摘要：证券客户评估是客户数据挖掘的重要工作，通过对客户指标体系构建，可以整合证券客户和交易数据、行为数据、客户服务过程数据并合理建模，形成统一的数据评估模型，受到学术界和企业的关注。从证券客户的数字化资源建设出发，提出了证券客户指标体系构建及评估模型设计方法，基于客户对券商的价值、用户交易行为、融资融券业务，股票期权业务上的交易等数据，采用聚类算法实现对客户群整体进行分析。最后，结合大数据及智能处理技术，构建了一种证券客户价值指标体系构建及评估架构，从而提高券商客户管理和智能化服务水平，实时与公司各部门及客户对接。
关键词：客户价值；指标体系；评估模型；大数据；数据挖掘
随着大数据时代的到来，大数据智能决策模式对金融企业更具针对性，将客户服务流程和管理数字化，通过数据打通业务开展和管理的闭环，形成客户服务工具，提升客户服务效率和专业度，实现对业务的精细化管理等都需要充分利用大数据和人工智能技术［１］。其中，客户数据的使用基本涉及了券商信息系统的方方面面，而客户数据自身的多源性、大体量、多类型加大了数据使用的难度，因此，有效管理和利用客户资数据、充分挖掘数据价值进而赋能业务创新和发展日趋重要。人工智能技术能为诸多不同的业务场景提供定制化智能服务用以提升服务质量，提高工作效率，减少人工成本［２］。当前，客户数据分散，并且还未建立完整的、统一的数据标准，业务人员在分析客户时需要在多个系统中导出数据，并通过Ｅｘｃｅｌ等工具人工统计分析才能得到结果。在服务过程中，投资顾问通过表格软件、第三方资讯平台等工具整理服务内容之后向客户提供服务，过程未留痕。业务的管理流程还未工具化，多数营业部通过第三方平台或Ｅｘｃｅｌ实现管理，效率较低。随着数字化技术的发展，证券企业的各个业务不断地向数字化转型，对证券客户的指标进行分析，不仅能实现对客户的精细化管理，而且可以根据客户的个性化需求制定差异化的服务策略来提升企业竞争力［３］。基于企业积累的数据，准确地构建客户的指标体系并进行价值评估，有助于对客户提供精细化服务，并提高客户服务的质量［４］。此外，根据客户的行为数据，通过ＳＶＭ、协同过滤等智能算法，将不同行为的客户数据分为不同类别，并对他们提供精细化服务，提高用户对企业的忠诚度与认可程度，实现企业和客户之间的双赢。为此，本文提出构建证券客户指标体系和客户价值智能挖掘的方法，整合客户数据资产，结合智能挖掘技术，实现客户的精细化服务。具体内容包括两个方面。（１）证券客户价值指标体系构建：整合公司客户数据资产，建立资讯数据统一采集、存储、管控与对外服务，提高数据使用效率、规范化数据质量和标准。在此基础上，构建证券客户的指标体系，以正确地描述证券客户的特征；（２）构建客户价值评估模型：基于客户价值的指标体系，进行了客户评估模型构建。通过客户评估模型，有效地挖掘证券客户潜在价值、驱动业务创新和智能化转型，并为证券客户提供定制化服务，辅助企业智能决策。本文主要从证券客户信息数字化建设出发，对客户价值指标体系设计提出解决方案，并对客户价值评估过程进行剖析。
１证券客户价值指标体系
证券客户指标体系是由一系列与客户相关指标所组成的整体，以便从多个方面体现客户的价值或客户数据的特征［５－６］。以客户价值评估为目标，构建一个以客户价值为主题的指标体系，与客户相关的数据都是分析的目标。首先需要采集客户相关数据，客户数据包括客户基本信息，客户风险测评信息等。客户交易数据包括：客户在普通交易业务，融资融券业务，股票期权业务上的交易、持仓、盈亏信息。客户行为数据包括：客户在Ａｐｐ，ＰＣ端的交易，产品，资讯，活动，投资等页面浏览及委托行为。对获取数据实施融合、建立客户价值的评估指标体系，最终经过上述过程完成客户价值指标体系构建。（１）证券客户数据治理：梳理相关基础数据和应用数据的数据质量检核标准与检核规则，形成数据质量评估体系、评估报告，形成数据治理检核脚本以供日常检核。数据治理主要工作包括：定义数据质量需求、范围，数据质量问题剖析的方式、计划等；基于定义的数据质量范围与数据标准，建立数据质量问题剖析规则，运行数据质量规则来检核问题。通过数据质量检核规则，完成一次质量检核，生成数据质量报告，对报告结果进行问题原因分析。根据数据质量报告和数据质量检查发现的问题进行处理和改进，对改进结果进行持续跟踪和评估。建立数据治理考核体系，通过考核指标促进数据质量问题的有效解决。（２）证券客户特征筛选：整合证券客户账户和交易数据、互联网行为数据、员工服务过程数据并合理建模，形成统一的数据服务基础。通过证券数据的融合、关联和匹配，构建证券客户的多维指标体系，形成标准化的多源数据融合、客户标识和基础服务能力。证券客户标签体系的构建一方面依据公司积累的历史数据和实时数据，结合客户行为数据，包括交易、持仓、盈亏等，在此基础上设计符合逻辑的指标特征，该类指标和证券客户价值评估的内容相关，且能够从已有数据中计算提取的特征。但是指标特征之间存在的联系对与进行数据的研究存在一些影响，为此要对这些可用的指标特征进行进一步的筛选。有的指标特征之间存在明显的线性关系，有的指标特征数据的分布情况过于单一，类似的一些问题在特征筛选中都需要去处理。（３）证券客户指标体系构建证券客户指标体系构建是对客户价值评估的基础，其合理性直接影响到评估的结果。证券客户用户与传统的电商用户行为模式之间存在许多差异。证券客户指标体系构建主要从证券客户贡献度、证券客户消费价值、成本节约带来的价值、客户忠诚度和客户信用度等方面考虑［７］。在证券客户指标体系设计原则的指导下，构建了证券客户评估的指标体系。实现功能包括客户中心、任务中心和指标体系构建中心。客户中心实现客户洞察和精准营销；任务中心实现客户管理服务过程的数据化和精细化管理；指标体系构建中心实现对客户数据的实现分析并构建客户的指标体系。这３大功能中心一方面能够提升客户经理的工作效率和服务质量，另一方面通过优质服务提升客户体验，从而促进业务转化。
２客户价值评估模型构建
基于构建的证券客户指标体系，研究客户价值分析模型构建，实现对客户的洞察和精准营销的需要。通过大数据和人工智能能力的结合持续挖掘证券客户的数据价值、提升数据资产利用率。
２．１证券客户分群
基于证券客户的价值、客户活跃度、客户行为数据和客户基础数据等挖掘相关的指标，采用聚类算法分析客户群的时序动态［８］。证券客户价值分群模型建模流程：（１）根据证券客户的数据，分析证券客户聚类的目标；（２）分析客户操作数据、网络页面数据和Ａｐｐ日志数据等，以生产分析模型所需的出数据；（３）对采集数据进行治理和特征提取，梳理证券客户基础数据和行为数据的数据标准和质量体系；（４）依据证券客户价值评估的模板，选择合适的分群模型，如ＫＭ聚类算法［９］、随机森林［１０］；（５）输入证券客户的特征数据和指标体系，采用机器学习方法得到价值评估模型；（６）优化客户价值评估模型，如根据证券客户数据特征和指标体系分析聚类个数，根据软件配置特征优化系统的性能，依据ＡＵＣ曲线指标，分析各种证券客户分类模型等；（７）利用客户价值分析模型输出结果，制定精细化服务和个性化服务策略。通过分析，可以得到证券客户分群的结果，具体的内容如图１所示。横轴上，资产型和行情型呈对称结构，是因为在变换矩阵此维度上资产特征和行情特征占了主要影响。而竖轴上，交易和行情型客户呈对称，也是因为行情特征和交易特征在变换矩阵中占了主要影响。理财型客户处于中部则是因为其理财特征占比过大，导致其他特征影响无法凸显。通过数据标准化与证券客户分群有助于提高数据的准确性和质量，降低系统维护成本、提高应用效率。在此基础上，基于大数据和智能化分析的技术，能够充分挖掘客户数据的潜在价值，形成客户价值评估的智能应用，辅助智能决策不断提升服务质量。
２．２客户价值评估模型
在处理用户数据时，聚合数据的方法与现实场景中的客户划分都是利用数据簇来区分对象，相似度越高的对象分到同一个簇的概率也会越大。这种方法适用于对客户价值的分析。将复杂的数据特征和数据样本用在传统的概率预测模型中有着明显的局限性。而Ｋ－Ｍｅａｎｓ算法相对高效，在处理大型数据集方面效果显著且能有效降低大数据对模型的影响。与其它算法相比，Ｋ－Ｍｅａｎｓ算法能够轻松部署到实际生活中，计算延迟低，这主要是因为算法的参数少。客户特征的提取、客户特征的权重计算以及簇分群个数的确定，是Ｋ－Ｍｅａｎｓ算法主要的３个部分。明确模型所需要的特征能够有效地减少模型的训练时间。模型利用客户的数据进行特征分析从而将客户分为不同集合的过程称为价值分析。在开始细分客户群体前，需要明确所使用的特征数量和类别。模型使用的特征和客户划分相关。用户的特征与客户自身消费习惯的数据相关，并且特征关联了客户代码、性别、年龄、风险级别、资金余额、证券市值、交易频率和佣金贡献等。所以提取的客户特征范围很广，不仅要考虑客户现有的消费数据，还要考虑个人的相关信息。提取出不同的特征数据在模型中的分配权重也是不同的。最后，分群个数的确定不仅要根据用户的行为数据特征提出，还要结合业务需求。分群个数对于Ｋ－Ｍｅａｎｓ算法的精度影响非常大，需要多次的模型训练才能确定。所以，本文将使用随意提取样本分析的方法，从而确认改变特征细分结果对模型分群的个数合理性的判别。综合以上考虑，价值分析的主要流程如图２所示。图２客户价值分析流程图通过数据治理、统一管控、数据融合和集中化数据交互服务的构建，提升证券客户数据质量，提高数据消费端的系统效率、减少维护的成本。主要内容包括如下方面。①证券客户指标体系构建。分析和选择证券客户的特征，实现数据质量管理、元数据管理、数据服务管理等模块功能，从证券客户大数据中选取和客户价值评估相关的数据，并结合具体的应用场景，构建证券客户的指标体系。②证券客户价值评估。通过对客户数据的提取和指标体系的构建，可以全面刻画客户的需求，从而可以进一步分析客户的交易情况。采用Ｋ－ｍｅａｎｓ方法，通过改变细分结果在多个方面的评分去评估证券客户的价值。以有效地挖掘证券客户潜在价值、驱动业务创新和智能化转型。客户价值评估模型将从客户收入贡献、证券客户价值、证券客户利润、证券客户忠诚度和证券客户信用度等多维度展开客户价值的有效评估。
３数据驱动的客户价值评估系统架构
客户价值评估系统架构图包括４层：客户数据层、客户指标体系、客户分群层和客户价值评估，如图３所示。数据层主要对客户基本信息、客户活跃信息、贡献度信息和交易行为等方面进行数据采集和整理；客户指标体系根据实际数据值大小和数据分布，基于数字化建设的指标体系，动态筛选能够定义客户价值的指标特征。采用聚类算法对证券客户数据进行细分；基于客户端用户基础数据，Ａｐｐ操作行为日志，账户信息，购买记录等大数据，建立证券客户价值挖掘模型，形成系列数据分析应用。客户数据层：将集团及子公司通过外部采购、内部生产和互联网采集的多源资讯数据，统一采集和存储至大数据平台，整合并统一管理集团资讯数据资产。客户指标体系：通过对证券客户数据分析，理解和掌握客户行为模式、规律、成因和关键影响因素，对证券客户行为进行挖掘分析，平衡各类指标对于证券客户价值评估的作用。选取活跃度、周转率和资产总额等作为定义客户价值的指标特征。客户分群层：整合客户账户和交易数据、互联网行为数据、员工服务过程数据并合理建模，形成统一的数据服务基础。通过对证券客户分群，将客户按照特征进行分类，分析每一类客户的特点，以便为客户提供精细化服务。客户价值分析：基于大数据平台的内容推荐、协同推荐、大数据挖掘（知识发现、关联分析、聚类）推荐、混合推荐等技术分析客户与项目特征、评分、历史行为等技术挖掘客户价值。数据可视化：建立可视化场景，实现数据实时图形可视化、场景化以及实时交互，以便直观展示数据进行分析处理的成果。借此从多个角度查看运营状况，按照不同的主题和方式探查业务内容的核心数据，从而作出更精准的预测和判断。
４总结
利用大数据和人工智能技术处理证券客户数据，将提升数据资源的使用效率，减少系统维护和扩展的复杂性。提出一种证券客户指标体系构建与价值评估方法。从客户收入贡献、客户消费带来的价值、成本节约带来的价值、未来利润、客户忠诚度和客户信用度等多维度构建指标体系，基于优化后的Ｋ－Ｍｅａｎｓ算法对证券客户进行细分和挖掘潜在的价值，详细描述了具体实现的步骤。通过以上方法能够将企业级规模的证券客户细分为合理可靠的不同用户群，为企业的业务开展提供参考与依据。
作者：舒宏 李双宏 单位：东方证券股份有限公司
返回证券论文列表