一、项目背景及目标

随着互联网金融的快速发展及传统银行数字化技术的迭代更新，金融业的竞争越趋激烈，在零售客户经营方面，面对流量触顶，获客成本越来越高的问题，各家银行已逐步将重心从新增拓客转向存量维护。同时人民银行《金融科技发展规划（2022-2025年）》及银保监会《关于银行业保险业数字化转型的指导意见》等政策文件中指出要大力推进业务经营管理数字化转型，在获客、活客、留客方面提升数智化营销能力。贵阳银行运用大数据+人工智能算法将千万级客户进行分层分群，精准定位客户需求，结合平台及运营团队，为客户提供个性化、数字化、特色化的综合金融服务，探索出零售客户全生命周期数字化运营体系。

二、项目/策略方案

本项目旨在建立零售客户全生命周期数字化运营体系。通过运用数据挖掘技术及机器学习算法对全量零售客户进行生命周期划分，并结合各周期内的客户特性进行细分群，同时运用人工智能算法搭建各周期客户的营销类模型，终将生命周期标签、细分客群标签及模型结果传输至CRM系统、销售管理平台等中台系统进行运用展示，并出具配套运营方案指导分支行及线上运营团队通过中台系统运用标签结果定位目标客户，匹配个性化的维护方案，实现全量客户的精细化运营。

(1)数据层面：围绕客户业务旅程，划分生命周期，进行粗分层、细分群。

通过分析千万级客户数据并截取上亿级交易数据，从开户时间、活跃接触、消费行为、资产状况、产品持有、服务种类等方面将全量零售客户划分为引入期、成长期、成熟期、挽留期、衰退期5个生命周期阶段。结合生命周期划分结果与各类业务客群特性，对各生命周期中的人群进行聚类，筛选出每个周期内的重点维护对象，形成了10类细分客群及80余个客群筛选标签。根据细分客群特性及标签特性将客户的业务旅程拆解为促开卡、促绑定、促登录、促交易、产品推荐、裂变留存6个环节，不断提升客户MAU，进而提升AUM，延长客户生命周期，盘活存量客户，做优客户结构，有效提升和释放客户经理产能及潜力，形成长效竞争优势。

图1、零售客户全生命周期分层分群+模型概览

(2)模型层面：应用大数据+人工智能算法建立机器学习模型实现智能圈客精准营销：主要采用Xgboost算法对成长期、成熟期、挽留期中的低价值客户进行模型构建，通过构建百余个特征变量，对贵阳银行低价值客户进行价值提升预测，并结合营销策略筛选出提升概率高的客户，模型结果通过中台系统输送到运营团队，精确发掘长尾客户中的价值客户，提升分支机构长尾客户运营效率。模型上线以来AUC始终维持在0.88以上，准确率在0.84以上。同时与其余6个营销模型（涵盖产品推荐、流失预警、价值提升、潜力预测等多个方面）协同作用，以模型+客群覆盖零售客户生命周期，实现客户潜力精准洞察、客户需求精确匹配。

(3)平台及渠道层面：融合4大平台，形成13个管理中心，连接18个渠道，实现集客户、业务、场景、渠道、数据、平台一体化的开放式营销生态。

将CRM系统、销售管理平台、数据分析平台、权益平台打通融合，以销售管理平台为营销中心，将模型结果、分层分群结果及客户生命周期标签可视化呈现，描绘出全方位的客户画像。形成从智能圈客→营销活动匹配→权益匹配→销售流程管理→渠道整合→活动监控分析的全流程闭环营销活动管理链路。将客户运营流程线上化，丰富了服务范围与权益活动，对不同客群采用差异化运营方案，增强了用户体验感，极大提升了分支行的维护效率与营销效率。

图2、零售客户全生命周期运营流程图

(4)运营团队层面：采用线上+线下模式，构建了远程运维团队，专职负责长尾客户运营，扩大网点服务半径，减轻客户经理运营压力：挑选6家管理行试点开展线上+线下的客户运营模式，结合平台能力精准筛选出长尾客户中的潜力价值客户进行建联，实现数据价值释放。同时结合企业微信对客户进行日常关怀、咨询答疑。扩大了长尾客户运营范围，为网点减轻客户运营压力。

三、创新点

本项目依托贵阳银行MPP数据中台服务能力的分布式计算引擎MaxCompute，通过对千万级的客户数据及截取上亿级的交易数据进行分析，将多维度数据梳理整合，结合交易数据的探索，将客户需求清晰化，为权益匹配、营销活动开展提供了数据支撑。同时运用多类机器学习算法为各生命周期内客户匹配营销模型，如：在低价值客户提升模型开发过程中，主要采用Xgboost算法来预测资产1万元以下客户提升的可能性，通过对样本数据进行分类计算，终将低价值客户的提升率分为高、中、低三档，结合模型运用策略在中台系统中进行部署运用。将数字元素注入金融服务全流程，将数字思维贯穿于业务运营全链条,融合了4大中台系统，形成13个管理中心，连接18个渠道，实现集客户、业务、场景、渠道、数据、平台一体化的开放式营销生态，打通了科技成果转化“后一公里”。

四、项目过程管理

本项目于2022年6月份上线运行，从立项到项目收尾均由贵阳银行业务部门及科技部门深度参与：一是制定“双项目经理”机制：指定科技侧项目经理及业务侧项目经理共同推进项目开展、制定项目计划，分别负责业务侧与科技侧的资源协调，避免跨部门的沟通避障；二是形成敏捷小组机制：将相关人员整合进组，定期开展周会、月会进行日常进度、问题沟通，避免信息不对称。三是建立台账管理机制：对项目管理过程中产生的问题进行台账登记，并明确责任人与解决日期，进行逐一销号。四是阶段性汇报机制：于项目里程碑阶段组织大型汇报，传达阶段性成果与下一步工作安排。形成事事有人管、问题有反馈、信息对称的管理机制。

五、运营情况

本项目基于全行统一的大数据平台提供基础算力和数据支撑，通过零售数据分析平台机器学习模块进行开发及部署，将全行千万级客户划分为5个生命周期阶段、10类细分客群及80余个客群标签，同时通过7个营销类模型挖掘各周期内的潜在目标客户，模型上线以来区分能力与稳定性表现良好，低价值客户提升模型AUC始终维持在0.88以上，准确率在0.84以上。客群标签及模型结果定时跑批后传输至CRM系统、销售管理平台等中台系统进行落地，截至目前，月均识别重点客群近200万，可采用标签圈选或模型名单推送的形式进行精准圈客，同时与权益平台、18个前端渠道及运营团队进行联动，根据细分客群特性及标签特性将客户的业务旅程拆解为促开卡、促绑定、促登录、促交易、产品推荐、裂变留存6个环节，不断提升客户MAU，进而提升AUM，延长客户生命周期，盘活存量客户，做优客户结构。同时，依托项目输出成果，首次创新落地了“零售客户档案”，为全行300余家网点提供“一点一策”专项支撑服务。

六、项目成效

（1）经济效益：贵阳银行长尾客户体量规模大、客户经理覆盖度低，叠加客户需求较为单一，将客户按生命周期分层分群并结合机器学习模型结果，通过开展线上渠道营销活动结合远维团队提供客户维护后，增强了对长尾客户的分析洞察，关怀体验覆盖度提升10倍以上；模型探测潜力客户的精准度较人工筛选提升5倍以上，产品交叉持有率提升至40%以上。在减轻分支行维护压力的同时实现了业务增长，有效的将金融科技与业务实现融合，发挥数据价值，赋能一线发展。

（2）社会效益：本项目是贵阳银行对数字化转型道路的实践，是西部城商行中率先针对全量零售客户按照生命周期进行数字化运营的探索，借助贵州省大力发展数字经济的契机，贵阳银行结合自身实际，在市场容量和人才支撑相对欠缺的情况下，不断探索新兴技术，打造了西部地区城商行零售数字化转型模范，在同类城商行中起到了一定的示范作用。同时注重金融科技人才培养，为数字化转型道路提供支撑。未来也将不断探索数据赋能业务发展的新方向，秉承用户至上，客户为本的理念构建数智化的金融生态。

七、经验总结

客户运营需是从上至下，上下一心从关注客户需求出发，而非围绕考核目标出发。在本项目中运用了大量的机器学习算法对客户进行分层分群，探索客户需求，而分支行在使用过程中往往会因为不了解算法结果而降低使用的积极性，在接触新信息的初期，大多会有抵触心理或持怀疑态度。项目研发部门可持续做好培训推广工作，将算法解释简单化，寻找试点分行，运用AB test等形式，展示出模型算法推荐结果与人工筛选结果间的差异，使一线人员信数据、用数据，逐步提升全员数字素养。