一个典型的银行精准营销客群挖掘项目总结（1）

1. 项目背景

       为了实现国际化、综合化、打造最佳财富管理银行，提升零售银行核心竞 争力，XX银行正式启动了由个金部牵头，零售信贷、信用卡中心、技术 管理、软件开发等部门参与的“零售客户信息管理及精准营销项目”。“精准营 销”是指银行通过数据分析，在恰当时机，通过恰当渠道，将恰当产品提供给 恰当客户的系统流程。 本项目分为三个阶段，第一阶段为 POC 试点，主要工作任务是做两个 EBM 事件和一个数据挖掘模型，验证采用数据分析的方法能提高名单获取的精确性， 提高营销成功率。第二阶段包括客户细分，客户获取，交叉销售等几个模型。 第三阶段包括房贷提前还款模型，基金客户获取模型，保险客户获取模型等几 个模型。下面重点介绍保险获取模型的开发过程。 目前交行银行已经在执行保险外呼营销活动，但名单获取方式是比较简单 的业务规则，营销成功率比较低。因此，交行迫切需要采用更先进的技术手段 获取高响应率的客户。 在本项目中，采用数据挖掘技术构建保险客户获取预测模型，通过大量的 历史数据发现购买保险产品的客户特征，选择最有可能购买保险产品的客户进 行营销，提高营销成功率。

2.业务问题定义与分析

2.1.业务问题定义

       随着市场的竞争，客户管理由粗放式方式逐渐向精细化过渡，为了实现营 销目标快速精准定位，需要向恰当的客户营销恰当的产品。客户获取就是为了 满足营销精准定位而提出来的一种数据挖掘应用。 客户获取通过响应预测模型来实现。响应预测是通过分析客户的基本信息 及历史交易行为，来预测未来可能购买某种产品的可能性，从而向高响应率客 户针对性地营销该特定产品。

       客户获取主要实现以下几个目的：

        产品营销由粗放式营销向精细化营销转变 

        提高销售准确性，实现目标客户快速精准定位 

        提高产品的销售效率，把有限的时间放在最有效的客户身上 

        降低销售及市场运作成本。  在精准营销第二阶段，客户获取主题包含两个模型:保险产品客户获取和基 金产品客户获取。

2.2.业务问题分析

2.2.1.购买动机分析

       客户购买某种产品往往有某种惯性行为，历史上购买过某种产品的人，往 往将来再次购买该产品的概率比较大。客户购买某类产品的意愿，往往和客户 过去的历史购买行为相关。主要体现在 RFM 这三个分析维度上。其中 R 代表 客户最近一次购买距今时长，F 代表客户购买的频率，M 代表客户购买的金额。 对于保险类产品，往往是具有保障意识类的客户倾向于购买保险产品，这些 客户往往曾经购买过保险类产品。 对于基金类产品，往往是具有投资理财意识，希望对个人财富保值增长的客 户更容易购买，这些客户往往有过投资理财行为，如购买过基金、理财产品等 相关银行产品。

2.2.2.购买特征分析

        响应预测是发现最有可能购买某种特定产品的客户，然后根据营销名单制 定营销策略，提高营销成功率。客户购买某种特定产品，往往和以下几方面因 素比较相关。

         客户基本信息：  客户基本信息是客户自身的信息，具体包含客户的年龄，性别，婚 姻状况，教育背景，收入，职业等。往往中青年，教育背景良好， 收入相对比较高的客户更容易购买银行的相关产品。 

         客户和银行往来相关信息：  客户和银行往来相关信息是客户和银行建立关系的相关信息，包括 客户 AUM，开户时长，持有产品数，持有账户数，最后一次交易距 今时长等。往往银行忠诚度高，交易活跃的客户更容易购买银行的 相关产品。 

         产品持有信息：  标识客户是否持有银行某种特定产品，如活存、定存、信用卡、基 金、贵金属、国债、理财产品、保险等。往往持有该产品或持有和 该产品相关度比较高产品的客户购买某种特定产品的可能性更大。

         产品签约信息：  标识客户是否签约银行某种特定产品，如银证通，双币理财，新股 随心打，财富账户，交易理财卡等。签约较多的客户购买某种特定 产品的可能性较大。 

         产品余额信息：  银行相关产品的余额，如活存、定存、信用卡、基金、贵金属、国 债、理财产品、保险等，每一类产品包括时点余额和月日均余额。 余额较大的客户购买产品的可能性较大。 

         产品交易及 RFM 信息：  银行相关产品的交易信息，如活存、定存、信用卡、基金、贵金属、 国债、理财产品、保险等，每一类产品包括开户距今时长，最后一 次交易距今时长,借方交易金额、借方交易次数、贷方交易金额、贷 方交易次数。交易比较频繁的客户购买基金、保险的可能性比较大。 

         渠道交易信息 ：柜台、自助、电子渠道的交易金额，交易次数等。比较习惯使用电 子渠道的客户更有可能购买基金、保险等产品。 

         代发代扣信息 ：代发工资，代缴水电煤等相关信息。代发及代缴额度高的客户购买 基金、保险等产品的可能性更大。 以上主要是购买银行产品的通用特征，针对每一类产品，会有自身的特征， 如购买保险的客户往往是具有保障意识的客户。购买基金的客户往往是具有投 资理财意识，曾经购买过基金、国债、理财产品等投资类产品，希望财富保值 增值的客户等。

3. 数据挖掘设计

    3.1.方案设计

       客户获取模型的目的是预测客户将来购买某个产品的概率，并选择高响 应率客户进行营销，提高营销成功率。在本次项目中，客户获取模型关注 90 天 日均资产位于 1 万以上的有效客户，并且结合前期的客户细分模型，选择对保 险比较偏好的细分群体进行后续的建模、评分流程。

       通过在细分群体未来购买保险的探索分析，发现资产 50 万以上的 8 个客户群购买保险的概率都比较高，资产 5-50 万的中有财富保障族，活跃结算族，传 统储蓄族，平衡理财族，保守理财族购买保险的概率较高，资产 1-5 万的细分 群体中财富保障族，活跃结算族购买保险的概率比较高，最终选择上述 15 个细 分子群采用后续的建模，评分流程。寿险的购买率从 0.21%上升到 0.43%。

       客户获取属于有监督学习，需要采取分类预测的算法来实现。在 SAS 中， 主要有 Logistic 回归，决策树，神经网络三种算法，后续建模阶段会重点介绍 算法原理。 客户获取的数据取数周期为 12 个月，其中观察期 6 个月，表现期 6 个月。 具体的时间窗口如下图所示：

        定义表现期购买了寿险保险的客户 1，没有购买的客户为 0。

        客户获取宽表设计主要从客户基本信息，银行相关信息，银行签约信息， 产品持有、交易、余额信息等维度出发，设计相关的分析变量， 下表为获取宽 表部分字段示例。

（未完待续，数据挖掘建模过程结果参见后续分享）