文 / 交通银行软件开发中心 李佳蒙
建设背景
1.银行零售业务的重要性
招商银行原行长马蔚华曾提出“银行不做对公，今天没饭吃。不做零售，明天没饭吃”，这句话成为银行业广为流传的名言，彼时话中的“明天”，随着银行零售业务重要性提升，已成为当下。银行零售业务重要性提升，可从以下三个方面分析。第一，从收益角度分析，银行的零售业务主要服务广大储蓄居民，受经济周期影响小，相对稳定；从资金来源分析，零售储蓄业务的客户来源广泛，导致风险分散，在经济下行的市场背景下，贷款利率下降，零售业务是更优质的选择。第二，相比以往银行依靠对公业务规模取胜的模式，在我国日益完善的金融市场发展下，企业有更多的融资渠道和来源，对银行贷款的依存度逐渐下降，发展零售业务，是银行业持续发展的优质可替代选择。第三，在零售市场上，微信、支付宝等支付工具，已经开始培养居民的线上消费信贷习惯，而经济下行的背景下，居民倾向于减少消费，进行投资理财，给银行的零售业务，提供更多客源。
2.数据分析与模型挖掘的应用
新冠肺炎这一世纪疫情，使线下金融服务需求下降，客户越来越倾向于线上交易，对网点的访问频率逐渐下降，银行业务离柜率已接近90%，呈现“金融业务无处不在，但绝不在银行”的局面。而银行面对这一场景变化事实，可以通过交易浏览监控埋点等技术手段，获取比柜台交易更多的客户行为信息和交易信息，沉淀更丰富的零售数据，为决策分析和客户营销提供数据支持。为了更高效地利用数据服务客户，银行需要把数据转化成一类真正对业务有价值输出的产物，然后在这些产物之上实现上层业务的应用。互联网运营方式的发展，使银行可以学习借鉴，通过挖掘银行现有积累的数据资产，用精准的营销策略，更高效地服务和挖掘客户价值，降低营销成本，提高营销命中率。
零售数据的应用场景
鉴于银行零售业务的重要性逐步提升，银行的金融科技应用和发展中，有越来越多的使用场景需要成熟的零售数据体系支撑。
应用场景一是服务于客户营销，银行的零售数据，尤其是消费侧的客户类数据，可协助业务人员筛选和定位目标客户，改善原有的粗放型运营方式，针对目标客户进行精细化运营，将客户群体，尤其是长尾客户切割成更细的颗粒度，比如睡眠客户、30日新开户等标签，通过短信、邮件、APP弹窗、海报机等渠道，采用利率折扣、发放贴金券等活动，用关怀、激励、唤醒等方式进行服务，对不同属性下的客户，进行差异化业务的精准营销，进而降低营销成本，提高营销活动的效率，挖掘客户的潜在价值。同时，可以给客户带来更优质的金融服务，降低客户投诉率，提升客户满意度。
应用场景二是业务决策的分析支撑，成熟的零售数据体系，可以提供海量高质的分析底层数据源。业务人员利用丰富的数据源，通过使用不同的分析工具，如基础的SQL和Python技术，成熟的SAS工具和BI工具，高阶的隐私计算工具、知识图谱、AI智能算法、自然语言处理工具，通过聚类组合、建模挖掘，反复探索从不同维度上进行分析，得到更全面更科学的数据依据，从而辅助决策和业务开展。
应用场景三是产品搭建，零售数据体系是很多数据产品系统的基础。比如客户营销平台、客户管理系统、积分系统、报表系统等，成熟的零售数据体系可以为这些系统的搭建提供底层的数据支持。
零售数据的常见问题
在各大银行的数据搭建体系中，随着数据仓库和数据中台的建设，零售业务数据已经有庞大的存量数据，但由于缺少整体规划和粗放的开发模式，存在以下几点问题（见图1），不能更好地应用于业务服务。
主要问题一是缺少体系化的顶层方案设计和整体建设，只是在业务发展中，随需随建的零散开发部分数据，不能整体统筹各业务部门的实际诉求，全局覆盖客户、产品运营的数据支撑，导致缺少统一的查询数据资产目录，无法支持业务人员开展模糊定位和数据查询，无法辅助业务人员高效利用既有数据。
主要问题二是现有零售数据的冗余重复开发多，在随需随建过程中，零贷、理财、消保等不同部门，根据不同的业务场景，会有相似的业务需求，如果业务部门之间没有共识，开发项目组缺少规划，会导致数据重复开发，数据表达形式不一致，造成数据跑批资源浪费、存储资源浪费，已有数据不能得到有效使用。
主要问题三是缺少生命周期管理，数据上线后，缺少对数据使用效果的监控，缺少数据产生的业务价值的评估，大量低效过期无用的数据，没有得到提纯和迭代，带来计算和存储资源浪费。同时，庞大的零售数据字段，会影响业务人员高效精准的寻找需要配置使用的数据，带来工作效率的降低。
主要问题四是口径定义不清晰、不一致，缺少数据标准和治理，同名的数据字段，存在多套不同的口径，算法和数据源都有差异，技术需要花大量时间查阅代码逐层排查，与业务人员沟通，才能避免数据误用。
零售数据标签体系设计
为解决以上银行零售数据的现存问题，首要方法是设计一套合理的零售数据体系，以标签化、颗粒度化的形式，形成一套高效高质的底层零售标签数据库，支撑应用场景。
1.维度设计
维度一是客户。零售银行金融服务中，核心关键是客户，零售标签体系建设最重要的维度也应该围绕客户。建设标签体系，是为了更好的服务客户，对客户的全生命周期进行管理，提升客户营销的精准度。以银行客户为建设核心，常见的标签分类有风险管理、服务信息、接触行为反馈、模型预测、社交信息、属性信息、营销信息、账务信息、资产负债、贡献度信息等维度，维度的分类太少不能覆盖客户的全部场景，太多则容易导致业务人员筛选定位难，所以合理的标签分类是标签体系设计的关键。不同客户标签分类下，则是具体的颗粒度标签，一个标签代表着客户的一类属性。
维度二则是传统的营销重心——产品。以银行零售产品为维度的标签，则主要集中在产品的分类上，如保险、财管、存款、基金、理财等产品，可以以这些银行产品为维度，对产品明细信息、账务特征、专属销售信息、目标客群定制等设计产品明细标签体系。
客户与产品两个维度的标签，可以进行多次拼接选取，以尽量小的计算存储资源，满足业务多样化的数据需求。对标签池的分类和定义，可以从完整度、重合度、准确性三个维度，进行衡量，确保现有标签可以满足业务使用和支撑业务发展，同时尽可能降低重合度，做好多口径管理，在开发中才能更好地提升标签数据质量的准确性。
2.分类设计
根据传统数据体系中，标签的统计分类方法，可从以下四个方面设计银行零售业务的标签体系。
一是统计类标签，作为标签体系中最基础的标签，主要通过对客户的基础数据进行统计分析得出，比如客户的手机端访问次数、购买基金的行为，客户的基础信息，客户的存贷情况。统计类标签不需要复杂的加工逻辑，只是简单的提炼计算。
二是规则类标签，规则类标签是需要在业务实际场景中的明确口径，比如睡眠客户的定义，根据业务发展的需要，可将六个月或者十二个月没有存贷记录的客户，定义为需要唤醒的睡眠户；比如爱基金客户，可以统计在一周内几次浏览手机端基金类产品，可通过手机埋点实现。这些规则都可以根据业务的实际需求和发展场景，快速进行调整。在标签建设过程中，尽量使用简单的复合逻辑，进行规则计算，实现客户和产品的归类汇总。
三是模型预测类标签，是根据数学模型，对现有高质量的数据进行挖掘分类预测，比如通过K-means函数、关联规则、聚类模型等机器学习和算法，对客户的数据进行建模分析，对客户的资产流失、产品推荐、相应偏好等作出预测，提供更有针对性的营销和高效的服务。
四是摘要类标签，主要是对客户的地址和消费等文本信息进行提取和聚类，在标签开发过程中，可以使用词频统计、词性识别、文本分类等文本挖掘和自然语言处理技术，提炼客户的一些重点信息，比如他行高端客户、常见消费场景等。
以上标签体系的分类，主要是对开发过程的技术手段和实现方法来进行划分，在实际标签体系建设中，更多的需要从业务使用场景，利用现有技术，来推进营销和分析的高效服务。
标签体系的生命周期管理
从零售业务全局设计好整个零售业务标签体系，确定标签的分类开发方法，接下来是在开发管理过程中，实现整个标签数据的生命周期管理（见图2），提升标签的数据质量，带来更高的业务价值。
1.业务设计
零售标签在开发之初，需要建立对应的管理资产库，提前做好数据资产治理，确认标签的标签管理信息，建议分为以下几个信息块。一是标签的业务信息，如标签的名称、业务口径、管理部门、提出人等；二是标签的技术信息，如标签的技术口径、所在库表字段名、加工处理的代码脚本名、血缘关系等；三是标签的管理信息，如标签的状态、投产的版本、使用的权限等；四是标签的历史更新版本记录等。通过建立标签数据库，支持整个标签数据的有序管理和高效查询使用。
2.开发上线
银行零售标签数据在开发过程中，一般是由数据仓库或者数据中台，承接整个开发建设体系。第一步是从业务系统，获取交易源数据和客户埋点日志信息，在数据模型层进行数据治理，根据业务主题整合各源系统业务数据。第二步是在零售数据集市中，进行业务数据的开发。开发测试过程中，需要对标签的质量进行重点关注，一是标签的空值率，尽量提高标签的有值率，空值分布较多的标签在实际使用过程中，不能更精准地定义客户的属性，标签质量不高。二是要关注标签的异常极端值，做好极端值的清洗和监控，尤其是数值类标签的阈值管理。三是做好主键唯一性管理，避免数据重复，方便下游系统进行数据的二次拼接和使用。四是做好标签数据的血缘管理，上游数据质量波动，能有机制通知传递到下游系统；上游源数据下线，能够快速定位到对标签口径的影响；尽可能减少标签加工的长链路，降低数据代码脚本的耦合性。
3.效果评估
高质量的标签库，需要对标签的使用效果做好管理，建议从以下三个方面进行收集。一是通过对营销成果进行统计收集，评估零售标签的价值，如使用标签进行营销推广后，客户的短信退订与回复率；对产品销售预测类标签，可以根据标签营销后客户的购买模型评估标签的实际价值。二是在业务人员自主决策分析时，监控标签的空值率极端值等信息。三是监控标签的复用率和使用频次，对于多场景多系统引用的标签，更应做好标签质量监控和血缘管理。
4.更新使用
标签上线后，要形成良性的生命周期管理，最重要的是现有标签体系的优化和更新。为了避免标签随意增加导致的资源浪费，应优先遵循先利旧再新建的原则，优先考虑在原有标签的基础上做优化迭代，减少标签的重合度，也避免同类型标签的冗余。在标签更新过程中，更要定义好更新规则，比如更新频率、更新维度等，一是方便开发人员的工作排期，二是可以协助业务人员明确标签的使用规则。
5.清理下线
为了避免随着业务的发展，标签数量不断增加，标签体系越来越臃肿，出现大量无效标签或高重合度标签，要定期对标签进行效果评估反馈。通过标签的效果评估，以及对标签的定期分析反馈，对于使用评次低或者无使用的标签，可以设置策略，暂停更新，避免对系统存储和计算资源造成浪费，也提高标签的使用效率，减少业务人员在庞大的标签体系中的搜寻定位。对于长期不使用的标签，或者已经落后于业务场景的标签，经过审慎的分析，应发起下线流程，对标签库定期进行清理瘦身。
总结与展望
零售金融和服务是现阶段银行提升利润的兵家必争之地，也是银行提升服务质量和水准的重要业务领域。一套科学合理的零售标签体系，不仅能够更好地服务决策者，为决策者提供一份更完备的数据图谱，清晰地展示零售客户和产品的脉络和发展趋势，从而作出更科学的决策。还能提升零售营销的质量，更好地服务一线营销人员，展开更精准的营销，降低营业成本。
（此文刊发于《金融电子化》2024年1月上半月刊）
热门跟贴