文/交通银行软件开发中心 李佳萌
施工背景
一、银行零售业务的重要性
招商银行前行长马蔚华曾说过，“银行不做公司业务，今天就没饭吃；不做零售，明天就没饭吃”。 这句话已成为银行界广为流传的一句名言。 当时话中的“明天”，随着银行零售业务的重要性日益增加，也变成了现在。 银行零售业务重要性的提升可以从以下三个方面来分析。 首先，从收入来看，银行零售业务主要服务于广大储蓄居民，受经济周期影响较小，相对稳定； 从资金来源分析，零售储蓄业务的客户范围广泛，从而分散了风险。 在经济低迷的市场背景下，随着贷款利率的下降，零售业务是更好的选择。 其次，与过去银行依靠企业业务规模取胜的模式相比，随着我国金融市场的日益完善，企业融资渠道和来源更加丰富，对银行贷款的依赖度逐渐下降。 发展零售业务是银行业持续发展的优质选择。 第三，在零售市场，微信、支付宝等支付工具开始培养居民网上消费信用习惯。 但在经济下行的背景下，居民倾向于减少消费，从事投资理财，为银行提供零售业务。 更多客户。
2.数据分析与模型挖掘的应用
本世纪的COVID-19疫情导致线下金融服务需求下降。 客户越来越倾向于网上交易，光临网点的频率逐渐下降。 银行服务柜外率已接近90%，体现出“金融服务无处不在”。 ，但绝不会出现在银行”的情况。 面对这种场景的改变，银行可以通过交易浏览、监控、埋藏等技术手段，获取比场外交易更多的客户行为信息和交易信息，积累更丰富的零售数据，为决策提供数据——进行分析和客户营销。 支持。 为了更高效地利用数据服务客户，银行需要将数据转化为对业务真正有价值的一类产品，然后在这些产品之上实现上层业务应用。 互联网运营方式的发展，让银行可以借鉴，利用银行现有积累的数据资产，运用精准的营销策略，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。
零售数据应用场景
鉴于银行零售业务的重要性逐渐提升，银行金融科技应用和开发中越来越多的使用场景需要成熟的零售数据系统的支持。
第一个应用场景是服务客户营销。 银行的零售数据，特别是消费侧的客户数据，可以辅助业务人员筛选和定位目标客户，改进原有粗放的操作方式，对目标客户进行精细化操作。 将客户群体尤其是长尾客户切割成更细粒度，如沉睡客户、30日新开户等标签，并通过短信、邮件、APP弹窗等方式使用利率折扣、发放优惠券等，海报机等渠道。 活动中，运用关怀、激励、唤醒等方式提供服务，对不同属性的客户进行差异化业务的精准营销，从而降低营销成本，提高营销活动效率，挖掘客户的潜在价值。 同时可以为客户提供更好的金融服务，降低客户投诉率，提高客户满意度。
第二个应用场景是业务决策的分析支持。 成熟的零售数据系统可以提供海量、高质量的底层数据源进行分析。 业务人员利用丰富的数据源，使用不同的分析工具，如基础的SQL和技术、成熟的SAS工具和BI工具、高端隐私计算工具、知识图谱、AI智能算法、自然语言处理工具等。 集群组合、建模挖掘，从不同维度反复探索分析，可以获得更加全面、科学的数据基础，辅助决策和业务发展。
第三个应用场景是产品构建。 零售数据系统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。成熟的零售数据系统可以为这些系统的建设提供底层数据支撑。
有关零售数据的常见问题
在各大银行的数据建设系统中，随着数据仓库和数据中台的建设，已经拥有庞大的零售业务数据存量。 但由于缺乏统筹规划和粗放式的发展模式，存在以下问题（见图1），无法更好地应用到商业服务中。
图1 零售数据常见问题
第一大问题是缺乏系统的顶层解决方案设计和整体建设。 业务发展过程中，仅按需构建分散、发达的部分数据，无法充分协调各业务部门的实际需求，为客户和产品运营提供覆盖全球的数据支撑。 ，导致缺乏统一查询的数据资产目录，无法支持业务人员模糊定位和数据查询，无法协助业务人员高效利用现有数据。
第二个主要问题是现有零售数据存在大量冗余和重复开发。 在按需建设的过程中，零售贷款、理财、消费者保障等不同部门根据不同的业务场景，会产生类似的业务需求。 如果业务部门之间没有达成共识，开发项目组缺乏规划，就会导致数据重复开发，数据表达形式不一致，造成数据运行和批处理资源的浪费，存储资源的浪费，现有的资源浪费。数据无法得到有效利用。
第三个主要问题是缺乏生命周期管理。 数据上线后，缺乏对数据使用效果的监控，缺乏对数据产生的商业价值的评估。 大量低效、过期、无用的数据没有得到净化和迭代，带来了计算和存储资源。 浪费。 同时，庞大的零售数据领域会影响业务人员高效、准确地找到需要配置和使用的数据，导致工作效率降低。
第四个主要问题是口径定义不明确、不一致，缺乏数据标准和治理。 同名数据字段存在多套不同口径，算法和数据来源也不同。 技术上需要大量时间逐层检查代码，与业务不符。 只有通过人员沟通才能避免数据滥用。
零售数据标签系统设计
为了解决银行零售数据存在的上述问题，第一个方法是设计合理的零售数据体系，在标签形式和粒度上，形成一套高效、高质量的底层零售标签数据库来支撑应用场景。
1. 尺寸设计
第一维度是客户。 零售银行金融服务中，核心是客户，零售标签体系建设最重要的维度也应以客户为中心。 构建标签体系的目的是为了更好地服务客户，管理客户的全生命周期，提高客户营销的精准度。 以银行客户为建设核心，常见标签分类包括风险管理、服务信息、接触行为反馈、模型预测、社会信息、属性信息、营销信息、会计信息、资产负债、贡献信息等维度。 维度的分类太少无法覆盖所有客户场景，太多又容易导致业务人员筛选和定位困难。 因此，合理的标签分类是标签系统设计的关键。 不同的客户标签类别下，有具体的粒度标签。 每个标签代表客户的一种属性。
第二个维度是营销的传统焦点——产品。 以银行零售产品为维度的标签主要注重产品分类，如保险、理财、存款、基金、理财等产品。 可以以这些银行产品为维度，分析产品明细信息、核算特征、专属设计销售信息的产品明细标签系统、目标客户群定制等。
客户和产品两个维度的标签可以多次拼接和选择，以尽可能小的计算和存储资源满足业务多样化的数据需求。 标签池的分类定义可以从完整性、重叠度、准确性三个维度来衡量，保证现有标签能够满足业务使用、支持业务发展，同时尽可能减少重叠，做好多方面的工作。 ——口径管理。 只有在开发过程中，才能更好地提高标签数据质量的准确性。
2、分类设计
根据传统数据系统中标签的统计分类方法，银行零售业务的标签系统可以从以下四个方面进行设计。
第一个是统计标签。 作为标签系统中最基本的标签，主要是通过对客户的基础数据进行统计分析得到的，如客户手机访问次数、基金购买行为、客户基本信息、客户存贷款情况等。 健康）状况。 统计标签不需要复杂的处理逻辑，只需要简单的细化计算。
第二个是规则标签。 规则标签是一个明确的定义，需要在实际业务场景中使用。 例如，休眠客户的定义可以根据业务发展的需要来定义。 可以定义六个月或十二个月没有存款或贷款记录的客户。 对于正在睡觉、需要被叫醒的用户； 例如，爱基金客户可以统计一周内在手机上浏览基金产品的次数，只需点击手机即可实现。 这些规则可以根据业务的实际需求和发展场景快速调整。 在标签构建过程中，尽量使用简单的复合逻辑来计算规则，实现对客户和产品的分类和汇总。
三是模型预测标签，基于数学模型对现有的优质数据进行挖掘和分类。 例如，通过机器学习和 K 均值函数、关联规则和聚类模型等算法对客户数据进行建模。 分析预测客户的资产损失、产品推荐、相应偏好等，提供更有针对性的营销和高效的服务。
四是摘要标签，主要提取并聚类客户地址、消费等文本信息。 在标签开发过程中，可以利用词频统计、词性识别、文本分类等文本挖掘和自然语言处理技术来提炼客户信息。 一些关键信息，如其他银行高端客户、常见消费场景等。
上述标签体系的分类主要划分了开发过程的技术手段和实现方法。 在标签系统的实际建设中，更需要从业务使用场景出发利用现有技术来促进高效的营销和分析服务。 。
标签系统的生命周期管理
从零售业务整体角度设计整个零售业务标签系统，确定标签的分类开发方式，然后在开发和管理过程中实现整个标签数据的生命周期管理（见图2），提高标签的生命周期管理。标签的数据质量，并带来更高的商业价值。
图2 零售标签生命周期管理
1.商业设计
零售标签开发之初，需要建立相应的管理资产库，提前进行数据资产管理，确认标签的标签管理信息。 建议将其分为以下信息块。 一是标签的经营信息，如标签名称、业务口径、管理部门、主办方等； 二是标签的技术信息，如标签的技术口径、所在库表的字段名、处理的代码脚本名称、血缘关系等。 ETC。; 三是标签的管理信息，如标签的状态、投入生产的版本、使用权限等； 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. 开发与上线
在银行零售标签数据的开发过程中，数据仓库或数据中心通常接管整个开发和建设系统。 第一步从业务系统获取交易源数据和客户追踪日志信息，在数据模型层进行数据治理，根据业务主题整合各源系统的业务数据。 第二步是开发零售数据集市中的业务数据。 在开发和测试过程中，需要关注标签的质量。 一是标签的空值率。 尽量提高标签的价值率。 空值较多的标签在实际使用过程中无法更准确地定义客户的需求。 属性、标签品质不高。 二是关注标签的异常极值，做好极值的清理和监控，特别是数值标签的阈值管理。 三是管理主键的唯一性，避免数据重复，方便下游系统对数据的二次拼接和使用。 四是做好标签数据的血统管理。 如果上游数据质量出现波动，会有机制通知下游系统。 当上游源数据离线时，可以快速定位对标签口径的影响。 标签处理中的长链接应尽可能减少。 减少数据代码脚本的耦合。
3.效果评估
高质量的标签库需要对标签的使用效果进行良好的管理。 建议从以下三个方面进行收集。 一是通过统计营销结果来评估零售标签的价值，例如客户使用标签进行营销推广后的短信退订率和回复率； 对于产品销售预测标签，可以根据标签营销后客户的购买模式评估标签的实际价值。 二是业务人员自主决策分析时，对标签空率极值等信息进行监控。 三是监控标签的重复使用率和使用频率。 对于多场景、多系统引用的标签，需要进行标签质量监控和沿袭管理。
4.更新及使用
标签上线后，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。 为了避免随机添加标签造成资源浪费，应优先考虑先使用旧标签，再创建新标签的原则。 应优先在原有标签的基础上进行优化迭代，减少标签的重叠，避免同类型标签的冗余。 在标签更新过程中，还需要定义更新规则，比如更新频率、更新维度等，一是方便开发人员的工作调度，二是协助业务人员明确使用规则标签。
5. 离线清理
为了避免随着业务的发展，标签数量不断增加，标签系统越来越臃肿，出现大量无效标签或者高重叠标签，需要定期评估标签的有效性。标签并提供反馈。 通过标签效果的评估以及对标签的定期分析和反馈，可以设置策略，对使用率低或无使用率的标签暂停更新，避免浪费系统存储和计算资源，提高标签使用效率，减少对业务人员的搜索和定位在一个庞大的标签系统中。 对于长期没有使用的标签，或者已经落后于业务场景的标签，经过仔细分析后，应该启动离线流程，定期对标签库进行清理和瘦身。
总结与展望
零售金融和服务是现阶段银行增加利润的必备手段。 它们也是银行提高服务质量和水平的重要业务领域。 科学合理的零售标签体系不仅能更好地服务决策者，还能为决策者提供更完整的数据图谱，清晰地展示零售客户和产品的脉络和发展趋势，从而做出更科学的决策。 还可以提高零售营销质量，更好地服务一线营销人员，进行更精准的营销，降低运营成本。
（本文发表于《金融电子化》2024年1月上半期）
