商业银行高成本定期存款客户营销转化分析

石慧轩，侯星亦，张建辉，袁慎

（中国邮政储蓄银行审计局西安分局，陕西 西安 710000）

一、背景

近20年，我国经济高速发展，已经成为全球第二大经济体，目前经济的发展速度从高速回落至中高速。截至2021年6月末，央行公布的1年期LPR（贷款市场报价利率）为3.85%，5年期以上LPR为4.65%，已连续14期保持不变，这也决定了我国银行业会长期维持在低利率环境中［1］。与此同时，受银行业存款结构影响，高付息成本促使银行利差进一步收窄［2］。

以2020年国有六大行披露的年报为例，从存款结构的定活比指标来看，农业银行、交通银行为5∶5、工商银行、建设银行、中国银行为6∶4，邮储银行为7∶3；从平均付息率来看，六大行个人存款平均付息率为1.81%。因此，商业银行应优化存款结构，进一步压降付息成本，以适应我国经济的高质量发展。本文高成本定期存款是指3年期及以上期限个人定期存款，将依托某商业银行数据，运用数据挖掘算法对高成本客户进行预测，打造智能化营销场景，进一步提升商业银行竞争力。

二、业务目标

为优化存款结构、合理引流客户、规划接续产品，更好地指导基层银行以智能化、精细化、数字化方式维系客户。本文以“高成本定期存款客户营销转化”为主题，利用某银行各业务系统数据，对存量客户进行特征指标分析，针对高成本定期客户采取重点维系的营销模式，为其提供智能化服务。通过数据挖掘算法，以“服务+”的模式为客户提供全方位精细化的产品配置，实现高成本存款有保有压，打造专属“私人银行”服务，进一步优化存款结构，实现压成本、优结构的营销业务目标。

三、建模思路与创新

模型数据源于某商业银行各业务数据平台，随机抽样10万高成本定期存款客户数据，主要从客户基本属性、客户标识、客户资产、RFM及客户动账最值等多个维度，利用100+指标进行特征搜集与宽表搭建［3］。选取2020年12月为建模窗口的观察时点，对2020年1月至2020年12月之间的定期客户进行研究，观测客户在未来三个月是否购买理财产品。若购买理财，则达到营销转化要求，赋值为1；否则未达到要求，赋值为0。针对客户在未来三个月内“是否达到要求”作为被解释变量，建立高成本定期存款客户营销转化逻辑回归模型。本文立足某银行目前3年及以上定期存款成本高、付息率高的情况，建立Logistic回归预测模型，该模型形式简单、可解释性强、系数含义易理解，能够实现高成本定期客户智能化、精准化的营销转化。

四、客户数据实证

（一）数据预处理

一是对缺失值和异常值的数据清洗。对于定期客户数据的缺失值可采用删除和插补的方法进行预处理；对于定期客户数据的异常值，依据银行业务指标释义，将异常值进行删除、修正或不处理。二是指标衍生和指标转化。因原始客户流水的数据复杂，需要对定期客户指标进行加工、衍生与转化，如对客户标识数据进行独热编码、对客户流水数据进行分组赋值、对客户资产信息进行对数转换等等。通过数据预处理最终确定95个指标进行本次建模。

（二）模型结果

剔除无效客户数据后，高成本客户合计96924人，在未来三个月内营销转化（购买理财）的客户有10824人，占比11.17%。利用SAS软件进行Logistic回归建模，指标系数绝对值越大，说明该指标在高成本存款客户营销转化过程中越重要，正值表示正向影响，负值表示反向影响。

其中P值为未来三个月客户购买理财的概率。对客户购买理财产生影响的模型指标共20个，分别为X1：近3月手机银行交易次数；X2：性别；X3：是否为 VIP 客户；X4：持有信用卡标志；X5：近3月手机银行交易笔数；X6：近6月购买理财最高评级；X7：近6月购买理财期限；X8：代发工资客户；X9：客户评级；X10：活期存款标志；X11：当月 AUM 月日均；X12：近3月柜面交易金额；X13：当月其他交易金额；X14：近3月客户跨行非同名转出金额；X15：活期存款月均金额；X16：年龄；X17：户龄；X18：年龄；X19：受教育程度；X20：账龄。

（三）模型评估

模型评估-ROC曲线与Lift曲线图

随机划分银行定期客户数据，其中80%的客户数据作为训练集，建立模型，其余20%的定期客户数据作为测试集，其模型评估如上图所示。

图（a）为ROC曲线，模型AUC值为0.975，表示随机抽取一个购买理财的客户和一个未购买理财的客户，通过模型预测，对购买理财的客户预测正确的概率为p1，对未购买理财的客户预测正确的概率为p0，则p1＞p0的概率分别为0.975，模型具有较强的预测效果。图（b）为Lift曲线，Lift值为6.59，表示使用模型时，概率较高的前10%的客户中包含购买理财的客户占比为73.61%，不使用模型时购买理财的客户占比11.17%，前者是后者的6.59倍。相当于10万的客户，选取前10%的客户进行营销，实际能够成功营销转化的客户为7361人（即10万×10%×73.61%），模型具有较高的提升能力。

五、结语

通过建立Logistic模型得到客户名单及营销转化概率，实现模型在银行客户系统中的应用，依据概率由高到低进行排序，并按月实时推送客户名单。同时，基于客户基本信息与理财经理业务能力判断，定制个性化营销服务，对每个客户进行差异化产品推荐，建立精准营销及适度引流方案，实现定期客户存款的有保有压策略。

第一，推荐接续产品配置方案。对定期客户营销转化概率排名前10%的客户，可优先推广银行理财新产品，由理财经理电话或上门营销，或邀约线下活动提升客户体验。

第二，理财经理私人化服务。将定期客户营销转化概率排名在10%～30%的定期客户推送至理财经理，进行私人化服务，有针对性地定制专属产品配置包，满足客户风险与收益的偏好，达到精准营销的目的。

第三，日常客户维系与产品营销。对定期客户营销转化概率在30%以下的客户，按照AUM值进一步细分客群，以“稳规模”为营销重心，重点维系低转化、高价值客群。