【案例】客户智能在对公银行数字化转型中的应用

1. 业务背景

商业银行的对公业务是以企业法人、单位等客户为主体，围绕公存账户开展各类 支票、汇兑、*款贷**等业务。对公业务作为商业银行经营基础和利润效益的主要来源，其客户营销和服务的优劣直接影响着商业银行经营状况和资产质量的好坏。

随着经济金融全球化的发展趋势，以及互联网金融的快速兴起，国内商业银行的对公业务面临着来自两个来源的竞争压力。一是外资金融机构在国内金融市场抢滩设点，各类新型银行不断成立。外资金融机构在优质客户资源（尤其有外资背景的企业客户）争夺上有一定的竞争力。二是互联网金融业务，包括P2P互联网金融产品吸引了一定规模的中小企业客户资源。

除了外部市场的压力，商业银行在内部管理上也存在一些问题，管理手段有些跟不上客户日益变化的需求。作者调研过多家商业银行的对公业务，对公客户管理、销售管理等营销工作普遍存在如下问题：

（1） 客户经理营销时缺乏有力销售支持工具，表现在：

1、客户信息被割裂在银行多个系统中，无法了解客户的全貌；

2、对公业务的金融产品太多，单凭记忆不易覆盖。在向客户推荐产品时，很难做到有的放矢；

3、个人依赖程度高，客户经理想获得产品经理、风险经理、行领导等它资源销售支持，但无协同工作的机制和工具。

（2） 产品经理有心却无从发力：

1、掌握着产品的资源，却很难发现目标客户；

2、有着推动营销的愿望，却不知道哪些客户经理需要帮助；

3、组织产品推介活动后，不知如何去跟踪具体商机。

（3） 风险经理

1、对于重要商机介入时机较晚，无法风险预估；

2、无法了解客户和集团客户之间的关联关系，风险评估不全面。

（4） 各级管理层

1、高级管理层无从实时掌握全行业务发展状况；

2、对营销阶段的情况不易全面掌握；

3、难以了解第一手重点客户全貌，对重点客户的销售支持无从下手；

4、无法通过绩效考核推动下级的工作业绩。

2. 对公银行CRM方案

2.1.对公银行CRM功能

典型对公CRM的功能架构如图1所示。对公CRM普遍定位为服务于公司业务条线各类用户的以客户关系管理和协同工作为核心的应用。

对公CRM的应用范围涵盖了单一客户和集团客户管理，实现及时、准确、全面地展现集团客户及单一客户存款、授信、收益、额度、风险等各类业务数据的功能。服务对象包括对公金融部总分行和境内外的客户经理、产品经理、风险经理、业务经理（统称为非管理层），以及总分行和境内外的负责公司金融业务的行领导及部门领导（统称为管理层）。CRM在为各类业务人员提供营销管理支持的同时，还为公司金融不同角色人员提供了强有力的数据管理工具，提供基础数据获取、分析、决策支持功能，为公司业务的发展提供强有力的科技支撑。

图1 对公CRM的功能架构

本文不再就每个功能做详细描述，有兴趣的读者可参考具体的实施案例的相关内容。这里仅就一些关键功能进行描述。

2.1.1. 我的工作

各级业务人员查看仪表板、通知提醒、待办事项、工作日志、会议纪要、任务管理以及日历。

2.1.2. 客户管理

客户管理提供业务人员查看客户统一视图，管理客户的模块。

（1） 客户统一视图：

客户统一视图即包括来自商业银行之外的市场或者行业趋势信息、企业客户在银行的业务信息和营销过程信息，形成客户在银行的全面信息汇总。供业务人员多维度检索单一客户、集团客户、区域客户、行业及产业链等数据信息，方便全盘把握产业发展趋势、客户经营状况以及各类潜在业务机遇与业务风险。

客户统一视图包括以下信息：

1. 客户基本类信息：记录客户最基本的客户信息，例如企业的归属信息、注册信息、联系人信息、客户经理服务团队信息等。

2. 客户业务类信息：客户存款、*款贷**、支付结算等业务信息，包括账户信息和交易信息。

3. 客户财务类信息：客户财务信息供用户查询客户财务报表信息。

4. 客户风险及其他信息：包括客户本身或其关联企业产生的信用风险，以及企业可能面临的法律风险、政策风险和运营风险等相关信息。

5. 营销销售类信息：客户经理在客户营销、服务工作中记录的相关信息。

（2） 客户管理：

客户管理的功能包括客户分配、客户认领、客户移交、客户关注、客户导入、客户合并等。

（3） 集团客户识别：

集团客户识别指单一客户作为集团成员加入到某集团客户的流程，以及集团关系、成员归属、归属变更等功能。

2.1.3. 营销管理

营销管理是产品经理和市场营销经理安排市场营销、定义目标客户的功能模块。

市场营销功能基于特定营销目标，由产品经理或者市场营销经理创建市场营销，筛选建立符合该市场营销目标的客户名单，并分派给适当的客户经理，转化为商机和执行后续销售活动。

2.1.4. 销售管理

销售管理是业务人员跟进销售线索和项目的功能模块。

（1） 营销记录

公司金融客户管理人员进行客户营销工作的记录并共享的功能。营销记录功能主要记录营销活动的摘要信息、审批流程及其在业务处理过程中的状态信息。

（2） 商机管理

商机是客户经理手中潜在或正在开展的销售机会。CRM系统记录了商机从创立到结束的过程，便于管理层了解达成销售目标的可能性，进而采取适当的行动方案。

商机的信息来自于市场营销活动的输入、客户经理的发掘、产品黄历的开展等，并且可以关联客户营销记录、会议纪要等来全面记录和掌握商机信息。

（3） 项目库

项目库是商业银行为客户提供一体化、多元化、综合金融服务的有效途径。项目库用来记录、维护和管理与市场营销、销售相关的项目信息，以及项目团队跟进项目的过程。

2.1.5. 绩效考核

业务人员查看业绩目标、考核指标项以及绩效权重设置信息的模块。

多维度展现考核数据，包括实现定量和定性考核指标在线发布与测算，有效的激励并督导业务拓展。在该模块中，通过内置的积分公式，客户经理、管理人员等各类人员可以通过CRM及时了解其个人、团队、机构完成的各种业务或任务所获取的、可量化的贡献积分，及时掌握绩效情况。

绩效考核分为客户经理效能、机构效能。

2.1.6. 风险管理

风险经理根据企业客户财务经营的变化，识别有潜在经营风险的客户，并和客户经理一齐确认风险，为下一步落实风险管控提供支持。

首先风险经理按行业设定财务指标的触发参数。CRM定期计算单一客户财务指标、偏离值（比行业、比自身），依据财务指标与参数的偏离值产生预警信息；CRM计算企业自身的当期财报数据比去年的差值与变动幅度，超出偏离值产生预警信息。两类预警信息并由客户经理跟进处理并反馈。

2.2.对公银行CRM实施规划

从分步实施角度，对公CRM建设的最佳实践分为从“数据”、“流程”到“分析”再到“管理”的四步走战略。

第一步：数据

客户数据作为CRM整体系统建设最为重要的基础，需要在CRM实施的第一阶段进行科学设计、实现、尤其夯实CRM与银行外围系统的数据集成框架。确保客户360视图的客户数据汇总整合正确、及时、并且具有将来整合更多外部数据的可扩展性。并在推广过程中不断验证完善数据的准确性，同时持续扩大客户数据采集范围，全力实现对公业务数据全覆盖，确保CRM中“数据”准确、及时、全面、有效。

第二步：流程

即是大家谈到的OCRM（Operational CRM, 操作型CRM）的范畴。围绕对公客户营销、销售、服务主要业务流程，对公CRM面向客户经理、产品经理、风险经理以及行领导等角色，提供相应的应用功能和管控节点。

第三步：分析

在数据基础完全准确可用、业务流程线上化的基础上，CRM将加强“分析”功能。利用已有的基础数据，结合公司金融条线各级业务人员管理、营销、分析需要，对数据进行加工、计算与分析，并形成数据分析结果，供业务人员参考决策使用。

第四步：管理

在业务流程透明化、全面实现数据分析的基础上，CRM支持对当前业务管理模式进行优化转型。根据数据分析的结果，在系统中实现营销管理、绩效管理、过程管理等管理功能，使CRM成为集数据、分析、管理为一体的综合性对公业务发展支持服务平台。

3. 智能获客方案

3.1. 智能获客目标

有了CRM积累的丰富客户数据资产，银行的客户营销和服务数字化转型逐步向数据分析、客户智能方向推进。在作者多年辅导国内、外多家商业银行的客户营销和服务数字化转型实践中，一个优先级高的需求是如何从存量客户（数据）中挖掘出高质量的新销售线索。尤其国外商业银行在提升获客能力方面的拆求更为强烈，毕竟这和国外（发达经济体）相对成熟的金融市场、有限的客户体量等因素密不可分。

智能获客方案是最大程度利用商业银行存量客户历史数据等现有数据资产、基于“大数据与人工智能”技术打造智能获客营销管理平台，挖掘存量客户的业务潜力、业务机会，有精准目标的实施产品推荐。

智能获客方案创新点有两个：

（1） 改变以往依靠主观判断与个人经验的客户管理模式，转为依托交易银行理念（图2），从客户行为、资金流向、产品配置、客户需求等方向进行综合分析，为营销人员客户拓展、产品组合与销售提供强大的在线营销*器武**。

。

图2 交易银行理念

（2） 选取适用金融机构的机器学习算法、验证及训练模型，形成高效处理、深度挖掘的能力。智能获客结果不受传统算法在处理数据维度、体量、效率上的限制，比如采用大数据处理技术可以突破传统数据处理技术对数据量、数据格式的限制。使得智能获客结果更客观、预测准确度高、更能反应市场变化。

3.1智能获客应用架构

智能获客是利用大数据、并行计算及人工智能等新技术手段实现批量获取潜在客户，发现存量客户业务机会。为客户属地的营销体系提供携带业务导向、产品方向、客户关系等关键信息的目标客户清单，实现有明确目标的精准营销（图3）。

图3 智能获客应用架构

（1） CRM数据加工

对公CRM积淀的客户数据资产，包括客户数据、账户数据、产品数据、收益数据、风险数据、集团数据等，是智能获客模型自学习依赖的业务数据，或者称为数据样本。用在学习阶段，称为学习样本。用在验证阶段，称为检验样本。

对公CRM的客户数据资产绝大多数归类为事务性数据。很难直接被智能获客模型所引用，需要有一个数据建模和加工处理的过程。

取决于不同的获客模型，有些模型需要的数据可能在CRM是没有的，比如行业研报。此类的外部数据需要特殊的数据接入手段和大数据处理技术来处理。

（2） 智能获客模型库

智能获客模型库是支持多模型并存的智能分析集成平台。不同的智能获客模型可能会有不同的业务数据集、算法模型。考虑到将来会有更多的智能获客的模型纳入进来，智能获客应用架构具备这种可扩展性。

但是，智能获客模型库的输出模式（结果集）和格式是统一的。不同的获客模型会按统一的销售线索格式输出给CRM营销过程，比如某个销售线索是归属哪个客户、关联哪个产品、线索有效跟进期、线索被挖掘的原因描述等等。客户经理作为销售线索的直接受益者和跟进责任人，能够在不需要深度了解智能获客模型的条件下，理解销售线索、管理和跟进销售线索。

（3） CRM营销过程

获客模型挖掘的结果，即销售线索会按客户归属分派给相关的客户经理或者团队去跟进。跟进销售线索的过程即是CRM营销过程所管理的范围。每家商业银行客户营销和服务的管理流程有所不同，本文这里不再详细描述。

作为智能获客模型闭环的最后一个节点，销售线索的跟进结果反馈回具体的获客模型，衡量单一获客模型的有效性，指导下一步可能的改进方向。

3.2.智能获客模型建设

这里以某单一智能获客模型为例，描述智能获客模型的建设过程。

智能获客模型建设细分为概念模型设计、数据处理、特征工程、算法建模、线索挖掘、营销过程反馈等几个阶段，见图4。

图4 智能获客模型建设过程

3.2.1. 模型设计

概念模型设计的出发点是业务专家经综合判断认为按特定获客业务场景可以获取高质量的销售线索，从而才有后续模型库的建设过程。

确认一种（或者一类）智能获客概念模型，需要综合业务专家、人工智能专家、CRM专家等团队的智慧。大致会经过以下几个步骤（见图5）：

（1） 概念模型

从交易银行理论出发，概括待挖掘的获客模型是从客户行为分析、资金流向分析、产品配置分析、客户需求分析等单一方向或者组合方向延伸出来的业务场景。

（2） 细分业务模型

从概念模型进一步细分。比如明确了是产品配置相关的，则进一步判断待挖掘的获客模型是客户存款分析延伸出来的，还是客户*款贷**分析、或者组合分析等等。

（3） 量化业务模型

然后需要具体到哪一个业务场景并且是可量化的。获客模型库也是在这个粒度去建设。比如，由客户存款分析可延伸出更多具体与获取存款类线索的量化业务场景，比如下面谈到的“高时点低日均存款客户量化分析”模型。

图5 概念模型设计

这里以“高时点低日均存款客户量化分析”量化业务场景为例，描述智能获客概念模型的组成要素：

1、 智能获客模型名称：

• 高时点低日均存款客户挖潜。

2、适用客户细分：

• 参考“行业类型”下的存款参考值，选择在该行业类型下、具有高时点低日均存款特征的客户。然后根据客户的“企业发展阶段”差异化特征，进行特定存款类产品的推荐。

3、业务规则和算法模型：

• 首先采用线性回归算法，以CRM中客户的行业类型、存款业务数据为数据样本，统计不同细化行业类型下客户的日均存款与时点存款比率。以此作为参考值（图6）；
• 根据以上参考值，对行业类型下的存量客户进行识别，分析是否存在潜在的存款线索；
• 针对挖掘出来的存款线索，结合客户所在的“企业发展阶段”差异化特征，并参考图7的企业发展阶段和适用金融产品的参照关系，进一步明确存款线索的目标存款产品

图6 线性回归统计某行业类型客户的日均存款与时点存款比率（参考值）

图7 企业发展阶段和适用银行金融产品的关系

4、潜客线索输出

• 基于客户不同的行业特征、以及客户的日均存款与时点存款比率，和客户的企业发展阶段差异化特征，输出客户潜在的存款销售线索。

3.2.2. 数据处理

不同智能获客模型，使用的业务数据可能不同。因此需要按需地进行样本数据，包括学习样本、检验样本的准备。

同样地，若有些模型需要的数据在CRM是没有的，比如行业研报。则此类的外部数据需要特殊的数据接入手段和大数据处理技术来处理。

3.2.3. 特征工程

特征是算法模型的输入属性或者影响因素，通常是多个属性或者影响因素组合一齐确定了获客线索的识别标准。【客户智能】一书第五章金融机构客户分类案例中，工商企业的24个属性确定了企业分类结果，这24个企业的属性就是24个特征。

特征选择通常由专家经验给出。各特征之间不可能都是孤立存在的。比如，在对客户购买运动鞋的消费行为进行分类时，客户的年龄、每周平均运动时间两个因素均可作为消费行为建模的特征。但两个特征在实际问题中存在一定程度上的交互性，即客户的年龄越大，每周平均运动时间越少。而这种特征交互性可能会干扰算法模型自学习的效率，这种问题通常称之为搜索空间的不确定性。因此，有些业务场景需要对特征选择进行优化。选择适用的特征，或者对特征进行优化的技术，称为特征工程。

经过特征工程的过程，可能会减少无用的特征，也可能增加有用的特征、或者特征组合。总之，特征工程的结果是找到对算法模型自学习效率高的特征（组合）。

3.2.4. 算法建模

针对不同的知识发现主题，会有多种挖掘算法或者统计分析方法可供选择。像本章的“高时点低日均存款客户量化分析”业务模型采用线性回归算法。【客户智能】一书第五章金融机构客户分类案例则采用了神经网络的分类算法。

这里仅对市场上常用的几种数据挖掘算法做了汇总（如表1），供参考：

表1 常用的数据挖掘算法

实现一个智能获客特定业务场景，仅仅选择算法模型远远不够。还需要通过算法建模、自学习、检验、再自学习、再检验等环节，才能训练得出适用的算法模型。结合【客户智能】一书第五章采用BP神经网络进行金融机构客户分类的案例，算法建模大致经过如下节点：

表2 算法建模常规过程

3.2.5. 线索挖掘

把训练好的算法模型（结果）应用到其他存量客户数据，得到期望的挖掘线索。

3.2.6. 营销过程反馈

训练成熟的智能获客模型通过对接CRM营销过程管理，才有可能把智能获客成果转化为实际的收益。智能获客挖掘的销售线索，以线索分派为起点，经过客户经理的线索确认、营销过程等，把营销结果反馈给智能获客模型。从而一方向验证智能获客模型，另一方面为进一步优化智能获客模型提供参考，见图8。

图8 智能获客结果应用到CRM营销过程

4. 小结

智能获客通过CRM历史数据和人工智能模型，通过特征工程计算出影响获客的关键特征要素，减少非关键要素。然后，通过机器学习算法等人工智能技术，学习、训练得出适应特定业务场景的智能获客模型。动态（通常在月初）为销售人员提供高质量的潜客线索，为下一步的交叉销售、提升销售和客户财富规划提供支持。

该案例在以下方面有进一步提升的空间：

1. 提高模型的可解释性。选取适用公司金融业务的机器学习模型，验证及训练模型，形成高效处理、深度挖掘的不受传统算法处理数据维度限制的成熟模型。并且，努力使得智能获客模型具有可解释性。具有可解释性才具有可信服力，有利于后续营销过程的执行。

2. 提高模型的可配置性。汲取业务专家经验和智慧，打造灵活/可配置的业务规则引擎，最大程度适应公司金融市场变化。

3. 使用数据挖掘技术，通过分析客户资金、供应链的信息流向和资金流向，俘获核心客户上下游中未在商业银行开户的潜在客户。结合外部购买的专业数据、客户标签、客户识别和资金流向，获取行外客户和核心客户的关联关系。将此纳入智能获客模型库，拓宽销售线索的源头。

By Dr.佛林