案例名称

基于零售客户全生命周期下的精细化运营体系

案例简介

【资料图】

本项目主要通过机器学习算法及数据挖掘对零售客户进行生命周期划分，结合客户特性实现“粗分层、细分群”，同时运用人工智能算法搭建7个营销类模型，实现了客户全生命周期标签识别与模型覆盖体系，并出具配套运营方案指导分支行通过中台系统运用标签定位目标客户，构建了从“数据→模型→平台→渠道→线上+线下运营团队”的完整客户经营链条，实现从经营高价值客户到全量客户运营的转变，做到“大客户做好，小客户不丢”。

创新技术/模式应用

一是贯彻落实全量客户经营理念，围绕客户业务旅程，划分生命周期，进行粗分层、细分群。

随着互联网金融的快速发展及传统银行数字化技术的迭代更新，金融业的竞争越趋激烈，在零售客户经营方面，面对流量触顶，获客成本越来越高的问题，将关注高价值客户的运营模式调整为注重全量客户经营，深入挖掘长尾客户的运营模式。

本项目从全量零售客户出发，按照客户生命周期进行分层分群，寻找各客群间的相似点，将运营方案进行拆解细分，实现存量客户的“精耕细作”，为客户提供个性化、数字化、特色化的综合金融服务。从关注客户需求与服务体验出发，围绕客户业务旅程，将客户划分为五个生命周期阶段，同时形成了10类细分客群及80余个客群筛选标签，根据细分客群特性及标签特性将客户的业务旅程拆解为促开卡、促绑定、促登录、促交易、产品推荐、裂变留存6个环节，不断提升客户MAU，进而提升AUM，延长客户生命周期，盘活存量客户，做优客户结构，有效提升和释放客户经理产能及潜力，形成长效竞争优势。

图1、零售客户全生命周期分层分群+模型概览

二是通过释放数据价值赋能业务发展，应用大数据+人工智能算法建立机器学习模型实现智能圈客精准营销。

依托贵阳银行MPP数据中台服务能力的分布式计算引擎MaxCompute，通过对千万级的客户数据及截取上亿级的交易数据进行分析，从基础信息、资产水平、收入水平、负债水平、交易行为、活跃情况、产品持有等多个维度围绕客户生命周期进行分层分群，同时运用Xgboost、GBDT、逻辑回归、协同过滤、RFM等多类机器学习算法，构建了从“活客、提升、推荐、维稳、留存”等多维度的营销类模型生态，运用技术手段探索客户潜在价值，发掘客户个性化需求，以数据结果指引前端业务发展。

三是多业务条线协同联动，融合4大平台，形成13个管理中心，连接18个渠道，实现集客户、业务、场景、渠道、数据、平台一体化的开放式营销生态。

将负债条线与资产条线的零售客户资源进行整合，从系统层面将各个业务系统数据进行汇总加工，探寻客户负债数据与资产数据间的价值点与需求点，互通互用；从部门层面将各类业务发展统筹考虑，共享数据成果，减少中间环节，消除“信息茧房”。从促开卡、促交易出发，针对客户需求综合考虑负债服务与资产服务，不断提升客户的产品持有率与客户粘性。

同时将CRM系统、销售管理平台、数据分析平台、权益平台打通融合，以销售管理平台为营销中心，将模型结果、分层分群结果及客户生命周期标签可视化呈现，描绘出全方位的客户画像。形成从智能圈客→营销活动匹配→权益匹配→销售流程管理→渠道整合→活动监控分析的全流程闭环营销活动管理链路。将客户运营流程线上化，丰富了服务范围与权益活动，对不同客群采用差异化运营方案，增强了用户体验感，极大提升了分支行的维护效率与营销效率。

图2、零售客户全生命周期运营流程图

项目效果评估

本项目是贵阳银行对数字化转型道路的实践，是西部地区率先针对全量零售客户按照生命周期进行数字化运营的探索，借助贵州省大力发展数字经济的契机，贵阳银行结合自身实际，在市场容量和人才支撑相对欠缺的情况下，不断探索新兴技术，打造了西部地区城商行零售数字化转型模范，在同类城商行中起到了一定的示范作用。同时注重金融科技人才培养，为数字化转型道路提供支撑。

贵阳银行长尾客户体量规模大、客户经理覆盖度低，叠加客户需求较为单一，将客户按生命周期分层分群并结合机器学习模型结果，通过开展线上渠道营销活动结合远维团队提供客户维护后，增强了对长尾客户的分析洞察，关怀体验覆盖度提升10倍以上；模型探测潜力客户的精准度较人工筛选提升5倍以上，实现存款规模稳定快速增长，产品交叉持有率提升至40%以上，零售客户数增长40余万。在减轻分支行维护压力的同时实现了业务增长，有效的将金融科技与业务实现融合，发挥数据价值，赋能一线发展。

项目牵头人

张晓琴

项目团队成员

张晓琴、成运、陈萍、彭薇