个人客户标签体系

个人客户标签体系一线营销人员缺少客户开发的工具。以往一线客户经理进行客户拓展和产品营销时，常常依赖于现有客户的转介，或者基于一些简单的变量进行筛选（如客户金融资产、客户层级等）。由于一线人员获取有效客户名单的途径有限，影响了银行客户开拓、产品营销、业务提升的效果和效率。高潜客户的识别手段有限。就常规而言，商业银行通过客户金融资产或交易结算量对存量客户进行分类管理。有关高价值潜力客户的识别手段非常有限。客户的一些属性或标签，例如是否有房、是否有车、是否住在高档小区、是否出过国、是否是他行贵宾客户、是否有收藏工艺品的倾向和爱好等，都能够凸现客户的资产实力。我们常常会发现，某个客户的金融资产层级比较低，但是通过对客户的信用卡消费摘要分析表明，该客户经常出入高档场所，经常出国，实际消费能力很强。这类客户就是所谓的〃高潜力-低资产”客户，也就是说客户并没有把该银行作为“主办行”。因此，如果我们通过对相关消费摘要的分析，给客户打上“高潜力”标签，这有助于一线营销人员找到精准营销线索，实现相关优质客户在银行的金融资产提升。传统模型开发结果变量的离散化使用需求。如何将常规开发的诸多营销模型落地应用，对一线营销人员产生实际价值，是一个迫切需要解决的问题。通过将模型结果（如资产提升概率）离散化，转换为五档或七档的标签结果，这样一线营销人员就可以直接调用相关结果。例如，对于流失预警模型，将客户流失的概率值离散化为标签，即流失概率高、中高、中、中低、低五档，从而提升一线标签使用的体验。商业银行需要构建360度客户画像。商业银行目前普遍缺少一个较为完整的、具有较强应用价值的客户画像体系。通过整合消费附言、客户地址、营销建模、数据仓库基础数据等客户信息，从而勾勒出客户360度视图的画像体系（如房车类标签、手机类标签、生活方式类标签、活跃度类标签、投资类标签等），以此提升一线人员对客户的精准服务与管理提升能力。在银行一线人员访谈、相关文献归纳整理和专家经验总结的基础上，我们的理解零售客户标签是指以零售客户的资产信息、负债信息和交易结算流水等信息为基础，根据客户的人口统计特征、重要属性变量、资产变化、动账交易、消费附言、客户地址信息、建模预测信息等，综合运用数据挖掘分析、关系网络分析、客户行为轨迹分析、文本挖掘分析等技术方法，搭建的以客户为中心的画像体系。客户画像体系中典型的标签包括有房一族、有车一族、有娃一族、受薪一族、高端小区、高档办公、高端通信、他行贵宾客户、境外金融需求、近期高端商场客户、近期高端健身客户、ApplePay标识、挖掘模型流失预警分类、挖掘模型提升潜力分类和综合收入贡献等。以国内某股份制商业银行为例，该银行的零售客户开发标签，并且基于标签的使用频率通过〃词云分析〃技术对标签使用情况进行展示，词云中某个标签的字体越大，说明该标签在统计期内的应用频次越高。按照客户属性和业务需求，建议从以下八个维度入手设计开发客户标签体系。客户交易属性、自然属性、产品属性、资产属性、负债属性、风险属性、行为属性和价值属性。我们按照“T-N-P-A-D-R-B-V”的顺序对客户标签属性维度进行组织是出于考量银行对客户了解的〃由浅入深〃，其基本逻辑为：面向一名行外客户，银行有可能最先看到的是该客户与银行内部其他客户的交易转账信息;其次银行可以考虑针对该客户外卜部采集其自然属性；之后银行可以根据客户外卜部采集信息，与行内已有的客户自然属性进行比对分析，开展客户细分，并考虑将相似客户已经使用的产品予以推介；产品包括客户金融资产类产品（如储蓄、理财、基金、国债、保险等），以及客户负债类产品（如消费贷款、按揭贷款、小微贷款等）；尤其当涉及借贷业务时可能会产生风险，银行需要识别和防范；以上相关内容已经涉及了客户金融行为属性，此外客户的非金融需求、相关的服务和产品也应纳入客户行为属性观测范畴；最终，上述全部内容都将用于银行对客户的价值进行评价、识别和应用。客户交易属性维度。客户交易属性所刻画的是零售客户在商业银行资金的转入、转出、代发、留存、登陆等交易情况，包括活跃度、渠道偏好、大额消费、大额转出、资金流出类型、资金周期性转出、资金留存比、月代发额分段、手机银行登录次数、网银交易金额等标签。客户自然属性维度。客户自然属性所刻画的是零售客户的人口统计特征、社会属性方面的要素和标识，包括性别、年龄分段、账龄分段、职业、高端小区、有车一族、有房一族、有娃一族、手机系统、高端通信、他行贵宾客户、城市层级等标签。客户产品属性维度。客户产品属性所刻画的是零售客户在商业银行的产品持有、产品偏好、产品状态、产品消费行为（RFM指标）、产品购买潜力、产品波动和产品趋势相关的一些特征，包括客户产品持有数、购买稳健产品标识、购买他行保险标识、信用卡额度、消贷客户标识、保证金客户标识、理财近度（RFM指标）、理财频度（RFM指标）、理财额度（RFM指标）、保险近度（RFM指标）、保险频度（RFM指标）、保险额度（RFM指标）、基金近度（RFM指标）、基金频度（RFM指标）、基金额度（RFM指标）等标签。客户资产属性维度。客户资产属性所刻画的是零售客户在商业银行的金融资产等级、资产偏好、资产变动、集中度和变化趋势等，包括客户资产偏好、客户层级、客户资产集中度、客户层级变动程度、金融资产趋势、金融资产波动性、财富人群标识等标签。客户负债属性维度。客户负债属性所刻画的是零售客户在商业银行的贷款和行业情况，包括贷款类型、贷款结清标识、历史贷款笔数、行业类型等标签。客户风险属性维度。客户风险属性所刻画的是零售客户的风险偏好和信用状况，即客户信用等级，是否存在逾期、不良行为，客户还款意愿和还款能力，包括客户风险评级、是否有过逾期标识、逾期次数、是否有过不良标识、历史不良笔数、小微贷款申请评分等标签。客户行为属性维度。客户行为属性所刻画的是零售客户的购物、消费偏好、生活方式、支付和流失等行为、状态。包括流失预警分类、近期高端商场客户标识、近期高端健身标识、近期高端医疗标识、近期高端商务旅行标识、ApplePay标识、工艺收藏、历史境外金融需求等标签。客户价值属性维度。客户价值属性所刻画的是零售客户的提升潜力、对于商业银行收入和贡献等情况，包括存款贡献度、贷款贡献度、中间业务贡献度、综合收入贡献度、积分贡献度、提升潜力分类等标签。现有标签的开发，一般包括四种方式，即〃数据基础类〃标签、“数据加工类”标签、〃数据挖掘类”标签和〃文本挖掘类”标签。从开发的难易程度来看，〃数据基础类”标签最为简单，〃数据挖掘类”标签和〃文本挖掘类”标签最为复杂，开发难度相对较高。“数据基础类”标签。该类标签直接来自于银行企业级数据仓库基础数据层，通过数据仓库自助数据服务平台进行数据提取如客户性别、年龄分段、是否持有信用卡等。“数据加工类”标签。该类标签是在数据基础类标签的基础上再进行加工和运算而得到的（也称为〃数据衍生类”标签），主要也是通过银行数据仓库自助数据服务平台获得，例如购买稳健产品标识、大额消费标识、境外金融需求等。〃数据挖掘类〃标签。该类标签主要通过运用和创新数据挖掘分类、聚类、关联规则、趋势预测、组合模型等技术（具体技术包括决策树分类、深度神经网络分类、逻辑回归分类、K-means聚类、Apriori购物篮分析、回归预测等统计识别和机器学习算法），基于客户信息开展客户细分、产品推荐、预测客户提升和流失行为等分析工作并形成结果标签，例如资产偏好标签、渠道偏好标签、流失预警标签、理财型保险响应标签等。“文本挖掘类”标签。该类