Fintech時代商業銀行的大零售數字化營銷

王彥博 雷娟 周學春

數字化營銷可以簡單理解為基于大數據技術應用的客戶關系管理、維護與業務提升。實際上，商業銀行通過多年經營，積累了海量的客戶之間交易轉賬行為數據，奠定了基于資金交易信息構建客戶社交網絡的數據基礎。本文以客戶交易流水數據為抓手，提出了一套社交網絡圖數據處理流程，并結合商業銀行大零售業務實際，探索了FinTech時代大數據社交網絡圖挖掘技術在商業銀行數字化營銷相關領域的應用發展。

數字化營銷與基于交易的客戶社交網絡

數字化營銷的內涵

數字化營銷是當前FinTech時代下商業銀行開展大數據挖掘相關工作時常常會觸及的一個概念。一般來說，數字化營銷包含客戶關系管理和大數據挖掘兩項基本元素，可以簡單理解為商業銀行基于“以客戶為中心”的理念，通過運用先進的大數據技術，實現客戶識別、客戶獲取、客戶維護、客戶挽留等業務管理行為。具體而言，商業銀行的數字化營銷，就是以大數據平臺建設為基礎，通過一定的計算方法（如統計分析算法、機器學習算法、模式識別算法等），從海量數據中提取出隱藏的、有價值的信息和知識，找出隱藏在數據背后的業務規律、規則和趨勢，從而能夠解釋已知的業務事實，并預測未來的客戶行為與業務模式，有效輔助銀行營銷人員開展客戶關系管理與業務提升。

社交網絡的內涵

社交網絡是指社會中個體與個體之間聯系的集合，由個體（網絡圖中的節點）和各個體之間的聯系（節點之間的連線）組成。從本質上來看，社交網絡是個體為達到特定目的，在個體與個體之間進行信息和資源交流的社會關系展現。

數字化營銷和社交網絡

“客戶圈子營銷”是當前FinTech與大數據智能發展下的一個較為新興的數字化營銷概念。以往商業銀行在做客戶服務和業務提升時，往往僅關注單一客戶個體。而事實上，客戶是嵌入在各種社交網絡中的，客戶之間存在著各式各樣的關聯關系。根據“物以類聚、人以群分”的基本原理，通常來自于同一個社交網絡中的個體，他們之間的互動溝通較為頻繁，行為特征上常常會呈現出一定的相似性。而“客戶圈子營銷”正是把客戶及其關聯網絡中的其他客戶識別為一個群體，指導開展整體營銷，從而實現提高營銷效率、提升客戶保持率等業務目標。

商業銀行、大數據與社交網絡

經過多年積累，商業銀行沉淀了海量的客戶之間交易轉賬行為數據。以國內某股份制商業銀行為例，每個月客戶之間的交易明細大約有一億條。以轉賬關系為基礎，將每名客戶抽象為網絡圖中的各個節點，當客戶之間存在一筆轉賬交易記錄時，就會在相應的兩名客戶（節點）之間畫一條連線。基于客戶之間的交易轉賬記錄，可以刻畫出客戶之間的資金交易關系，構建以客戶為節點的社交網絡圖。同時，該社交網絡圖在商業銀行“客戶圈子營銷”等相關應用中頗具實踐價值，有助于推進大零售數字化營銷相關應用發展。

基于客戶資金交易的社交網絡圖數據處理流程

面向客戶交易流水數據，本文提出“6E”圖數據處理流程框架，予以指導構建相關客戶社交網絡圖。“6E”框架由圖數據處理流程中“剔除不適用的交易（Elimination of inapplicablet r a n s a c t i o n s）”“邊的有效性處理（E f f e c t i v e n e s s o fedges）”“極端元素處理（Extreme element process）”“圈子的建立（Establishment of circles）”“超大圈子的均勻切割（Equally-cutting of large circles）”以及“圈子展示（Exhibition of circles）”六個步驟組成。__

剔除不適用的交易

基于客戶之間的交易流水信息構建客戶資金交易關系網絡圖，當客戶與客戶之間存在交易轉賬時，說明兩名客戶之間存在一條邊。然而，在界定邊的有效性之前，需要對不適用的交易信息進行剔除，包括：剔除同名轉賬、剔除系統批量動賬行為（即非客戶主動發起）、剔除公對公轉賬、剔除對公共戶的轉賬（容易導致異常節點和異常圈子的產生）、剔除交易對手為空的轉賬、剔除交易對手行為空的轉賬等。

邊的有效性處理

邊是構建網絡圖的基礎，代表了兩兩客戶之間的交易轉賬行為。然而，為避免過多“噪音”信息，并非所有的交易行為都需要展示在網絡圖中，因此需要通過數據勘探來界定一個邊的有效性標準。基于交易頻次、交易金額及交易的單雙邊性三個指標，能夠形成“邊的有效性”門檻標準，其中交易頻次是指針對某條邊匯總統計其對手客戶在一段時期內發生的交易次數;交易金額是指匯總統計對手客戶在一段時期內發生的交易金額;交易的單雙邊性是指匯總統計對手客戶在一段時期內發生的交易性質，即“總是單向交易”或是“有來有往的雙向交易”。更進一步，可以將時間窗口設定為一年中的上、下半年，如果在上半年6個月中出現的有效邊也同樣出現在下半年的6個月中，則可以形成“邊的穩定性”概念。顯然，在所建立的社交網絡圈子中，邊的穩定性越高意味著圈子成員之間的關聯關系越牢固，用以指導后續開展營銷管理應用的相關策略也就相對更可靠。

極端元素處理

極端節點的處理。如果節點的點度中心度（即節點的出度與入度之和）較為異常時，可以考慮剔除該節點。例如，淘寶店主會與很多交易對手發生轉賬關系，但這種關系屬于弱交易關系，不利于穩定圈子的搭建，對于這樣的節點應剔除。經過數據勘探，建議采用“均值標準差”的思路來識別極端節點，即偏離均值3倍標準差的樣本節點都會被剔除。

極端邊的處理。針對節點（客戶）與節點（客戶）之間的交易頻次、交易金額呈現出的極端特征，應考慮進行剔除。建議通過綜合考量“均值標準差”思路和“聚類”思路兩種方式來識別極端的邊。

極端圈子的處理。初步勾勒圈子時，對于圈子規模極端大的社交網絡，需要分析超大圈子的形成原因，如果沒有發現異常因素，則需要考慮后續對圈子進行切割。

圈子的建立、切割和展示

基于連通圖原理和深度優先遍歷原理，勾勒出客戶之間基于資金交易的社交網絡圈。

針對圈子規模較大的網絡，在排除異常因素之后，建議考慮均衡切割原理進行圈子切割，使得切割后的兩個子圈較為均勻，同時損失的邊數量最少。

圈子的可視化展示包括兩個方面，即“三度人脈圖”和“弱聯通圖”展示。三度人脈圖是指以某名客戶為中心節點刻畫其一度人脈（即中心節點的直接交易對手）、二度人脈（即每個一度人脈節點的直接交易對手）和三度人脈（即每個二度人脈節點的直接交易對手）。

商業銀行基于社交網絡圖挖掘的數字化營銷應用

基于以上所刻畫的客戶間資金交易網絡圖， 本文針對商業銀行大零售數字化營銷相關應用， 提出面向客戶（Customer）的“6C”應用框架，即“核心客戶識別（Corec u s t o m e r i d e n t i f i c a t i o n）”“客戶產品推薦（Cu s t o m e rproduct recommendation）”“客戶細分與聚類（Customersegmentation & clustering）”“客戶交叉銷售（Customercross-selling）”“客戶向上銷售（Customer up-selling）”以及“客戶風險傳染（Customer risk infection）”六類應用場景。

核心客戶識別

一般而言，網絡大V的社會影響力較大，作為網絡意見領袖，通過其口碑開展營銷傳播往往收效顯著，有助于加強品牌的市場滲透力。在本文所構建的客戶資金交易網絡圈中，對于“意見領袖”核心客戶的發現主要通過測算每名客戶的“三度人脈”網絡影響力指數。以“三度人脈”理論為基礎，主要通過三個指標來表征客戶的網絡影響力指數，即圈子位置、關系數量和關系質量。其中，圈子位置刻畫了客戶在圈子中的位置中心性，相關指標通過客戶的點度中心度、接近中心度和居間中心度來計算;關系數量，從客戶的一度人脈數量、二度人脈數量和三度人脈數量來計算;關系質量所衡量的是客戶與關聯客戶之間的關系強弱，這里通過一度人脈人均關系強度、二度人脈人均關系強度和三度人脈人均關系強度來計算。關于人均關系強度的計算是通過對邊的交易金額和交易頻次做“0-1標準化”處理后，按照經驗兩者各占50%的權重來計算。此外，對于所涉及的所有指標均需要消除量綱的影響，都會進行“0-1標準化”處理。客戶網絡影響力指數計算公式：1/3×（點度中心度+接近中心度+居間中心度）+1/3×（一度人脈數量+二度人脈數量+三度人脈數量）+1/3×（一度人脈強度+二度人脈強度+三度人脈強度）;人脈強度=0.5×交易金額+0.5×交易頻次。基于該公式計算，影響力指數越高的客戶越具備意見領袖的特征，基于相關核心客戶進行口碑傳播的價值也就越大。

客戶產品推薦

以往的社交網絡分析表明，意見領袖常常會帶來更多的產品擴散，能夠有效加速產品推薦和市場滲透。以貸款產品為例，如果高影響力客戶簽約了相關產品，其關聯客戶應該也會受到較大影響，成為產品簽約客戶。在實證研究方面，基于前3個月的交易流水構建社交網絡，第4個月新簽約貸款客戶作為觀察對象，考察新簽約客戶是否會在未來6個月內對其關聯客戶產生影響，從而帶來更多的貸款簽約客戶。將第4個月新簽約貸款客戶拆分為兩個群體，即考察組（網絡影響指數排名前1000的新簽約客戶）和對照組（在新簽約客戶中隨機抽取1000名客戶）。6個月后，前1000名高影響力客戶其關聯客戶中有2439名客戶簽約了貸款;而隨機抽取的1000名客戶其關聯客戶中僅有494名客戶簽約了貸款，前者的產品推薦力約為后者的5倍。為提高實證結論的一般性，除貸款產品外還對其他產品也進行了同樣的實證，結果均表明高影響力客戶能夠帶來更多的產品擴散。

客戶細分與聚類

在本文所勾勒出客戶資金交易網絡圈的基礎上，結合圈子的業務屬性和特征，可以進一步對相關客戶做細分和聚類分析，例如客戶產品偏好聚類分析。首先，以圈子為樣本單位，計算每個圈子中各類財富資產的分布，如儲蓄、理財、基金、保險、股票等。隨后，基于K-means算法對圈子樣本進行聚類，由此可得到理財股票圈、股票圈、高儲蓄圈、低儲蓄圈、理財圈、基金圈6個客戶細分群。不同客戶細分群在聚類指標上存有顯著差異。以基金圈為例，該客群中持有基金產品的客戶數占比明顯高于其他客戶細分群，由此可給出營銷策略——相比其他5個客群，可優先對基金圈客群內尚未購買基金的客戶推薦基金代銷產品。

客戶交叉銷售

在一個交易圈中，簽約或者購買某種產品的客戶數占比越高，基于圈子內客戶行為和偏好的相似性，可以大致估算出該客群的產品偏好。這里各產品客戶數占比可以看作為圈子的相關產品推薦指數。通過分析理財產品購買客戶，實證數據表明，基于圈子計算得到推薦指數得分較高的前10%客群，其簽約產品的概率相較于隨機抽取的客戶可提高6倍以上。

客戶向上銷售

基于客戶之間的交易轉賬記錄，可以勾勒出客戶的經營圈（針對小微金融客戶）或者消費圈（針對個人金融客戶）。進一步計算兩個圈子的“圈子密度”和“圈子戶均金融資產”指標。圈子密度越高，說明圈子內成員之間的交互越為頻繁，客戶之間的關聯性越為緊密，圈子成員在行為特征和資產特征方面應具有較高的相似性。如果某名圈子成員的客戶金融資產明顯小于圈子成員的戶均金融資產，在圈子密度較高的情形下（成員之間相似性也較高），則該名成員存在較大的客戶金融資產提升空間，以此支持“精準化、名單制”客戶向上銷售。

客戶風險傳染

來自于同一個社交網絡圈的成員，因交易關系、互動關系、熟人關系等，他們的行為常常表現出相似性和一致性。由此可延伸出一個業務問題：如果某個小微貸款客戶發生了違約行為，其關聯的交易客戶是否也會有較高的違約傾向。從業務邏輯來看，如果客戶所在的交易圈中，有過貸款違約行為的客戶占比較高，則可以認為該圈子中違約風險的傳染可能性也較高，其原因在于如果圈子中某個客戶的資金周轉出現了問題（即該客戶不具備履約能力），則可能會影響整個交易圈中的資金流動情況，甚至導致整個圈子的資金鏈斷裂，使得該客戶的違約風險擴散到整個圈子。實證分析結果表明，以違約客戶為中心節點所構建出的客戶資金交易網絡，其關聯客戶中發生違約的概率相較于在隨機抽取客戶中發生違約的概率提升了5倍以上。

結語

本文基于商業銀行積累沉淀的海量客戶交易信息，通過運用大數據社交網絡圖挖掘技術，探索實踐了面向商業銀行大零售數字化營銷相關領域的應用。本文首先提出了“6E”圖數據處理流程框架，為商業銀行運用客戶交易轉賬信息構建客戶社交網絡形成了一套標準化數據處理方案。隨后，本文面向客戶資金交易網絡及大數據圖挖掘技術應用提出了“6C”應用框架，實證分析結果表明相關應用效果顯著，為商業銀行探索FinTech時代下大數據社交網絡圖挖掘技術應用提供參考借鑒。

（本文僅代表作者個人觀點）

（作者單位：中國社會科學院研究生院金融系、中國民生銀行，京東金融）