宏观经济变革，互联网金融冲击，大数据、云计算、人工智能，区块链金融技术渗透以及客户个性化需求强烈冲击，未来银行业向轻资本运营、高效率转型已成为业界转型的共识。资本消耗少、经济波动影响小、收入来源稳定的零售业务，将成为银行业务转型的主战场。如何更科学地做好银行零售客户营销、打造数字化银行？客户信息采集不全面、全渠道不整合、产品体系不健全、营销流程不规范、数据挖掘模型精度不高，则一切无从谈起。
建模是基础
客户与银行接触时，银行向客户推荐各项金融业务、产品以及服务时，如何才能做到极具针对性，并且富有效率？
杭州雅拓信息技术有限公司（雅拓信息）研发的“数字化零售营销平台”，旨在根据银行客户的切实需求，将合适的产品在合适的时间推荐给合适的客户。其核心之处在于，运用大数据与数据挖掘算法建立客户标签体系与客户画像，对全行零售客户进行细分，建立零售客户知识图谱，从客户分析与洞察、精准营销与交叉销售、风险与反欺诈、内部精细化管理四个方面进行数据分析挖掘，做到千人千面、千人千价，从而助力银行经营模式从“以产品为中心”转变为“以客户为中心”，营销模式从“粗放式、扫街式营销”转变为“精准营销”，服务模式从“标准化服务”转变为“个性化服务”。
假若将360度客户视图、标签体系、客户画像比喻是数字化零售营销平台骨架，全渠道流程管理是数字化零售营销平台的血液，建模则是数字化零售营销平台的大脑和心脏——模型做得好才能称得上精准营销，才能称得上数字化营销。
杭州雅拓信息技术有限公司数据科学部，常年研究金融银行业的最新业务发展，在这一领域有着极为深厚的积累。在建模过程中，有两个常用的营销模型概念容易混淆，即精准营销模型和营销响应度模型，“这两者处理不好，那么对业务部门营销工作的数据支撑将无从谈起”。
辨析两种模型
所谓精准营销，目的是从全量客户中定位出需要营销某产品A的客户群体。往往定位这部分客户需要用到一些二分类器的模型。这种模型是有监督的模型，所以需要大量的标记数据进行学习。这部分样本的目标变量，往往定为已经办理产品A的客户群体。这样做的前提假设是：办理A产品的客户特征与不办理A产品的客户特征不同。而银行工作人员要去营销的即是——特征和办理A产品的客户很类似、但又还没有办理A产品的客户。这是二分类模型的一个经典应用案例。
此类模型只适用于图1中的客户分布占比，大约满足以下两点：首先，未办理A的客户群体中真实不愿意办理的客户群体，比营销后愿意办理的客户群体大很多倍，类似图中的80:15这种状态；其次，建模的目标是要找出其中的营销后愿意办理产品A的那15%客户，故这部分客户的特征要与办理A产品的客户十分类似。
若客户的分布占比如图2所示，则精准营销的模型效果会很差，甚至于基本不起到识别效果。导致这样原因是，在进行模型学习的时候，标记的样本数据只能把办理产品A的标记为1，没有办理的标记为0。
以如此样本进行的模型学习，标记为1的部分数据学习到的是办理A产品的客户特征，标记为0的部分数据学习到的则是未办理A产品的特征。当未办理A产品的客户中，真实不想办理的群体占比很高时，学习到的就近似等于不愿意办理产品A的客户的特征。这时，模型可用起到很好的识别效果。但是当未办理A产品的客户中，真实不想办理的群体占比与营销后愿意办理的客户群体旗鼓相当时，学习到的特征是这两部客户群体的综合特征，并不能近似地等于不愿意办理A产品的客户特征。所以，模型效果很不理想。
而营销响应度模型的应用场景是不同的。营销响应度模型的目的，是提升营销的响应度，即提升营销成功率。以电话营销为例，即提升每次打电话进行成功营销的概率。故此模型的目标，是要提炼出打电话成功率高的客户群体。做这个模型同样用到了二分类模型，但目标变量定的是不同的。往往采用营销反馈数据作为目标变量，将营销成功的标记为1，营销失败的标记为0，这是一部分高质量的标记数据。可以很精准地筛选出营销成功的客户群体的特征，而且响应度模型所涉及到的变量要比精准营销的范围更广泛一点，会涉及到客户的渠道偏好信息、客户性格信息、客户时间偏好信息等。营销响应度模型对客户的占比要求没有精准营销模型严格，这是一个准确模型，不是近似模型，随着时间的推移，样本积累的越多，准确率可以明显提升。
这两个模型很相似，也各有区别，区别总结见表1——
营销方案必须完整
雅拓信息“数字化零售营销平台”，协助银行梳理全行产品体系和全渠道整合，在提供各类业务营销模型的同时，也提供营销活动创建、执行、跟踪、反馈、转推介以及过度营销控制等管理功能。同时，在开展零售营销活动的过程中，协助银行先做各类业务精准营销模型，筛选出一部分目标客户，然后进行营销，记录下营销反馈数据，将模型升级为营销响应度模型，持续累积数据，对模型进行完善——杭州雅拓信息技术有限公司数据科学部认为，这才是一个完整的数据营销方案的设计。
