一、项目背景及目标

1.立项背景

在竞争激烈的金融市场大环境下，客户的需求不断升级，意味着客户服务体系将是未来金融机构核心竞争力的来源，同时也是构筑差异化优势的战略制高点。随着目前科学技术的不断发展，大数据、人工智能等科技前沿技术已经成为证券期货行业关注的焦点。与此同时，习近平总书记也指出：“加快数字中国建设，就是要适应我国发展新的历史方位，全面贯彻新发展理念，以信息化培育新动能，用新动能推动新发展，以新发展创造新辉煌。”证券行业数智化转型发展目前存在数智化转型人才支撑不足的缺点，因此鼓励证券公司在人工智能、区块链、云计算等领域加大科技投入、促进业务的融合发展势在必行。而数智化集约化运营平台，作为客户服务体系建设中的核心，便于公司利用科技手段对客户提供低成本、集约化、智能化、标准化的服务，将客户的行为和交易数据形成数据资产，可以进一步提升服务效率，降低业务成本。

目前，各大券商的数智化转型已初见成效，但“数智化”建设却刚刚起步。特别是在客户服务与客户运营领域，现阶段大都仅完成了系统平台的搭建工作，将之前只能依赖线下完成的运营动作转变为线上、线下相结合的运营方式——线上的数智化触达服务更普遍的客户、线下的人工触达提供更精细化的服务。然而这种运营方式依然会非常依赖运营人员的业务经验，经验丰富的运营人员和经验较少的新员工之间存在较大的个体偏差，站在整个公司的角度，整体的运营水平也会因为这样的个体偏差被拉低。此外，在客户服务和运营决策的过程中并未充分发挥业务数据的作用，数据价值被严重忽视。

在此背景下，中泰证券联合中科院上海微系统与信息技术研究所开展产学研合作，针对中泰证券在客户服务与客户运营方面的数智化转型需要和相关痛点问题，依托中泰证券的金融科技力量和中科院微系统研究所在人工智能领域的科研能力，共同构建数智化集约化运营体系，形成算法挖掘、潜客展示、营销运营、效果追踪、迭代反馈的完整闭环，助力公司零售客户的价值赋能。

2.市场分析

当前金融环境日趋复杂，实力强劲的竞争者不断涌现，传统的运营实践正逐步变成企业未来发展的负累，让金融机构应对不及。人工智能+金融显然已成为企业的智能引擎，各大券商都涌进智能化进程的潮流中。中国证券业协会党委书记、执行副会长安青松在2020中国金融科技大会暨全球金融科技创业大赛颁奖典礼上指出“目前已经有20%证券公司启动了数字化转型，并制定数字化发展战略，92%证券公司在2020年增加了数字化转型方面的投入，其中有16%的证券公司投入增幅在100%以上”。基于此背景，中泰证券也在逐步打造“数智化”运营平台，实现智能化客户服务和运营。

智能运营主要包括如下几个要素：创新型人才、数据支持、应用智能以及智能化生态系统，全面整合这几大要素在助力证券行业实现颠覆性业务流程变革的同时也带来不同程度的挑战：

（1）数据中台建设亟需加强。随着企业数字化、信息化建设的深入，数字孤岛问题日益凸显，信息系统多样性与复杂性、内部数据与外部数据无法打通等系列问题成为 IT 建设新难题。

（2）金融风险防范和网络安全将面临更加严峻的形势。随着金融信息系统业务线上化，覆盖率以及架构复杂程度正在持续提升，金融风险防控面临更大挑战，金融网络安全技术防护能力急待提升。

（3）科技类综合型人才支撑不足。智能化转型的根本目的是实现科技赋能，人工智能助力业务发展，因此转型道路上的既需要懂大数据、机器学习、深度学习算法技术又熟悉业务知识的复合型金融高科技人才，然而证券行业这类人才非常匮乏，需要加大培养。

3.项目简介

3.1研究目标

本项目结合券商数智化转型的背景与中泰证券在客户服务与客户运营方面遇到的业务痛点，积极响应国家“十四五”规划提出的推进产学研深度融合的发展目标，联合中科院上海微系统与信息技术研究所，搭建数智化、智能化、标准化、精准化的运营服务体系，重点解决客户运营过程中频繁遇到的以下问题：

（1）解决数据孤岛、数据链路断点多的问题。通过打通多个业务系统的数据链路，实现多平台的数据整合和有效数据的深度挖掘与分析。为用户行为分析、AI营销服务中台的算法挖掘、营销活动中客户的触达跟踪以及营销后的效果收集反馈奠定基础。

（2）解决运营效率受个体偏差影响大、运营经验无法有效沉淀的问题。传统的运营方式较多依赖业务人员的运营经验，经验丰富的运营人员和经验较少的新员工之间存在较大的个体偏差，整体的运营水平也会因为这样的个体偏差被拉低。通过构建AI营销服务中台，一方面可以起到“提上限、保下限”的效果，AI 算法模型挖掘到的潜客名单和营销线索将助力有经验的运营人员逐步突破运营效率上限、帮助经验不足的运营人员提高运营效率下限，进而解决传统运营方式中个体偏差大的问题；另一方面，通过AI算法建模可以将经验驱动沉淀为数据驱动，将丰富的运营经验沉淀为对用户数据的分析理解。

（3）解决营销活动缺少流程化、闭环管理的问题。通过数据链路的打通和数智化集约化运营平台的建设将客户服务与客户运营过程中的潜客挖掘、信息审核、信息发布、效果追踪、反馈优化等环节串联成一个闭环流程，同时通过权限控制、合规审核等功能实现对合规风险和业务风险的管控，进而使营销运营活动的开展更加规范化、流程化。

3.2研究内容 

在研究过程中，我们数智化集约化运营体系的建设核心是AI营销服务中台，而现阶段，数智化运营体系离不开人工智能算法的支撑，AI营销服务中台利用大数据和人工智能技术深挖数据价值，精准定位出各业务场景下的潜在客户和营销线索，赋予平台“数智化”的运营服务能力。通过精准化的客群挖掘，一方面有助于实现对不同客户群体的精细化和差异化运营服务管理、提升客户服务与运营效率、提高公司的资源配置效率，另一方面有助于将丰富的运营经验沉淀为对客户数据的分析理解、沉淀为公司层级的数据资产。本课题研究内容主要分为如下三方面内容：

(1)用户行为分析引擎。系统将提供用户行为数据分析能力，对我司各类终端数据进行收集与统计。通过与智能运营分析系统对接，形成客户运营闭环，达到数据驱动产品功能，增强客户归属感与客户黏性。

(2)AI营销服务中台。数智化集约化运营体系离不开数据的支撑，AI营销服务中台将利用大数据和人工智能技术深挖数据价值，精准定位出业务场景下的潜在客户和营销线索，赋予平台“数智化”的运营能力。通过精准化的客群挖掘，进一步降低运营成本、提升公司的资源配置效率，实现对客户群体的精细化和差异化运营管理。截止目前，AI营销服务中台落地了新开户转有效户潜客挖掘、有效户流失预警、空户盘活、舆情分析与基金推荐、高潜客户画像分析等算法模型，为新开户到有效户的转化提升、存量有效户的流失率降低、公募基金销售、高潜客户资产回流等运营场景提供了有效的赋能支撑。

（3）智能运营分析。通过微服务技术架构以及与用户行为分析引擎的对接，实现运营效果可追踪、运营数据可视化、运营任务可管理、系统权限可隔离的系统功能，实现客户服务与客户运营的闭环管理。

二、创新点

本研究项目基于中泰证券乃至整个证券行业在运营智能化转型过程中面临的痛点，结合具体的业务需求场景，从数据建设、模型开发、运营平台建设、模型结果自动化运营、运营效果追踪等多方位打造智能化客户运营和服务体系。相较于现有的研究项目，本项目的突出优势主要体现在如下几个方面：

（1）该项目由中泰证券牵头与中科院微系统与信息技术研究所产学研合作研发，双方发挥各自在市场、技术和人才上的优势，利用人工智能算法助力解决中泰证券在客户服务与客户运营方面的业务痛点。

（2）切合实际的应用场景。中泰证券始终秉着“客户至上”的理念，并贯彻到工作的方方面面，提升客户服务的前提是需要对客户有一个较为全面的画像分析。

项目会围绕客户的生命周期（获客、新开户激活、客户价值提升、流失、召回）对各类数据（行为、交易、价值、自然属性以及投资偏好等特色标签）进行收集、统计与分析，形成一个个标签，进而完善客户画像体系以适应不同业务部门的业务需求。

（3）研发采用业界主流技术。数据加工处理依赖Apache Spark/Flink等大数据技术，相较于传统的Hadoop MapReduce，在批量处理以及大规模的流处理上性能更高。模型开发用的也是业界主流的算法，包括常用的集成机器学习算法（如XGBOOST、LightGBM，以及多模型间的Stacking），DNN神经网络算法，有助于提升模型预测的准确性。

（4）有系统化的运营方案。项目的研发成果并不只是简单的输出一个数值，还会开发相应的运营功能，建立与业务需求匹配的运营客群，通过运营平台监控运营的效果并及时反馈，以便进行模型的迭代优化。智能运营中心可实现自动化运营，方便制定定制化的运营方案，在降低运营成本的同时，提高运营效率和客户体验。

三、项目技术方案

1.项目整体规划

本课题的目的是将人工智能与客户服务和客户运营有效结合起来，在降低运营成本、提高服务效率的同时提升用户体验和价值。模型结果只是课题研发的一部分，还需研发相应的数智集约化平台方能发挥模型的预测推理作用，实现1+1大于2的效果。为实现模型的有效转化，AI营销服务中台将重点完成以下能力建设，将模型研发到智能化运营到运营效果可视化串联起来：

（1）2022年7月——制定项目建设方案及项目立项，为项目启动做准备。

（2）2022年9月——研发用户行为分析引擎（埋点系统）和画像标签系统（DMP系统），这两个系统是客户/产品/员工画像信息的主要来源。智能运营需要对客户、产品和服务人员三方面有一个全面的认识，基于Apache Spark、Apache Flink等大数据技术，对客户的自然、价值、交易等多维度信息进行画像分析，同时挖掘产品和服务人员的画像信息以及三者之间的潜在联系。此外，课题研究成果也会以标签的形式反馈回去，方便后期产品的推荐和运营工作的开展。

（3）2022年12月——消息触达和运营任务分配管理系统，这两个系统将研究成果和运营方案结合起来，以便反馈运营效果及时进行模型的迭代优化。消息触达系统中的智能外呼、消息推送（齐富通APP、融易汇PC客户端等）、短信、微信公众号等多方位触达方式有助于提高目标客户群体的有效触达率，降低运营成本。运营任务分配管理系统主要实现运营任务的自动化分配和监控，包括运营任务自动执行、运营效果追踪和运营数据可视化等功能，提高运营效率。

（4）2023年2月——基于前期的开发成果，根据业务需求的紧急程度优先设计新开客户转有效户模型、空户盘活模型、有效户流失预警模型。

（5）2023年5月——设计和研发智能资讯推荐模型、公募基金产品推荐模型和组合线索挖掘，实现实时触达。

（6）2023年7月——AI营销服务中台，该系统上面几个系统的连接纽带。通过智能营销中心实现以上几个系统之间的信息传递，保证整个研发项目的完整、可监督性。

（7）2023年8月——项目验收确认和材料归档等工作。

2.技术架构

2.1数智化集约化运营平台架构图

我们借助人工智能的技术力量建设了数智化集约化运营平台，可以更好地了解客户需求和行为习惯，提高服务的精准性和效率性，实现更好的客户营销和服务效果，进一步提升客户满意度和忠诚度，提高公司产品和服务的市场竞争力。下面简单介绍下我们数智化集约化运营平台的技术架构图。

数智化集约化运营平台由用户行为分析引擎、标签计算与客群管理、智能运营分析、多渠道触达、AI营销服务中台等系统模块共同支撑构建而成。图1是平台的整体架构图，底层数据依赖我司大数据平台的数仓能力和计算能力，上层基于Kafka、Apache Spark、Apache Flink、Redis等大数据计算框架和各类中间件技术搭建了用户行为分析系统（埋点系统）和客户标签系统（DMP系统），其中用户行为分析系统，负责各类终端（Android、IOS、WEB/H5、小程序）多种数据源的数据采集，经过数据处理及聚合，提供终端客户的行为数据分析的能力；客户标签系统基于交易、资产、行为、基础属性等各类数据资产对客户进行聚类分析，将一些重要的共性特征输出为客户的画像标签，再上层是基于微服务架构和分布式架构搭建的一些系统服务，其中智能运营分析为运营人员提供了定制化、可视化的运营数据分析及运营活动指标的数据展示；多渠道触达可实现电话外呼、消息推送（齐富通APP、融易汇PC客户端等）、短信、微信公众号等触达方式，提升客户服务的手段途径以及触达客户的效率。 

图1平台的整体架构图

2.2 AI营销服务中台架构图

数智化运营离不开人工智能算法的赋能，为此我们基于大数据平台的算力设施和数仓能力构建了AI营销服务中台，基于业务场景和痛点问题建设各类算法模型。AI营销服务中台的技术架构（图2）大致分为数据源、数据采集、数据收集、数据计算、数据应用五个层级。

数据源包括了DOP、MOT、KPM等各类可服务零售业务的结构化数据以及埋点、日志系统提供的非结构化数据。

数据采集层将采用大数据平台的DataX、Sqoop等数据同步工具处理批量数据采集任务；使用Flume、Filebeat等数据同步工具处理实时数据采集任务。

在数据收集层，对于批量采集的数据落入大数据平台TDH、员工展业TiDB等存储设施进行离线存储；对于实时采集的数据通过Kafka消息队列进行数据传送与数据分发。

在数据计算层，依托Hive、Spark、Flink等计算框架对收集层的数据进行ETL、特征加工、指标计算等粗加工处理。

在数据应用层，首先由中台服务承接数据计算层的计算结果，其中部分数据可对接展业平台等中台系统直接使用；还有一部分数据需要进行一系列精加工处理才可投入使用。在AI营销服务中台里会对这部分数据做进一步的分析挖掘，比如：利用统计分析方法挖掘用户画像、商品画像；利用机器学习算法（如LR、GBDT等）构建潜在客户挖掘模型；利用深度学习算法（如DIN、DeepFM等）构建深度推荐模型、深度语言模型等。精加工的结果会以数据接口、消息队列等多种形式提供公共服务，支撑齐富通APP、企业微信、掌易通、综合金融平台、DOP等各类终端系统使用。根据客户分类和客户画像，制定不同的服务策略，为客户提供个性化、差异化的服务。

图2 AI营销服务中台架构图

3.模型算法设计

新开转有效、空户盘活模型、客户流失预警模型、舆情资讯分析模型和产品推荐模型是用户运营与智能营销平台的一部分，可以协助用户运营和智能营销，提升客户满意度、销售额和市场竞争力。

3.1模型概述

（1）基于机器学习算法的新开转有效模型。新开转有效模型实现新开户的成长促活。通过分析新开客户转变成有效客户这个过程中的行为特征、基本画像变化情况，建立新开转有效模型，预测大概率会转有效的用户并提供相应的营销线索，实现新开户的促活。

（2）基于深度学习算法的基金产品推荐模型。基金产品推荐模型旨在搭建实时推荐引擎，借助Flink流处理技术解析用户实时的行为埋点信息，并结合用户画像特征以及资产信息，运用神经网络推荐算法进行实时预测，为用户提供个性化的基金产品推荐。推荐结果搭配相应用户的行为路径作为营销线索，反馈到齐富通、掌易通、企微等平台供业务部门使用，实现用户实时，精准化营销，提升用户体验和运营效率。

（3）基于深度学习算法的舆情资讯分析模型。利用自然语言处理算法挖掘资讯新闻的舆情信息以及资讯和公募产品的关联关系，之后通过公募基金公示的持仓信息、资讯新闻涉及的主要上市公司信息和客户的自选、持仓信息构建起客户、产品、资讯三者间的关联关系，以热点舆情作为主要抓手向具备风险等级要求的客户进行个性化产品推荐。

（4）基于机器学习算法的有效户流失预警模型。利用机器学习算法分析海量业务数据和用户数据，根据历史上流失客户在其失活之前的数据表现抽取出关键特征，使用关键特征训练机器学习模型，待模型参数稳定收敛后，利用机器学习模型预测现存有效客户中有流失倾向的潜在预流失客户。通过对潜在预流失客户的精准预测助力客户留存的运营管理，提升客户服务与客户运营效率，降低有效户流失率。

（5）基于机器学习算法的空户盘活模型。通过分析过往由空户转变为活跃用户的用户数据，建立空户盘活预测模型，用空户盘活模型推理和监控现有空户当中能够盘活的概率及相关线索，锁定大概率会盘活的客户，进行针对性的运营触达。

3.2特征工程

图3数据特征工程处理方法

模型数据极有可能存在缺失值、重复值、数据量纲和数据分布不同等问题，在使用之前需要进行数据预处理的操作。数据预处理的主要步骤分为：数据清理、数据集成、数据规约和数据变换，图3展示的是建模过程中特征工程所用的基础操作。

3.3模型离线训练

新开转有效、空户盘活任务、客户流失预警任务和舆情资讯分析任务可以被视为二分类问题，即对新开客户是否转有效户、空户是否能够被盘活进行分类，对客户是否将要流失进行分类以及对新闻资讯的舆情正负面情况进行分类。产品推荐模型可以看作多分类的问题，即预测用户可能感兴趣或者购买的Top-n产品。

基于预处理得到的数据特征，传入相应的算法模型中进行训练，图4展示的是模型训练的基本过程。建模过程中尝试的机器学习分类算法包括决策树、随机森林、Adaboost、Xgboost、LightGBM等，深度学习算法包括MLP、DIN、DeepFM、BERT、RoBERTa 等算法。通过参数调优不断的优化数据特征和算法参数，终筛选出适合业务需求的模型。

图4模型训练过程

4.模型上线部署方案

根据是否需要进行实时预测，制定了不同的模型上线方案。

4.1批量预测模型部署方案

新开转有效、有效户流失预警和空户盘活模型以及相关的用户画像和报表分析对实时性没有很高的要求，只需要进行批量预测或者分析，图5展示的是这类模型上线部署流程的拓扑图。其中海豚调度平台是一个数据传输和任务调度的平台，方便数据在不同平台间的传输和任务执行。首先，通过Spark任务提交机提交Spark任务，进行数据特征的计算和预处理；其次，通过调度平台将数据推送到模型算法服务器上进行训练、推理和预测；后，预测结果通过调度平台再进行反向传输，并同步到业务数据库中供业务部门使用。

图5 批量预测模型上线部署过程

4.2实时预测模型部署方案

图6实时推荐模型上线部署过程

舆情分析和产品推荐模型涉及到实时数据的消费和实时预测，模型上线部署的流程和上面几个模型有些许的差异，新增模型上线服务功能，图6为实时预测上线部署方案。通过Flink实时消费用户的埋点行为信息，并在线组装相应的属性特征构造用户特征信息，通过tf serving或者torch serving的办法实时请求预测，并将预测结果返回到相应的Kafka库中，供下游使用。整个流程依然通过海豚调度平台进行任务的调度和监控。

5.模型运营方案

在零售业务部的业务人员的协助下，将模型输出的目标客户与非目标客户分为实验组和对照组，进行A/B实验。实验过程中会对两组客户进行相同的运营动作，通过数智化运营平台（DOP）对两组客户进行触达，并统计后续效果，通过效果对比来验证各个模型的有效性，下面以空户盘活模型的运营方案为例展开详细的介绍。整个运营过程共分为两个阶段：算法线上验证阶段和常态化运营阶段（图7）。

图7空户盘活场景的运营方案流程图

（1）A/B实验阶段。无论是否是潜客都会运营，主要是为了验证模型上线初期的效果，根据效果不断优化模型和运营方案，包括运营数据量、运营方式、效果统计指标等多维度信息的调整，为后期常态化运营做准备。

（2）常态化运营阶段。在模型有效性得到验证之后，业务人员将基于上述A/B实验的运营策略对模型输出的目标客户进行常态化的运营服务，终实现有效户流失率的不断下降与新开客户有效率和空户盘活率的不断提升。

6.商业模式

本次课题研究的核心是通过智能运营和客户服务提升用户价值，提高公司的经济效益，拟解决运营过程中潜在客户识别难、用户行为变化原因无法追踪、人工运营成本高等难题。针对在公司开户后的客户做一些潜客挖掘和智能推荐服务，根据不同阶段将客户划分为不同的研究群进而建立相应的模型。

首先，新开户但是尚未转为有效户的这部分用户，可能不太了解平台功能或公司的产品，可根据客户的行为特征，为这批客户推荐公司相应的产品（如新客理财）或新闻信息，提高用户活跃度进而实现价值转化；其次，针对那些触发流失预警的用户，说明有很大概率会流失。根据预计会导致流失的原因结合客户的标签信息对症下药，配合相关的话术、研报进行客户挽留和维护；后，针对被判定为空户的用户，近期可能没有太多的行为信息（包括交易行为、APP点击行为），通过建模找到更容易被盘活的用户，根据每个用户的盘活原因（如近访问ETC页面增多）推一些客户比较感兴趣的内容或者产品，进而实现客户激活。

四、项目过程管理

里程碑（立项启动T、开发建设、上线试运行、验收等）及各阶段时间计划。例如：

本项目工期约360个工作日，假定立项审批日期为2022年7月，预计完成日期为2023年8月。

本项目包含多个需求，涉及到多个自研系统改造，项目工期按AI营销服务中台建设的项目周期计算。如有可单独上线的需求，则可在完成后提前验收。

五、运营情况

在数智化集约化运营平台的系统功能建设层面应完成用户行为分析引擎、智能推荐、多渠道的消息触达系统、运营任务管理与分析系统等多功能。接下来将通过我们的数智化运营平台和基于开源框架搭建的海豚调度平台来展示相关能力的建设和使用情况。其中数智化运营平台包含了标签客群管理、智能运营分析和智能推荐、运营任务自动化管理等功能，海豚调度平台主要还是负责模型建模和分析任务的调度和管理。

1.任务调度平台

基于调度平台可以设置任务调度工作流，通过这个流程实现数据加工处理、模型的预测和预测结果的推送。目前共有10多个相关需求任务部署在海豚调度平台，图8展示了2023年5月份平台的使用情况统计，其中累计成功执行调度任务1887次。

图8海豚调度平台使用情况

2.智能推荐模块

智能推荐模块属于数智化运营平台的一个重点功能，目前共上线了5个算法模型（图9所示），每个算法下存储了模型预测出的潜客以及相应的客户画像信息。图右侧展示了空户盘活模型在2023-02-01日输出的潜客以及模型认为比较重要的特征值，供业务部门分析使用。模型潜客数量和输出频率可根据需求而定，可以实时（如智能资讯模型）、按天、按周（如新开转有效模型）、按月（如空户盘活模型）进行潜客更新。以新开转有效模型为例，截至2023-05月已经输出了39批潜客供业务部门使用。

图9智能推荐模块

3.客群标签管理模块

图10客群管理模块

我们在做运营服务之前要圈定好我们想要服务的客群，在DOP标签管理菜单下的客群管理功能（图10），可以支持我们使用标签组合来构建想要的客群，如果DOP操作员有自己的客群名单也可以选择手动导入的方式。截至2023年5月份，已创建近300个属性及上千个行为标签，基于标签创建的客群数约2000个，供各大业务部门使用，标签信息仍在不断扩充中。

4.营销服务模板

圈定好客群之后，我们根据具体的运营场景和运营方案可以选择自定义消息创建，也可以选择通过业务模板进行消息创建（图11）。目前有多种消息渠道可供选择，包括：短信、智能外呼、齐富通APP、PC融易汇、同花顺PC等，后续还会增加企业微信相关的触达渠道。在自定义消息创建中，需要明确目标客群，也就是我们要把营销运营消息推给哪些客户，还需要明确营销运营任务所属的业务分类；消息内容支持富文本编辑以及可以添加跳转链接。此外，为了方便配置人员可以具象地感知和观测自己创建的消息是否符合预期或者检查消息排版展示，我们也提供了消息预览的功能。目前，每周的App推送500多万次，覆盖用户200多万户；短信推送4千多次覆盖3000余人。

图11营销服务模板

5.智能运营分析模块

该模块下跟踪了各种运营任务的效果，可以看到不同批次运营任务在运营后一段时间内的转化情况，同时可以根据需要添加一些想要的别的指标。截至目前，智能运营分析模块下共包含了7个子业务场景：智能外呼、用户生命周期管理、智能营销线索、场景运营、用户计划管理、礼券发放、智能推荐，每个场景下还有细分的子项。图12列举了智能推荐下空户盘活模型运营任务的报表。

图12智能运营分析模块

六、项目成效

通过构建数智化运营体系以及基于人工智能的数智化运营平台的建设，中泰证券对财富管理客户的服务能力与服务效率取得了显著提升。借助数智化运营平台，中泰零售业务条线的客户服务与客户运营人员在新开客户有效户转化、空户激活、客户流失预警、高潜客户引导入金、开户断点跟踪服务等场景下均取得了不错的成果。

新开客户转有效户潜在目标用户识别模型、客户流失预警与空户盘活三个模型的F值（模型评价指标）在0.7~0.8之间，满足了目前的业务需求，后期会根据运营情况进一步迭代优化。接下来看下具体场景的上线运营效果：

（1）空户盘活场景。图13展示了空户盘活模型的运营效果，我们通过控制是否运营、是否潜客、是否全量用户这三个因素来验证模型预测的准确性和运营效果。经过一段时间的运营，我们以对照组的盘活率为基准，可以看到空户模型实验组的盘活率是对照组的12倍，验证模型预测的准确性，同时实验组的盘活率高于大概率被盘活的全量用户，验证运营的有效性。运营期间，实验组盘活的客户所带来的总资产可达300多万/月。

图13空户盘活模型不同客群盘活率对比

（2）有效户流失预警场景。图14展示了有效户流失预警模型不同客群的运营效果。我们通过控制是否运营、是否潜客、是否全量用户这三个因素来验证模型预测的好坏和运营效果。经过一段时间的运营，将全司有效户的流失率为基准，我们可以看到实验组的流失率是全司有效户的21倍，说明模型能有效识别出预流失客户，同时低于对照组的流失率，验证运营的有效性。通过该场景的运营，流失率较未运营下降了14.2%。

图14有效户流失预警模型不同客群流失率对比

（3）新开转有效场景。图15展示了新开转有效模型实验组（大概率会转有效的用户）和对照组（大概率不会转有效的用户）有效率转化情况，差值表示的是实验组转化率和对照组转化率的差，两组客群均发送运营消息。经过一段时间的运营可以发现实验组的有效户率整体乘上升趋势，且实验组和对照组之间的差距也逐步上升，验证了模型和运营效果的有效。通过新开转有效场景的运营，实验组的新开转有效率较全司平均水平提升了59%，促成转化的有效户总资产可达3000万元。

图15新开转有效模型不同客群转有效率对比

（4）开户断点跟踪服务场景。通过开户断点跟踪服务，可以赋能运营人员实施精准触达，不断扩大新开客户的规模。图16展示了运营前后断点续开成功人数的对比情况：以实际断点开户人数为参考1，运营前断点开户数占比73%，运营后提升了27%。

图16开户断点续开成功人数对比图 

七、经验总结

客户是公司的重要资产，是一切业务开展的基础，特别是在财富管理转型的大背景下，对客户的运营、引导与转化将变得更加重要。目前证券行业的业务开展具有较高的同质化，因此各家券商在数智化转型过程中面临的困难和业务痛点也或多或少存在一些相似性。

基于人工智能的数智化集约化运营平台作为客户服务与客户运营体系的系统支撑，利用微服务、大数据、人工智能等新兴技术打造了集算法挖掘、潜客展示、营销运营、效果追踪、迭代反馈的完整业务闭环。平台的建设和研发对外提升了客户服务体验，对内提升了员工展业效率，因此得到了我司业务部门领导和相关同事的高度认可。此外，平台提供的自动化运营和自动化管理功能可以大大缩短运营周期，减少人力和时间投入，提升运营效率和质量的同时也降低了公司的运营成本。通过在中泰证券的落地实施和效果验证，即可平滑地推广至业内的其他券商公司，帮助其解决客户分层结构不平衡不健康、客户服务效率低、客户运营缺少数据反馈等业务痛点，也能助力客户服务质量和效率的提升。