Elasticsearch技術下國元證券客戶差異化運營管理策略研究

張國威 于申 徐冰清

摘?要：隨著金融科技的飛躍式迭代，證券市場已逐步走向數字化競爭階段，如何向客戶提供差異化的服務成為證券公司探索的重要課題。本文以國元證券為例，依據RFM模型建立合理的客戶價值評估指標體系，并通過使用Elasticsearch技術和k-means聚類實現客戶價值的識別和細分。本文將國元證券的客戶主要分為優質型客戶、成長型客戶、培育型客戶和普通型客戶，并針對不同的客戶提供相應的運營策略，為企業滿足客戶多元化需求和實現差異化運營提供依據。

關鍵詞：Elasticsearch技術；客戶細分；RFM模型；聚類分析

中圖分類號：F27?????文獻標識碼：A??????doi：10.19311/j.cnki.16723198.2023.11.027

0?引言

國元證券于2001年10月成立，2007年10月30日在深圳證券交易所上市，經過多年創新發展，成為行業內業務資質全面、資產質量優良、綜合實力領先的證券公司之一。在財富管理轉型的大時代，國元證券打造以客戶為中心的財富管理體系和組織架構，做實做細客戶分類分級。加強線上線下獲客渠道建設，做大做強基礎客戶、基礎資產。目前證券行業進入數字化轉型的高速發展階段，如何運用新的客戶價值評價模式和方法，在市場中實現突圍，也是擺在證券公司面前的競爭課題。國元證券從客戶差異化運營層面，以改進的RFM模型結合非監督機器學習的Kmeans算法，對客戶價值評價和運營策略進行研究。RFM模型可以衡量出客戶價值和客戶創造利益能力，為實現個性化的溝通和服務提供了依據。傳統RFM模型在進行分析時，主要是根據客戶的三個指標，分別是客戶最近一次有消費行為的時間（R），在一定時間內的消費次數（F），在一定時間內的消費總額（M）。通過這三個指標，客戶的動態輪廓可以顯示出來。本文對傳統RFM模型進行改造，通過K-means算法來改變原有的人工主觀分類的模式，對客戶價值進行算法細分，識別出客戶的特征，為差異化營銷和服務策略提供依據。

1?數字化轉型與Elasticsearch技術

中國證監會倡導證券行業數字化轉型，金融科技承擔著數字化轉型的重任。金融科技指利用科技手段去改善金融活動的一種新興的金融產業，它結合了金融、技術管理和創新管理。基于銀行、證券、基金、保險等應用平臺，引入先進技術及算法改變傳統的金融服務模式。金融科技通過創新業務模式等方式，提高金融機構的收益效應，在融合金融科技的基礎上能夠實現數字化轉型。證券公司也有望利用先進技術實現以低成本方式為客戶提供高質量服務，創新服務和產品。

本文通過分布式可擴展的Elasticsearch（以下簡稱“ES”）系統作為客戶數據的存儲及搜索媒介，實現優于傳統數據庫的高速數據搜索及聚合能力，支撐客戶價值評價及Kmeans算法的實現。ES是一個高度可擴展的、開源的分布式搜索服務工具。它是由工程師Shay?Banon基于Lucene的結構基礎上使用Java語言不斷優化而來的數據檢索和分析引擎。它可以實現快速、近實時地存儲、搜索和分析大量數據。作為分布式系統ES集群是由多個節點所組成，節點由物理機或虛擬機構成，將數據分配在多個分片。

ES的主要特點包括集群管理、分片存儲、數據恢復和負載均衡。ES技術普遍用于全文檢索、大數據復雜查詢的搜索領域。王波波等人將MySQL、Elasticsearch和SQL?Server這三種技術分別放在紡紗生產數據追溯方面進行實驗對比，研究結果發現，基于ES的數據追溯方法更具有穩定性且速度更快。本文通過使用ES技術在數十億條規模的原始客戶數據中完成實驗客戶群體的檢索，對客戶特征進行聚類，得到不同的客戶價值分析結果，為國元證券未來的營銷策略提供依據。

2?國元證券實例分析

2.1?數據獲取

本研究首先對傳統RFM模型進行指標改造，將客戶在最近一次購買時間（R）改為最近一次買入股票的時間，該指標可根據客戶運營的實際需求結合股票委托、基金申購、APP登錄等進行針對性修改。將在一定時間內的購買商品次數（F）改為買入和賣出股票的交易次數，該指標可結合證券行業實踐經驗調整為各類產品的專項研究指標。將在一定時間內的購買商品金額（M）修改為業績貢獻，該指標在實際生成環境可根據實際相關業務收入進行調整。完成RFM模型指標改造，將國元證券RFM模型指標定義為近度（R）、頻度（F）、額度（M）。借助Elasticsearch技術快速的聚合研究客戶群體數據，利用R語言數據處理軟件對數據進行預處理和分析。

2.2?數據預處理

本文針對8000名客戶進行研究。由于R、F、M這三個指標存在不同的量綱，需要先對數據進行標準化處理以消除量綱不同所帶來的偏差。標準化公式如下：

x=Xi－X-σ（X）（1）

公式（1）中，Xi是指各指標樣本集中每一個樣本值，X-是指各指標中所有樣本的平均值，σ（X）是指各指標中所有樣本的標準差。表1為標準化處理后的一部分數據。

2.3?K-mean算法的實現

K-means算法是一種能夠快速實現數據劃分的無監督式算法，該算法由J.B.MacQueen提出，通常用于數據挖掘和模式識別。K-means算法是基于歐式距離來將給定的數據集劃分為k個簇。首先選擇K個樣本作為每一簇的初始聚類中心點，其余樣本點按照與中心點最小距離的標準劃分到各個簇中去，得到最初的分類，初始分類并不一定是最優化的結果，因此需要在每次分類中重新對中心點的距離進行計算，最終經多次迭代后得到合理的分類。

本文利用K-means算法對處理后的8000條數據進行分析，依據不同k值的總平方和來確定最佳聚類數目。由圖1可知，當聚類數目逐漸增加時，組內平方和（WSS）逐漸減少，當WSS值降低的速度緩慢時，聚類數目的增加并不會提升聚類效果。因此，本次聚類數目選擇分成4類。最終所得聚類結果如表2所示。圖2為聚類后的客戶特征雷達圖。

2.4?聚類結果分析

根據表2聚類結果可以發現：

（1）第一類客戶的R值最大，F值和M值較小，這類客戶價值在這四類總客戶中屬于最低的，屬于“失活型”客戶。

（2）第二類客戶的F值最大，M值較大，R值小，說明這類客戶交易最頻繁，有較高的業績貢獻度，近期活躍度較高，具有較好的成長性，客戶價值高，屬于“成長型”客戶。

（3）第三類客戶的M值最大，F值較大，R值比較小。從這類客戶三項指標可知，業績貢獻度最高、交易頻次較高，處于相對活躍狀態，屬于“優質型”客戶。

（4）第四類客戶的R值、F值和M值均較低。這類客戶綜合價值評價偏低，在股票交易方面動力不足、貢獻偏低，但最近的時間周期仍然活躍，無失活跡象，屬于“培育型”客戶。

2.5?RFM差異化策略

（1）失活型客戶。該類客戶的交易頻率和業績貢獻都很低，最近交易時間相對久遠。該類客戶在日常服務過程中，會造成大量的無效服務成本。需要針對性地采用失活分類策略，根據客戶的戶齡、年齡、歷史交易行為等區分失活級別。一方面實施反休眠激活，另一方面提取失活共性特征，為新增客戶拓展及存量客戶維護提供參考，降低營銷及服務過程中過度的成本消耗。

（2）成長型客戶。此類客戶的價值僅次于優質型客戶，交易最為頻繁，屬于忠實型客戶。針對成長型客戶需要匹配共生保護策略，該類客戶由于交易頻率過高，會造成較高的摩擦成本和交易風險，持續開展投資者教育，在價值投資、資金管理、交易風險防范、資產配置等方面加強培訓及服務。

（3）優質型客戶。此類客戶占比相對較少，但價值最高。應該將此類客戶作為重點目標，需要在三方面實施差異化策略。一是匹配重點客戶權益，通過各類權益保持重點客戶“價值感”。二是持續跟進投資顧問服務，為客戶投資決策提供參考。三是運營活動支持，增加有效互動連接頻率，使客戶擁有長久滿意度、依賴感和忠誠度。

（4）培育型客戶。傳統觀點認為該類客戶屬于低價值客戶的非重要客戶，無需給予過多關注。而從RFM模型的R指標角度審視，該類客戶近期有投資需求，具備培養價值，需要匹配一對一需求識別策略，加大對于該類客戶的一對一溝通力度，制定客戶反饋收集機制，充分了解客戶參與投資各項需求。針對有價值的反饋措施持續跟進服務，包括定期互動及興趣邀約，深入了解客戶的實際需求，并通過電話、企業微信的溝通方式進行持續的互動，開展現場及互聯網方式的興趣主題活動。

3?結論和啟示

本文通過使用Elasticsearch技術能夠在海量數據中更快速地獲取客戶的各項指標信息，依據RFM模型來建立客戶的指標完成復雜條件聚合，通過K-means算法來對客戶進行分類，最后總共分為4類，這四類客戶分別為優質型、成長型、培育型和失活型客戶。根據這四類客戶的特征，本文分別給出了對應的差異化運營策略。文中的實現方法不僅為國元證券提供客戶運營的輔助決策支持，同時也提高了國元證券對客戶數字化人格的刻畫能力。根據聚類結果可以得出：針對優質客戶、成長型客戶要給予高度的重視，對于培育型客戶應以實際需求為核心匹配服務，對失活型客戶明確失活分類，形成識別能力，有效控制成本。

本文基于改進的RFM模型，對國元證券客戶價值特征進行了分析。但研究中并未對各類指標的權重進行深度探索。未來的研究可以結合市場實際情況對模型中各指標權重進一步探討。

參考文獻

［1］Schueffel，P.Taming?the?beast：?A?scientific?definition?of?fintech.J.Innov.Manag，2017，4，3254.

[2]施若，陳俊龍.金融科技賦能金融服務提質增效的問題及對策分析[J].中國管理信息化，2022，25（12）：103105.

[3]Gormley?C，Tong?Z.Elasticsearch：?the?definitive?guide：?a?distributed?realtime?search?and?analytics?engine[M].?O′Reilly?Media，Inc.，2015.

[4]李志輝，陳海龍，張旭東，等.金融科技對商業銀行盈利能力的影響[J].中南財經政法大學學報，2022，（05）：5668.

[5]潘靜.區塊鏈技術在金融行業應用探索[J].合作經濟與科技，2022，（14）：6465.DOI：10.13665/j.cnki.hzjjykj.2022.14.050.6

[6]張恩紅，尹海燕，李高潔，等.基于Elasticsearch的氣象數據檢索技術研究[J].計算機技術與發展，2019，29（11）：154158.

[7]胡鑫，姚宇，徐英杰，等.基于ElasticSearch的TEE病例庫檢索系統設計與實現[J].計算機應用，2018，38（S1）：9194.

[8]Gormley?C，Tong?Z.Elasticsearch：?the?definitive?guide：?a?distributed?realtime?search?and?analytics?engine[M].?O′Reilly?Media，Inc.，2015.

[9]王波波，鄭小虎，申興旺，等.基于Elasticsearch的紡紗生產數據追溯方法[J].紡織學報，2021，42（12）：5562.

[10]Leong?K，Sung?A.FinTech?（Financial?Technology）：?what?is?it?and?how?to?use?technologies?to?create?business?value?in?fintech?way？[J].International?Journal?of?Innovation，Management?and?Technology，2018，9（2）：7478.

[11]Elasticsearch?B?V.Elasticsearch[J].Internet：?https：//www.elastic.co/pt/，[Sep.12，2019]，2018.

[12]Frame，W.S.，L.Wall，and?L.J.White.2019.“Technological?Change?and?Financial?Innovation?in?Banking：?Some?Implications?for?FinTech.”?In?Oxford?Handbook?of?Banking，3rd?ed.，edited?by?A.Berger，P.Molyneux，and?J.O.S.Wilson，262–284.Oxford：?Oxford?University?Press.

[13]Li?Y，Wu?H.A?clustering?method?based?on?Kmeans?algorithm[J].Physics?Procedia，2012，25：?11041109.

[14]Jain?A?K，Dubes?R?C.Algorithms?for?clustering?data[M].PrenticeHall，Inc.，1988.