大数据在商业银行信用卡交叉营销中的应用研究

近年来，国内各大商业银行不断扩大发卡量，我国信用卡市场初具规模，数据显示，截至2014 年末, 全国人均信用卡持有量约为0.3张。我国信用卡业务在“跑马圈地”式的粗放扩张背后，是发卡质量的隐患重重，主要表现在：一是逾期率不断攀升，坏账风险逐渐曝露，发卡行急需加大客户信用风险管控力度；二是大量虚假、无效发卡行为浪费了营销和管理资源，卡片激活率低、睡眠率高等问题缩小了信用卡的利润空间；三是客户忠诚度低，各家银行推出的促销活动往往具有同质性，难以形成客户黏性，且随着办卡周期的缩短和成本的下降，客户在各家银行之间转移的成本也越来越低，发卡行对客户流失无法形成有效阻力。

面对上述问题， 我国银行业开始聚焦于一种高效优质的发卡形式—— 交叉营销。Nash(1993) 和Deighton(1994) 等人认为, 交叉销售就是“鼓励一个已经购买了某公司A 产品的顾客购买其B 产品”。显而易见，这一营销形式天然地与数据紧密关联。一方面企业内部数据可提供具备购买条件的潜在客户清单；另一方面通过数据分析可进一步缩小目标客户范围，完善营销形式，提高营销的精准度、成功率和客户体验。这种营销方式发达国家银行早已采用，如美国富国银行将交叉销售模型作为其精细化管理的关键模型之一，在多年的努力下，其零售客户人均持有的银行产品数量为6.4 个，大大提升了其盈利能力。大数据技术使得交叉销售无论从形式和内容上都更具操作性，适用场景也更为丰富。可以说，随着大数据技术应用的不断成熟，国内商业银行大力开展交叉营销的时机基本成熟。

一、大数据在信用卡交叉营销中的应用现状

研究表明，如果客户在银行只有1 个存款账户，则对其进行流失挽留的成功率约为0.5%；如果客户同时拥有2 个账户，则其挽留成功率增大到10%；如果客户使用了银行提供的3 种金融服务，则挽留概率进一步增大到18%；享受4 种及以上服务的客户，挽留成功率接近100%。因此，交叉销售对于提升银行客户的忠诚度有着显著的作用。除此之外，交叉销售还能以较低的成本提升客户贡献度，且有利于多角度了解客户的真实信用状况，加强对客户的风险防范。因此，通过交叉销售方式进行信用卡发卡营销，可以有效解决以往粗放营销方式导致的逾期风险、无效发卡和低忠诚度三大问题。商业银行推广交叉销售需要多方整合渠道、流程、人才和数据资源，构建运转高效、内外兼顾的交叉销售运营体系。其中，随着大数据技术的发展，针对大规模数据的挖掘技术开始在交叉销售过程中发挥重要作用，其本质是以数据库营销为基础，对客户关系管理进行深度挖掘和应用。大数据技术在交叉销售中的应用场景主要有以下几个。

1. 营销机会识别

无效的客户接触不但是对资源的浪费，且可能使客户滋生反感情绪。目前业内针对这一问题的主要研究方向是通过大数据分析和挖掘技术，提升营销的针对性和成功率。按照分析对象的不同，主要分为基于产品特征的模型、基于获取模式的模型和基于客户特征的模型三类。

（1）基于产品特征的模型

基于产品特征的模型指各类金融产品都有自己的产品特征和定位，通过对产品的定位分析，确定其对应客户的特征，并以此作为判断该产品是否满足某位客户需求的基础，再根据客户特征筛选出满足条件的客户向其提供相应的金融产品或产品组合。这类模型由于使用门槛较低，因此较为常见。近年来随着大数据技术的发展，以关联规则分析、协同过滤等算法辅助交叉销售的研究逐渐增多，其机理是借助产品特征，寻找具有相似内在特质的产品或产品组合，进而预测客户的购买行为，因为借助大量数据运算得出结论，因此结论的可靠性较高。但这类模型只使用了产品信息而忽略了客户信息，没有充分利用数据素材，使用范围和效果受到一定限制。

（2）基于获取模式的模型

基于获取模式的模型指通过客户现有产品的购买行为推测应向其推荐什么产品。在发现客户金融产品的某种获得模式以后，再根据其已经购买的产品向其推荐处于获得模式中的另一种产品。Paas 和Kuijlen(2001) 就是采用获得模式分析金融服务领域的交叉销售机会的。他们运用Mokken 量表调查分析现有顾客获得金融产品的顺序，然后利用SLD( 序列逻辑模型) 分析在获得模式的每一阶段现有顾客具有哪些显著的特征, 并以此作为预测交叉销售机会的一个指标。获取模式的分析虽然理论上有效，但在银行业实证研究中仍然困难重重，因为顾客的获取模式的复杂性难以用简单的序列去概括，且商业银行的客户本身就具有庞大的多样性，其获取模式千差万别，难以找到具有显著性的普遍获取模式。近年来在大数据技术支撑下，使用序列挖掘方法计算获取模式的尝试逐渐增多。

（3）基于客户特征的模型

基于客户特征的模型指通过对客户的人口统计学特征和交易行为特征进行概括，可以更精确地把握客户需求，从而识别出有效的交叉销售机会。该类模型以客户特征为中心，通过对这些特征的数值计算进行预测或评分，其中最具代表性的案例是Kamakura 等人(1991) 提出的潜在特质模型，该模型在银行交叉销售应用实践中却遇到较大障碍，因为要完整概括客户的特质，必须获取客户在其他银行的各项指标，这往往难以做到。因此2003 年，Kamakura 等人又进一步提出了使用因子分析手段扩展数据的方法，虽然该方法仍然需要外部市场调查数据的支持，但已经使得该模型实用性大大加强了。潜在特质模型奠定了交叉销售的主流研究方向，之后Reinartz 等人(2003) 提出的客户生命周期价值模型，Soureli 等人(2008) 提出的交叉购买意向影响因素模型等，都是在此基础上扩展和改进的。事实上，基于统计学假设的分析方法适用条件相当苛刻，如服务频率服从泊松分布，交易量服从正态分布等前提假设，在使用前很难充分检验。在大数据领域，这类营销机会识别的问题容易被简化为分类问题，因此有关研究常使用Logistic 回归、决策树等流行分类算法进行计算和测试，其主要目标是区分高购买倾向客户与低购买倾向用户。由于相关算法基本成熟，研究主要集中在客户特征选择与加工上。但训练样本的采集在实际应用中并不容易，多分类算法需要在训练时采集每一类别的样本，而如何在没有任何先验信息的情况下找到低购买倾向的客户样本是一个极大障碍。

2. 营销渠道选择

很多银行都利用多种渠道提供服务，但仅有少数银行能成功地将各种渠道有效整合在一起。 渠道整合不但要发挥各个渠道的成本优势，而且要引导不同类别的客户根据自己的需要选择渠道，实现各个渠道在服务的过程中取长补短、密切配合。如客户在柜面渠道开立账户之后，银行可通过呼叫中心、直邮、手机银行等渠道进一步实施销售。此外，渠道整合还可以配合价格导向策略一起运用。

一方面，在对客户渠道偏好的研究中，传统研究方向主要是对选择的影响因素做定性分析，提出探索性的概念模型，如Black(2002) 通过分组讨论得出消费者渠道选择受其自身条件、渠道产品和组织特征的影响。Laforet(2005)、Lichtenstein(2006) 和Calisir(2008) 等学者分别基于不同区域背景对人们使用网上银行的影响因素进行探讨。Lee(2009) 则同时关注消费者使用网上银行的积极因素和消极因素，提出了感知利益理论。这些研究成果对理解商业银行客户渠道选择的内在机理有所助益，但却难以直接应用于商业活动实践中。

另一方面，基于统计学的数据分析方法在各类实证研究中得到多方面的发展，尤其是在银行业大数据环境逐渐成熟之时，借助多维数据分析进行渠道推荐变得可行。郑军(2007) 使用对应分析方法，从银行客户的年龄、学历和家庭收入着手，对其特征与渠道偏好进行了定量分析。王全胜(2010) 利用潜在分类MNL 模型研究了不同客群对渠道选择的行为特征。除此之外，还有基于多重对应分析、因子分析、主成分分析等方法的渠道偏好定量研究等。在展开交叉销售前，选择合适的分析方法预判客户的偏好渠道，从而使用恰当的渠道与客户接触，有助于节约成本、提升客户的营销体验。

3. 细节营销辅助

细节营销是指企业对消费者的服务是从消费者的需求出发，时时刻刻考虑消费者感受的营销行为。美国西北航空公司的总裁曾经形象地说过：“对航空公司来说，飞行中最重要的是飞机的引擎；但对一个乘客来说，影响其选择航空公司的也许是座位前的小桌是否干净。”细节可能是一个程序、一个动作，也可能是一句话、一个眼神。对以服务为主要产品的银行业来说，细节可能成为影响营销成败的关键因素。传统的信用卡营销过程中，营销的细节由一线客户经理直接决定。客户经理由于缺乏对营销对象的充分了解，往往在营销过程中根据自身经验选择各种接触方法和形式，使得营销细节的选择充满随机性，对于客户的体验难以控制。大数据技术为解决这一问题提供了机会。随着商业银行对客户各方面信息的大量收集，从中可多维度分析出客户的一些关键特征，进而侦测到客户生命周期中的一些关键事件等，这些数据分析成果能够为营销细节的选择提供依据。目前银行业的大数据应用刚刚起步，数据的精细化程度尚不够完善，因此完全靠数据分析指导营销活动的方方面面并不现实。但在保留营销人员的主观能动性的同时，初步的数据分析成果可以作为营销细节设计的辅助决策依据。在信用卡的交叉营销中，短信营销的文案撰写、电话营销的话术设计等，均可以在数据分析的基础上精细化操作。更进一步，从开展营销到客户申请和反馈的整个流程，其每一步骤的客户接触都可以用数据来辅助支撑。

二、农业银行基于大数据的信用卡

交叉销售探索实践随着农业银行大数据平台的逐步完善，原有分散的各业务系统数据孤岛得以整合，其中贵宾客户管理系统中的大量客户，被视为信用卡发卡营销的目标客户群。我们在整合多系统数据的基础上，提取客户关键特征，使用混合高斯数据描述模型，从贵宾客户中提取出适量具有较大营销机会的目标客户，并使用基于马氏距离的最近质心法为目标客户做渠道推荐，最后使用聚类方法归纳客户族群，作为细节营销的依据。全流程如图1 所示。

图1 交叉销售方案全流程示意

1. 指标筛选

以往认为交叉销售的客户购买倾向的决定因素主要聚焦于客户满意度。由于客户满意度的抽象性和隐蔽性，银行内部基本无法直接采集相关数据，且近年的一些研究结果表明，满意度对交叉购买意向的作用有时并不显著。针对信用卡产品的交叉销售，除考虑影响交叉购买意向的一般因素外，还应当采纳与产品特征相关的客户特征。

（1）自然属性

主要指客户的人口统计学特征，如性别、年龄、教育程度等。Li(2005) 和Verhoef 等专家(2001) 在研究中分别指出，客户的人口统计学特征对交叉销售的购买意向产生着显著的影响。这一类特征具有一般性，采集难度低，也是现代商业银行进行客户画像的基础指标，有助于初步判定客户的群体特征并概括其一般性的金融消费需求，非常适合模型采纳。

（2）财务能力

主要包括客户的静态金融资产值，该类指标反映客户的财力或偿债能力，也与其个人收入和消费习惯紧密相关，在国内商业银行的客户关系管理中，这一类指标常被直接用于客户分层，是行之有效的粗略细分方法。但随着数据量的积累，粗略细分已经不能满足现代商业银行的经营管理需求，因此财务能力仅作为本模型的参考而非核心指标。

（3）客户行为

与静态数据相比，行为数据有着更高的参考价值。一方面，客户的近期消费活跃程度是其对产品满意度的一个间接指征；另一方面，对其消费频次与额度的概括也常用于识别营销机会，如大额少量消费的客户可能会购买消费贷产品，而小额多次消费的客户则可能具有信用卡需求。

（4）客户忠诚度

忠诚度是满意度的结果，以往的研究对忠诚度到底是交叉购买意向的原因还是结果曾经产生过争议，Werner Remartz 等(2008) 通过格兰杰型因果关系建模，对交叉购买行为与其结果之间关系的方向、强度和性质进行测量，发现交叉购买是行为忠诚的结果而非原因。在银行业，对客户的忠诚度刻画常使用客户年限。年限的刻画具有一定的局限性，需要结合客户行为具体评价，王文硕等人(2013) 的研究发现，客户年限与其拥有的服务数量有强正相关关系，即随着交往时间的增长，客户更倾向于使用该银行的更多服务；而随着使用服务数量的增多，转化成本也逐渐提高，客户离开银行的难度越大。

（5）其他相关因素

其他相关因素指与产品营销活动直接相关的因素，基本为与产品特征相关的其他因素。如在信用卡的营销过程中，客户对授信额度的关注较多，而不同财力的客户可能对授信的期望值有所不同，因此，将授信结果或其占金融资产的比值作为模型的输入指标尤其具有现实的指导作用。除此之外，客户消费的商户类别等信息也有一定的业务参考价值。综上，经过反复对比试验，在本模型中采纳指标如表1 所示。

2. 目标客户识别与优先级划分

根据采集的训练样本，采用混合高斯数据描述模型对农业银行贵宾贷记卡交叉客户特征进行学习，用于从潜在客户群中筛选目标客户，缩小范围，提高成功率。混合高斯数据描述(GMDD) 是基于混合高斯模型(GMM) 的一种单分类算法(One-Class Classfication), 经Matlab 反复实验，该算法在处理高维大样本数据时，性能/ 准确性较为平衡，优于支持向量数据描述(SVDD)、核密度估计数据描述(PDD) 等常见单分类算法。使用北京、广东、重庆、青海四省市数据构造模型，采用吉林、上海两省市数据作为测试样本。由于难以取得非目标客户样本，本实验采用了Matlab 模拟生成的离群样本集用于测试。经反复测试，当拒绝率参数为0.05时，筛选模型测试样本上的第一类错误率为6%，第二类错误率为18%，基本满足使用需求。根据计算样本与聚类中心的距离，对目标客户进一步划分为5 个优先级：重点/ 关注/ 尝试/ 储备/ 放弃。具体的边界划分参数可以在迭代反馈过程中调整优化。图2 在二维空间上展示了优先级划分的简化示意。图中颜色深度与优先级正相关。

3. 渠道推荐

衡量客户对不同渠道的偏好，属于top-N 推荐问题。客户的渠道选择是一次性、不重复的行为，本项目采用了基于人口统计学的推荐方法(Demographic-basedRecommendation)。通过计算客户样本与各渠道的类别中心的马氏距离（Mahalanobis Distance），计量客户对各渠道的偏好程度。马氏距离引入协方差概念，剔除了变量间相关性的影响，能够恰当地概括样本之间的相似性。同一客户可能对几种渠道的偏好程度相差不多，因此按马氏距离排序后，可推荐前3 个渠道。由使用训练样本计算出的不同渠道客户特征的中心点（见表2）可见，不同渠道客户特征不同，如：网上渠道的客户普遍年龄较低，消费行为频繁；房贷类客户年龄不大，因有供房压力存款较少，消费频率低；信函渠道客户年龄偏大，消费欲望较低；直销渠道年龄较大但资产丰厚等。通过计算目标客户各渠道特征中心点的马氏距离，可确定渠道推荐顺序。

4. 细节辅助

用两步聚类(Two-Step Cluster) 对客户进行分群（剔除离群点），在类别数1~15 的区间内，使用算法自学习类别个数。两步聚类是较为新型的聚类算法，在解决海量数据、复杂类别结构时具有优势。且与K-means等传统聚类算法相比，该算法提供了无需事先指定即可根据AIC、BIC 参数寻找最优类别个数的功能。银行可以针对不同族群特征，制定不同销售策略，设计有针对性的营销话术或短信文本等，表3 展示了一部分聚类分析结论。

三、对农业银行信用卡交叉销售大数据应用的建议

完整的交叉销售体系涉及渠道、流程、人才、产品等各个环节，当前国内商业银行在交叉销售方面还有诸多问题亟待解决。要想最大限度地发挥大数据在交叉销售方面的作用，商业银行应多方努力，多管齐下。

图2 交叉销售优先级划分示意

1.构建灵活高效的数据流转体系

通过网点、电子银行、客户经理等多种渠道收集客户信息，完善客户画像，并实现信息共享。借助大数据平台，加大对客户需求的分析、挖掘力度，通过对客户群体的多角度、多维度细分，探索目标客户的潜在需求，发掘现有产品、渠道的潜在用户，在充分实践的基础上，开发一套完整的交叉销售客户信息系统。

2. 深入开展流程优化，提升客户体验

要发挥前台部门在产品营销和客户服务中的核心功能，提高柜面服务的客户满意度，为交叉销售设计灵活完善的柜面操作流程，实现大幅度简化操作，提高业务处理速度和服务质量；后台部门则需要针对信用卡交叉销售缩短优质客户的发卡审批时限，借助大数据分析，针对不同特性的客群，采取灵活可用的授信策略和高效及时的授信流程，实现客户服务水平和风险控制水平的同步提升。

3. 培养分工协作、素质过硬的人才队伍

首先，网点人员结构配置要从偏交易处理向有利于服务营销的扁平化配置转变。在依托自助渠道建设的基础上，进一步降低柜员交易处理的工作负荷，转变柜员思想观念、销售理念和工作方式，推动柜员队伍向服务营销型转型。其次，积极建设数据分析团队，有意识地培养数据分析师、业务分析师和IT 技术人员相结合的复合型人才队伍，形成数据平台建设、数据分析应用、业务数据流转和展现三个环节的顺畅衔接。

4. 完善产品开发流程，由标准化向定制化转变在现有产品交叉销售初具成效之后，可将交叉销售的理念进一步渗透到银行金融类产品的开发源头，在大数据的支撑下，根据客户分类和客户特征，为不同客群量身定做所需产品，更好地满足客户需要，为客户提供全方位、多品种、一站式的金融服务。

（源自：源自农业银行）