基于客戶個性化經(jīng)營與員工績效閉環(huán)反饋的大數(shù)據(jù)系統(tǒng)設計與分析建模

蘇治怡，季文奎，王鈺婷

（招商銀行網(wǎng)絡經(jīng)營服務中心，廣東深圳 518000）

0 引言

設計系統(tǒng)主要內(nèi)容為一項以突破線上與線下渠道的斷點為目的，突破傳統(tǒng)的以單個員工經(jīng)驗為主導的服務模式，并充分以客戶客觀屬性與歷史行為數(shù)據(jù)為基礎打造的，以全新模式實現(xiàn)到店客戶的及時經(jīng)營與離店線上精準觸達的項目。該項目設計的出發(fā)點是，在手機的普及與電商的發(fā)展的時代，傳統(tǒng)金融機構(gòu)也逐步將經(jīng)營服務的陣地從線下往線上轉(zhuǎn)移，手機銀行App也從僅提供查賬轉(zhuǎn)賬等基本功能的輕型軟件，升級至為客戶提供賬戶管理、產(chǎn)品咨詢與推薦、產(chǎn)品交易、資訊共享、城市服務與社區(qū)分享等一站式服務的平臺。在業(yè)務平臺的定位發(fā)生質(zhì)變的同時，管理者希望經(jīng)營模式也能從“每位個體經(jīng)營人員依靠個人經(jīng)驗主觀判斷客戶訴求”逐步向“系統(tǒng)以客觀數(shù)據(jù)事實為基礎對不同層次客戶需求進行預測并能有效指導員工高效進行客戶經(jīng)營服務”迭代。當業(yè)務發(fā)展對整個經(jīng)營流程提出高效、個性化、可閉環(huán)等要求時，進行系統(tǒng)的流程設計和整體方案規(guī)劃就顯得尤為重要。在此領(lǐng)域已經(jīng)提出“數(shù)據(jù)中臺”［1］概念的基礎上，完善數(shù)據(jù)存儲實現(xiàn)數(shù)據(jù)資產(chǎn)管理，依靠利用沉淀的業(yè)務數(shù)據(jù)為基石結(jié)合大數(shù)據(jù)算法，通過計算機挖掘隱藏規(guī)律替代經(jīng)驗完成決策［2］，充分融合兼顧“人工”和“智能”的元素。“基于客戶個性化經(jīng)營與員工績效閉環(huán)反饋的大數(shù)據(jù)系統(tǒng)設計與分析建?！睂ｎ}就是圍繞這樣的出發(fā)點產(chǎn)生與落地的。

1 業(yè)務流程與數(shù)據(jù)分析

線上化的流程和系統(tǒng)固然能給客戶提供更便捷、不受時間和空間所制約的服務，但也對經(jīng)營者提出更大的挑戰(zhàn)：面對千萬級至億級客戶的并發(fā)到訪，要求更精準地對客戶進行客群劃分，實現(xiàn)差異化經(jīng)營［3］，為客戶提供個性化服務推薦。因此在“得數(shù)據(jù)者得天下”的大數(shù)據(jù)時代，不能忽略數(shù)據(jù)的客觀性和潛在價值，充分利用數(shù)據(jù)挖掘更接近客觀事實的規(guī)律，實時提供績效監(jiān)控數(shù)據(jù)以快速校正優(yōu)化服務客戶完成操作。

1.1 業(yè)務流程

根據(jù)項目需求和業(yè)務流程框架，設計了基于客戶個性化經(jīng)營與員工績效回算的閉環(huán)系統(tǒng)，按照方案實施后的整個業(yè)務的流轉(zhuǎn)邏輯，如圖1所示。全流程數(shù)據(jù)采集應用系統(tǒng)的運轉(zhuǎn)方式表明，貫穿整個業(yè)務流程，使得系統(tǒng)能運轉(zhuǎn)落地的重要因子就是“數(shù)據(jù)”，如何讓數(shù)據(jù)在各個環(huán)節(jié)之間傳遞有價值的信息，顯得尤為關(guān)鍵。

圖1 全流程數(shù)據(jù)采集應用系統(tǒng)

1.2 數(shù)據(jù)分析

如何進行數(shù)據(jù)的采集、數(shù)據(jù)的清洗與存儲、數(shù)據(jù)的應用與策略落地，不僅是大數(shù)據(jù)技術(shù)的重要環(huán)節(jié)，也是當前業(yè)務需要關(guān)注和重點設計的部分。圖2所示為整個系統(tǒng)方案中的數(shù)據(jù)流程框架。

圖2 數(shù)據(jù)流程框架

（1）采集到的數(shù)據(jù)在存儲階段會天然地清洗掉部分格式登記有誤、表結(jié)構(gòu)無法兼容或關(guān)鍵信息為空無法錄入的臟數(shù)據(jù)。

（2）在數(shù)據(jù)分析階段，利用各系統(tǒng)底層數(shù)據(jù)的唯一ID進行數(shù)據(jù)的合并關(guān)聯(lián)。并基于業(yè)務需求篩選出與當期業(yè)務目標相關(guān)性高的數(shù)據(jù)特征，清洗［4］或標注業(yè)務關(guān)鍵指標為空值的記錄。

（3）數(shù)據(jù)分析通常會利用分箱、計算均值和分布、簡單回歸擬合等計算方式進行。主要使用統(tǒng)計分析［5］和畫像聚類兩種途徑。

通過統(tǒng)計分析針對大量客戶樣本的重點結(jié)果指標進行匯總，以通報報表的形式直接對業(yè)務成效進行呈現(xiàn)；采用畫像分析［6］對客戶進行基礎特征分層與人群計算，并在此基礎上對客群內(nèi)部的行為特征［7］進行聚類或?qū)π袨槟Ｊ竭M行探索挖掘，通過個性化推薦［8］的方式直接落地到客戶使用場景。

為實現(xiàn)數(shù)據(jù)鏈路的閉環(huán)，需對客戶的二次行為通過相關(guān)埋點進行采集和回送，持續(xù)迭代、優(yōu)化模型和規(guī)則的準確性。

2 數(shù)據(jù)的建模、運用與統(tǒng)計

業(yè)務流程框架是為業(yè)務策略能按照業(yè)務規(guī)則分階段落地服務，數(shù)據(jù)流程框架是為支持業(yè)務系統(tǒng)間的數(shù)據(jù)傳遞流轉(zhuǎn)服務的，而系統(tǒng)實現(xiàn)“智能”的關(guān)鍵就是足量數(shù)據(jù)特征的獲取和特征的合理使用，以下將對系統(tǒng)組成的幾個重要環(huán)節(jié)的設計要點進行展開說明。

2.1 頁面埋點的設計與系統(tǒng)間參數(shù)傳遞

如圖3所示，當基于業(yè)務需求，進行新產(chǎn)品設計或在原產(chǎn)品上新增模組時，除了要保證客戶使用層面上基本功能的實現(xiàn)，還需要為數(shù)據(jù)回流回檢做鋪墊，規(guī)范完備的埋點設計就是第一步?！耙?guī)范”體現(xiàn)在：需要在統(tǒng)一框架格式下進行編碼以進行管理和檢索，且能避免后續(xù)數(shù)據(jù)映射的錯亂；“完備”體現(xiàn)在：任何一個提供給客戶交互的環(huán)節(jié)都應設置埋點，才能在客戶與頁面交互的瞬時獲取到操作日志并記錄。埋點的設計會決定日志數(shù)據(jù)的維度和粒度，對后續(xù)分析、建模時對客戶行為特征的獲取起到重要的作用。除了對交互頁面需要進行埋點管理和設計，頁面的參數(shù)入口預留與系統(tǒng)間傳參及記錄也至關(guān)重要。在各系設計允許的情況下，盡可能將ID信息、時點狀態(tài)等進行逐層傳遞，以減少后續(xù)在離線端使用未及時更新的數(shù)據(jù)進行關(guān)聯(lián)匹配，影響特征的準確性。

圖3 頁面埋點框架示意圖

2.2 數(shù)據(jù)的建模與輸出結(jié)果應用

獲取到規(guī)范準確且足量的數(shù)據(jù)后，為進一步提高客戶轉(zhuǎn)化效果，需對客戶進行分類分層的個性化經(jīng)營。初期通過“客戶畫像與組合特征客戶標注的特征”的方式，“高價值”客戶轉(zhuǎn)化效果并不理想。因此，在合理利用畫像分析初步結(jié)論的基礎上，考慮將系統(tǒng)中生成存儲的近100多個客戶基礎屬性標簽納入分析體系。將客戶屬性做空值填充和離散化處理，通過劃定實驗與對標組、分箱統(tǒng)計與分層抽樣、行為特征對比、特征組合等方法完善建模的特征工程。對當年的全部數(shù)據(jù)采樣出1000 w量級的樣本，進行影響因子的分析與分類模型的價值概率輸出。

（1）數(shù)據(jù)模型算法的選擇

分類模型的選擇主要是在集成算法［9］中進行挑選，主流有套袋法（bagging）和提升法（boosting）兩種方式［10］，核心都是訓練由弱分類器組合的強分類器，其中，bagging采用的是有放回抽樣式的并行訓練方式，假設每個基模型的權(quán)重ri=，方差為σ。

bagging的基模型間相關(guān)系數(shù)ρ、期望μ近似相等，故bagging模型的總體期望為：

模型總體方差為：

因此bagging主要是通過增加基模型數(shù)量減少模型的方差，但是期望和基模型是接近的。相反，boosting模型的訓練是串行的，每個基模型都會在前一個基模型學習的基礎上進行學習，模型間的相關(guān)系數(shù)近似等于1：

由此可見，整體模型的期望由基模型的期望累加而成，所以隨著基模型數(shù)的增多，整體模型的期望值增加、準確度提高；但要保證框架中的基模型使用弱模型，以降低方差。

本項目中的模型訓練流程，分別使用隨機森林（randomforest）［11］和極限梯度提升算法（xgboost）［12］兩類基于決策樹的模型進行效果對比，并嘗試用IV值（information value）的指標，來對系統(tǒng)內(nèi)固有的用戶標簽進行特征初篩。其中，IV值代表利用自變量的WOE證據(jù)權(quán)重來衡量輸入對輸出的預測能力。

（2）模型訓練的效果

所有模型的訓練，采用的是同一批樣本和同樣的特征列，表1為隨機森林混淆矩陣，表2所示為Xgboost1混淆矩陣。其中按照模型預測的結(jié)果和樣本實際的分類，計算出4個基本因子的統(tǒng)計值：TP=True Postive（預測正實際正），F(xiàn)P=False Positive（預測正實際負），F(xiàn)N=False Negative（預測正實際正）及TN=True Negative（預測負實際負）。不同模型的混淆矩陣結(jié)果如表3所示。

表1 隨機森林混淆矩陣

表2 Xgboost1混淆矩陣

表3 Xgboost2混淆矩陣

基于混淆矩陣計算模型效果，對模型效果的判斷主要依靠同一閾值下的混淆矩陣所求出的所有樣本分類預測正確的占比準確率（Accuracy），和正樣本中預測為正的占比召回率（Recall）。常用的衡量指標表達式如下。

故計算結(jié)果如表4所示。

表4 模型訓練效果對比

使用同一組歷史樣本數(shù)據(jù)建模，驗證集上的效果顯示：經(jīng)過特征篩選后的Xgboost模型擁有更好的預測效果，因此采用Xgboost模型2輸出的客戶價值概率作為客戶分類依據(jù)。

建模并對模型訓練調(diào)整優(yōu)化后，使用新一周期的樣例數(shù)據(jù)進行測試，在同一概率閾值下仍可獲得84.39%的準確率和的94.42%召回率，模型具有較好的泛化能力。

（3）模型投產(chǎn)效果對比

模型分類結(jié)果投產(chǎn)后，一線在承接客戶需求時系統(tǒng)會計算出客戶的價值概率，客戶經(jīng)理可根據(jù)客戶的價值概率取值與當前的閑忙狀態(tài)，合理調(diào)整自己的預期閾值，為不同概率區(qū)間的客戶提供不同方向?qū)用娴姆栈蛞龑?。模型投產(chǎn)后整體客戶轉(zhuǎn)化效果提升較為顯著，客戶分類模型投產(chǎn)前后效果對比如圖4所示。

圖4 客戶分類模型投產(chǎn)前后效果對比

2.3 自動化統(tǒng)計可視化通報

當流程和系統(tǒng)都完成搭建之后，整個業(yè)務就可以按照規(guī)劃的框架運作。為保證項目的正常運作，日常的統(tǒng)計通報需要緊跟上線，才能更及時地獲取一線員工執(zhí)行情況、實現(xiàn)業(yè)績效果監(jiān)控閉環(huán)。

數(shù)據(jù)采集應用系統(tǒng)改進往常按照執(zhí)行腳本代碼、導出統(tǒng)計數(shù)據(jù)、加工圖表、生成并發(fā)送報告等步驟，以作業(yè)調(diào)度系統(tǒng)和自動導數(shù)工具搭建作業(yè)組合，結(jié)合軟件Tableau平臺開發(fā)商業(yè)智能報表，創(chuàng)新設計自動化統(tǒng)計通報可視化看板。統(tǒng)計計算如圖5所示。

圖5 統(tǒng)計計算作業(yè)框架

自動作業(yè)組合依靠SQL語言和kettle［13］軟件完成每日數(shù)據(jù)清洗匯總和簡單的統(tǒng)計分析，主要包括按時間、客群、場景等維度的統(tǒng)計；員工維度的績效明細；客戶效果維度的增量增幅、轉(zhuǎn)化占比；分行維度的排名比對等要素，基于自動作業(yè)加工后的數(shù)據(jù)，使用Tableau［14］開發(fā)的商業(yè)智能報表，將統(tǒng)計結(jié)果表達為：多軸圖實現(xiàn)當期數(shù)據(jù)的趨勢監(jiān)控，簡單柱狀圖自排序?qū)崿F(xiàn)分類對比，各類表計算/字段計算嵌套實現(xiàn)同環(huán)比，合理利用時間參數(shù)可便捷回溯歷史狀態(tài)［15］。報表開發(fā)完成后，只需要更新后臺數(shù)據(jù)，便可以一致的風格和統(tǒng)一的數(shù)據(jù)發(fā)布給不同的使用方。

自動作業(yè)組合保證了統(tǒng)計結(jié)果的自動按日以同一邏輯更新底層數(shù)據(jù)，較好地保證了數(shù)據(jù)執(zhí)行的準時準確性。而選擇使用Tableau開發(fā)商業(yè)智能報表，則實現(xiàn)將統(tǒng)計結(jié)果轉(zhuǎn)化為寬表、圖表，以一致的風格呈現(xiàn)發(fā)布，且隨時可回溯歷史狀態(tài)。部分呈現(xiàn)內(nèi)容數(shù)據(jù)指標看板如圖6所示。

圖6 數(shù)據(jù)指標看板

3 應用效果分析

為了更好地衡量整個系統(tǒng)及模型的使用對實際業(yè)務效果的影響，使用模擬對照實驗的方法對項目效果進行評估，圖7所示為項目持續(xù)提升效果對比。

項目前期階段，為了證明通過系統(tǒng)引流和數(shù)據(jù)回檢的方式在打通線上線下渠道壁壘、連通客戶服務的斷點、通過業(yè)績精準回算幫助中臺快速完成效果分析及員工輔導等方面有綜合且顯著的效果，在試運行階段在不同等級的分支行中隨機抽取試點行做效果測算。通過客戶在各渠道的持續(xù)活躍情況、以及資產(chǎn)持續(xù)達標、復雜產(chǎn)品配置等綜合評價，得到如圖7中01對標組和02實驗組的效果對比。線上線下聯(lián)動后，客戶在各渠道的黏性和產(chǎn)品持有比例都有顯著提升，線上渠道的靈活性和非時空限制性可以為客戶訴求的達成提供便利，跳出“客戶首面”的場景局限，大大提升了客戶轉(zhuǎn)化的可能性。此外，在手機App的依托下，線上渠道更容易讓客戶產(chǎn)生使用習慣，促成客戶的品牌依賴性，實現(xiàn)客戶深度綁定。

項目中后期，為進一步做好精細化、差異化、個性化客戶經(jīng)營，將2.2所述的客戶分類模型投產(chǎn)后，客戶轉(zhuǎn)化效果又出現(xiàn)新的拐點。如圖7中03實驗增強組所示：當客戶模型的輸出結(jié)果輔助員工完成客戶的轉(zhuǎn)化價值預判后，客戶經(jīng)理可以根據(jù)實際情況調(diào)配單位客戶的承接時長與深度。對于價值概率高的客戶及時深挖、調(diào)取適配的個推產(chǎn)品刺激客戶潛在需求，加速客戶的轉(zhuǎn)化效率。而對于價值概率偏低客戶，需要為客戶當期需求提供良好解決方案，提升客戶滿意度的同時為客戶對品牌的認可奠定基礎，也減少在客戶意向較低時過量的推銷類行為帶來的客戶投訴抱怨而導致未來高價值客戶流失的可能。有的放矢的模式，縮短了探索了解客戶的時長、提供客戶管理經(jīng)營的效率，對各個分支行的客戶整體轉(zhuǎn)化率和長期經(jīng)營成效都有顯著幫助。

圖7 項目持續(xù)提升效果對比圖

4 結(jié)束語

綜上，“基于客戶個性化經(jīng)營與員工績效閉環(huán)反饋的大數(shù)據(jù)系統(tǒng)”很好地解決了客戶到店完成業(yè)務辦理后持續(xù)經(jīng)營的斷點問題，整個系統(tǒng)參考數(shù)據(jù)中臺搭建的基本原理，從數(shù)據(jù)的產(chǎn)生環(huán)節(jié)開始規(guī)劃，打通前臺客戶業(yè)務和后臺數(shù)據(jù)分析之間的通路，整個系統(tǒng)及數(shù)據(jù)對外通過客戶分類模型評估客戶需求為客戶輸出對應的服務，對內(nèi)利用自動化工具和智能報表對員工績效統(tǒng)計完成回算，輔助員工對客戶轉(zhuǎn)化效果進行及時回檢和校正。以系統(tǒng)為依托的數(shù)據(jù)全流程流轉(zhuǎn)，使得當期數(shù)據(jù)持續(xù)閉環(huán)正反饋于下一周期的策略執(zhí)行，突破以個人經(jīng)驗為主導模式下的探索式經(jīng)營，往數(shù)字化、智能化、可量化方向發(fā)展，以數(shù)據(jù)為先導挖掘客觀事實，用數(shù)據(jù)為度量公平衡量結(jié)果，是經(jīng)營模式上的突破性嘗試，亦可作為其他業(yè)務場景的數(shù)據(jù)系統(tǒng)流程設計與數(shù)據(jù)收集積累應用的方案經(jīng)驗。