證券客戶價(jià)值指標(biāo)體系及評(píng)估模型設(shè)計(jì)

舒宏,李雙宏

(東方證券股份有限公司，上海 200010)

0 引言

隨著大數(shù)據(jù)時(shí)代的到來，大數(shù)據(jù)智能決策模式對(duì)金融企業(yè)更具針對(duì)性，將客戶服務(wù)流程和管理數(shù)字化，通過數(shù)據(jù)打通業(yè)務(wù)開展和管理的閉環(huán)，形成客戶服務(wù)工具，提升客戶服務(wù)效率和專業(yè)度，實(shí)現(xiàn)對(duì)業(yè)務(wù)的精細(xì)化管理等都需要充分利用大數(shù)據(jù)和人工智能技術(shù)[1]。其中，客戶數(shù)據(jù)的使用基本涉及了券商信息系統(tǒng)的方方面面，而客戶數(shù)據(jù)自身的多源性、大體量、多類型加大了數(shù)據(jù)使用的難度，因此，有效管理和利用客戶資數(shù)據(jù)、充分挖掘數(shù)據(jù)價(jià)值進(jìn)而賦能業(yè)務(wù)創(chuàng)新和發(fā)展日趨重要。人工智能技術(shù)能為諸多不同的業(yè)務(wù)場(chǎng)景提供定制化智能服務(wù)用以提升服務(wù)質(zhì)量，提高工作效率，減少人工成本[2]。

當(dāng)前，客戶數(shù)據(jù)分散，并且還未建立完整的、統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)，業(yè)務(wù)人員在分析客戶時(shí)需要在多個(gè)系統(tǒng)中導(dǎo)出數(shù)據(jù)，并通過Excel等工具人工統(tǒng)計(jì)分析才能得到結(jié)果。在服務(wù)過程中，投資顧問通過表格軟件、第三方資訊平臺(tái)等工具整理服務(wù)內(nèi)容之后向客戶提供服務(wù)，過程未留痕。業(yè)務(wù)的管理流程還未工具化，多數(shù)營(yíng)業(yè)部通過第三方平臺(tái)或Excel實(shí)現(xiàn)管理，效率較低。

隨著數(shù)字化技術(shù)的發(fā)展，證券企業(yè)的各個(gè)業(yè)務(wù)不斷地向數(shù)字化轉(zhuǎn)型，對(duì)證券客戶的指標(biāo)進(jìn)行分析，不僅能實(shí)現(xiàn)對(duì)客戶的精細(xì)化管理，而且可以根據(jù)客戶的個(gè)性化需求制定差異化的服務(wù)策略來提升企業(yè)競(jìng)爭(zhēng)力[3]。基于企業(yè)積累的數(shù)據(jù)，準(zhǔn)確地構(gòu)建客戶的指標(biāo)體系并進(jìn)行價(jià)值評(píng)估，有助于對(duì)客戶提供精細(xì)化服務(wù)，并提高客戶服務(wù)的質(zhì)量[4]。此外，根據(jù)客戶的行為數(shù)據(jù)，通過SVM、協(xié)同過濾等智能算法，將不同行為的客戶數(shù)據(jù)分為不同類別，并對(duì)他們提供精細(xì)化服務(wù)，提高用戶對(duì)企業(yè)的忠誠(chéng)度與認(rèn)可程度，實(shí)現(xiàn)企業(yè)和客戶之間的雙贏。

為此，本文提出構(gòu)建證券客戶指標(biāo)體系和客戶價(jià)值智能挖掘的方法，整合客戶數(shù)據(jù)資產(chǎn)，結(jié)合智能挖掘技術(shù)，實(shí)現(xiàn)客戶的精細(xì)化服務(wù)。具體內(nèi)容包括兩個(gè)方面。

(1)證券客戶價(jià)值指標(biāo)體系構(gòu)建：整合公司客戶數(shù)據(jù)資產(chǎn)，建立資訊數(shù)據(jù)統(tǒng)一采集、存儲(chǔ)、管控與對(duì)外服務(wù)，提高數(shù)據(jù)使用效率、規(guī)范化數(shù)據(jù)質(zhì)量和標(biāo)準(zhǔn)。在此基礎(chǔ)上，構(gòu)建證券客戶的指標(biāo)體系，以正確地描述證券客戶的特征；

(2)構(gòu)建客戶價(jià)值評(píng)估模型：基于客戶價(jià)值的指標(biāo)體系，進(jìn)行了客戶評(píng)估模型構(gòu)建。通過客戶評(píng)估模型，有效地挖掘證券客戶潛在價(jià)值、驅(qū)動(dòng)業(yè)務(wù)創(chuàng)新和智能化轉(zhuǎn)型，并為證券客戶提供定制化服務(wù)，輔助企業(yè)智能決策。

本文主要從證券客戶信息數(shù)字化建設(shè)出發(fā)，對(duì)客戶價(jià)值指標(biāo)體系設(shè)計(jì)提出解決方案，并對(duì)客戶價(jià)值評(píng)估過程進(jìn)行剖析。

1 證券客戶價(jià)值指標(biāo)體系

證券客戶指標(biāo)體系是由一系列與客戶相關(guān)指標(biāo)所組成的整體，以便從多個(gè)方面體現(xiàn)客戶的價(jià)值或客戶數(shù)據(jù)的特征[5-6]。以客戶價(jià)值評(píng)估為目標(biāo)，構(gòu)建一個(gè)以客戶價(jià)值為主題的指標(biāo)體系，與客戶相關(guān)的數(shù)據(jù)都是分析的目標(biāo)。首先需要采集客戶相關(guān)數(shù)據(jù)，客戶數(shù)據(jù)包括客戶基本信息，客戶風(fēng)險(xiǎn)測(cè)評(píng)信息等。客戶交易數(shù)據(jù)包括：客戶在普通交易業(yè)務(wù)，融資融券業(yè)務(wù)，股票期權(quán)業(yè)務(wù)上的交易、持倉(cāng)、盈虧信息。客戶行為數(shù)據(jù)包括：客戶在App，PC端的交易，產(chǎn)品，資訊，活動(dòng)，投資等頁面瀏覽及委托行為。對(duì)獲取數(shù)據(jù)實(shí)施融合、建立客戶價(jià)值的評(píng)估指標(biāo)體系，最終經(jīng)過上述過程完成客戶價(jià)值指標(biāo)體系構(gòu)建。

(1)證券客戶數(shù)據(jù)治理：梳理相關(guān)基礎(chǔ)數(shù)據(jù)和應(yīng)用數(shù)據(jù)的數(shù)據(jù)質(zhì)量檢核標(biāo)準(zhǔn)與檢核規(guī)則，形成數(shù)據(jù)質(zhì)量評(píng)估體系、評(píng)估報(bào)告，形成數(shù)據(jù)治理檢核腳本以供日常檢核。數(shù)據(jù)治理主要工作包括：定義數(shù)據(jù)質(zhì)量需求、范圍，數(shù)據(jù)質(zhì)量問題剖析的方式、計(jì)劃等；基于定義的數(shù)據(jù)質(zhì)量范圍與數(shù)據(jù)標(biāo)準(zhǔn)，建立數(shù)據(jù)質(zhì)量問題剖析規(guī)則，運(yùn)行數(shù)據(jù)質(zhì)量規(guī)則來檢核問題。通過數(shù)據(jù)質(zhì)量檢核規(guī)則，完成一次質(zhì)量檢核，生成數(shù)據(jù)質(zhì)量報(bào)告，對(duì)報(bào)告結(jié)果進(jìn)行問題原因分析。根據(jù)數(shù)據(jù)質(zhì)量報(bào)告和數(shù)據(jù)質(zhì)量檢查發(fā)現(xiàn)的問題進(jìn)行處理和改進(jìn)，對(duì)改進(jìn)結(jié)果進(jìn)行持續(xù)跟蹤和評(píng)估。建立數(shù)據(jù)治理考核體系，通過考核指標(biāo)促進(jìn)數(shù)據(jù)質(zhì)量問題的有效解決。

(2)證券客戶特征篩選：整合證券客戶賬戶和交易數(shù)據(jù)、互聯(lián)網(wǎng)行為數(shù)據(jù)、員工服務(wù)過程數(shù)據(jù)并合理建模，形成統(tǒng)一的數(shù)據(jù)服務(wù)基礎(chǔ)。通過證券數(shù)據(jù)的融合、關(guān)聯(lián)和匹配，構(gòu)建證券客戶的多維指標(biāo)體系，形成標(biāo)準(zhǔn)化的多源數(shù)據(jù)融合、客戶標(biāo)識(shí)和基礎(chǔ)服務(wù)能力。證券客戶標(biāo)簽體系的構(gòu)建一方面依據(jù)公司積累的歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)，結(jié)合客戶行為數(shù)據(jù)，包括交易、持倉(cāng)、盈虧等，在此基礎(chǔ)上設(shè)計(jì)符合邏輯的指標(biāo)特征，該類指標(biāo)和證券客戶價(jià)值評(píng)估的內(nèi)容相關(guān)，且能夠從已有數(shù)據(jù)中計(jì)算提取的特征。但是指標(biāo)特征之間存在的聯(lián)系對(duì)與進(jìn)行數(shù)據(jù)的研究存在一些影響，為此要對(duì)這些可用的指標(biāo)特征進(jìn)行進(jìn)一步的篩選。有的指標(biāo)特征之間存在明顯的線性關(guān)系，有的指標(biāo)特征數(shù)據(jù)的分布情況過于單一，類似的一些問題在特征篩選中都需要去處理。

(3)證券客戶指標(biāo)體系構(gòu)建

證券客戶指標(biāo)體系構(gòu)建是對(duì)客戶價(jià)值評(píng)估的基礎(chǔ)，其合理性直接影響到評(píng)估的結(jié)果。證券客戶用戶與傳統(tǒng)的電商用戶行為模式之間存在許多差異。證券客戶指標(biāo)體系構(gòu)建主要從證券客戶貢獻(xiàn)度、證券客戶消費(fèi)價(jià)值、成本節(jié)約帶來的價(jià)值、客戶忠誠(chéng)度和客戶信用度等方面考慮[7]。在證券客戶指標(biāo)體系設(shè)計(jì)原則的指導(dǎo)下，構(gòu)建了證券客戶評(píng)估的指標(biāo)體系。實(shí)現(xiàn)功能包括客戶中心、任務(wù)中心和指標(biāo)體系構(gòu)建中心?？蛻糁行膶?shí)現(xiàn)客戶洞察和精準(zhǔn)營(yíng)銷；任務(wù)中心實(shí)現(xiàn)客戶管理服務(wù)過程的數(shù)據(jù)化和精細(xì)化管理；指標(biāo)體系構(gòu)建中心實(shí)現(xiàn)對(duì)客戶數(shù)據(jù)的實(shí)現(xiàn)分析并構(gòu)建客戶的指標(biāo)體系。這3大功能中心一方面能夠提升客戶經(jīng)理的工作效率和服務(wù)質(zhì)量，另一方面通過優(yōu)質(zhì)服務(wù)提升客戶體驗(yàn)，從而促進(jìn)業(yè)務(wù)轉(zhuǎn)化。

2 客戶價(jià)值評(píng)估模型構(gòu)建

基于構(gòu)建的證券客戶指標(biāo)體系，研究客戶價(jià)值分析模型構(gòu)建，實(shí)現(xiàn)對(duì)客戶的洞察和精準(zhǔn)營(yíng)銷的需要。通過大數(shù)據(jù)和人工智能能力的結(jié)合持續(xù)挖掘證券客戶的數(shù)據(jù)價(jià)值、提升數(shù)據(jù)資產(chǎn)利用率。

2.1 證券客戶分群

基于證券客戶的價(jià)值、客戶活躍度、客戶行為數(shù)據(jù)和客戶基礎(chǔ)數(shù)據(jù)等挖掘相關(guān)的指標(biāo)，采用聚類算法分析客戶群的時(shí)序動(dòng)態(tài)[8]。證券客戶價(jià)值分群模型建模流程：(1)根據(jù)證券客戶的數(shù)據(jù)，分析證券客戶聚類的目標(biāo)；(2)分析客戶操作數(shù)據(jù)、網(wǎng)絡(luò)頁面數(shù)據(jù)和App日志數(shù)據(jù)等，以生產(chǎn)分析模型所需的出數(shù)據(jù)；(3)對(duì)采集數(shù)據(jù)進(jìn)行治理和特征提取，梳理證券客戶基礎(chǔ)數(shù)據(jù)和行為數(shù)據(jù)的數(shù)據(jù)標(biāo)準(zhǔn)和質(zhì)量體系；(4)依據(jù)證券客戶價(jià)值評(píng)估的模板，選擇合適的分群模型，如KM聚類算法[9]、隨機(jī)森林[10]；(5)輸入證券客戶的特征數(shù)據(jù)和指標(biāo)體系，采用機(jī)器學(xué)習(xí)方法得到價(jià)值評(píng)估模型；(6)優(yōu)化客戶價(jià)值評(píng)估模型，如根據(jù)證券客戶數(shù)據(jù)特征和指標(biāo)體系分析聚類個(gè)數(shù)，根據(jù)軟件配置特征優(yōu)化系統(tǒng)的性能，依據(jù)AUC曲線指標(biāo)，分析各種證券客戶分類模型等；(7)利用客戶價(jià)值分析模型輸出結(jié)果，制定精細(xì)化服務(wù)和個(gè)性化服務(wù)策略。

通過分析，可以得到證券客戶分群的結(jié)果，具體的內(nèi)容如圖1所示。

圖1 證券客戶分群結(jié)果

橫軸上，資產(chǎn)型和行情型呈對(duì)稱結(jié)構(gòu)，是因?yàn)樵谧儞Q矩陣此維度上資產(chǎn)特征和行情特征占了主要影響。而豎軸上，交易和行情型客戶呈對(duì)稱，也是因?yàn)樾星樘卣骱徒灰滋卣髟谧儞Q矩陣中占了主要影響。理財(cái)型客戶處于中部則是因?yàn)槠淅碡?cái)特征占比過大，導(dǎo)致其他特征影響無法凸顯。

通過數(shù)據(jù)標(biāo)準(zhǔn)化與證券客戶分群有助于提高數(shù)據(jù)的準(zhǔn)確性和質(zhì)量，降低系統(tǒng)維護(hù)成本、提高應(yīng)用效率。在此基礎(chǔ)上，基于大數(shù)據(jù)和智能化分析的技術(shù)，能夠充分挖掘客戶數(shù)據(jù)的潛在價(jià)值，形成客戶價(jià)值評(píng)估的智能應(yīng)用，輔助智能決策不斷提升服務(wù)質(zhì)量。

2.2 客戶價(jià)值評(píng)估模型

在處理用戶數(shù)據(jù)時(shí)，聚合數(shù)據(jù)的方法與現(xiàn)實(shí)場(chǎng)景中的客戶劃分都是利用數(shù)據(jù)簇來區(qū)分對(duì)象，相似度越高的對(duì)象分到同一個(gè)簇的概率也會(huì)越大。這種方法適用于對(duì)客戶價(jià)值的分析。將復(fù)雜的數(shù)據(jù)特征和數(shù)據(jù)樣本用在傳統(tǒng)的概率預(yù)測(cè)模型中有著明顯的局限性。而K-Means算法相對(duì)高效，在處理大型數(shù)據(jù)集方面效果顯著且能有效降低大數(shù)據(jù)對(duì)模型的影響。與其它算法相比，K-Means算法能夠輕松部署到實(shí)際生活中，計(jì)算延遲低，這主要是因?yàn)樗惴ǖ膮?shù)少。

客戶特征的提取、客戶特征的權(quán)重計(jì)算以及簇分群個(gè)數(shù)的確定，是K-Means算法主要的3個(gè)部分。明確模型所需要的特征能夠有效地減少模型的訓(xùn)練時(shí)間。模型利用客戶的數(shù)據(jù)進(jìn)行特征分析從而將客戶分為不同集合的過程稱為價(jià)值分析。在開始細(xì)分客戶群體前，需要明確所使用的特征數(shù)量和類別。模型使用的特征和客戶劃分相關(guān)。用戶的特征與客戶自身消費(fèi)習(xí)慣的數(shù)據(jù)相關(guān)，并且特征關(guān)聯(lián)了客戶代碼、性別、年齡、風(fēng)險(xiǎn)級(jí)別、資金余額、證券市值、交易頻率和傭金貢獻(xiàn)等。所以提取的客戶特征范圍很廣，不僅要考慮客戶現(xiàn)有的消費(fèi)數(shù)據(jù)，還要考慮個(gè)人的相關(guān)信息。提取出不同的特征數(shù)據(jù)在模型中的分配權(quán)重也是不同的。最后，分群個(gè)數(shù)的確定不僅要根據(jù)用戶的行為數(shù)據(jù)特征提出，還要結(jié)合業(yè)務(wù)需求。分群個(gè)數(shù)對(duì)于K-Means算法的精度影響非常大，需要多次的模型訓(xùn)練才能確定。所以，本文將使用隨意提取樣本分析的方法，從而確認(rèn)改變特征細(xì)分結(jié)果對(duì)模型分群的個(gè)數(shù)合理性的判別。綜合以上考慮，價(jià)值分析的主要流程如圖2所示。

圖2 客戶價(jià)值分析流程圖

通過數(shù)據(jù)治理、統(tǒng)一管控、數(shù)據(jù)融合和集中化數(shù)據(jù)交互服務(wù)的構(gòu)建，提升證券客戶數(shù)據(jù)質(zhì)量，提高數(shù)據(jù)消費(fèi)端的系統(tǒng)效率、減少維護(hù)的成本。主要內(nèi)容包括如下方面。

① 證券客戶指標(biāo)體系構(gòu)建。分析和選擇證券客戶的特征，實(shí)現(xiàn)數(shù)據(jù)質(zhì)量管理、元數(shù)據(jù)管理、數(shù)據(jù)服務(wù)管理等模塊功能，從證券客戶大數(shù)據(jù)中選取和客戶價(jià)值評(píng)估相關(guān)的數(shù)據(jù)，并結(jié)合具體的應(yīng)用場(chǎng)景，構(gòu)建證券客戶的指標(biāo)體系。

② 證券客戶價(jià)值評(píng)估。通過對(duì)客戶數(shù)據(jù)的提取和指標(biāo)體系的構(gòu)建，可以全面刻畫客戶的需求，從而可以進(jìn)一步分析客戶的交易情況。采用K-means方法，通過改變細(xì)分結(jié)果在多個(gè)方面的評(píng)分去評(píng)估證券客戶的價(jià)值。以有效地挖掘證券客戶潛在價(jià)值、驅(qū)動(dòng)業(yè)務(wù)創(chuàng)新和智能化轉(zhuǎn)型。

客戶價(jià)值評(píng)估模型將從客戶收入貢獻(xiàn)、證券客戶價(jià)值、證券客戶利潤(rùn)、證券客戶忠誠(chéng)度和證券客戶信用度等多維度展開客戶價(jià)值的有效評(píng)估。

3 數(shù)據(jù)驅(qū)動(dòng)的客戶價(jià)值評(píng)估系統(tǒng)架構(gòu)

客戶價(jià)值評(píng)估系統(tǒng)架構(gòu)圖包括4層：客戶數(shù)據(jù)層、客戶指標(biāo)體系、客戶分群層和客戶價(jià)值評(píng)估，如圖3所示。

圖3 客戶價(jià)值評(píng)估系統(tǒng)架構(gòu)圖

數(shù)據(jù)層主要對(duì)客戶基本信息、客戶活躍信息、貢獻(xiàn)度信息和交易行為等方面進(jìn)行數(shù)據(jù)采集和整理；客戶指標(biāo)體系根據(jù)實(shí)際數(shù)據(jù)值大小和數(shù)據(jù)分布，基于數(shù)字化建設(shè)的指標(biāo)體系，動(dòng)態(tài)篩選能夠定義客戶價(jià)值的指標(biāo)特征。采用聚類算法對(duì)證券客戶數(shù)據(jù)進(jìn)行細(xì)分；基于客戶端用戶基礎(chǔ)數(shù)據(jù)，App操作行為日志，賬戶信息，購(gòu)買記錄等大數(shù)據(jù)，建立證券客戶價(jià)值挖掘模型，形成系列數(shù)據(jù)分析應(yīng)用。

客戶數(shù)據(jù)層：將集團(tuán)及子公司通過外部采購(gòu)、內(nèi)部生產(chǎn)和互聯(lián)網(wǎng)采集的多源資訊數(shù)據(jù)，統(tǒng)一采集和存儲(chǔ)至大數(shù)據(jù)平臺(tái)，整合并統(tǒng)一管理集團(tuán)資訊數(shù)據(jù)資產(chǎn)。

客戶指標(biāo)體系：通過對(duì)證券客戶數(shù)據(jù)分析，理解和掌握客戶行為模式、規(guī)律、成因和關(guān)鍵影響因素，對(duì)證券客戶行為進(jìn)行挖掘分析，平衡各類指標(biāo)對(duì)于證券客戶價(jià)值評(píng)估的作用。選取活躍度、周轉(zhuǎn)率和資產(chǎn)總額等作為定義客戶價(jià)值的指標(biāo)特征。

客戶分群層：整合客戶賬戶和交易數(shù)據(jù)、互聯(lián)網(wǎng)行為數(shù)據(jù)、員工服務(wù)過程數(shù)據(jù)并合理建模，形成統(tǒng)一的數(shù)據(jù)服務(wù)基礎(chǔ)。通過對(duì)證券客戶分群，將客戶按照特征進(jìn)行分類，分析每一類客戶的特點(diǎn)，以便為客戶提供精細(xì)化服務(wù)。

客戶價(jià)值分析：基于大數(shù)據(jù)平臺(tái)的內(nèi)容推薦、協(xié)同推薦、大數(shù)據(jù)挖掘(知識(shí)發(fā)現(xiàn)、關(guān)聯(lián)分析、聚類)推薦、混合推薦等技術(shù)分析客戶與項(xiàng)目特征、評(píng)分、歷史行為等技術(shù)挖掘客戶價(jià)值。

數(shù)據(jù)可視化：建立可視化場(chǎng)景，實(shí)現(xiàn)數(shù)據(jù)實(shí)時(shí)圖形可視化、場(chǎng)景化以及實(shí)時(shí)交互，以便直觀展示數(shù)據(jù)進(jìn)行分析處理的成果。借此從多個(gè)角度查看運(yùn)營(yíng)狀況，按照不同的主題和方式探查業(yè)務(wù)內(nèi)容的核心數(shù)據(jù)，從而作出更精準(zhǔn)的預(yù)測(cè)和判斷。

4 總結(jié)

利用大數(shù)據(jù)和人工智能技術(shù)處理證券客戶數(shù)據(jù)，將提升數(shù)據(jù)資源的使用效率，減少系統(tǒng)維護(hù)和擴(kuò)展的復(fù)雜性。提出一種證券客戶指標(biāo)體系構(gòu)建與價(jià)值評(píng)估方法。從客戶收入貢獻(xiàn)、客戶消費(fèi)帶來的價(jià)值、成本節(jié)約帶來的價(jià)值、未來利潤(rùn)、客戶忠誠(chéng)度和客戶信用度等多維度構(gòu)建指標(biāo)體系，基于優(yōu)化后的K-Means算法對(duì)證券客戶進(jìn)行細(xì)分和挖掘潛在的價(jià)值，詳細(xì)描述了具體實(shí)現(xiàn)的步驟。通過以上方法能夠?qū)⑵髽I(yè)級(jí)規(guī)模的證券客戶細(xì)分為合理可靠的不同用戶群，為企業(yè)的業(yè)務(wù)開展提供參考與依據(jù)。