近年来,随着国内经济增速放缓、新冠疫情爆发反复等内外部环境的剧烈影响,国内银行业也在发生着显而易见的变化,整体从高利率时代过渡进入到中低利率时代。与此同时,银行个人客户的数字化程度达到历史新高,在线时间大幅提升、使用场景更加丰富,依托数字化能力驱动零售业务增长已经成为越来越多银行的发展共识,各家银行的经营思路也逐步从过往追求增量获客转变为以挖掘存量、深耕客群价值为主。

从具体做法来看,银行普遍采取的运营动作是,以客户为中心,整合多源数据构建标签体系,并在此基础之上进行零售客群分析、洞察、运营与持续服务等一系列操作。这其中如何基于业务现状精准定义细分客群,如何运用平台工具高效构建与沉淀客群策略,以及标签体系如何搭建支撑业务需求,成为做好零售业务数字化运营的关键。

一、银行零售数字化运营的三大阶段

基于神策数据对整体行业趋势的洞察与研究,银行业发展主要经历了以下三个阶段:

1、基础标签框架搭建 & 数据基础能力建设

该阶段以腰部以下农商行为主,主要处于数据层系统能力建设环节,大多以科技部门主导建设数据集市、标签系统等平台,形成对行内已有数据的初步整合沉淀,产出业内通用框架下的指标型基础标签,同时因为应用层平台能力的欠缺,构建的标签对于业务的直接支撑作用比较有限。

2、业务标签体系搭建 & 标签管理能力建设

该阶段主要存在于头部农商行以及大部分城商行。业务层面来看,该阶段银行开始在标签基础能力之上围绕具体运营场景搭建业务应用类衍生标签;在系统层面则开始关注标签本身的生命周期管理能力,优化标签应用效率。

3、客群策略沉淀 & 数据治理机制建设

该阶段主要存在于头部城商行以及股份制银行,通过业务在运营实践中的不断打磨优化,已经能够基于运营策略体系沉淀出场景化的客群策略模版,在客群常态化经营以及总分支行联动营销机制中快速复用;而在数据层,该阶段银行会进一步认知到基础数据质量对于业务的巨大影响,开始在数据治理方面投入更多精力与资源。

二、银行业精细化运营面临的四个困境

在整个数据驱动精细化运营的建设路径中,银行并不是一帆风顺的,标签该怎么建,建好了该怎么用,用了为什么没效果等都是经常出现的问题,通过对这些问题的思考与研究,神策数据认为有 4 个原因导致了银行在精细化运营过程中存在以上困局:

1、认知偏差:业务运营缺的是客群策略而不是标签体系

我们假设一个具体场景,在手机银行渠道活跃客户中,定位理财潜在客户进行理财产品推荐,从策略制定的角度我们要明确目标客群,首先确定客群筛选维度:比如 App 活跃、存款余额、产品浏览行为、触达渠道偏好;其次是定义各个维度下的赋值逻辑:App 活跃的 30 天内大于 3 次、活期存款大于 5W、过去 30 天内浏览理财专区大于等于 1 次、触达渠道偏好为 App 推送;最后,基于现有标签筛选出具体客群包进行营销。

所以,从业务运用的角度,真正需要的是客群策略的制定,如何确定筛选维度以及如何选择取值范围,这些都是业务运营层面真正解决问题的关键,而不仅仅只是看我们现在有没有对应的标签。

而在实际建设过程中,我们往往会优先考量标签体系而忽略了客群策略的制定,认为把标签体系大而全地建出来了自然业务就能用起来,这是一个认知偏差。

2、职责偏差:客群策略本质是个业务活,而不是数据活

当明确了客群策略的重要性以及核心本质之后我们就会发现,这其实是个强业务导向的产物,在正确的创建逻辑中应该是由业务方基于对现有业务的认知,制定相对应的策略体系,进而梳理出明细的客群策略,最后运用现有标签使其成型。因此作为支撑客群策略的应用类标签体系创建是需要业务部门在此过程中深度参与而非完全由数据部门主导。

3、执行偏差:客群策略在实际构建中,业务与数据握手难

即使业务方参与了客群策略制定以及标签体系创建后,在后续的实际应用中仍会存在使用不畅的情况,很大程度上是因为执行层面缺乏高效的平台实现双方的信息共享与同步。业务的需求与数据的反馈仍以邮件与工单作为主要交流渠道,往往会出现业务口径的理解偏差、数据呈现的认知偏差以及流转效率低下等一系列问题。

4、基础偏差:数据质量问题仍普遍存在

银行业数据质量问题普遍存在,一方面是由于历史原因,在银行系统建设之初“重建设,轻管理”导致基础数据质量薄弱,未在源系统端进行数据质量规则检查和必要的录入控制,导致源端的数据质量差。另一方面,银行内部系统流转中系统异常和流程设置不当等因素,导致很多银行数据质量暂未形成事前预防、事中控制、事后检查的闭环机制。表现在以下几个方面:

(1)数据标准不统一。具体包括客户标识、产品标识等,如核心系统和信贷系统中客户没有统一 ID,统一贷款产品名称在两个系统中不一致,甚至贷款发放机构在两个系统中也不一致。

(2)数据重复录入,且在各系统内不一致。如客户在理财、信贷、核心、手机银行等各个系统内都会建立客户信息,其中的证件号码、联系号码等均存在不一致的现象。

(3)数据的准确性。由于大多数系统对错误数据录入都没有严格的控制,导致大量的历史数据录入存在数据错误的问题。

以上的数据问题均会给指标精细化管理、业绩统计以及分支行人员营销服务带来很大的困扰。

三、业务 & 数据两个维度的破局之道

基于上述现状及困局,神策数据结合过往与银行的合作经验沉淀,分别从业务和数据两方视角提出破局之道。

1、业务视角:基于运营框架,梳理客群策略,沉淀标签体系

(1)定框架

首先,围绕着具体业务目标进行运营框架搭建。运营框架是整体经营策略的制定依据,是指导业务运营的主线逻辑。

随着客户线上行为的日趋增长,银行的经营模式正在从“单轨 AUM 经营模式”走向“AUM 和 MAU 双轨经营模式”,基于 AUM 和 MAU 双轨经营逻辑,建立十六宫格动态分类标准,了解客群价值分布、制定分群管理经营策略、评估客群拓展质量、掌握经营客群迁移情况。

(2)拆阶段

当我们定义了运营框架后,第二步则是围绕 1(MAU渠道)+ N(AUM 业务线)进行客户成长路径拆解,并且依据客户业务旅程进行客户生命周期划分。

MAU 运营框架拆解(手机银行示例)

AUM 运营框架拆解(信用卡业务线示例)

(3)厘客群

随着业务旅程路径以及客户生命周期阶段的明确,第三步则是聚焦在具体每个路径阶段中制定对应的运营目标,并推导出细分客群特征,形成客群策略。

MAU 运营目标及客群特征(手机银行示例)

AUM 运营目标及客群特征(信用卡业务线示例)

(4)落标签

第四步是拆解客群策略所需要筛选维度以及明确赋值范围,进而产出所需要运用到的各类标签。

(5)建体系

当完整的客群策略以及涉及到的标签梳理形成后,需要建设体系化管理流程,实现标签与客群策略在行内沉淀形成数据资产。

在标签体系管理部分,神策建议将标签梳理分为“公共结构类标签”和“业务应用类标签”,“公共结构类标签”主要由行内数据团队统一管理,支持行内各业务线的使用;“业务应用类标签”则由各自的业务线团队进行统筹管理,负责标签设计、口径制定、业务应用等职责。通过对标签客群的分权管理实现标签自主应用的灵活性以及管理效率的提升。

2、数据视角:夯实数据质量基础 & 系统层面打破业务与数据之间的协作隔阂

(1)数据治理夯实数据基础

数据治理融入系统建设全流程

俗话说“治不如防”,在需求调研和确认的阶段,和银行业务人员明确数据需求及质量要求,在设计环节加强源系统数据调研和数据质量检查,在系统投产后增加数据质量方面的审核,减少对下游系统数据使用的影响。

数据治理融入数据全生命周期

从数据全生命周期角度出发,数据质量管理应贯穿数据创建、存储、加工处理、使用和销毁全过程。因此,在数据创建、存储环节增加质量准入检查、数据清洗等工作,在数据加工、使用环节中加强全流程的数据质量监控,在数据销毁后同时撤销质量监控等。针对客户标签一类的数据资产,搭建全面、自动化、可视化的数据质量跟踪监控机制尤为重要。

(2)数据融合(One ID 融合)实现零售客户数据统一管理

打通行为数据 & 业务数据, 构建客户 360 度画像

打通行为数据和业务数据之间的壁垒,让银行构建客户 360 度画像成为了可能,通过汇聚、打通线上线下全渠道、全触点、全链路的多主体用户数据,从洞察、拉新、转化与留存等多个层面助力银行精准触达与营销,促进银行与用户的深度沟通,并能深入进行用户行为分析和业务经营的全过程。打通全域用户数据、精准触达、实现公域私域联动运营。

(3)平台化工具能力赋能业务方自助式标签创建与沉淀客群策略

在客群策略设计完成后,业务要将与客群策略运营需要相关的标签进行落地。在以往的实践中,往往业务需要将标签需求提交给科技相关团队,通过技术的加工来进行标签的生产和提供。此过程不仅耗时长,而且计算口径极容易出现偏差,面临反复修改验证,难以快速上线使用等诸多问题。

标签画像平台是面向业务可以直接操作使用的客群策略沉淀平台。基于该平台,业务可根据用户运营的需要和业务发展目标,将所需的标签通过可视化构建面板进行配置并加以管理。构建体系化用户标签图书馆,输出用户画像,赋能业务实现用户精细化运营和精准营销。该平台需具备两大重要特点:

其一,支持可视化展示。提供标签的可视化分层管理以及支持各类图表展示标签的用户数据情况,实现业务对标签、客群数据现状的即时洞察;同时提供使用便捷的可视化交互界面操作功能,通过规则圈选配置,即可完成标签体系生产建设和管理。

△ 标签可视化管理(数据为模拟)

△ 客群可视化展示(数据为模拟)

其二,支持规则化配置。平台提供创建首次末次特征、事件偏好属性、行为分布结果等特征标签的可视化模板,业务适用方仅需按照相关标签的配置逻辑,选择相应模板进行简单操作即可配置落地,用户标签创建灵活便捷。

△ 自定义规则创建标签

△ 快速筛选客群策略模板

(4)灵活的数据输出应用能力

基于平台形成的客户标签、客群策略等数据资产,能够通过 API 等形式输出至其他业务系统应用,例如风控系统模型、营销系统等,实现数据业务化应用。

四、落地场景应用,两大案例实践解读

1、某头部城商行线上化客群经营构建项目

某头部城商行随着数字化能力的不断建设,对于其支撑业务运营的能力提出了更高要求。希望与神策数据合作,实现线上客群的数字化经营能力的全面建设。具体如下:

(1)明确业务运营框架。基于前期业务需求访谈和核心指标体系设计及拆解,神策围绕 MAU 与 AUM 双轨视角构建 AARRR 客群线上化经营体系,通过搭建 App 总线与业务线 1+N 模式,实现针对不同业务部门的不同运营目标,切割运营职责,增强可落地性。通过 AARRR 模型的使用,可实现用户运营旅程的全面策略覆盖。

(2)用户路径拆解。在明确 MAU 与 AUM 双轨运营框架后,神策团队进一步就客户在双线上的用户路径进行拆解,其中 MAU 路径拆解包含登录、绑卡、使用留存、产生业务价值、裂变推荐;AUM 路径拆解为客户产品感知、产生购买意向、满足购买条件、发生业务交易以及裂变推荐。

(3)制定运营目标及客群策略。针对用户使用路径上的关键节点定义客户价值牵引运营目标并拆解细化客群策略。例如贷款业务中基于用户路径拆解形成客群策略:

贷款业务 AARRR 前两个阶段客群策略示例:

(4)标签圈选筛选客群并形成明细执行策略。在明确客群策略口径之后围绕用户基础属性、风险评估、业务产品、行为操作等维度进行标签圈选从而精准筛选目标客群。

最终该项目整体实现了双线 AARRR 策略落地,在 MAU 及 AUM 运营框架下沉淀了多套行之有效的客群策略,切实实现了行内 MAU 及 AUM 的指标提升;同时一站式运营平台为运营人员提供了便捷高效的营销运营平台。

2、某股份制银行数据融合与标签体系建设项目

某全国性股份制银行在零售业务的发展过程中,逐步感知到现有行内数据基础对于业务高质量发展的制约,具体表现为:多端业务系统内的用户数据无法实现关联打通,以至于业务使用方无法从统一客户视角进行全旅程视图洞察;此外,不仅是用户数据与业务类数据,客户在手机银行上的行为数据同样未打通,无法满足分析潜在客户营销活动全链路转化效果等业务方需求。基于此现状与问题,神策与客户围绕以下内容进行合作:

(1)制定数据 ID-Mapping 方案,解决客户数据统一关联问题。基于行内数据现状制定了适配行方多端数据 ID-Mapping 解决方案,梳理各系统数据格式进行数据清洗关联,并以行内统一客户号为基准,打通关联了包括 CRM 客户号、信用卡客户号以及多个系统各自客户号,保证了行内客户体系的唯一性。

(2)对接整合多源数据,实现客户数据统一管理。在打通的用户明确了唯一 ID 后,我们还以此对接了行内的数据仓库,数据集市,标签平台,渠道整合平台、实时大额动账数据等业务数据以及手机银行埋点数据和微信小程序的埋点数据,在此过程中,我们梳理了近 30 张集市层数据表、近 600 张数仓中间表,制定了数据 ETL 方案,实现多源数据整合入库。

(3)标签体系搭建及平台化管理。在数据层实现打通统一后,我们结合行方标签平台原有标签及新接入的数据源,通过与各业务部门标签需求的访谈以及对原有标签的梳理重新制定了标签体系,并在神策标签管理平台内落地实现标签的可视化管理;同时,在此过程中输出了标签质量分析报告,确保标签质量满足业务应用需求。

通过该项目对行方原本复杂混乱的数据资产进行重新梳理,依托用户关联、数据清洗等方案实现行内数据的可用性改造,最终在行内沉淀了一套标签体系、上线了一套标签管理平台、落地了一套标签质量分析优化机制,为后续的数据业务侧应用打下扎实基础。

总体来看,银行零售客群数字化、精细化运营的关键在于:客群策略的制定需要从业务运营视角出发,结合高质量的数据以及全生命周期管理的标签体系,从而实现对业务发展的重要支撑作用。