● 從我行客戶金融資產變動情況來看，AUM20萬以上客戶一直呈下降趨勢，17年上半年AUM流失率5.39%，18年上半年AUM流失率6.01%，同比又有擴大。為了遏制客戶金融資產的加速流失，基于VIP客戶龐大的歷史數據，開展預測VIP客戶流失及精準營銷項目。

● 根據vip客戶分級情況，將VIP客戶分為幾個客群，通過對每個客群的用戶信息、資產配置、支付交易等數據信息，建立模型找出流失的VIP客戶的行為偏好特征，提前一個月或兩個月預測流失的VIP客戶，下發預降級VIP客戶營銷指引，重點對電話外呼營銷系統的使用，營銷的主要產品，營銷注意事項，營銷話術進行提示和規范。并根據客戶偏好定制專屬產品，名單制購買。

● 提前2個月預測可能流失的VIP客戶并形成客戶清單，進行精準營銷干預，以期通過精準定位客戶和精準營銷客戶相結合，在減少資源消耗和人力投入的情況下減緩甚至逆轉客戶AUM的下降。

● 名單客戶AUM流失率比未做營銷時大幅下降，環比下降幅度達76.04%，從7月份的9.64%下降到8月份的2.31% ，名單客戶當月購買理財1472筆，金額2.46億元，其中專屬理財90筆，金額0.15億元。 外呼客戶AUM比上月提升0.5億元，提升率6.51% 。主推聚財9號產品簽約325戶，簽約客戶AUM當月提升0.97億元，吸金效應明顯。

● 目前欺詐手法樣式繁多，更新很快，現有反欺詐模型輸出耗時過長，對用戶風險反應慢，無法有效的進行攔截，導致逾期率較高。已有專家規則面對新型欺詐手法幾乎無能為力。欺詐策略開發有效期越來愈短，無法滿足運營部門的需求欺詐特征無法進行有效管理。

● 公安部提供行內欺詐賬號，急需找出行內類似賬戶，并提前進行人工干預；業務提供的以往反欺詐規則，已不適用此批欺詐客戶，如開立賬戶長時間不使用，然后忽然動賬一類的規則。僅用寫SQL的模式篩選單一規則，如每日高頻交易客戶，并不能定位出風險客戶。行內反欺詐模型輸出需要較長的時間才能完成；希望能快速輸出欺詐名單，并能通過建模的方式，提升風控能力。

● 建立了數個有效寬表，基本信息寬表、開戶后數月內流水衍生寬表、往前追溯寬表、資產信息+公司流水+賬戶流水寬表，并利用MP將生成大量衍生數據。

● 利用ME生成反欺詐模型，完成高風險名單打分輸出；輸出高風險客戶畫像；通過可解釋性，解析每個高風險客戶為何被定義為高風險；通過AI極速生成模型預測報告，用于結果匯報。

● 智能數據平臺+極速建模平臺聯動，快速輸出欺詐名單，實現找出行內類似賬戶、提升風控能力的業務目標。數據處理、特征衍生、建立模型和生成策略僅花費一周時間。從原始的手動SQL篩選模式升級為自動生成反欺詐策略。反欺詐規則、模型的輸出效率顯著提升，團隊風控能力大幅提升。

● 大量用戶的手機銀行活躍度低，低活躍用戶營銷轉化率低，傳統建模方式難以及時響應業務需求。
● 存在部分自然活躍的手機銀行客戶，營銷時需排除自然活躍客戶，降低營銷成本。
● 通過短信方式營銷，但營銷轉化率低，并且傳統建模方式難以及時響應業務需求。

● 通過策略或模型，挖掘自然活躍客戶特征，篩選自然活躍客群，提前過濾自然活躍客戶。
● 在剩余客戶中搭建活躍度提升模型，對客戶進行評分，評估客戶的營銷響應率，剔除低響應客戶減少無效工作 。并針對性進行營銷，提升營銷成功率。
● 構建活躍度提升解決方案，快速響應業務需求，響應時間縮短至1天以內。降低營銷費用，提升實際轉化率，剩余客戶營銷成功率度是專家組的3倍以上。

● 手機銀行激活客戶超500萬，手機銀行活躍度提升15%，篩選過后的手機銀行客戶活躍度提高68%。

● 雖然相比新拓客，零資產客戶相對的營銷成本低，易拓展。但零資產客戶多如牛毛，構成復雜、粘性差，零資產客戶非常難經營。另一方面，相對有資產客戶，零資產客戶價值較低，銀行并不愿意 付出太多的成本去激活客戶。營銷經費很有限，更多是以短信營銷為主。任務重，難經營，經費少，零資產客戶激活的三大難題。

● 營銷模型+業務分析，無縫驅動的解決方案，營銷模型輸出重要變量，指導分析報告；同時輸出“高響應客戶名單”用于營銷。分析報告結合業務經驗，從多維度全面解析零資產客群，提高營銷的解釋性。進行零資產子客群分析：交易流水、公積金/社保卡/信用卡、客戶級別等；進行激活/流失原因分析：激活前第一筆資金流入、激活后前三筆資金流出、流失最后一筆流出交易等，進行其他影響因素分析：客戶歸屬分行調整、聯系方式等。

● 通過細分客群的用戶特征，提供營銷成功率，覆蓋精準率提高70%，營銷成本下降90%。

● 針對代發客戶留存率低的問題，展開專項營銷活動，提升管理資產留存率。但代發企業數量眾多，分支機構無法在短時間內對全部企業完成線下營銷；同時需要提供針對性的優質個人客戶營銷名單。

● 對企業進行數據分析，尋找最具營銷價值企業；根據專項產品歷史數據，通過模型尋找響應率最高客戶；對高響應客戶集中的企業優先展開線下營銷；對其他企業中高響應客戶展開線上營銷活動。

● 線下營銷：篩選過后的企業客戶駐場營銷的客戶響應率提高3倍以上，現場購買金額提升兩倍以上，提升了營銷效果，大大減少了現場營銷的工作量。線上營銷：通過短信對高概率的響應客戶進行營銷，其客戶響應率比隨機短信營銷提升2倍以上，節約了營銷成本。現場理財產品購買金額超過1億，帶動代發客戶管理資產 留存率提升5%。

● 前期采用白名單放款，客戶不良率遠超預期；業務規模小，客戶數據質量差，不良客戶只有30個客戶存有申請時征信記錄；組建專業的風控建模團隊難，成本高；需要重新建立貸款審批模型，確保客戶不良率下降50%以上。

● 通過建立模型，發現了對客戶逾期率較大影響的特征（貸記卡已用額度、授信額度等），借助同期信用卡申請數據通過AI簡單快速地對建立高精度、高解釋性風控模型評分卡。使用評分卡模型對實際放款客戶進行打分評估，頭部客戶覆蓋了將近一半的違約客戶。

● 模型性能穩定，客戶不良率大幅下降，通過風控模型審批通過率提升80% 。風控規則、模型輸出效率提升20倍，大幅降低運營成本，賦能風控團隊，提升工作效率。

● 信用卡發展迅猛，用戶規模、發卡量都進入了行業第一梯隊；信用卡流通卡量超6千萬張，年內新增流通卡超千萬；流通戶數凈增超600萬，同時，用卡不良率走高；期望以行內數據+征信數據為主，建立更為精準的A卡模型，實現降低不良率，提升凈利潤。

● 采用ME與在用建模產品進行PK；主要主要考察模型提升度、建模周期、產品易用性、可視化、上線周期等因素。ME產品精準度更高、易用性更好、可視化更豐富、應用周期短。

● 風險區分能力變強，KS值較原始提升+1.2%。建模周期縮短至3天，模型上線周期縮短至一周。通過白盒化和可視化技術，模型可解釋，協助業務人員理解和認可模型。

● 早期催收，難以區分低風險和高風險客戶，需要重點攻克高風險的客戶，對于低風險客戶通過短信提醒。對于晚期催收，需要尋找可能還款客戶，人工介入到可能還款的客戶，對于其它客戶，進行委外，訴訟等手段進行催收。同時有多種征信數據來源，需要評估征信源對于催收有效性。

● 按新戶和舊戶分開兩條線建立催收模型。根據客戶所在的催收周期分別建立多個模型。根據客戶逾期前表現，找到易還款客戶組的特征，并對每個客戶在逾期日進行打分，評估客戶還款的意愿，根據意愿高低將客戶分為難易兩組。容易組主要由內部團隊催收，提升自身催收的團隊的效率，提升催回率。困難組由外包團隊負責，使用于外包催收的資金發揮其最大的價值。將模型中重要變量根據表現期分別納入審批模型和預警模型，建立打分卡。

● 發現還款風險主要為客戶還款意愿，通過模型分析出哪些第三方數據具備分析價值，節約了外部數據購買費用。高分客戶的首次催收還款率明顯提升，整體催收成功率提升了10%以上。優化后的審批模型使得違約風險降低。改善其催收流程，提高資金回收速度，提升催回率。

● 企業中，形成了以產品條線劃分的多個數據建模團隊，團隊間管理方式不統一、研發上線流程不規范，模型工作面臨著研發周期長、上線難、監控不及時、管理分散的問題；模型團隊進行模型研發時，大多使用PYTHON建模；但上線時，又需要技術人員轉換為對應的JAVA代碼，并通過手動驗證后，上線到指定平臺中；上線后，主要依靠事后定時調度任務做監控，但監控后也未做BI報表、或異常預警；經常出現，模型已經不適用了，發現時點卻滯后了許多，導致的損失；

● 通過模型全生命周期管理方案，建設模型統一管理平臺，規范管理“模型需求 - 開發 - 驗證 - 審批 - 上線 - 驗證 - 監控”全流程。