一、项目背景及目标

随着金融监管政策对用户隐私保护要求的持续升级，隐私协议签约已成为银行数字化服务的核心合规门槛。从行业现状看，存量客户隐私协议签约率不足是普遍痛点，尤其面临 "新客转化趋稳、老客激活乏力" 的双重挑战。华夏银行当前手机银行签约客户规模超3千万规模，但隐私协议签约客户还不足千万，同时现有营销触达已覆盖存量用户，传统广撒网式营销边际效益递减。同时，老客月均签约增长显著低于新客月均增量，上千万未签约存量客户的转化潜力亟待激活，凸显出从 "新客驱动" 向 "存量深耕" 转型的必要性。

同时，一是监管机构明确要求金融机构需实现用户隐私协议签署的全覆盖，未签约存量客户存在合规风险敞口。二是传统营销渠道对存量客户的触达率已达天花板，亟需通过精细化运营突破覆盖边界，为后续营销线索下发夯实数据基础。三是存量客户中存在 "高价值客户未纳入合规体系" 的运营漏洞。通过建立存量客户签约转化的动态评估模型，将隐私协议签约纳入客户生命周期管理，形成 "模型驱动 - 策略优化 - 效果反馈" 的闭环运营体系，为后续营销活动提供高质量用户数据支撑。

二、创新点

1.数据适应性优势

1）冷启动与稀疏数据处理能力：

针对冷启动场景下的数据特征稀疏问题，采用贝叶斯网络动态筛选入模变量，通过概率推理机制挖掘变量间潜在关联，在低维度数据环境中构建有效特征空间，突破传统模型对完整数据矩阵的依赖，显著提升稀疏场景下的模型拟合精度。

2）数据聚集效应优化：

基于样本分布差异动态调整建模策略，通过贝叶斯网络训练超参数，实现对不同客群（如新老客户、区域客群）的数据特征分层筛选，避免单一固定变量集导致的拟合偏差，增强模型在复杂数据结构中的鲁棒性。

2.算法创新与策略突破

1）正负样本失衡解决方案：

颠覆传统响应模型依赖样本均衡化（如过采样 / 欠采样）的局限，引入Lookalike 建模原理，通过高维特征空间中相似样本的迁移映射，将少量正样本的特征分布扩展至未响应群体，在保持原始数据分布的前提下突破正负样本比例悬殊（如 1:100+）的建模瓶颈，提升潜在转化群体的识别准确率。

2）资源受限环境下的工程化创新：

针对无 GPU 算力、批量数据处理能力不足的现实约束，设计分布式子模型构建方案，按分行维度拆分数据集并构建本地化子模型，通过跨子模型参数调优与结果融合，在避免大规模算力投入的同时实现对千万级数据的高效训练，兼顾模型精度与工程可行性。

3）方法论价值

整套方案聚焦 "轻资源投入 - 高价值产出" 目标，通过贝叶斯网络动态特征筛选 + Lookalike 相似性迁移 + 分布式子模型训练的组合策略，在数据稀疏、样本失衡、算力有限的多重约束下构建高精度预测模型，形成可复制的 "小资源撬动大场景" 建模范式，为同类金融场景（如存量客户激活、隐私协议转化）提供低成本高效能的技术解决方案。

三、项目技术方案

因本次业务核心聚焦于存量客户当中，在目标客群数量固定(无新增用户）且“未来的价值用户仅来自于现有训练样本”的场景下，模型构建需聚焦存量用户价值与时间序列内的精准识别，核心在于通过数据切分和建模策略，从固定样本中挖掘高价值用户。因此对于本次建模的核心挑战在于：1.样本空间固定性：模型需在固定样本内完成 “种子用户→相似用户” 的映射，且样本不会出现增加。2.价值动态性：部分当前未签约客户可能随时间转化签约。3.资源有限性：需优先触达高转化概率客户，避免无效营销，因此模型本身更关注模型的排序能力和转化效果以及覆盖率。因此需要制定特定的建模方案：

1）数据集构建策略：

正样本的时间区间必须严格隔离：验证集 / 测试集的种子用户必须是训练集时间范围外新转化的客户（避免数据穿越）例：2024 年训练集的负样本中，若某客户在 2025 年签约，则该客户在验证集 / 测试集中应被标记为正样本。负样本去重：各数据集的潜在用户需排除对应时间段内的正样本，确保负样本为截止到对应时间内为 “真实未转化客户”。动态样本更新：每次下发前，从固定客群中剔除已签约客户，剩余未签约客户构成新的潜在用户池（潜在用户随时间递减）。构建动态的种子集：按时间周期更新种子用户（如 2025Q1 种子用户包含2024Q4+2025Q1 签约客户），在验证模型时避免模型过拟合。

2）样本清洗策略：

基于 LightGBM 模型通过梯度下降和特征重要性分析实现自动化特征筛选，无需人工分箱或计算 IV 值。特征工程聚焦数据质量优化，主要策略包括：

高缺失率特征处理，剔除缺失率超过阈值的字段。这类特征因信息缺失严重，对模型训练的贡献极低，保留反而可能引入噪声，此类特征即属剔除范围。

高集中度特征过滤：对特征值的分布进行统计分析，删除单一值占比超过阈值的高集中度特征。这类特征由于取值过于集中，缺乏有效区分度，无法为模型提供足够的分类信息。通过集中度检测，可提前识别并过滤此类无效特征。

共线性特征优化：计算特征间的 Pearson 相关系数，对相关系数超过阈值的特征对。保留对目标变量贡献度更高的特征。例如，"账户余额" 与 "可用余额" 通常存在强相关性，通过对比二者在模型中的信息增益，优先保留对预测结果更具解释力的特征，以避免共线性导致的模型参数估计偏差。

穿透性特征校验：依据业务逻辑，严格筛查并剔除包含未来信息或因果矛盾的穿透性特征。这类特征可能因数据采集逻辑问题，如“近3个月客户登录手机银行次数”，在业务上出现因果倒置的情况。

通过时间戳比对和业务规则校验，确保所有输入特征均为预测时点前可获取的有效前置信息。处理流程严格遵循 "缺失率筛查→集中度检测→共线性分析→穿透性校验" 的优先级顺序，先解决数据可用性问题，再逐步提升特征预测有效性、模型稳定性和业务合规性，从而有效规避了无效特征、冗余信息和逻辑矛盾对模型训练的干扰，为提升模型性能和业务落地效果奠定了坚实的数据基础。

3）模3）模型训练策略：

针对不同分行客群结构差异（如地域经济水平、客户资产规模、交易行为特征），构建分行级独立建模框架，实现地域特征的精准捕捉与模型效果的动态监控。在数据上采用数据分区策略，按分行代码将全集数据划分为 N 个子集，各子集独立执行数据清洗（复用步骤（1）标准流程），确保数据质量一致性。 建立分行模型评估矩阵，重点跟踪 AUC、Lift、Recall 等核心指标，对AUC低于阈值的分行实施专项优化。

对每个分行数据集按比例拆分训练集与测试集，采用目标变量分层策略确保样本分布均衡。同时将整个训练样本（包含训练集和测试集）的种子用户客户签约范围为25年年初到观测期的签约客户，验证集的种子用户签约范围为观测期到最新日期的签约客户，避免数据穿越问题。

在使用贝叶斯对超参数进行优化时，首先对搜索空间进行定义，之后基于贝叶斯优化搜索框架以 5 折交叉验证 AUC 为核心指标，构建目标函数迭代搜索最优参数组合。并且用早停机制（Early Stopping）防止过拟合。通过高斯过程模型与采集函数（Expected Improvement）实现参数空间的自动化探索，获取最优超参数。利用最优超参数训练出最终模型。通过feature_importance属性提取特征重要性评分（按 Gain 指标降序排列）。

四、项目过程管理

1）模型宽表设计与开发

基于模型所需解决的业务痛点，盘点目前所探查以及可以获取的客户信息数据，梳理出6大类数据标签。基于6类数据标签构建模型宽表。并在25年3月份完成模型宽表开发，并完成数据核验；

2）模型训练与名单下发

手机银行存量客户隐私协议签约转化模型于2025年4月中旬完成开发，各项评估均达到上线预期，模型评估指标结果按照；

名单生成与预测

在2025年4月底完成名单生成策略、成效设计及物料准备，在5月份完成名单下发并回收成效结果；

五、运营情况

在模型落地运营阶段，本次模型基于“数据建模 - 名单生成 - 精准触达 - 效果反馈” 的闭环运营体系，确保隐私协议签约转化目标的高效达成。基于模型预测结果，按分行维度对客户签约概率进行排序，提取各分行前的高潜力客户作为预下发名单。通过加权汇总机制，结合分行客群规模、历史转化效率等因素确定最终下发名单数量，确保资源分配与分行实际转化能力匹配。同时，通过特征重要性分析（如积分发放额度、当月资产月日均等公共特征排名靠前），提炼核心触达卖点，指导短信物料内容设计，实现 “特征 - 文案” 的精准映射。

在触达策略上采用短信轻量化触达方式，通过 AB 测试科学设置执行组与对照组，以验证不同策略的有效性。同时，为进一步提升触达效果与用户体验，针对同一批次客户设计多版差异化短信物料，通过内容文案、权益卖点、交互形式的多维优化，实现精准化信息传递，在控制触达频次的前提下最大化激发客户响应，助力提升转化效率。

六、项目成效

截止到模型上线后，签约隐私协议客户已突破千万，截止到目前已达到1018万，较年初增长3.77%，其中，存量客户隐私协议签约率较基线提升24%，其中高价值客户（模型推荐前 10% 群体）转化率达 12%，较全量客户均值提升3倍。并且通过模型驱动精准覆盖营销，累计完成超 10 万存量客户的合规签约，显著缩小风险敞口。通过建立 “周度效果复盘 - 月度模型微调 - 季度策略迭代” 机制，根据客群行为变化动态调整特征权重与触达策略，确保模型长期有效性。

七、经验总结

通过全样本训练 + 动态 Lookalike 建模，可在不同时间周期内高效定位与高价值客户特征相似的潜在群体，核心在于融合静态属性、动态行为与时间序列特征，并通过持续迭代适应业务场景的变化。该方法尤其适用于金融行业用户基数大、行为数据丰富且价值随时间波动的情况，能显著提升精准营销效率与资源投入回报率（ROI）。