在这种大环境下，怎样突破营销获客瓶颈，减少客户流失？在高成本低效率获客时代突破重围，对于银行来说至关重要，是银行实现智慧转型的助推器。在本文中，我们以Smartbi实施的一个案例--某城商行精准营销项目，介绍如何利用数据挖掘技术进行客户营销体系的构建，并以此提升银行的市场竞争力。

该城商行传统的营销以产品为驱动，针对营销产品圈定目标人群，通过线下开展营销活动。这种获客方式不仅运营成本高，也难以适应移动互联网环境下用户的消费需求，从而导致新增用户成本高，现有客户流失率高以及客户经理效率等等问题。通过客户等级圈定目标人群，也缺乏对客户需求和产品偏好的洞察。总行下发给分支行的营销名单缺乏业务解释和说服力，分支行不能很好的理解名单生成的业务逻辑，缺乏业务数据支撑和可解释性。

因此，Smartbi为该行提供的解决方案主要包括三部分：建立客户营销体系、建立客户综合评价体系、建立客户画像。

建立客户营销体系

解决以产品为驱动的营销模式

建立以客户为中心，以客户需求和利益为出发点的客户营销体系。通过对客户各个维度的数据分析，洞察客户需求，匹配产品和渠道偏好，有针对性地进行营销。相较于传统以产品为驱动的营销模式，大大节约获客成本，提高获客效率。

比如银行可以利用自身数据（人口属性＋信用信息）＋移动设备位置信息＋社交购房／消费强相关信息，构建清晰的客户画像，寻找即将购车／购房的目标客户，为其提供金融服务（抵押贷款／消费贷款）。并且在获得用户后，通过用户流失模型预估减少存量客户的流失率。

建立综合评价体系

解决客户粗分

通过深度业务指标挖掘，构建多维度客户综合评价体系。借鉴RFM客户价值理论，构建金融业务价值模型。通过对客户基本信息、行为信息、账户信息、产品偏好信息进行深度挖掘，生成能更好洞察客户的价值度、活跃度、偏好度等衍生指标。

比如反应客户当前价值和潜在价值的衍生指标有客户历史最高资金实力、客户历史最高客户等级；反应客户历史重大事件的衍生指标有客户第一次贷款的日期、客户最大转出金额、客户最大转入金额以及时间。

按各类业务分析主题和分析方向，将客户价值度、活跃度、偏好度等业务衍生指标，与客户基础业务指标进行组合、聚集，形成更具有业务含义便于理解和分析的指标聚集。通过历史指标多维聚集，使用机器学习K均值聚类算法，结合RFM业务模型，建立客户价值细分模型，再基于模型建立综合评估体系。

建立群体客户画像

解决总行和分行业务割裂

构建基于机器学习的精准推荐算法，形成360度客户画像。核心工作即是给客户贴多维度的“标签”，用数据来描述人的行为和特征，而标签是通过对客户信息分析而来的高度简练的特征标识。总行通过下发营销客户画像，解释输出名单，同时分支行也可按照业务逻辑进行名单再筛选。

比如银行线上房抵贷客户相对来说均是高净值的客户，而想要将这批客户留存在银行业务内就需要采取较为精细化的运营方式，需要对用户有清晰的理解。客户画像能够清晰刻画客户身上所具有的标签特征，而且能够知道哪些人是同类型的客户，哪些人是具有特殊爱好的客户，给予业务人员针对不同人群采取个性化运营手段提供参考。

银行有了这些客户画像以后，业务人员可以根据客户特点对其配置相应的权益，促进客户活跃，提高用户留存率，让这批客户可以更多的使用银行内部的适合客户自身情况的其他业务，不仅为银行方创造更多价值，而且可以为客户提供更加精准及时的业务路径。

使用Smartbi的数据挖掘工具

快速构建模型

客户营销体系的核心是模型的构建，总体可以划分为 4个步骤。

1

第一步是是确定商业目标，这个目标同时要具备业务定义与技术定义，在本案例中，目标就是建立客户综合评价体系、建立客户画像、精准营销匹配等。

2

第二步是进行数据的准备与模型构建，使用什么算法构建模型与具备什么数据密切相关，需要不断进行实验与调整。

3

第三步是模型相对稳定后，需要用不同的评估方法进行模型的评估与参数调优。

4

最后在达到一定的准确率后，对模型进行部署，但部署并不是终结，通常都需要迭代，如调整目标、补充数据、优化模型性能等。

使用Smartbi的数据挖掘工具实现以上流程，操作起来非常简单，建模、训练、部署等都是在一个界面完成。业务人员可以参与，整个过程很直观。里面有很多内置的模型算法，模型参数也是默认调整到最优状态，大大降低了使用门槛。

项目上线后，为该城商行全方位构建了“高效、融合、敏捷”的客户营销体系。通过数据+业务驱动的方式开展营销活动，提升了银行的营销精准度、信息化综合运营能力和竞争力，取得显著成效。