客户行为分析的框架、价值与应用

高尚

在数字经济时代背景下，客户线上化的趋势已不可逆转，对于商业银行来说，当前也面临着同样挑战。国内银行业在经历了2004—2010年的以树立零售业务优先发展战略为特点的第一次零售转型阶段，以及2010—2019年的以提升产品持续性创新与精细化业务管理水平为特点的第二次零售转型阶段之后，2020年初以来以提供全面“非接触”金融产品与服务、实现全面线上化转型为主要特征的“非接触”银行的兴起，拉开了银行业第三次零售转型的大幕。“非接触”金融服务模式的快速发展不仅倒逼商业银行按下数字化转型的“加速键”，也进一步驱动了当前商业银行线下金融服务模式的线上化迁移进程。为了紧紧抓住当前转型的紧迫时间窗口，银行业需要尽快构建线上全栈化客户经营体系，实现从产品经营向客户经营的转变。

目前，国内银行业对于金融大数据的分析应用基本上是基于客户交易类数据与客户信息类数据展开的，基于对全渠道客户线上行为类数据的埋点采集与分析应用而言，绝大部分商业银行仍处于空白或起步阶段。当前商业银行的各类移动端应用不断产生着海量的客户行为数据，通过大力推动客户线上行为分析，商业银行可以了解手机屏幕前的客户都是如何使用产品的，可以透过客户的线上行为轨迹来分析与研判客户在获取一次金融服务背后的深层次金融诉求，而这些对客户的深入洞察在以往是无法通过传统的大数据分析手段得出的，可以说，客户行为分析正是商业银行探寻面向数字化经营转型的关键破局点之一。

客户行为分析相关概念

客户行为分析

客户行为分析是指对客户在与某品牌相关的所有自营线上渠道接触点上产生的全渠道、全场景行为进行埋点、收集、存储与分析，通过深度还原客户使用场景、浏览细节及操作路径等来掌握客户线上轨迹旅程中客户与产品或服务之间产生的全部联系并进行量化分析，从而能更好地制定业务决策、实现精细化客户运营、指导业务增长。

客户行为

要做好客户行为分析还需要深入了解客户行为是如何刻画的。客户行为也称为客户数字足迹，是指客户在线上留下的所有痕迹。客户行为由人物（who）、时间（when）、地点（where）、交互（how）、交互的内容（what）五个元素构成。

客户行为的实例化可以称之为一次客户行为事件，也即一个客户在什么时间、在什么地点、通过何种交互方式、进行了什么操作。从客户操作视角来看，客户行为可以劃分为访问、浏览、点击、输入四种基本类型；从行为效果视角来看，客户行为可以分为正反馈行为和负反馈行为，其中正反馈行为主要包括注册、搜索、浏览、筛选、点击、收藏、下载、下单、支付、点赞、好评、转发等，负反馈行为包括删除、取消收藏、取消订单、退款、负评、低评等。

客户行为数据

单纯从金融大数据组成角度而言，一个完整的闭环数据源主要分为客户信息类数据（描述型数据）、客户交易类数据（结果型数据）及客户行为类数据（过程型数据）。对于客户交易类数据来说，虽然它可以明确标示客户完成了某种结果型事件，但是为何会存在客户中途流失、为何会存在客户下单后却不选择支付、为何客户浏览了某商品页面后直接离开等，对这些过程型原因的跟踪与分析只能由客户行为类数据来实现。

客户行为数据是指客户在商业银行提供的各类线上渠道上进行各种操作时所产生的数据。作为过程型数据，客户行为数据最显著的特点在于能还原客户的行为轨迹，让银行产品的每一处细节都可量化，都可以通过客户行为数据来展现。

客户行为数据埋点

客户行为数据的规范化采集需要通过埋点的方式来实现。埋点是指在需要监测客户行为的地方加载一段代码，这段代码详细定义与描述了待监测的行为事件。

常用的埋点方式包括代码埋点、全埋点和可视化埋点三种。代码埋点是指由研发工程师编写代码实现，通过客户触发某个动作后，程序自动采集相应埋点数据发送后台，代码埋点具有较强的埋点灵活性，可以自定义埋点事件，但也存在需要手工开发程序、人力成本较高、开发周期相对较长、大部分情况下需要依赖其宿主程序端的版本更新来同步生效。全埋点又称为无埋点，是指预置采集代码对网页和APP等线上渠道端页面上的所有可交互事件进行监测，当有客户操作行为发生时即会对此事件进行采集并发送后台，其优点是不需要进行自定义代码埋点，既方便又快捷，但传输数据量较大。可视化埋点是指业务人员通过对页面可埋点元素直接圈选埋点，所见即所得、即时生效，跳过代码开发部署和生产版本发布过程，提升了产品运营效率但能够满足的场景有限。

客户行为分析框架

一个完整的客户行为分析框架应包括客户行为数据模型、客户行为数据埋点规范、客户行为分析指标和客户行为分析模型四个部分。

客户行为数据模型

客户行为数据模型是整个客户行为分析工作的基础，模型设计得是否合理、能否很好地满足各行业不断变化的业务需求、是否能够很好地实现对客户行为的表征与逻辑抽象并具备良好的灵活性与扩展性决定了后续客户行为数据分析应用的高度与深度。

数据模型本质上是对现实世界的一种抽象，而现实世界纷繁复杂，要实现对现实世界实体与行为的充分抽象表征，必然要求数据模型具有很强的复杂性与灵活性，这势必会造成数据模型的表达式设计十分复杂，同时，高维度的特征空间也不可避免。基于复杂数据模型表达式设计产生的客户行为的元数据不仅会大量挤占数据库存储空间，也会造成客户行为分析工作呈非线性增长的复杂性。因此，客户行为数据的模型设计应追求在满足有限复杂性的框架下实现必要的灵活度。

本文提出一种基于三层结构的客户行为分析数据模型UEE（User-Event-Entity）：User层表征的是客户，通过User ID进行唯一识别，客户的相关属性描述通过User Property进行存放；Event层表征的是客户行为的实例化，即事件体现的是对于事件本身不变性的描述，对于一个事件的描述包括发起此事件的客户是谁（Who）、此事件发生的实际时间（When）、此事件发生的地点（Where）、客户发起此事件的方式（How）、此事件的具体内容（What），Entity层表征的是与客户事件相关联的一个或若干个实体，体现的是对于事件描述本身灵活性方面的考虑。

客户行为数据埋点规范

建立客户行为数据埋点规范是搭建客户行为分析框架的关键，客户行为数据埋点规范质量的高低直接决定了后续客户行为分析结果的准确度。

客户行为数据埋点规范主要包括标准需求梳理模板与数据采集方案设计模板。建立面向业务人员的需求梳理模板是为了统一与规范业务需求表述，数据采集方案设计模板是在需求梳理模板内容的基础上将业务需求按照具体采用的客户行为数据模型分别拆解转换为客户表、事件表和实体表等。

客户行为分析指标

客户行为分析指标是整个客户行为分析框架中承上启下的环节，通过对埋点采集到的客户行为数据进一步加工生成各类行为指标为后续客户行为分析模型构建奠定基础。客户行为分析指标主要可以分为增长性指标、粘性指标、产出指标三类。

常用的增长性指标包括新增注册客户数和新客户数，其定义为历史上首次访问线上渠道的访客。

粘性指标主要关注客户的参与度，常用的指标包括：第一，日活跃客户数（DAU，Daily Active User），其定义为1天内访问线上渠道的不重复客户数；第二，周活跃客户度 （WAU）；第三，月活跃客户度（MAU）；第四，访问次数，其定义为访客从进入线上渠道到离开这个过程记为一次访问；第五，平均交互深度，其定义为所有访客在访问线上渠道期间发起的事件总数除以访客的总访问数，一般以天为计量单位；第六，平均停留时长，其定义为所有访客的累计访问时长除以所有访客的访问次数，一般以天为计量单位；第七，页面平均停留时长，其定义为访客在一个页面上停留时长的总和除以页面被浏览的触发数；第八，页面退出率，其定义为访客在某个页面的退出总次数除以该页面的总浏览次数；第九，跳出率，该指标是用来衡量一个落地页的质量好坏，当客户在一次页面访问中仅做了一次互动便选择了离开即为跳出，该指标定义为一个页面发生客户跳出的访问次数占该页面总访问次数的比例；第十，平均交互深度，该指标是用来衡量一个线上渠道对于客户的吸引力，客户在一次访问中浏览的页面越多说明交互深度就越深，其定义为客户访问中触发交互的事件总量除以客户总访问量。

产出指标主要衡量客户创造的直接价值输出，常用的指标包括：第一，页面浏览量（Page View，PV）；第二，新客户留存率，其定义为在注册后经过一段时间仍然继续使用的客户占当时新增客户的比例；第三，购买转化率，其定义为当日访客中有多大比例的客户完成了产品购买。

客户行为分析模型

明确客户行为分析指标后，可以借助行为分析模型对客户行为数据进行定性和定量分析。客户行为分析模型有行为事件分析模型、漏斗分析模型、客户路径分析模型、客户留存分析模型、会话（Session）分析模型、热力分析模型、归因分析模型等，其中行为事件分析模型与漏斗分析模型最为常用。

行为事件分析模型

行为事件分析是指基于各类定义的事件指标通过条件筛选及属性分组等方式进行查询统计分析与展现，用以研究客户的某个或某些行为事件的本身特征。行为事件分析模型适用面广、灵活性强，是最为基础的一类客户行为分析模型，在日常客户行为分析工作中最常用到，同时业务人员使用起来最为直观简便。

行为事件分析可用于描述大多数业务或者行为的数据表现及趋势，并可根据业务自身的具体分析需求，合理地进行新指标定义及指标规则配置。行为事件分析在常用行为指标的基础上，一方面可以针对事件本身的特征对这些指标进行时间和维度的扩展用以进行持续性统计观测与对比；另一方面可以针对事件属性特征从不同维度进行下钻分析来关注事件各属性特征的变化趋势，常见的指标计算规则包括事件按照时间段发生的总次数、事件发生按照地域分布、人均次数等；此外还可以通过基于一个或多个指标进行自定义四则运算形成的复合指标来挖掘与事件发生关联的所有因素背后的特点与趋势。

漏斗分析模型

漏斗分析主要用于分析含有多个步骤的产品申请、新客户注册与激活、商品购买流程等环节的页面中，每一步骤的转化与流失情况及整体的转化情况。通过漏斗分析模型可以较容易分析出客户流失的具体原因并找到当前业务的阻塞点，进而针对这些流失的客户进行有针对性的客户运营。

以手机银行App客户信用卡账单分期业务办理转化漏斗为例。首先，在手机银行App上，信用卡账单分期申请办理的入口一般不止一处，需要对每个办理入口定义采集事件，目的是区分来自各入口渠道的客户流量；信用卡账单分期办理中需要填写分期金額、选择分期期数、确认分期手续费率、提交申请等步骤，一般至少需要前后两级页面，需要深入了解有多少比例的客户没有完成第一级申请页面的填写就选择跳出，有多少比例的客户进入第二级页面却没有完成申请提交等。客户在整个账单分期业务申请期间的每一步都会存在客户流失，通过漏斗分析模型我们可以直观地看到每个环节的流失率及可能的流失原因。

客户行为分析价值

客户行为分析在商业银行驱动产品迭代、持续客户转化、提升客户体验、实现精准营销、拉长客户生命周期等方面起着重要作用，其具体价值主要体现在以下四个方面：

产品视角。客户行为分析可以从客户行为角度来定义产品体验，形成对产品反馈体验与客户操作体验等方面的数据化诊断，做到产品里每一个细节都是可量化的，都是可以通过客户行为数据来体现的，从而可以实现对产品的迭代设计与优化，从产品层面驱动客户增长与客户体验提升；客户行为分析还可以驱动产品智能化，更加细腻地贴合客户的个性化产品需求，利用线上渠道的个性化推荐、个性化广告投放等让产品在投资回报率上得到大幅度的优化。

营销视角。客户行为分析可以深度了解和分析客户在搜索、浏览、购买或放弃产品期间的行为特征，打造客户线上行为特征标签，完善客户的全维度画像，形成对客户价值的不断认识，明晰客户在线上的各种浏览、点击和购买等行为背后的深层次金融逻辑，从而能创造更多符合需求的增值产品和服务，形成一个完整的业务闭环，在更深层次上驱动业务增长。

运营视角。客户行为分析可以深度了解和分析线上应用的运行状况、应用中各项功能的使用频率、客户访问路径长度等情况，从而为应用的进一步优化指明方向，进一步提高客户活跃度和留存率，进而实现整体营收的增长；客户行为分析也可以协助分析与发现运营中存在的问题，以便及时转变或调整运营决策；客户行为分析还可以用来帮助我们来具体分析客户怎么流失、为什么流失、在哪里流失，进而针对客户进行差异化与精细化运营。

客户体验视角。客户行为数据搭建了客户体验评价框架，客户行为分析实现了对客户体验的数据化诊断。客户体验是指客户在使用产品与服务过程中建立起来的一种纯主观感受，当前比较有代表性的客户体验评估模型包括Google公司提出的HEART模型、阿里巴巴公司提出的五度模型等。HEART模型由Happiness（愉悦感）、Engagement（参与度）、Adoption（接受度）、Retention（留存率）、Task Success（任务完成率）五个维度组成，五度模型由吸引度、完成度、满意度、忠诚度、推荐度五个部分构成。从这两个完全基于客户主观性行为数据结果的客户体验模型可以明显看出，传统的基于交易数据的大数据分析方式很难完成客户体验模型的完整度量，只有通过基于客户行为数据的分析方式才可以实现对客户体验测评的准确量化。

客户行为分析应用

以客户行为数据为驱动的客户行为分析在商业银行渠道优化、产品设计与迭代、改进客户交互体验、实时营销推荐、客户深度感知、实时交易反欺诈、反灰/黑产等方面有着广泛的应用场景，是商业银行搭建全数字化客户运营体系不可或缺的重要组成部分。

实现对商业银行面客渠道的全面优化。数字化时代背景下，客户与银行的交互方式从线下化、人工化转换为线上化、数字化，通过建立覆盖手机银行、网上银行、电话银行、门户网站、微信公众号、小程序、H5页面、自助柜员机等线上线下面客渠道的客户行为数据埋点采集与分析体系，可以深度勾画客户的全面旅程地图，实现对客户真实需求的深度洞察、引导产品运营优化方向，为数字化渠道精细化运营夯实基础。

对产品的布放渠道效果进行评估，并对站内流量分发做出动态优化。通过对客户线上行为数据按照产品类型、渠道来源维度进行分析，一方面可以根据客户的实际购买情况对产品的布放渠道效果进行评估，通过单个渠道引流流量、引流量转化率、客户留存率、客户复购率等指标来判断优质渠道，进而对一款产品的渠道布放方式进行动态调整；另一方面可以根据客户的实际浏览与点击情况对站内流量分发进行动态优化、提升站内流量承接和转化效率，主要包括对落地页展示、频道具体投放内容显示、产品申请关键路径与页面要素排布等进行调整。

能够为商业银行产品提供从客户交互界面到具体功能升级的全方位支持。以信用卡线上开卡为例，由于需要客户线上填写的信息项较多，这对产品的页面元素布局、申请页面数确定等要求较高，任何一项不尽合理的设计都有可能造成客户中途放弃申请。利用客户行为分析，可以借助实际客户行为数据来清晰了解每一级申请页面的客户流失率，单个申请页面中定位到哪一步或哪几步存在较高的客户流失率，页面填写项控件设计是否布局不合理或需要选择的内容过于繁琐等，从而可以让业务人员能及时做出精准的产品优化决策。

实现对客户的线上实时营销推荐。通过打通客户实时点击行为链路，收集客户的各种线上行为，包括搜索、浏览、收藏、购买等，持续关注客户行为体现出的兴趣点在时序时间上的变化，将这些客户实时行为数据的分析结果转化为面向客户的个性化实时在线推荐服务。此外，也可以对那些未完成业务办理中途跳出办理页面的客户有针对性地进行二次精准营销。

实现对线上广告与营销活动投放效果的监测。可以透過客户对已发布的广告和营销活动的点击与浏览数据实现对广告与活动曝光效果进行实时查看，从而可以进一步根据投放分析结果完成对广告资源的动态调整，实现对线上广告的精准运营。

为商业银行进行线上实时反欺诈、反灰/黑产等提供重要支撑。客户在线上渠道积累起的交易支付习惯、日常线上访问轨迹、常见线上访问时段等行为类数据具有独特价值，通过对此类数据进行深度分析可以为商业银行进行线上实时反欺诈、反灰/黑产等提供重要支撑。各类移动端渠道是当前客户办理消费信贷申请、消费支付、权益申领、积分兑换等业务的主要流量入口，通过对渠道端的埋点，可以获取诸如账户注册、认证行为、登录行为、常用手机型号等设备软硬件参数类信息、联网环境信息等数据，借助客户行为分析对客户线上操作行为进行深度下钻，可以进一步实现对很短时间内完成手机号/身份证号/登录密码输入、登录时间与联网环境与日常差异较大、多次反复输入手机号/身份证号、同一客户ID反复提交不同申请、同一客户较短时间间隔内使用不同手机型号进行登陆、同一个手机号当日内反复注册、同一台设备当日内使用多个手机号注册等异常风险行为进行实时监测。

（作者单位：上海金融与发展实验室）

责任编辑：董 治