中国工商银行软件开发中心专家 李兵

  当前，Z世代(出生于1995—2009年的一代人)正在引领新的消费理念和消费力，成为推动社会经济进一步发展的重要力量。随着行业竞争的日趋激烈，银行客户流失现象日益加重，只有提高客户的忠诚度，才能在竞争中赢得优势。深入把握Z世代消费趋势和所关注议题，向Z世代客户提供个性化、高质量的服务，成为银行防止客户流失的有力手段。同时，研究Z世代流失期客户召回策略显得十分重要。本文提出了召回手机银行Z世代流失用户的分析方向，通过选取新的角度与指标，建立Z世代流失期客户召回模型，精准预测更有可能被召回的流失客户群体，以Z世代运营策略助力用户活跃度和资产规模的提升。本文中流失期客户召回策略研究成果，在工商银行手机银行“工行消费季”专项消费券活动中进行实施。

  一、融合数字化运营框架，聚焦Z世代用户感知

  本文以STCDAF数字化运营工作法(如图1所示)作为参考，以目标为导向，综合衡量运营成本，制定对用户最有价值的运营活动策略，同时收集反馈数据，分析数据并反哺策略，具体思路如下。

  感知用户(S)：结合Z世代客群人口情况、经济情况以及画像特征，选取其喜欢“优惠促销”的偏好特征作为研究的主要指标。

  分解目标(T)：结合OSM模型拆解运营目标，对“优惠促销”标签完成数据指标拆解，旨在提升核心目标Z世代用户活跃度。

  预估成本(C)：结合营销方案计算成本。

  制定策略(D)：结合Z世代基本情况、资产情况、活跃情况等数据，制定恰当的运营策略，形成业务和系统方面的建议。

  执行策略(A)：建立流失期客户召回数据模型以及引入“优惠促销”特征的流失期客户召回模型，筛选Z世代召回率更高的客群，对该客群实施运营方案。

  数据反馈(F)：收集客户过程行为结果数据，采用A/B测试数据复盘，形成数据闭环，用于总结指导、优化数据模型。

  基于STCDAF数字化运营工作法，对Z世代进行客户感知后发现，Z世代客群消费观兼具理性和感性，即“能花亦能省”，在追求自我满足时从不吝啬为“悦己”买单，尤其倾向通过分期消费减轻经济压力，由此成为线上分期消费的核心人群。同时，Z世代熟悉并掌握各种网络工具，善于精打细算，喜欢多方比价，习惯充分利用各类优惠手段进行消费。

  针对Z世代“能省”的消费习惯和行为偏好，可结合其画像特征“优惠促销”标签，提取关键数据信息将该特征进行指标量化，用于流失期客户召回模型中，从而提高模型预测的准确率。

  二、建立流失客户召回模型，实现客群精准筛选

  本文基于流失期召回活动中Z世代客户参与活动的情况以及Z世代“优惠促销”特征客群召回模型所需指标，完成模型的建立。流失客户召回模型建模流程如图2所示。

  1. 模型数据分析阶段

  基于数据湖、数据仓库及信息库，使用大数据技术完成模型特征分析和训练数据收集。基于客户感知，对消费明细进行文本挖掘，将客户在工商银行借记卡活期明细作为数据基础，对文本进行“优惠促销”标签提取，精准感知客户需求。

  Z世代客群活期明细数据通过文本挖掘后的结果显示：在Z世代中近一年在优惠促销类平台交易的客户有19 852人，占比为21.42%，交易次数为26 384次，人均交易次数为1.33次;Z世代交易总次数为2 079 914次，其中优惠消费客群总次数为1 012 288次，占比48.67%，可见优惠消费客群消费能力较强;拼多多平台消费人数为8387人，交易次数为22 933次，均为同类平台中最高;快团团(微信)和群接龙(微信)虽然交易次数少，但是拥有微信强大的流量;得物、识货作为集潮品和潮流生活社区于一体的新一代潮流网购社区，也是年轻人喜爱的购物平台。优惠消费客群各平台交易次数如图3所示。

  Z世代客群生活权益数据显示：在Z世代中，近一年存在积分兑换交易的客户有9679人，占比为10.45%，交易次数39 469次，人均交易次数为4.08次;交易金额22 350 941元，其中应付20 854 810元，积分抵扣金额1 496 131元，占比6.69%;5元订单最多，占比28.9%;积分商城主要以兑换普通商品的零售订单为主，积分活动和秒杀活动参与率较低。各活动类型交易次数及各产品类型交易次数分别如图4、图5所示。

  2. 特征提取模块

  提供客户消费明细文本分析、客户基本特征分析和客户消费行为分析模块并完成向量化。其中，对消费明细数据进行文本挖掘，使用大数据分析技术，对客户消费明细文本进行分析，形成“优惠促销”标签，将非结构化数据进行量化，用于流失期客户召回模型中。客户消费明细文本挖掘模型主要使用HQL以及PySpark等技术完成模型的“产出”。

  3. 特征选择模块

  对于解释变量，由于变量数量多，需要先通过特征筛选剔除不重要的变量，以提升模型的预测效果。本文分别使用LA S SO模型及特征工程算法选取特征用于构建客户召回模型，通过选择更加合适的特征，剔除无意义的特征，提高模型的精确度。

  4. 模型训练阶段

  本文主要使用机器学习技术以及公开算法库，完成各种模型网路设计和模型训练。基于“工行消费季”活动的历史数据以及客户基本信息、消费行为信息，对线上客户行为进行分析，在保障客户隐私的前提下提取信息，进一步构建模型并进行训练，以此圈定更容易被召回的Z世代客群，为运营方案提供更可靠的数据支持，并结合产品运营形成闭环反馈。

  为了避免出现精确度不高或过拟合现象，本文将网格搜索参数调优法与十折交叉验证相结合，根据赤池信息准则(A k ai k e Information Criterion，AIC)进行权衡，选择AIC值最小的一组参数作为最优参数，经过参数调整，选择了适合的参数，b o o s t e r选择gbtree作为基本函数，eta学习速率设置为0.1，max_depth最大深度数设置为10，subsample设置为0.85。

  经过训练及参数调整，模型在训练集上的准确率为73.23%、召回率为79.57%，在测试集上的准确率为64.28%、召回率为70.13%，AUC取值均大于1。可见，模型的准确度较高，且模型召回率均在70%以上，效果较好，可作为预测依据。

  三、提出流失客户召回策略，数据反哺形成闭环

  本文利用漏斗分析法围绕Z世代客户流失召回和活动转化效果，对客户关键路径进行分析，制定流失期客户召回策略建议，并按“优惠促销”标签客群进行进一步拆解和对比分析，同时附加客户基本属性、资产规模、客户星级等其他辅助标签进行分析，作为补充策略。

  1. Z世代整体召回策略

  活动圈选客户650 714人，其中筛出Z世代总人数为92 659人，占比为14.24%。通过表1可以看出，整体召回率为27.10%，仍有72.9%客户未召回，应考虑更新触客手段;Z世代召回率为20.73%，低于整体召回率，应当对Z世代加强触客策略执行;且各阶段流失客户较多，需重点关注活动领取阶段的高流失率，该阶段客户应具有较高领取意愿;根据不同客户选择不同触客时间段，对漏损客户进一步触客，同时对已召回未领券客户提供犹豫关怀服务，并以组合型资源活动持续对客，避免触客不充分和资源类型单一客户不感兴趣的情况。

  2. “优惠促销”标签客群召回策略

  积分权益标签客群的召回率为27.29%，优惠消费标签客群的召回率为24.99%(见表2)，均高于Z世代召回率，说明该标签适用于Z世代专项活动筛选客群，且活动转化效果明显好于Z世代整体转化效果，说明该标签F客群受活动影响召回可能性更高，符合Z世代“优惠促销”画像特征，可依据积分权益、优惠消费标签精准筛选客群开展活动。

  3. 不同客群召回策略

  (1)针对“性别+年龄”标签客群

  本次活动结果显示，男女客群转化率差距较小，领券率、召回率等各项指标均随年龄增长而上升(见表3)，其中23～27岁领券客户占比达到73.76%，召回率最高(21.47%)。Z世代活动策略可将23～27岁年龄段作为圈选客户的重要客群，该客群一般已参加工作，或有一定资金支配能力，可发展成为高价值客户。

  (2)针对不同星级标签客群

  本次活动中准星级客户和三星级客户人数最多，随着星级的升高，人数逐渐变少，召回率反而有所提高(见表4)。低星级客户召回后需配套相应手段促进其持续活跃和资产提升，如设置签到任务、月存任务等;可针对高级别客户开展召回专项活动，但需进一步斟酌客群体量和资源成本。

  (3)针对不同净资产标签客群

  表5显示，本次活动中净资产5000元以下的客户占比最高(67.79%)，符合Z世代资产存量较低的预期，但召回率却较低;净资产1万元以上客户占比为14%以上，且召回率明显高于5000元以下客户;活动效果差距不大，净资产5万～10万元客户在领取环节的转化率最高，为64.52%，说明该部分客户受活动召回的影响更大;5000元以下客户的召回数量更多，可结合资产阶梯提升活动活跃度，使其“晋升”到万元客户级别。

  在本次活动实施过程中，首先通过有码埋点、无码埋点相结合的方式采集渠道侧客户的消费行为数据，同时结合消费券活动的参与数据、客户画像/客户标签进行加工分析;然后通过效果数据分析，利用流失期客户召回模型筛选出召回成功率更高的Z世代客户，并持续进行模型训练;在工商银行后续活动中进行有针对性的运营转化，基于统一视图支持运营人员实时查看运营效果，并进行人工干预。通过活动数据对比分析，验证了本文的研究结果符合预期结论，模型筛选的客群召回率明显提升，说明模型效果较好，可以此助力工商银行数字化运营持续推进。

  四、总结与展望

  本文以Z世代为目标客群，并根据客户行为特点和消费习惯细化客群，形成“优惠促销”标签，以流失客户成功召回为目标，建立了一套较为完善的客户召回模型，实现目标客群的自动化筛选。该模型中运用的召回算法具有预测准确度高、过拟合风险小、算法运行效率高、对数据的适应性强等优势，相较于其他普通算法更适用于流失期客户召回预测，使得客群的筛选更加准确。此外，还可通过数据更新对流失客群召回的智能分析模型进行迭代优化，进一步提高模型的可靠性。该模型可为营销活动提供底层数据支撑，使业务人员能更精确圈选目标客群，打造最贴合客户需求的消费券营销活动，可大幅节约运营成本。

  未来，工商银行将不断丰富活动形式，支持更多运营策略，同时将活动关键指标量化，及时调整和优化运营策略;不断深化“业务数据化，数据业务化”闭环模式，持续推进数字化运营，充分利用机器学习、人工智能算法，依托海量数据资源推动全行数字化转型向纵深发展。