中亦科技：“精准画像”智慧服务解决方案助力普惠金融提速

　　大力发展普惠金融，是我国全面建成小康社会的必然要求，有利于促进金融业可持续均衡发展，推动大众创业、万众创新，助推经济发展方式转型升级，增进社会公平和社会和谐。

　　《国务院关于印发推进普惠金融发展规划 (2016—2020年)的通知》指出，当前小微企业、农民、城镇低收入人群、贫困人群和残疾人、老年人等特殊群体是当前我国普惠金融重点服务对象。

　　在传统金融模式下，金融机构由于缺乏有效的手段了解这部分客户，并由此带来了信息的不对称，使金融机构难以为其提供有针对性的产品和服务。更重要的是在金融风险方面，由于缺乏信息，甄别成本过高，金融机构出于自身风控要求不得已弱化了这部分客户群体的服务。

　　当前，随着5G、大数据、知识图谱、人工智能、生物识别等技术的发展和成熟，金融科技正在颠覆传统金融产品和服务，帮助金融机构改善客户体验、降低交易成本、提高服务效率，更好地满足人们的金融需求。

　　精准画像智慧服务解决方案，正是北京中亦安图科技股份有限公司(以下简称：中亦科技)针对金融机构深入贯彻落实普惠金融要求，运用大数据、知识图谱、图数据库、机器学习等技术的行业级解决方案。通过客户标签体系的设计和实现，挖掘分析客户公开业务数据，实现客户精准画像，继而运用到产品及服务设计、精准推荐、个性化服务等方面，提升服务客户的数量和质量，在实现普惠金融要求的同时，开辟更为广阔的市场空间，带动业务结构、收入结构的改善以及盈利能力的同步提升。

　　客户画像

　　实现客户画像的数据化，是做好普惠金融的前提和基础。在考虑业务场景、形态和需求的前提下，从海量的客户业务相关行为数据中，抽象出客户的属性标签，并将众多属性标签融合组成一个完备的标签体系，这些属性标签通常需要具有一定商业价值，通过将数据化标签转换为产品运营策略，能够驱动和提升业务。标签为客户客观存在的属性或特征，而客户画像是对业务有价值的客户属性/特征集合。

　　通过建立客户画像技术模块，金融机构可以迅速获得：

　　1、可视化交互系统：提供美观、便捷、高效的画像可视化结果，并提供交互功能，包括实时快速查询、聚合统计分析等功能;

　　2、实时查询系统：实时快速查询画像数据，保障可视化交互系统的查询功能，并推荐关联的个性化产品/方案/服务;

　　3、人群画像分析系统：根据标签定向筛选特定人群，实现数据分析、定向推荐、精准营销等;

　　4、标签管理系统：对标签进行管理，如标签的收录、存储、更新、增删、实现、调用、监控等。完备的标签库可以支持各种业务场景子画像的建设。

　　标签体系设计

　　从标签设计的广度来看，结合业务需求，从实用角度出发，将客户画像分成以下五个维度，基本覆盖了业务需求所需要的强相关信息。特别复杂的客户画像不利于商业应用，不建议采用。

　　从标签设计的深度来看，设计以下五级标签：

　　一级标签：结合业务需求和实用性，划分为五个维度，如银行业务;

　　二级标签：在一级标签范围内，根据业务类型进行划分，如消费、投资、分期等;

　　三级标签：对某一业务类型，根据业务方向进行划分，如投资业务中的理财产品、投资偏好等;

　　四级标签：基于业务方向，对具体业务内容进行划分，如投资偏好中的固收、权益、保险等;

　　五级标签：对具体业务内容进行明细划分，如固收可细分为保本长线型、高端资产配置型等。

　　从标签统计角度来看，可以设计三个方面

　　1、客户：个人、家庭、生活、工作等;

　　2、银行业务：消费、交易、投资、贷款、分期、信用卡、征信等;

　　3、业务渠道：移动端、网络端、线下端。

　　标签体系实现

　　在标签设计完成后，需要进行标签体系的实现，而实现的关键是数据。这些数据包括客户的行为记录，如手机登录时间、客户端浏览内容、消费记录、出行信息等等。

　　基于银行现有开放信息，调取最近6个月的结构化+非结构化数据，至少可以统计出50张表格，1700余个字段，内容包含从个人基本信息到兴趣偏好、从资产信息到交易行为、从空间数据到时间数据等多维度信息。例如：

　　标签体系实现架构主要分为三层：

　　1、数据层：主要包含结构化和非结构化两类数据;

　　2、模型层：主要分为三类

　　1)规则模型——处理结构化类别属性数据

　　2)机器学习模型——处理结构化数据，分为聚类和分类模型

　　3)NLP模型——处理非结构化数据

　　3、标签层：基于标签体系分为5个模块

　　在这一过程中，可能遇到一些常见的问题，概况起来可能有四类：

　　1、数据规范性：数字保存为字符型、出现特殊字符、空格代替缺失值;

　　2、数据完备性：字段存在缺失情况;

　　3、数据合理性：数据取值异常;

　　4、数据唯一性：不同来源、相同指标;相同指标、不同含义;6个月数据的重复。

　　此外，遇到的问题可能还有：

　　1、采取6个月数据，每个字段都有多次记录，数据需要整合？

　　解决方案：针对不同字段在不同标签中的应用，选择合适的整合方式。如“贷款余额”需要取最新值;各种“逾期客户标志”取并集等。

　　2：银行数据来源广、内容多，数据缺失情况不一？

　　解决方案：(1)计算字段缺失率，剔除缺失率50%及以上的字段;(2)对剩余字段进行填充，针对具体字段采用不同方式填充，数值类填充均值/分位数，类别标志类填充众数。

　　除了数据来源，标签实现架构的核心是模型层：

　　1、基于规则：对于大部分标签，可以基于规则实现

　　(1)银行数据库中有对应字段，可以直接引用/转换后采用，如编码转换、缺失填充等;

　　(2)筛选标签相关数据，根据业务经验制定规则。

　　2、机器学习：

　　流程：数据——治理——特征——建模——应用;

　　类型：聚类：KMeans;分类：SVM、决策树、逻辑回归、XGBoost;

　　模型评估：用测试集评估模型效果，计算模型评价指标如准确率、召回率等

　　3、NLP（自然语言处理 Natural Language Processing）

　　数据：消费流水数据、反洗钱备注数据、咨询记录等;

　　目标：一是补充结构化数据的标签结果;二是抽取新标签完善当前的标签体系;

　　通过前述工作，为客户提供包含人口属性、客户分级、客户标志、LBS属性、银行业务5个维度共300多维标签的数据信息。

　　智慧服务

　　传统服务模式的难点在于不知道切入点，无法立刻提供贴合客户需求，具备竞争力的方案。而通过对客户的精准画像可以使客户经理提前掌握客户核心需求，无论对于潜在客户还是留存客户，都可以实现精准服务，展现客户经理的专业性，提升服务效率和成功率，同时也能大幅提高客户满意度。

　　以客户精准画像应用为例：

　　普惠金融信贷：针对双创、扶贫、涉农等银行传统模式下较难惠及的客户，结合资金往来、工商税务、政府园区及其他金融机构数据共享等，形成客户精准画像，迅速掌控风险点，并针对其需求和特点设计小微贷、支农贷等特色化的普惠金融产品体系，简化申请流程，加快审批时间，破解农户、小微企业等客户的融资难题。

　　个人分期推荐：结合消费内容/水平+信用卡+第三方小额借贷(花呗、京东白条等)+资产收入+移动端内容等标签数据，形成个人客户的精准画像，通过数据筛选，可以发现月消费超过/略低于其月收入、月消费高于一定额度的客户，推荐其进行消费分期或某些专项分期。

　　投资理财服务：结合资产收入+投资理财+移动端理财客户端+消费+手机银行等标签数据，形成精准用户画像，针对资产转移频繁、而消费水平不匹配的客户，可以为其提供理财服务，将资金留存。

　　中亦科技精准画像智慧服务解决方案目前已在多家大型商业银行中进行了实践应用，与客户共同推动了普惠金融的扎实发展。普惠金融是大有可为的蓝海，其潜在的海量的金融服务需求，将为以商业银行为代表的金融机构开辟更为广阔的市场空间。中亦科技也将与更多的客户共同推动金融科技赋能业务创新转型，使普惠金融服务成为满足广大人民群众对美好生活追求的有力抓手和重要支撑。