1.2 金融客户生命周期及数据应用场景

客户是金融企业最重要的资产，与高价值的客户保持长期稳定的关系是企业获得持续竞争优势的关键，老客户更容易购买公司更多的产品、对价格也更不敏感；忠诚客户更愿意主动为公司传递好的口碑、推荐新的客户。为此，客户生命周期管理是任何一家金融企业的业务发展主线，客户关系管理、精细化经营、精准营销、风险管理等皆围绕该主线部署。那么，什么是客户生命周期？一个人会经历从出生、上学、毕业、工作、结婚、生子到退休等一系列生命阶段，而作为一个客户，与企业之间的关系会经历从潜在客户、响应者、新客户、稳定客户到流失客户等一系列生命周期，这也是企业与客户建立业务关系到关系终止的全过程。通常将客户生命周期划分为起始期、发展期、成熟期和衰退期四个阶段，称四阶段模型。起始期是客户关系的孕育期，发展期是客户关系的快速发展期，成熟期是客户关系相对稳定的时期，衰退期是客户关系发生退化、逆转的时期。

根据金融业的特点，这里将客户生命周期划分为五个阶段：客户获取、客户提升、客户成熟、客户衰退和客户挽留，客户经营中最重要的业务问题和大数据应用场景与各阶段一一对应，贯穿整个生命周期，如图1-2所示。

1．客户获取阶段

客户获取阶段是指吸引潜在客户并将他们发展成客户的过程，发现潜在客户并过滤具有欺诈、高风险特质的“坏客户”，是本阶段的核心业务问题，数据挖掘与建模的典型应用场景可以归纳为三个方面。

1）获客与引流模型。从接触信息或外部数据中发现具有潜在需求的客户，定向发送信息，第三方引流是目前常见的大数据商业模式，广泛应用于信用卡发卡、商户合作等业务领域。

2）欺诈侦测。具体指申请阶段的反欺诈，通过构建欺诈黑名单库、欺诈规则库、欺诈评分模型、高风险人群关系网络等技术手段，为获客筑起第一道防火墙，将“坏客户”挡在门外。

3）申请评分/信用评分。这是银行的三大风险模型之一，通过客户申请时填写以及通过其他渠道查询到的信息，预测将来发生违约、逾期、坏账等的统计概率，例如信用卡公司决定是否向客户发卡、银行决定是否允许信贷审批；在另一个领域，大数据征信成为互联网金融的主要商业模式。

该阶段的客户都是新客户，企业尚不掌握客户的第一手信息，而仅靠客户申请时填写的信息相对有限，因此，引进外部数据、开展第三方机构合作、采购大数据征信与反欺诈产品等成为传统金融企业的刚需，转而促成了大数据征信与相关数据产品的蓬勃发展。

2．客户提升阶段

客户获取之后，如何促成客户交易、提升活跃度进而让他们贡献更多价值，是客户提升阶段要解决的核心业务问题，精准营销成为客户提升的代名词，本阶段数据挖掘与建模的典型应用场景同样归纳为三个方面。

1）产品激活与睡眠促动。信用卡发出去之后首先要解决的是让客户激活，银行给予客户授信之后要促进客户提款、用款，对于长期不动账的客户要让客户消费、转账、活跃起来，针对各类产品或客群，构建促动模型开展大促让客户动起来，是第一要务。

2）精准营销（营销响应模型）。如何最大化利用客户资源、提高单一客户的价值和利润？通过一组营销响应模型准确匹配关键营销要素，具体需要对的目标客户、对的接触渠道、对的产品与服务、对的价格、对的时间和对的接触方式，在深入了解客户需求及特征的基础上实施针对性营销，提高营销成功率，从而实现单一客户价值和利润贡献的提升。

3）行为评分。以贷款为例，通过客户的历史行为表现，预测其将来发生违约、逾期等的统计概率，防患于未然。狭义上的行为评分指风险评分模型，而实际上，营销响应模型是行为评分在营销领域的应用，评分结果为建立客户标签体系和精准营销提供依据。

精准营销不是新概念，但大数据对其作了新的阐释，催生出接触点营销、事件式营销、社交圈营销、大数据预测营销等新型方式，因此数据挖掘和建模技术将不断赋予传统的客户经营理念以新的抓手。

3．客户成熟阶段

在客户成熟阶段，客户已经活跃起来并贡献着价值，此时企业要做的是让这种状态尽可能保持下去，即提高客户黏性，而通过交叉销售的营销策略售卖更多产品是最常用的手段。数据挖掘与建模的典型应用场景包括：

1）交叉销售与个性化推荐。为不同业务部门提供一致的客户信息视图，快速进行跨部门、跨产品线、多层次的交叉分析，制定高效的协同营销方案，让客户购买更多产品，通过提高客户的转移成本来增强黏性，是一种被动的客户维系方式。

2）客群细分与价值分析。除个别类型的客户外，客户经营策略都是以客群为单位开展，以发挥规模效益，通过对客户轮廓的洞察建立各式各样的细分客群，制定针对性的经营策略，提升客户体验和服务的精细化能力，这是维系客户关系的重要手段，是一种主动的客户关系维系方式。

3）欺诈侦测。与申请阶段的反欺诈相比，这个阶段主要核心是识别客户交易中可能存在的欺诈，进行“堵漏”，例如信用卡客户盗卡、套现等现象的识别，这个过程是企业与“坏客户”博弈的过程，技术手段需要随着欺诈方式的变化而持续更新。

4．客户衰退阶段

对于大部分客户来说，衰退期必将到来，只是或早或晚，这个阶段数据挖掘与建模的价值在于及时预警，为即将发生的问题做好充分准备。

1）违约预测。低价值或者负价值的客户退出未必是坏事，但对于已发放贷款的客户一刻也不能放松，通过客户的历史行为表现，预测将来发生违约、逾期等的统计概率，并做到实时监控，可以防患于未然。

2）风险暴露分析。违约预测告诉企业客户发生风险的概率，风险暴露分析则计算风险数额的大小，评估可能发生的风险规模。

3）催收评分。一旦贷款发生逾期，通过客户的历史行为表现，预测已逾期账户清偿欠款或逾期恶化的统计概率，亡羊补牢。

5．客户挽留阶段

“如何降低客户流失率，特别是识别并实现对高价值客户的挽留”是这个阶段要解决的核心问题。利用客户流失预测模型识别潜在流失客户，同时识别高价值客户，并结合客户特征，制定差异化的挽留策略，加强对客户的流失管理。

1）流失预警。虽然客户流失本质上是利益驱动，但如能对客户流失倾向及时预警，进而分析流失的原因，在客户做出决定之前，推出符合客户兴趣的业务或产品，及时采取措施加以挽留，将能有效降低客户流失率。通过流失预警可以提升挽留的时效性，进而提高挽留成功率。

2）客户挽留。客户挽留要因人而异，具体来说，要结合客户流失的倾向高低、客户潜在价值高低等指标，制定综合挽留方案。客户挽留主要是行之有效的业务策略，而合理充分的客群细分则是基础。

3）客户赢回。对于已经流失的客户，企业已经积累了历史数据，赢回这些客户将比获取新客户有更容易，除此之外，客户赢回等于重新回到客户获取阶段，循环往复。