一、銀行中數據挖掘包含哪些類型？
客戶智能（CI）是商業銀行數據挖掘常常會提到的一個概念。
一般來說，商業銀行里面的數據挖掘主要包括三大類。即客戶智能（CI，Customer?Intelligence）、風險智能（RI，Risk?Intelligence）、運營智能（OI，Operational?Intelligence）。三者各自分工和定位并不太相同。
（一）客戶智能
客戶智能更多定位于前臺的客戶關系管理。例如，客戶畫像、客戶細分、客戶提升、客戶流失、客戶響應、客戶推薦、客戶關系網絡等。
（二）運營智能
運營智能比較側重后臺管理。例如，業務流程優化、IT效率提升、最優的線性規劃、運營過程中異常識別和監控、戰略和績效管理、現金管理和優化、人力資源管理建模等。
（三）風險智能
銀行本身就是經營風險的，因此風險智能一直都是最為核心和關鍵的。常見的風險智能模型主要是ABC評分卡（例如信用評分、行為評分、催收評分模型）、反欺詐模型、操作風險、市場風險等。
因為工作的關系，平時接觸較多的都是客戶相關的分析和建模。這篇文章，想大概地勾勒一下客戶智能的范圍、框架和研究內容。
二、客戶智能的本質是什么？
什么是“客戶智能”？一般來說，客戶智能包含兩個元素，即顧客關系管理（CRM）、數據挖掘（DM）。
本質上，客戶智能，就是以客戶為中心，基于數據挖掘技術的客戶關系管理。換言之，就是把數據挖掘技術應用到傳統的客戶關系管理領域，借助于統計和機器學習的技術，對客戶進行精細化管理。
三、客戶智能包括哪些模塊和內容？
依經驗，一般來說，客戶智能可以包括以下模塊。例如客戶畫像、客戶細分、客戶提升、客戶流失、客戶響應、推薦引擎、客戶價值、客戶生命周期、客戶關系網絡、客戶行為軌跡、客戶情緒、事件營銷等。
（一）客戶畫像
很多對數據挖掘接觸比較少的人一提到“客戶畫像”這個名詞，就特別容易激動和興奮。
但是，說的樸實些，客戶畫像就是一個有關客戶各種屬性、特征、標簽的大寬表而已，多則上千個字段，是搭建任何分析模型的基礎。還是需要保持冷靜，保持冷靜。
一般來說，客戶畫像可能會包含這樣一些字段。例如，人口統計特征、資產相關特征（不同類型金融資產的余額、資產偏好、持有量、持有時間等）、負債相關特征（貸款類型、頻次、時長、擔保等）、結算相關特征（不同交易渠道的流水量、頻次、占比、偏好等）、社交特征（人脈圖譜、關系網絡等）、行為軌跡特征（基于地理位置識別客戶的生活圈、工作圈、消費圈、活動圈）等。
（二）客戶細分
客戶細分屬于一種探索性建模。通過聚類算法，基于業務關心的特征和變量，把所有客戶進行劃分。例如，渠道偏好型客戶、資產偏好型客戶、社交型客戶、高價值型客戶、活躍創新型客戶、穩定成長型客戶等。
進一步地，基于客戶細分，一方面勾勒不同群體的特征，另一方面，指定針對不同群體的開發特定的營銷策略和產品包。
（三）客戶提升
提升模型主要針對存量客戶。例如，提升現有客戶的金融資產、產品交叉持有數等。通過模型尋找到提升概率最大的存量客戶。
（四）客戶流失
既有存量客戶的降級或資產流失等。例如無貸戶金融資產等級的下降，有貸戶貸款到期后的休眠。通過模型預測客戶流失的概率，從而提前進行干預。
（五）客戶響應
通過模型計算客戶對特定產品的響應情況。例如客戶是否會對理財產品感興趣，是否會產生購買意向。
（六）客戶產品推薦引擎
NBO，Next?Best?Offer，即應該給客戶推薦的下一個產品是什么。如果隨機給客戶推薦三款產品，應該推薦哪三款？
典型的推薦算法包括三類，即社會化推薦（social?recommendation）、基于內容的推薦（content-based?filtering）、基于協同過濾的推薦（collaborative?filtering）。以推薦電影為例。
具體而言，社會化推薦，即找幾個經常看電影的朋友，問他們有沒有什么電影推薦。即讓好友給自己推薦產品。
基于內容的推薦。通過分析用戶曾經看過的電影，找出用戶喜歡的演員和導演，讓后推薦這些演員和導演的其他電影。
基于協同過濾的推薦。搭建產品相似性矩陣、用戶相似性矩陣，基于相似性進行產品的推薦。
（七）客戶價值和分層
以業務需求為出發點，建立基于一定邏輯的、全面綜合的客戶價值衡量指標體系。可能會包括以下一些維度，例如經濟價值、成長價值、潛力價值、風險價值、忠誠價值、網絡價值、活躍價值、創新價值、穩定價值等。
（八）客戶關系網絡
構建客戶的關系網絡圈。例如，客戶交易圈（資金往來關系）、擔保圈（交叉擔保關系）、股東圈（小微工商信息）、商圈、同事圈、供應鏈圈、家族圈等。
基于關系網絡，一方面識別核心關鍵客戶，基于核心客戶進行產品的擴散。另一方面，判斷客戶風險，防范風險在圈子內擴散。此外，還可以基于圈子識別潛在營銷機會，向圈子向客戶進行產品推薦、以及基于圈子進行客戶管理。
（九）客戶行為軌跡
基于地址信息，例如POS刷卡地址、ATM取款地址、支行交互地址、手機銀行移動地址，刻畫和勾勒客戶的行為軌跡。
基于客戶行為軌跡，可以了解客戶的生活圈、工作圈、消費圈、社交圈等信息。在此基礎上，一方面，建立客戶的標簽體系（興趣、消費容量、品牌偏好等）。另外一方面，識別潛在高價值客戶。
（十）客戶情緒和文本分析
客戶的情緒更多的來自文本分析和自然語言處理技術，通過分析詞性，來判斷客戶的情感偏向。
很多創業型公司都是通過爬蟲抓取互聯網數據，進行分析和挖掘。例如，通過爬取微博文本，判斷用戶對金融產品的需求。例如，通過抓取全國法院的判決文書，判斷企業是否涉訴、是否存在法律風險、涉案金額多寡，是否屬于黑名單等。例如，通過抓取即時通訊的聊天記錄，判斷客戶是否是“羊毛黨”。例如，通過客戶的投訴文本記錄，判斷客戶滿意度的影響要素等。
（十一）客戶事件營銷
事件營銷，更像是一個規則觸發引擎，需要建立一個規則庫。一旦用戶的某個行為觸發了某個規則，銀行系統就會發出標準的動作，進行客戶的提示和挽回。
常見的一些觸發規則，例如，客戶的理財產品到期、客戶賬戶存在大額資產變動、客戶異地刷卡、客戶異常時間段刷卡等。
——來源：比格堆塔??作者：周學春
]]>