基于图挖掘的公司业务批量获客新模式

国际经济形势复杂多变，中国经济步入新常态，利率市场化进程加速，互联网金融横空出世、大行其道，“金融科技”跨界融合导致金融脱媒加剧。在这样的背景下，国内银行业竞争日渐激烈, 商业银行的客户流失现象越发明显，同时银行除了需要关注对老客户的流失预测与挽留以外，还应注重对新客户的获取和开发。然而，大部分国内商业银行在发展公司业务新客户方面，仍主要依赖客户经理“点对点”的客户公关，并没有形成批量化模式，尤其未能发挥行业或产业带来的合力。显然，单户发展模式要比批量化模式成本高、效率低。

中国民生银行 王彦博

图挖掘技术与银行批量获客

        基于大数据图挖掘技术，我们为商业银行公司业务发展新客户提出一种批量化方法。实际上，银行通过多年的数据积累，形成了大量客户之间的关系数据，尤其是客户之间的交易转账行为。以拓扑图来构建客户交易网络，描绘客户交易转账行为，这有助于银行发现企业所处产业链中的上下游相关企业，并可以使用图模型来量化分析企业客户在网络中的影响力，从而找到企业客户网络中的核心节点，以便通过发展网络中的核心大企业，来辐射周围的中小型企业，实现“以点带链”、“以点带面”的客户发展效果。尤其当发现上下游企业中的非本行客户，即资金由本行转入他行或由他行转入本行，随即锁定相关潜在客户并基于对新客户推荐指数的计算，优先获取和发展最具潜力的新客户（如图1所示）。

图1 从客户“点对点”开发模式向客户“批量化”开发模式转变

        以国内某商业银行为例，我们从该银行的企业级数据仓库中提取了公司业务的全量客户，以每名客户为中心，以年度为单位，基于图展现可视化技术，构建“有向图”来描绘与该客户有关联的其他本行或他行客户。其中，每个“节点”代表一名客户，“有向连线”代表一名客户向另一名客户的转账，“连线的粗细”代表在一年之内客户累计转账金额。此外，为有效寻找产业链中的核心企业，往往仅看一个层级的交易对手客户（即直接交易客户）是不够的，我们构建多级交易链拓扑图展现（如图2所示）。

图2 银行公司业务客户多级交易链拓扑图展现

        在多级交易链信息中，还会展现交易链级别、涉及企业数量、交易金额、在本行开户的企业数量、在他行开户的企业数量、交易对手的区域分布（以省、自治区、直辖市为单位）以及每个区域中的交易情况等，由此向银行提供本行客户上下游交易对手中的非本行潜在客户商机。

新客户推荐指数模型

        然而并非全部的非本行客户均为新客户发展对象，我们还应构建大数据图挖掘模型来计算潜在客户的“新客户推荐指数”，便于以推荐指数的从高到低降序排序，使银行一线市场人员的名单制获客有的放矢。我们给出客户推荐指数Recommend(i)的计算公式，如下：

        其中，D1 (i)=ln(degree(i)+1)，表示企业i的直接影响力，degree(i)为企业i的度。一个企业的度越大，企业在网络中的直接影响力越大。

        D2 (i)=ln(1+∑j(AMT(i,j)×degree(j)))，表示与企业i的交易对手的影响力，即为企业i的间接影响力。AMT(i,j)为企业i与交易对手j的年交易金额；degree(j)为与企业i的交易对手j的度。如果企业i的交易对手的度越高，且企业i与交易对手往来金额大，那么企业i的间接影响力越大。

模型部署与应用情况

        本文所介绍的新客户发展方法通过银行公司业务CRM平台进行部署应用，将所推荐的新客户名单推送给银行一线相关客户经理，能够在客户发展资源有限的前提下，使银行公司业务开发获取新客户达到事半功倍的效果。自部署应用以来，模型锁定了与行内客户有交易往来的行外客户向相关客户经理推送，其中成功开发了30177户，贡献了可观的对公存贷款业务规模。

        通过提出并运用新客户推荐指数模型，为全部锁定的行外客户计算推荐指数，并按指数的高低顺序排列，发现仅在前6%的行外推荐客户中就成功开发了15506户，占全部成功开发客户的50%以上。更进一步，观测按指数排序后前20%的行外推荐客户，其中成功开发了22059户，占全部成功开发客户的73%，该结果非常接近“二八定律”黄金法则，而以随机排序则应该仅实现20%的成功开发客户。运用新客户推荐指数模型相比随机排序，实现了3.65倍的提升，由此证明了该模型的有效性。

        本文提出基于图挖掘技术的批量获客模式，为商业银行公司业务探索了大数据时代下新的客户开发与业务发展模式。

（文章来源： 金融电子化杂志） 

扫码即可手机
阅读转发此文