【资料图】
某国有大行是金融市场和零售金融领域的排头兵，近年来，该行大力深耕零售业务，取得丰硕的成绩的同时，也面临着一些转型中的挑战。一方面，在年度消费贷业务净增目标和余额增速的双重考验下，行方的非房消费贷业务面临较大增长压力；一方面，消费信贷客群在行方的存量客户规模中占比极低，可以说绝大部分客户并没有被有效挖掘。
为此，该行也进行了大量工作，然而由于工作都是围绕优质客群展开，这就导致了客群总量低和客户响应度低的“双低局面”。该行意识到，当前的客户营销体系存在很多不足之处，首先大量存量客户分布在不同的系统、渠道和业务线中，导致严重的数据割裂，无法构建一个全行级别的数据挖掘体系，进而无法从全行业务联动的各视角全面了解行内存量客户的全貌。同时在思维上，还未能针对零售业务形成一整套清晰的方法论，导致行方战略和执行层面无法形成有效合力。
为推动零售金融进一步发展，该行将这一难题交由金融数智化优质合作伙伴百融云创来解决。经过调研，百融云创认为该行要顺应存量时代趋势，借助数字化力量，搭建一套客户智能营销体系，利用数字化引导银行实现一个重要转变——从无意识管理、无差别营销到客户的科学经营，将二八原则发挥到极致，以最小资源投入获取最大的收益。并开展客户的精细化运营，增加客户的黏性和价值，进而加快数智化转型的步伐。
百融云创针对该行零售业务进行了全方位的诊断，总结出3点核心挑战：第一，在存量客户价值挖掘过程中，行方已有的、小范围测试效果欠缺，转化率未达预期；第二，现有的数据挖掘流程缺乏体系化的方法论与建模技术；第三，此次项目着眼于全行级别，对多团队协作与信息交圈的要求更高、更严格，对跨业务线、跨系统和跨体系的数据挖掘也提出了更高要求。
最终，百融云创协助行方完成全行范围内零售业务增益项目的方法论研究，定制的AI模型包括储蓄、资管等9类场景累计逾500个特征函数：这意味着限制该行模型功能的“天花板”被直接打开——全部客群模型的KS均在0.35-0.55之间，对象区分能力强而稳定，该行营销转化率可提升2至3倍。通过此项目，百融云创与该行催生出更多长期合作，如相关业务条线模型持续更新、迭代优化、全行级别特征工程等。
免责声明：此文内容为本网站转载自其他媒体企业宣传资讯，仅代表作者个人观点，与本网无关。仅供读者参考，并请自行核实相关内容。您若对稿件处理有任何疑问或质疑，请即与我们联系，本网将迅速给您回应并做处理。
邮箱：contactus@stockstar.com 处理时间：9:00—17:00。
