且提出符合实际场景业务需求的经营策略，以提高其作业效率以及经营绩效。

本项目与某商业银行合作，通过成熟的用户画像技术为该银行建造完整的用户画像架构，并且通过用户画像建立客户流失预警模型，根据模型结果为银行提供专业的客户挽留建议，以达到提高银行绩效的最终目的。

二、背景介绍

从1991年万维网面世，至二十年后的今天，互联网已经走向了一个新的里程碑，进入了大数据时代。同时伴随着互联网金融的发展及经济发展进入新常态,商业银行正面临很多严峻的挑战和问题,例如利润增速下滑、资产质量降低、市场地位受到挑战、传统产品增长空间受到限制等。在AI技术的不断发展、互联网的爆发性扩张环境下，大数据技术将成为银行战略性转型的一个重要突破口。

在经历了人工智能的狂热期后，如今人们更加聚焦于如何利用大数据挖掘潜在的商业价值，在实际环境中将技术落地。在大数据时代，由于数据的复杂与零散性，大部分数据无法直接用于分析以及建模训练，以至于我们很难从其中直接获取有用的信息，若能够对这些庞大的数据进行系统性的整理以及标签化，那我们就能对用户有一个更全面和完整的认识，使我们能够进行更好的决策。其中，个性化技术是一项重要的应用，它使得企业能够获取用户更广泛更全面的数据，以便在分析研究用户的行为习惯等信息时提高效率和精准度。伴随着对人的了解逐步深入，用户画像这一概念逐渐进入大众的视野里。

用户画像，简而言之，便是代表目标用户特点的、虚拟的人物画像。其核心工作是为用户打标签，通过把用户数据标签化来理解用户的需求、消费能力、偏好等信息。标签通常是对人的高度精炼的标识性描述，标签包括人的基本信息如性别，年纪，学历，人的行为习惯如交易频率，交易金额等等。用户画像主体分为两类，客观画像及主观画像。客观画像为对用户的信息及行为进行客观描述，例如性别、最近6个月内申请贷款次数、产品持有情况等。主观画像为客户的信息进行分析提出主观意见，对客户的性格优点、投资态度、财富态度、风险态度、人际态度等主观画像打标签，例如性格低调稳重、对投资态度为短期盈利、人际态度开放等。仅通过客户的客观信息不能最优分辨客户与客户之间的区别，主观画像可将客观画像相似的客户进行区分。不论从广度还是深度，主观和客观的画像方法都对客户的全方位具体描述有着很深的帮助。这些标签从各个维度对用户进行诠释，包含了用户在某一方面的信息，综合起来就能描绘出完整的用户形象。如此一来，一方面能最大程度概括客户信息以便分析；另一方面也方便了计算机做分类统计及数据挖掘等工作。对于商业银行来讲,用户画像可以使银行在了解用户的基础上，针对性地优化现有服务，使其更具人性化，同时提高效率。在画像构建完毕后，银行还可将其具体应用于精准营销、风险控制等方面。只有完整的用户画像才能对AI应用提供良好的应用基础。

三、实施与应用

1，用户画像

特化用户画像的主要流程包括三步：实际需求分析，标签体系选择，用户画像重构。

本项目的合作对象为商业银行，因此将从银行客户的基本信息，行为习惯，业务信息等角度出发，从现有的用户画像框架中选取合适的标签体系，作为将来业务分析以及模型训练的基础。

通过对银行数据的探索与挖掘，以及对银行业务的分析，我们确定了客户的一级标签，包括身份属性，社会属性，登记信息，信用属性，产品偏好，消费特征，客户价值、主观属性等等，对客户形象进行描绘，一级标签下含有多个二级标签，从更多维度去描述客户的一级标签信息，以此类推，确定了适合于银行的多层级标签体系。如图1所示为部分标签架构。

图1：部分标签体系架构

通过上述标签体系以及技术为银行特化了完整的用户画像，并可使用用户画像帮助银行进行更好的业务决策。以信用卡高使用率客户为例，我们发现该类客户通常具有年龄在28-40岁之间，持有电子银行产品，账户储蓄金额较低等等的特征，因此可以找出同样具有上述特征但未开通信用卡业务的客户，向其推荐信用卡业务，提高转化率。

2，客户流失预警模型

此外，我们可以结合用户画像与机器学习建模技术帮助银行进行决策。客户流失预警模型便是其中一项应用。实际流程如下所示：

我们从用户画像中提取需要的特征，经过数据预处理以及特征工程（包括特征选择，特征重构，特征监督等），得到建模用数据，通过模型训练以及优化，进行预测，并评估结果。

经过调试以及不同测试集的测试，最终模型输出结果AUC约为0.87，代表该模型有好的稳定性以及实用性，整体结果精确率（Accuracy）在90%以上，能够提前一个月预测出60%以上的流失客户。

对流失客户进行分析，流失客户人均资产远远高于全体客户人均资产，因此，若能及时对这一部分客户采取恰当的挽留措施，银行可以避免较多的损失。

四、总结与展望

用户流失预警仅为用户画像与AI算法结合的一个场景产出，但所构建的用户画像体系可以探索到客户生命周期的各个阶段，并在每个阶段都有所应用。在获取用户阶段，它可以用来发现并吸引潜在客户；在用户提升阶段，它可以方便银行培养潜在的高价值客户；在用户成熟阶段，可以培养客户忠实度、向合适的用户推广新产品；在用户衰退阶段，还可以延长用户的生命周期。

本案例由《客户世界》搜集整理，参选“2019年度商业银行智能服务最佳实践案例征集”活动。入选案例将汇集收录于《客户中心智能化最佳实践》案例集（2020年正式出版，名称为暂定）