□ 陳亮 吳榮榮 劉銀行 黃凱莉

數(shù)字革命是新一輪科技革命的關(guān)鍵領(lǐng)域。數(shù)字技術(shù)快速發(fā)展，深刻改變著社會經(jīng)濟(jì)形態(tài)及人們的生產(chǎn)生活方式。建設(shè)數(shù)字中國、數(shù)字鄉(xiāng)村是國家重大戰(zhàn)略。數(shù)字化正在對傳統(tǒng)經(jīng)營管理模式和市場競爭態(tài)勢進(jìn)行深刻重塑。從行業(yè)發(fā)展?fàn)顩r看，數(shù)字化時代頭部現(xiàn)象愈發(fā)突出。抓住產(chǎn)業(yè)數(shù)字化、數(shù)字產(chǎn)業(yè)化賦予的機(jī)遇，是實現(xiàn)新一輪高質(zhì)量發(fā)展的關(guān)鍵。金融與數(shù)字技術(shù)具有天然的融合性，金融行業(yè)有很多數(shù)據(jù)資產(chǎn)，隱藏著十分有價值的信息生產(chǎn)力。迫切需要發(fā)現(xiàn)海量數(shù)據(jù)中的關(guān)聯(lián)關(guān)系，預(yù)測金融業(yè)未來發(fā)展趨勢（楊婷婷，2021）。利用數(shù)據(jù)挖掘技術(shù)可以鎖定目標(biāo)客群，從而進(jìn)行精準(zhǔn)營銷，降低經(jīng)營成本，提升整體效益（牛亞琴、盧苗苗，2021）。

數(shù)據(jù)挖掘在金融行業(yè)中的應(yīng)用很重要的一點是客戶關(guān)系管理，企業(yè)利用數(shù)據(jù)挖掘技術(shù)對客戶進(jìn)行整合營銷（楊婷婷，2021）。數(shù)據(jù)挖掘能實現(xiàn)對銀行客戶的畫像和產(chǎn)品需求的精準(zhǔn)分析，設(shè)計各種序列的個性化營銷方案，能夠在客戶識別、客戶篩選、內(nèi)容推薦等營銷環(huán)節(jié)提供精準(zhǔn)選擇，從而有效提高營銷成功率。根據(jù)麥肯錫全球研究所的數(shù)據(jù)，數(shù)據(jù)挖掘技術(shù)可以為銀行業(yè)創(chuàng)造超過2500億美元的價值（陳子陽，2021）。

數(shù)據(jù)挖掘的步驟可以分為定義問題、數(shù)據(jù)搜集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)挖掘、模型評估和優(yōu)化（楊婷婷，2021）?？蛻籼嵘Ｐ统Ｓ玫乃惴ㄓ蠰ogistic回歸模型、決策樹模型、神經(jīng)網(wǎng)絡(luò)模型、XGBoost模型等。其中，決策樹模型的算法是分類、預(yù)測等領(lǐng)域的典型算法，具有速度快、準(zhǔn)確率高的特點，被廣泛應(yīng)用（路健、王立坤、李曉玉，2020）。XGBoost模型的算法包含了對特征選擇部分的內(nèi)容，使用其樹模型的特點給與不同特征以重要性打分，并進(jìn)行特征重要性排序（陳子陽，2021）。通過數(shù)據(jù)驗證模型，輸出模型訓(xùn)練結(jié)果，用驗證集數(shù)據(jù)驗證模型訓(xùn)練結(jié)果的準(zhǔn)確性（牛亞琴、盧苗苗，2021）。

基于以上研究，本文聚焦大數(shù)據(jù)在客戶篩選與精準(zhǔn)營銷方面運用的實踐進(jìn)行實證研究，選擇了個人潛力客戶資產(chǎn)提升大數(shù)據(jù)分析項目作為研究樣本，以A銀行AUM（個人金融資產(chǎn)）1-10萬元的個人客戶為研究對象，基于這些客戶的基本信息、資產(chǎn)、交易流水等數(shù)據(jù)建立個人潛力客戶資產(chǎn)提升預(yù)測模型，通過現(xiàn)有客戶名單預(yù)測在營銷活動中有較大概率被成功營銷，從而使得個人金融資產(chǎn)顯著提升的客戶（顯著提升是指個人金融資產(chǎn)提高20%以上），分析大數(shù)據(jù)在客戶精準(zhǔn)篩選與營銷服務(wù)方面的應(yīng)用方法，為提升客戶營銷與服務(wù)能力提供有價值的思路、路徑、方法與技術(shù)支持，全面提升客戶經(jīng)營管理與營銷服務(wù)水平。

一、研究整體思路

本項目（個人潛力客戶資產(chǎn)提升大數(shù)據(jù)分析項目）的研究思路是“參考過去、預(yù)測未來”，即使用過去已經(jīng)發(fā)生的事情預(yù)測未來是否會發(fā)生某種情況，其本質(zhì)在于，利用已有的數(shù)據(jù)建立模型，并使用模型確定潛力客戶清單，指導(dǎo)營銷人員實施客戶篩選和精準(zhǔn)營銷。因項目研究重在探討原理、思路、方法、技術(shù)等規(guī)律，對數(shù)據(jù)的質(zhì)量和數(shù)量要求較高，對數(shù)據(jù)的時間要求較低，故而在研究過程中選擇了經(jīng)過沉淀的2019年-2020年確定性數(shù)據(jù)，便于分析和深入研究，獲得更加有價值的信息（如圖1）。

圖1 研究思路圖

項目主要分為建立模型（個人潛力客戶資產(chǎn)提升預(yù)測模型）階段和使用模型階段：

建立模型階段主要是結(jié)合前三個月（2019年3月末）的歷史狀態(tài)（多項特征）和三個月后（2019年6月末）的AUM提升狀況對模型進(jìn)行訓(xùn)練，得到個人潛力客戶資產(chǎn)提升預(yù)測模型（模型建立階段使用的數(shù)據(jù)都是歷史數(shù)據(jù)）。

使用模型階段是通過想要預(yù)測的未來時間點（2020年1月末），將其前三個月（2019年10月末）的時間點作為基準(zhǔn)，根據(jù)基準(zhǔn)時間點前三個月的歷史狀態(tài)作為預(yù)測模型的輸入，模型的產(chǎn)出是AUM在1-10萬元的客戶中，每個客戶的AUM提升20%以上的概率。

二、模型建立

(一)數(shù)據(jù)準(zhǔn)備

基于業(yè)務(wù)需求分析和有關(guān)專家經(jīng)驗及A銀行現(xiàn)有成果，針對個人潛力客戶資產(chǎn)提升確定了模型輸入的數(shù)據(jù)范圍。模型輸入數(shù)據(jù)涵蓋客戶基本面貌、金融資產(chǎn)、資金往來等信息，主要來源于大數(shù)據(jù)平臺分行數(shù)據(jù)集市，涵蓋的數(shù)據(jù)表具體如表1：

表1 模型輸入數(shù)據(jù)涵蓋的數(shù)據(jù)表

8個人保險客戶級匯總表20交易渠道字典表9個人第三方存管客戶級匯總表21網(wǎng)銀交易明細(xì)表10個人國債客戶級余額匯總表22第三方支付綁卡清單11個人貸款客戶級匯總表23第三方支付交易明細(xì)匯總表12個人客戶風(fēng)險事件歷史表

本文選定2019年1-3月為觀察期，在觀察期內(nèi)對客戶的各項特征進(jìn)行計算與評估，掌握客戶在此時間區(qū)間內(nèi)存在的行為特征及變化規(guī)律；選定2019年4-6月為表現(xiàn)期（如圖2），即觀察期后的三個月的月末作為預(yù)測時點，觀察客戶在表現(xiàn)期其金融資產(chǎn)是否提升了20%以上。

圖2 觀察期表現(xiàn)期示意圖

定義模型的正樣本為觀察期后三個月月末時點（2019年6月30日）金融資產(chǎn)提升了20%以上的客戶；定義模型的負(fù)樣本為觀察期后三個月月末時點金融資產(chǎn)沒有提升20%以上的客戶。

本項目模型的訓(xùn)練樣本為2019年3月31日年日均金融資產(chǎn)在1-10萬元的客戶，共計306萬戶，其中，正樣本50萬，負(fù)樣本256萬，正負(fù)樣本比例約為1:5，即客戶自然狀態(tài)下AUM提升20%以上的概率為16.07%。

(二)數(shù)據(jù)預(yù)處理

根據(jù)上述23張數(shù)據(jù)表（表1），從中提取了440項特征作為原始特征集，包括客戶基礎(chǔ)特征，如客戶年齡、性別、是否開通網(wǎng)銀、是否開通掌銀等；還包括部分衍生特征，如當(dāng)月現(xiàn)金交易總筆數(shù)、當(dāng)季第三方支付交易總筆數(shù)、柜臺季交易次數(shù)等。

數(shù)據(jù)初步加工后進(jìn)行數(shù)據(jù)預(yù)處理，主要包括數(shù)據(jù)清洗：對缺失值比例大于99%的特征以及日期特征進(jìn)行刪除；缺失值處理：將特征的空值使用0進(jìn)行填充；異常值處理：對年齡異常值使用年齡眾數(shù)填充；數(shù)據(jù)變換：對類別特征one-hot編碼，使用蓋帽法進(jìn)行變量異常處理和歸一化，對金額類連續(xù)變量進(jìn)行對數(shù)變換。經(jīng)過數(shù)據(jù)預(yù)處理，最終保留了324個特征變量。

(三)模型建立與評價

基于得到的324項特征變量，對306萬客戶正負(fù)樣本數(shù)據(jù)按7:3劃分為訓(xùn)練集和測試集。嘗試使用邏輯回歸模型、決策樹模型、隨機(jī)森林以及XGBOOST等4種模型進(jìn)行了個人潛力客戶資產(chǎn)提升預(yù)測分析（如圖3）。

圖3 模型的建立與評價圖

利用已知的3月31日、6月30日數(shù)據(jù)構(gòu)造的訓(xùn)練集（70%）分別對各個模型進(jìn)行訓(xùn)練，再利用測試集（30%）分別對獲得的各個模型進(jìn)行測試，即可判斷各個模型的優(yōu)劣。

本項目屬于分類問題，而分類問題的評價指標(biāo)主要有準(zhǔn)確率、召回率、精確率等，通過混淆矩陣可以直觀地體現(xiàn)，而混淆矩陣中又包括真正例（TP）、假正例（FP）、假負(fù)例（FN）和真負(fù)例（TN），如表2所示：

表2 混淆矩陣

①準(zhǔn)確率。表示模型正確分類的樣本數(shù)占總樣本數(shù)的比例，即整體的預(yù)測準(zhǔn)確程度，計算公式為：

②精確率（查準(zhǔn)率）。是針對預(yù)測結(jié)果的指標(biāo)，表示模型判別為正例的結(jié)果中真正例的比例，即正樣本結(jié)果的預(yù)測準(zhǔn)確程度，計算公式為:

③召回率（查全率）。是針對真實情況的指標(biāo)，表示所有真實正例中判別結(jié)果為正例的比例，即真實正例能夠被識別出來的百分比，計算公式為:

雖然準(zhǔn)確率能夠判斷總的正確率，但在樣本不均衡的情況下，不能作為一個很好的衡量指標(biāo)。召回率和精確率通常是負(fù)相關(guān)，即召回率越大，精確率越小。在本模型中，更傾向于發(fā)現(xiàn)更多有潛力的個人客戶，因此更重視召回率。然而，精確率過低，會導(dǎo)致營銷命中率下降，營銷成本上升。因此，在這一模型中，使用Fβ值來評定模型的優(yōu)劣，F(xiàn)β是精確率和召回率的加權(quán)調(diào)和平均數(shù)。

當(dāng)β=1時，認(rèn)為召回率和精確率重要性相同；β>1時，F(xiàn)β偏向于召回率；β＜1時，F(xiàn)β偏向于精確率。經(jīng)綜合考慮，本模型選擇F2.0作為模型評價的綜合指標(biāo)。

同時，使用ROC曲線和AUC值來進(jìn)行輔助分析。該指標(biāo)與真正率和假正率有關(guān)。

ROC曲線（如圖4）是指以FPR為橫坐標(biāo)，TPR為縱坐標(biāo)，TPR和FPR隨著分類閾值的變換而變換所得到的曲線，而曲線下方的面積為AUC值，ROC曲線越陡，AUC值越大，模型的性能就越好。

圖4 模型ROC曲線對比圖

本文所使用的四種模型算法效果對比情況具體如表3：

表3 4種模型算法對比情況表

由對比情況表可以看出，XGBOOST算法的Fβ值顯著高于其他算法，并且AUC值也大于其他算法，因此通過對比分析，最終選擇XGBOOST作為個人潛力客戶資產(chǎn)提升預(yù)測模型的算法。

(四)模型調(diào)優(yōu)

對于使用的XGBOOST算法，以影響模型最重要的參數(shù)為起點，按照對模型影響的重要性程度遞減方向依次對各參數(shù)訓(xùn)練，每次訓(xùn)練將之前訓(xùn)練得到的最優(yōu)解作為輸入固定，滾動迭代。

經(jīng)過多輪迭代訓(xùn)練，XGBoost模型最終調(diào)參結(jié)果如表4:

表4 XGBoost模型最終調(diào)參結(jié)果表

通過調(diào)參過程，基于XGBOOST算法的個人潛力客戶資產(chǎn)提升預(yù)測模型各項特征重要性排序如圖5：

圖5 XGBOOST算法的模型各項特征重要性排序

由此可見，在眾多特征中，當(dāng)季現(xiàn)金流出交易筆數(shù)、當(dāng)季現(xiàn)金流入交易金額、當(dāng)季第三方支付交易總金額等是對模型預(yù)測最重要的指標(biāo)，對AUM在1-10萬元的個人客戶其AUM是否提升20%以上有著最大的影響力。最終模型調(diào)優(yōu)使得個人潛力客戶資產(chǎn)提升模型的精確率約為73.49%，召回率約為57.86%，F(xiàn)2.0值約為60.43%。

三、模型使用

(一)模型預(yù)測輸出

將2019年10月31日的樣本（約306萬AUM在1-10萬元的個人客戶及其各項特征）輸入之前建立的個人潛力客戶資產(chǎn)提升預(yù)測模型，生成2020年1月31日該306萬客戶AUM是否提升20%以上的預(yù)測結(jié)果（客戶號和概率），其中概率是指該306萬客戶在2020年1月31日其AUM能夠提升20%以上的概率值。綜合網(wǎng)點營銷能力、人員配備等因素，對得到的客戶清單進(jìn)行遴選，篩選確定概率值大于50%的客戶號，即可得到最終的潛力客戶清單，共計28.75萬。

(二)產(chǎn)出結(jié)果分析

歷史數(shù)據(jù)表明，2019年3月31日年日均金融資產(chǎn)在1-10萬元的客戶，在6月30日AUM提升20%以上的概率為16.07%，即A銀行個人客戶在自然狀態(tài)下AUM提升20%以上的概率為16.07%。本項目建立的個人潛力客戶資產(chǎn)提升模型，預(yù)測精確率可達(dá)73.49%，即篩選得到的28.75萬客戶中，AUM提升20%以上的客戶概率約為73.49%（如圖6）。

圖6 客戶AUM提升示意圖

對比自然狀態(tài)，使用本模型預(yù)測后產(chǎn)生的客戶清單的營銷成功率預(yù)計是隨機(jī)營銷客戶的4.57倍，即只對清單內(nèi)客戶進(jìn)行營銷的成功率明顯大于對全量客戶或隨機(jī)客戶進(jìn)行營銷的成功率。

四、模型結(jié)果驗證

針對最后的潛力客戶清單，于2020年1月在A銀行選取了甲乙丙丁4家支行進(jìn)行模型結(jié)果驗證，從潛力客戶清單中選取34328名客戶進(jìn)行專項營銷。

其中，在2020年1月底有27638名客戶的AUM提升了20%及以上，提升比例達(dá)80.51%，即篩選的客戶清單中，經(jīng)過營銷后，有超過八成客戶的AUM提升了20%及以上。

表5 4家支行模型驗證結(jié)果

而在2019年10月31日AUM在1-10萬元的個人客戶約有306萬。其中，除了進(jìn)行專項營銷的3.43萬客戶外，隨機(jī)營銷的302.57萬客戶中，有158.15萬客戶在2020年1月底其AUM提升了20%及以上，提升比例僅為52.27%（如圖7）。

圖7 專項營銷客戶和隨機(jī)營銷客戶AUM提升對比圖

由此可見，專項營銷客戶相較于隨機(jī)營銷客戶的金融資產(chǎn)提升率增加了28.24%，即通過模型預(yù)測得出的客戶清單中，潛力客戶的比例更高。本項目能夠有效地為業(yè)務(wù)部門縮小營銷范圍，有利于銀行針對潛力客戶清單進(jìn)行精準(zhǔn)營銷。不同于傳統(tǒng)的“廣撒網(wǎng)”模式，大數(shù)據(jù)精準(zhǔn)營銷能夠讓銀行的營銷投放得到最大程度的反饋，真正做到有的放矢，減少營銷費用，節(jié)約營銷成本。

五、研究思考與建議

(一)研究思考

利用A銀行數(shù)據(jù)分析挖掘平臺對個人潛力客戶資產(chǎn)提升項目進(jìn)行全流程的實施，能夠較好地完成本項目且取得較為理想的效果，專項營銷個人潛在貴賓客戶金融資產(chǎn)顯著提升的客戶營銷成功率為80.51%，相較于隨機(jī)營銷客戶的金融資產(chǎn)顯著提升的比率增加了28.24%。這說明運用大數(shù)據(jù)技術(shù)進(jìn)行客戶精準(zhǔn)篩選與營銷具有良好的效果，能夠更好地進(jìn)行客戶精準(zhǔn)畫像、開展精準(zhǔn)營銷，從而提高營銷效率，降低盲目營銷，減少工作量，為客戶營銷與維護(hù)提供有效支撐和強(qiáng)有力的賦能。

同時，在工作中也發(fā)現(xiàn)一些需要解決的問題。一是數(shù)字化轉(zhuǎn)型的意識仍需提升。部分管理和營銷人員對大數(shù)據(jù)等數(shù)字化轉(zhuǎn)型的認(rèn)識仍不充分，有的認(rèn)識還比較膚淺，以為上了幾個系統(tǒng)、用了幾個工具就是數(shù)字化轉(zhuǎn)型了，對于數(shù)據(jù)的挖掘與應(yīng)用、治理與保護(hù)等深層次認(rèn)識還不足。二是對數(shù)據(jù)分析成果使用不到位。數(shù)據(jù)分析成果的使用才是數(shù)字化轉(zhuǎn)型的目的?，F(xiàn)實中由于科技人員與業(yè)務(wù)人員有一定的溝通障礙，科技人員對業(yè)務(wù)需求的理解不夠充分，數(shù)據(jù)分析與輸出質(zhì)量還有待提升，而業(yè)務(wù)人員對大數(shù)據(jù)分析理解不到位，不了解如何對潛力客戶進(jìn)行營銷，應(yīng)該推薦什么產(chǎn)品，導(dǎo)致分析成果利用率不高。三是科技與業(yè)務(wù)聯(lián)動融合有待加強(qiáng)。目前，科技部門仍是用大數(shù)據(jù)分析需求工作的主力軍。相對于業(yè)務(wù)部門，科技部門因距離市場和業(yè)務(wù)較遠(yuǎn)，對業(yè)務(wù)經(jīng)營和市場的了解有限，缺乏將業(yè)務(wù)需求轉(zhuǎn)化為數(shù)據(jù)挖掘需求的能力。業(yè)務(wù)部門對科技工作又缺乏了解，業(yè)務(wù)需求轉(zhuǎn)化為科技語言存在一定的困難?？萍寂c業(yè)務(wù)的聯(lián)動融合需要進(jìn)一步加大，發(fā)揮科技部門和業(yè)務(wù)部門在大數(shù)據(jù)分析方面的相互協(xié)同與互促互進(jìn)的作用。

(二)相關(guān)工作建議

鑒于數(shù)字革命持續(xù)深入發(fā)展，大數(shù)據(jù)在客戶營銷管理等領(lǐng)域的應(yīng)用越來越廣泛，具有巨大的應(yīng)用價值和深遠(yuǎn)的應(yīng)用前景。筆者對相關(guān)工作提出以下幾點建議：

一是進(jìn)一步提高思想認(rèn)識，全面推進(jìn)數(shù)字化轉(zhuǎn)型。數(shù)字化轉(zhuǎn)型是一場深刻的全方位的革命，從思維方式到生產(chǎn)運營，從生產(chǎn)方式到生產(chǎn)要素，從組織管理模式到市場營銷方式，全領(lǐng)域全過程全方位深刻重塑商業(yè)銀行業(yè)務(wù)經(jīng)營與管理模式。要進(jìn)一步樹立“業(yè)務(wù)數(shù)字化、數(shù)字業(yè)務(wù)化”理念，抓住企業(yè)級數(shù)據(jù)平臺建設(shè)和數(shù)字技術(shù)的深度應(yīng)用，貫通內(nèi)外部、上下層、不同領(lǐng)域、不同條線、不同業(yè)務(wù)、不同系統(tǒng)的數(shù)據(jù)資源，將內(nèi)外部數(shù)據(jù)聚合在信息共享平臺，通過數(shù)據(jù)的搜集、整合、分析、轉(zhuǎn)化和共享，打破“數(shù)據(jù)孤島”，推進(jìn)數(shù)據(jù)標(biāo)簽化建設(shè)，形成數(shù)據(jù)資源庫，推動由經(jīng)驗決策轉(zhuǎn)向“數(shù)據(jù)+算法”決策，由事后營銷轉(zhuǎn)向前瞻性營銷，由匹配服務(wù)轉(zhuǎn)向定制服務(wù)，釋放數(shù)據(jù)的生產(chǎn)驅(qū)動力，通過數(shù)據(jù)與技術(shù)、運營和管理的高效聯(lián)動，為數(shù)字化轉(zhuǎn)型提供生態(tài)環(huán)境、轉(zhuǎn)型方向、路徑選擇和價值創(chuàng)造。數(shù)字技術(shù)不僅包括大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)、區(qū)塊鏈和人工智能等技術(shù)及其軟件，還包括運行這些技術(shù)所需的計算機(jī)、移動設(shè)備等硬件設(shè)施，通過標(biāo)準(zhǔn)化、服務(wù)化、快捷化的高效反應(yīng)體系，建設(shè)運維數(shù)字化系統(tǒng)，開發(fā)升級數(shù)字技術(shù)和軟硬件設(shè)備，適應(yīng)多變的發(fā)展環(huán)境，支持全面的數(shù)字化轉(zhuǎn)型。同時，要建立健全數(shù)據(jù)治理機(jī)制，探索數(shù)據(jù)獲取、分類加工、分層應(yīng)用、精準(zhǔn)治理、全面風(fēng)控的全領(lǐng)域、全流程數(shù)據(jù)治理體系，出臺數(shù)據(jù)治理方案，提升數(shù)據(jù)治理制度化水平，有效統(tǒng)籌發(fā)展與安全。

二是進(jìn)一步完善數(shù)據(jù)應(yīng)用體系，將大數(shù)據(jù)應(yīng)用推向更深更廣。要進(jìn)一步優(yōu)化模型算法，精準(zhǔn)篩選和營銷潛力客戶。嘗試引入新算法，數(shù)據(jù)的收集不僅源于銀行內(nèi)部，而且來自客戶日常生產(chǎn)生活，要不斷豐富內(nèi)外部數(shù)據(jù)來源，進(jìn)一步對模型進(jìn)行優(yōu)化。拓展模型算法深度，從市場和客戶需求的角度出發(fā)，積極探索數(shù)據(jù)算法中更適用于客戶分析的模型方式，以便改良模型構(gòu)建系統(tǒng)，不斷提供信度和效度。實時更新模型數(shù)據(jù)，通過數(shù)據(jù)流識別重要客戶的蹤跡，實現(xiàn)隨時發(fā)現(xiàn)隨時營銷，從而更準(zhǔn)確地篩選和營銷潛力客戶，提升智慧化預(yù)測與精準(zhǔn)營銷服務(wù)能力。要進(jìn)一步強(qiáng)化協(xié)同，業(yè)技部門聯(lián)動使用大數(shù)據(jù)分析成果。基礎(chǔ)數(shù)據(jù)的“厚度”決定了“大數(shù)據(jù)+AI”能力的起點，而數(shù)據(jù)賦能的“強(qiáng)度”決定了其能達(dá)到的最高點。強(qiáng)化部門聯(lián)動，提升業(yè)務(wù)人員特別是一線營銷人員運用大數(shù)據(jù)分析成果的意愿和能力。細(xì)分預(yù)測成果，為潛力客戶劃分推薦產(chǎn)品的類別，便于業(yè)務(wù)部門開展?fàn)I銷工作。強(qiáng)化考核激勵，完善科技人員和業(yè)務(wù)人員成果運用的考核機(jī)制，加入衡量營銷精準(zhǔn)性的指標(biāo)，激發(fā)相關(guān)人員業(yè)技融合發(fā)展的積極性。要進(jìn)一步拓展應(yīng)用，推動大數(shù)據(jù)技術(shù)的運用范圍更廣更深。大數(shù)據(jù)技術(shù)應(yīng)用是商業(yè)銀行數(shù)字化轉(zhuǎn)型的關(guān)鍵抓手，應(yīng)積極探索大數(shù)據(jù)在客戶管理、精準(zhǔn)營銷、風(fēng)險防控以及決策分析等領(lǐng)域的應(yīng)用，提升核心競爭力。在客戶管理與營銷服務(wù)領(lǐng)域，可以利用大數(shù)據(jù)技術(shù)開展客戶價值分析、預(yù)測分析等工作，對客戶進(jìn)行精準(zhǔn)畫像，對目標(biāo)客戶群體進(jìn)行細(xì)分，從而將客戶潛在需求的產(chǎn)品，以合適的營銷渠道和促銷策略推送給客戶。在風(fēng)險防控領(lǐng)域，以數(shù)據(jù)分析為基礎(chǔ)，開發(fā)大數(shù)據(jù)風(fēng)險監(jiān)控模型，可建立全方位全流程的風(fēng)險管理預(yù)警體系，能夠及時獲取有效的風(fēng)險預(yù)警信息，進(jìn)而實施有針對性防控措施。在決策分析領(lǐng)域，結(jié)合先進(jìn)的金融數(shù)據(jù)模型，對數(shù)據(jù)進(jìn)行整合、轉(zhuǎn)換、分析和挖掘，以儀表盤、餅圖等直觀方式為管理層和各業(yè)務(wù)部門提供更客觀、科學(xué)的輔助決策信息。

三是進(jìn)一步提升員工數(shù)字化素養(yǎng)，推動數(shù)據(jù)應(yīng)用創(chuàng)造價值。要從全行人力資源形勢和競爭態(tài)勢統(tǒng)籌謀劃，以全面數(shù)字化轉(zhuǎn)型為引領(lǐng)，制定員工數(shù)字轉(zhuǎn)型的培養(yǎng)規(guī)劃，從制度層面進(jìn)行引導(dǎo)和推動縣域員工數(shù)字化轉(zhuǎn)型。按照不同類型的多維綜合考慮，從意識、知識儲備、業(yè)務(wù)技能、工具運用等多方面，制定短、中、長期培養(yǎng)計劃，匹配相應(yīng)的培訓(xùn)內(nèi)容，分階段定期進(jìn)行培訓(xùn)和測試過關(guān)，循序漸進(jìn)、持之以恒地推進(jìn)員工數(shù)字化轉(zhuǎn)型。要圍繞最需要最緊缺的客戶經(jīng)理、理財經(jīng)理、產(chǎn)品經(jīng)理、數(shù)據(jù)分析師“四支隊伍”著力，培養(yǎng)其數(shù)字化營銷服務(wù)意識、數(shù)字化工具運用能力、線上線下營銷服務(wù)與雙向引流能力、數(shù)據(jù)分析技能等核心能力，助力業(yè)務(wù)拓展與客戶服務(wù)水平提升。以打造“業(yè)技融合”的復(fù)合型人才為目標(biāo)，為青年員工提供全周期、全方位的綜合化培養(yǎng)，鍛造一批政治合格、思維活躍、技能過硬、作風(fēng)優(yōu)良的數(shù)字化轉(zhuǎn)型青年生力軍隊伍，為推進(jìn)全面數(shù)字化轉(zhuǎn)型提供強(qiáng)有力的人才支持。，堅持傳統(tǒng)產(chǎn)品數(shù)字化改造與智慧政務(wù)、數(shù)字鄉(xiāng)村、電商、供應(yīng)鏈金融等數(shù)字化產(chǎn)品一體學(xué)習(xí)，組合應(yīng)用。要全面掌握DCRM系統(tǒng)、金融小店、“數(shù)字人”、掌上銀行、微銀行等客戶營銷服務(wù)數(shù)字化工具，增強(qiáng)員工在線虛擬營銷服務(wù)能力，有效提升“線上+線下”協(xié)同獲客、活客、留客、粘客的系統(tǒng)性能力。要建立創(chuàng)新教育培訓(xùn)的新模式，加強(qiáng)數(shù)字化產(chǎn)品、業(yè)務(wù)、工具、系統(tǒng)等在經(jīng)營管理與營銷服務(wù)中的應(yīng)用經(jīng)驗與好的做法，及時進(jìn)行萃取、傳播、推廣等，促進(jìn)組織智慧共享與價值傳播，有效提升員工數(shù)字化素質(zhì)和能力，全面賦能數(shù)字化轉(zhuǎn)型在客戶營銷與維護(hù)中的全面應(yīng)用。