客户画像 机器学习 客户画像理论

1、理论介绍

1.1 感性认识

• 目标：描述客户、了解客户、认识客户、理解客户
• 展现：图像、文本、数据、语音
• 形式：结构化、非结构化
• 标准：系统信息知识
• 验证：统计检验、实事检验

1.2 客户画像定义

客户画像是对客户信息在特定业务场景下的系统描述，是对客户数据的建模

1.3 客户画像与标签

• 客户特征：客户信息数据的结构化处理
• 客户标签：对客户特征的业务描述
• 客户标签是客户画像的元素，客户画像的搭建需要一个高效、全面的标签体系
• 客户画像：客户标签在特定业务目标下的有序集合

1.4 银行标签体系

标签属性类型：实时类标签、挖掘模型类标签、预测类标签

标签体系：

• 客户基本属性：人口统计信息、生活信息、位置信息、自定义信息
• 客户关联关系：生活关联信息、金融关联信息、社交网络信息
• 客户兴趣偏好：金融产品偏好、非金融产品偏好、行内渠道偏好、非行内渠道偏好
• 客户价值信息：用户自身价值、用户对我行贡献
• 用户风险信息：用户风险评价、黑名单信息
• 客户兴趣偏好：近期需求、营销活动信息

应用场景：营销增强、用户洞察、渠道优化、产品创新、运营提升、风险控制

1.5 业务层次划分

1.6标签体系搭建

• 制定标签分层体系
• 根据业务需求制定标签体系框架，逐步丰富标签内容
• 整合可用数据资源
• 客户交易数据
• 客户行为数据
• 客户账户数据
• 客户风险数据
• 客户社交数据
• 模型挖掘客户标签
• 结合业务人员经验进行数据建模，挖掘客户标签
• 客户标签实际应用
• 实践检验真理，实际应用结果有助于优化标签体系
• 客户标签评估优化
• 建立一个标签的评估体系，持续优化标签体系

二、客户画像应用案例

2.1 360客户视图

3.2 30秒认知客户

3.3 个性化产品推荐

4、客户画像开发案例

4.1刷卡摘要挖掘

• 项目：有孩客户的标签开发
• 需求：非金融服务（亲子活动）推广，圈定目标客群，精准营销投放
• 模型：

1. 样本：问卷调查
2. 特征处理：词袋、词向量、TF-IDF
3. 模型：LR、SVM

• 效果：
• 营销响应：9%
• ROC：83%

4.2快捷支付标签

• 项目：快捷支付特性标签
• 需求：客户分群，直销银行推广营销，非金融服务的推广
• 模型：
• 特征处理：归一化 / 标准化
• 模型：K-均值聚类
• 聚类字段：
• 近三月总交易平均次数
• 近三月总交易平均金额
• 近三月微信支付平均交易金额 / 次数
• 近三月支付宝平均交易金额 / 次数
• 近三月其他快捷支付平均交易金额 / 次数
• 年龄
• 签约时间
• 客户类型
• 投资型客户：客户购买一些互联网金融产品
• 支付需求客户：充值、小额支付、红包
• 网购达人：经常网上购买商品
• 临时型支付需求客户：客户签约之后短时间内只做了3次以下支付交易
• 综合均衡型客户：没有使用偏好

5、客户提升潜力标签

标签评价

• 准确性：多样性、覆盖率、新颖性、召回率
• 问卷主观评价
• 点击率