()中國銀監會在《中國銀行業信息科技“十三五”發展規劃監管指導意見(征求意見稿)》中提出，“十三五”(2016-2020年)期間，“銀行業金融機構要深入貫徹落實《促進大數據發展行動綱要》，主動制定大數據戰略，積極建立大數據服務體系，加強數據共享，深化大數據應用，充分發揮數據價值。”

為落實大數據戰略，銀行業金融機構一般會從以下兩個方面提升自身的能力：一是制定大數據戰略，夯實數據基礎；二是建立大數據服務體系，加強大數據應用。其中，夯實數據基礎的方面，各家銀行都在抓緊建設，應用方面，由于各家銀行對于大數據的理解、大數據基礎、大數據發展重點不同，大型銀行先行了一步，開展的比較好，中小銀行還處于探索階段。

某住房儲蓄銀行作為一家以開展住房儲蓄業務為主的中小商業銀行，為實現銀監會“十三五”規劃要求，提升自身服務能力和和競爭能力，近兩年也在積極開展大數據應用，在利用大數據進行精準營銷方面，進行了有益的探索。通過數據挖掘實現精準客戶識別

某住房儲蓄銀行首先與客戶簽署一份住房儲蓄合同，按照合同的約定，客戶需先進行存款，存款達到合同額(客戶存款額加客戶可獲最高貸款額之和)的一半且達到一定的評價值系數后，客戶可以獲得低利率的購房消費貸款(根據產品不同，貸款利率分別為3.3%和2.95%)。雖然開業以來，住房儲蓄產品已逐步獲得了市場認可并積累了大量簽約客戶，但其中部分簽約客戶簽約后未存款或存款不活躍，影響了業務發展。為了改善這種狀況，該銀行成立了“休眠客戶激活”專題小組，研究如何利用自身擁有的大數據資源對現有客戶進行深度分析，挖掘出潛在的活躍客戶并進行精確營銷，提高客戶的活躍程度。

根據研究目標與數據情況，選擇利用Logit模型進行回歸分析以識別可能被激活的休眠客戶。為此，做了以下工作：

首先，根據客戶過去一年的存款次數、存款余額等因素對活躍客戶和睡眠客戶進行定義，有效區分活躍客戶和休眠客戶。

其次，選擇可用的指標作為區分活躍客戶與休眠客戶的關鍵屬性。選擇的屬性指標包括：年齡，性別，國籍，民族，婚姻、學歷等。由于屬性數據比較稀疏，為保證建模質量，同時還選擇了是否簽訂委扣協議等行為數據指標。這些指標是根據營銷人員的實際工作經驗總結選取的。在進行實證研究之前，為了保證實驗效果，還進行了獨立樣本T檢驗，檢查各個變量在不同客戶類別之間是否具有顯著不同的波動性或者均值分布，如具有較大差異說明該變量能夠較好的區分活躍客戶和休眠客戶。

再次，以客戶類型為因變量，以前面選擇的變量為自變量利用Logit模型進行回歸分析。實驗結果顯示，當只選擇屬性指標進行分析的時候，擬合效果并不好。對睡眠客戶的樣本內預測精度為90%左右，但對活躍客戶的預測精度僅僅為7%左右。這表明屬性指標并不能很好地識別客戶類型。雖然屬性指標識別效果不甚理想，但是分析發現回歸結果對實際營銷工作還是具有一定的指導意義。例如，年長的人、女性、已婚人士、企事業單位負責人和商業、服務業人員等具體的客戶對象更容易成為活躍的客戶。由于屬性指標分析結果不理想，又將行為變量加入到模型當中進行深入分析。結果發現，改進后的模型樣本內識別效果較好，對睡眠客戶以及活躍客戶的預測精度基本都在70%左右。這一結果說明行為特征基本已經達到更好地識別客戶類型的要求。

通過三次建模，最終獲得了較為有效的模型，該模型已經可以較為精準的識別潛在住房儲蓄活躍客戶。通過數據挖掘有助于提升營銷分類管理水平

現實生活中，經常會發現這樣的現象，同一家銀行、同一類產品，不同區域或者地區團隊的營銷差異顯著存在，市場人員對于產品的市場接受度的反饋也有很大的不同。這種現象往往使管理者感到迷惑，管理者一般會更傾向于這是由于不同營銷團隊的營銷水平和努力程度造成的。在對不同團隊進行績效考核時，管理者一般也更偏向按照實際業績來進行考核，一般很少考慮產品戰略或者外部因素的差異性等問題。

但是，通過數據分析發現，如果同一家銀行出現較穩定的不同區域營銷差異，這種差異往往是在提醒管理者需要根據不同區域的市場狀況，適時調整產品戰略，以促進市場營銷。

以此次實驗中發現的A地和B地為例。這兩個地區是我們目前的客戶主要來源，客戶在銀行存款的主要動機也是獲得低息購房貸款用于購房。但由于先存后貸的制度設計，客戶一般在簽訂合同后兩年才可以獲得低息貸款。2013年-2016年期間，B地和A地的房價變化存在較大差異。B地房屋價格上升較慢，而A地房屋價格上漲較快，在A地，很多簽約客戶等不及達到配貸，獲得低息貸款就匆忙尋求其他的貸款方式買房，而B地則此類情況較少。數據建模結果支持以上觀點。我們將客戶樣本劃分為B地區和A地區進行分別研究發現，B地區活躍客戶的樣本內識別精度高達81.2%，而A地區活躍客戶的樣本內識別精度只有65.3%。這說明兩個地區活躍客戶的行為的確存在較大差異，而A地區的活躍客戶更難識別，原因可能在于A地區房價的快速上漲與合同最少存款兩年之間存在矛盾。這就給產品設計部門提出了要求，如何根據市場變化適時調整產品設計來滿足客戶實際需求。只有實現了這一調整，銀行才能整體實現業績的持續上升。數據挖掘結果促進建立完善的營銷數據體系

建立完善的營銷數據體系是銀行夢寐以求的結果。但在現實生活中，由于前后臺分割、不同業務條線之間對接不充分、系統分割等原因，很多中小銀行的營銷數據體系還需要升級提高。這主要表現在三個方面，一是數據類型更多的是屬性數據或者結果靜態數據，而行為數據或者連續動態數據較少；二是數據庫字段的豐富程度與需要時刻變化描述的市場狀況之間存在差距；三是動態的數據分析給予前臺的實際業務指導較少。以上這些問題，都需要銀行逐漸的完善。具體地講：

在行為數據的完善方面，營銷人員是與客戶進行面對面交談的人群，營銷人員對客戶的直觀印象以及交談過程當中所了解到的客戶各方面需求等方面的信息要遠遠多于目前大數據數據庫中包括的信息。因此，在未來的營銷數據庫建設的過程中，需要著重收集營銷人員的各種意見，將其歸納入的關鍵行為數據納入營銷數據庫中。

在數據庫字段豐富方面，可以利用營銷人員盡可能多的收集客戶需求信息以充實大數據包含的內容。這里的信息包括定性與定量意見，定性的意見便是客戶所表達出來的各種信息，而定量意見則是銷售人員綜合上面信息對客戶活躍度的打分如銀行數據庫中一般沒有客戶購買產品動機分類，事實上，這個信息對于達成有效銷售非常重要。我們知道客戶購買銀行的產品主要有三方面需求，即購房需求、置換貸款需求和理財需求，其中前面兩種需求更加重要。因此，如果我們能夠獲取客戶這方面的信息，包括收入的穩定性、購房意向、購房金額、購房地區、購房目標等信息，便可以更加準確的了解客戶存款動機，并借此判斷其成為活躍客戶的可能性。在這個過程中，營銷數據庫也完善了很多。銀行管理部門對于新進入的市場人員的培訓也會更有針對性，效率也會更高。

在數據分析對前臺工作的指導方面，我們認為，在加強部門合作的基礎上將數據挖掘研究成果系統化是有效的方法。眾所周知，中小銀行系統不像大銀行那樣功能強大且完善，客戶數據主要來源于前臺銷售部門，特色的產品一般源于產品設計部門，數據的處理和分析由數據管理部門負責。如果能夠加強各部門之間的信息共享和交流，將數據分析成果真正用于前臺市場部門的營銷，以及產品部門的產品設計，銀行內部才能真正實現流程順暢，協作高效的管理局面。另外，由于數據在不斷發生變化，數據分析結果只有系統化展現才能更好地為市場人員和產品人員服務，這也是銀行加強營銷數據建設的重要內容。

某銀行利用大數據分析技術進行的休眠客戶營銷激活實驗，已經取得一些階段性的成果。可以預見，中小銀行利用大數據開展新業務、對傳統業務升級改造將成為主流發展趨勢(這方面大銀行已走在前面)，如果不能在這一黃金時期牢牢把握機會改進銀行機構的運營模式，一些中小銀行將會喪失核心競爭力，甚至會被淘汰。然而，這個過程相對艱難，在利用大數據技術升級傳統業務的過程當中，我們都需要不斷地學習與努力，需要對一些細節問題進行更深入的探討與完善，這樣才能保證大數據為我們提供更多的有效信息。(來源： 168大數據；編選：中國電子商務研究中心)