王彦博 雷娟 周学春

数字化营销可以简单理解为基于大数据技术应用的客户关系管理、维护与业务提升。实际上，商业银行通过多年经营，积累了海量的客户之间交易转账行为数据，奠定了基于资金交易信息构建客户社交网络的数据基础。本文以客户交易流水数据为抓手，提出了一套社交网络图数据处理流程，并结合商业银行大零售业务实际，探索了FinTech时代大数据社交网络图挖掘技术在商业银行数字化营销相关领域的应用发展。

数字化营销与基于交易的客户社交网络

数字化营销的内涵

数字化营销是当前FinTech时代下商業银行开展大数据挖掘相关工作时常常会触及的一个概念。一般来说，数字化营销包含客户关系管理和大数据挖掘两项基本元素，可以简单理解为商业银行基于“以客户为中心”的理念，通过运用先进的大数据技术，实现客户识别、客户获取、客户维护、客户挽留等业务管理行为。具体而言，商业银行的数字化营销，就是以大数据平台建设为基础，通过一定的计算方法（如统计分析算法、机器学习算法、模式识别算法等），从海量数据中提取出隐藏的、有价值的信息和知识，找出隐藏在数据背后的业务规律、规则和趋势，从而能够解释已知的业务事实，并预测未来的客户行为与业务模式，有效辅助银行营销人员开展客户关系管理与业务提升。

社交网络的内涵

社交网络是指社会中个体与个体之间联系的集合，由个体（网络图中的节点）和各个体之间的联系（节点之间的连线）组成。从本质上来看，社交网络是个体为达到特定目的，在个体与个体之间进行信息和资源交流的社会关系展现。

数字化营销和社交网络

“客户圈子营销”是当前FinTech与大数据智能发展下的一个较为新兴的数字化营销概念。以往商业银行在做客户服务和业务提升时，往往仅关注单一客户个体。而事实上，客户是嵌入在各种社交网络中的，客户之间存在着各式各样的关联关系。根据“物以类聚、人以群分”的基本原理，通常来自于同一个社交网络中的个体，他们之间的互动沟通较为频繁，行为特征上常常会呈现出一定的相似性。而“客户圈子营销”正是把客户及其关联网络中的其他客户识别为一个群体，指导开展整体营销，从而实现提高营销效率、提升客户保持率等业务目标。

商业银行、大数据与社交网络

经过多年积累，商业银行沉淀了海量的客户之间交易转账行为数据。以国内某股份制商业银行为例，每个月客户之间的交易明细大约有一亿条。以转账关系为基础，将每名客户抽象为网络图中的各个节点，当客户之间存在一笔转账交易记录时，就会在相应的两名客户（节点）之间画一条连线。基于客户之间的交易转账记录，可以刻画出客户之间的资金交易关系，构建以客户为节点的社交网络图。同时，该社交网络图在商业银行“客户圈子营销”等相关应用中颇具实践价值，有助于推进大零售数字化营销相关应用发展。

基于客户资金交易的社交网络图数据处理流程

面向客户交易流水数据，本文提出“6E”图数据处理流程框架，予以指导构建相关客户社交网络图。“6E”框架由图数据处理流程中“剔除不适用的交易（Elimination of inapplicablet r a n s a c t i o n s）”“边的有效性处理（E f f e c t i v e n e s s o fedges）”“极端元素处理（Extreme element process）”“圈子的建立（Establishment of circles）”“超大圈子的均匀切割（Equally-cutting of large circles）”以及“圈子展示（Exhibition of circles）”六个步骤组成。__

剔除不适用的交易

基于客户之间的交易流水信息构建客户资金交易关系网络图，当客户与客户之间存在交易转账时，说明两名客户之间存在一条边。然而，在界定边的有效性之前，需要对不适用的交易信息进行剔除，包括：剔除同名转账、剔除系统批量动账行为（即非客户主动发起）、剔除公对公转账、剔除对公共户的转账（容易导致异常节点和异常圈子的产生）、剔除交易对手为空的转账、剔除交易对手行为空的转账等。

边的有效性处理

边是构建网络图的基础，代表了两两客户之间的交易转账行为。然而，为避免过多“噪音”信息，并非所有的交易行为都需要展示在网络图中，因此需要通过数据勘探来界定一个边的有效性标准。基于交易频次、交易金额及交易的单双边性三个指标，能够形成“边的有效性”门槛标准，其中交易频次是指针对某条边汇总统计其对手客户在一段时期内发生的交易次数;交易金额是指汇总统计对手客户在一段时期内发生的交易金额;交易的单双边性是指汇总统计对手客户在一段时期内发生的交易性质，即“总是单向交易”或是“有来有往的双向交易”。更进一步，可以将时间窗口设定为一年中的上、下半年，如果在上半年6个月中出现的有效边也同样出现在下半年的6个月中，则可以形成“边的稳定性”概念。显然，在所建立的社交网络圈子中，边的稳定性越高意味着圈子成员之间的关联关系越牢固，用以指导后续开展营销管理应用的相关策略也就相对更可靠。

极端元素处理

极端节点的处理。如果节点的点度中心度（即节点的出度与入度之和）较为异常时，可以考虑剔除该节点。例如，淘宝店主会与很多交易对手发生转账关系，但这种关系属于弱交易关系，不利于稳定圈子的搭建，对于这样的节点应剔除。经过数据勘探，建议采用“均值标准差”的思路来识别极端节点，即偏离均值3倍标准差的样本节点都会被剔除。

极端边的处理。针对节点（客户）与节点（客户）之间的交易频次、交易金额呈现出的极端特征，应考虑进行剔除。建议通过综合考量“均值标准差”思路和“聚类”思路两种方式来识别极端的边。

极端圈子的处理。初步勾勒圈子时，对于圈子规模极端大的社交网络，需要分析超大圈子的形成原因，如果没有发现异常因素，则需要考虑后续对圈子进行切割。

圈子的建立、切割和展示

基于连通图原理和深度优先遍历原理，勾勒出客户之间基于资金交易的社交网络圈。

针对圈子规模较大的网络，在排除异常因素之后，建议考虑均衡切割原理进行圈子切割，使得切割后的两个子圈较为均匀，同时损失的边数量最少。

圈子的可视化展示包括两个方面，即“三度人脉图”和“弱联通图”展示。三度人脉图是指以某名客户为中心节点刻画其一度人脉（即中心节点的直接交易对手）、二度人脉（即每个一度人脉节点的直接交易对手）和三度人脉（即每个二度人脉节点的直接交易对手）。

商业银行基于社交网络图挖掘的数字化营销应用

基于以上所刻画的客户间资金交易网络图， 本文针对商业银行大零售数字化营销相关应用， 提出面向客户（Customer）的“6C”应用框架，即“核心客户识别（Corec u s t o m e r i d e n t i f i c a t i o n）”“客户产品推荐（Cu s t o m e rproduct recommendation）”“客户细分与聚类（Customersegmentation & clustering）”“客户交叉销售（Customercross-selling）”“客户向上销售（Customer up-selling）”以及“客户风险传染（Customer risk infection）”六类应用场景。

核心客户识别

一般而言，网络大V的社会影响力较大，作为网络意见领袖，通过其口碑开展营销传播往往收效显著，有助于加强品牌的市场渗透力。在本文所构建的客户资金交易网络圈中，对于“意见领袖”核心客户的发现主要通过测算每名客户的“三度人脉”网络影响力指数。以“三度人脉”理论为基础，主要通过三个指标来表征客户的网络影响力指数，即圈子位置、关系数量和关系质量。其中，圈子位置刻画了客户在圈子中的位置中心性，相关指标通过客户的点度中心度、接近中心度和居间中心度来计算;关系数量，从客户的一度人脉数量、二度人脉数量和三度人脉数量来计算;关系质量所衡量的是客户与关联客户之间的关系强弱，这里通过一度人脉人均关系强度、二度人脉人均关系强度和三度人脉人均关系强度来计算。关于人均关系强度的计算是通过对边的交易金额和交易频次做“0-1标准化”处理后，按照经验两者各占50%的权重来计算。此外，对于所涉及的所有指标均需要消除量纲的影响，都会进行“0-1标准化”处理。客户网络影响力指数计算公式：1/3×（点度中心度+接近中心度+居间中心度）+1/3×（一度人脉数量+二度人脉数量+三度人脉数量）+1/3×（一度人脉强度+二度人脉强度+三度人脉强度）;人脉强度=0.5×交易金额+0.5×交易频次。基于该公式计算，影响力指数越高的客户越具备意见领袖的特征，基于相关核心客户进行口碑传播的价值也就越大。

客户产品推荐

以往的社交网络分析表明，意见领袖常常会带来更多的产品扩散，能够有效加速产品推荐和市场渗透。以贷款产品为例，如果高影响力客户签约了相关产品，其关联客户应该也会受到较大影响，成为产品签约客户。在实证研究方面，基于前3个月的交易流水构建社交网络，第4个月新签约贷款客户作为观察对象，考察新签约客户是否会在未来6个月内对其关联客户产生影响，从而带来更多的贷款签约客户。将第4个月新签约贷款客户拆分为两个群体，即考察组（网络影响指数排名前1000的新签约客户）和对照组（在新签约客户中随机抽取1000名客户）。6个月后，前1000名高影响力客户其关联客户中有2439名客户签约了贷款;而随机抽取的1000名客户其关联客户中仅有494名客户签约了贷款，前者的产品推荐力约为后者的5倍。为提高实证结论的一般性，除贷款产品外还对其他产品也进行了同样的实证，结果均表明高影响力客户能够带来更多的产品扩散。

客户细分与聚类

在本文所勾勒出客户资金交易网络圈的基础上，结合圈子的业务属性和特征，可以进一步对相关客户做细分和聚类分析，例如客户产品偏好聚类分析。首先，以圈子为样本单位，计算每个圈子中各类财富资产的分布，如储蓄、理财、基金、保险、股票等。随后，基于K-means算法对圈子样本进行聚类，由此可得到理财股票圈、股票圈、高储蓄圈、低储蓄圈、理财圈、基金圈6个客户细分群。不同客户细分群在聚类指标上存有显著差异。以基金圈为例，该客群中持有基金产品的客户数占比明显高于其他客户细分群，由此可给出营销策略——相比其他5个客群，可优先对基金圈客群内尚未购买基金的客户推荐基金代销产品。

客户交叉销售

在一个交易圈中，签约或者购买某种产品的客户数占比越高，基于圈子内客户行为和偏好的相似性，可以大致估算出该客群的产品偏好。这里各产品客户数占比可以看作为圈子的相关产品推荐指数。通过分析理财产品购买客户，实证数据表明，基于圈子计算得到推荐指数得分较高的前10%客群，其签约产品的概率相较于随机抽取的客户可提高6倍以上。

客户向上销售

基于客户之间的交易转账记录，可以勾勒出客户的经营圈（针对小微金融客户）或者消费圈（针对个人金融客户）。进一步计算两个圈子的“圈子密度”和“圈子户均金融资产”指标。圈子密度越高，说明圈子内成员之间的交互越为频繁，客户之间的关联性越为紧密，圈子成員在行为特征和资产特征方面应具有较高的相似性。如果某名圈子成员的客户金融资产明显小于圈子成员的户均金融资产，在圈子密度较高的情形下（成员之间相似性也较高），则该名成员存在较大的客户金融资产提升空间，以此支持“精准化、名单制”客户向上销售。

客户风险传染

来自于同一个社交网络圈的成员，因交易关系、互动关系、熟人关系等，他们的行为常常表现出相似性和一致性。由此可延伸出一个业务问题：如果某个小微贷款客户发生了违约行为，其关联的交易客户是否也会有较高的违约倾向。从业务逻辑来看，如果客户所在的交易圈中，有过贷款违约行为的客户占比较高，则可以认为该圈子中违约风险的传染可能性也较高，其原因在于如果圈子中某个客户的资金周转出现了问题（即该客户不具备履约能力），则可能会影响整个交易圈中的资金流动情况，甚至导致整个圈子的资金链断裂，使得该客户的违约风险扩散到整个圈子。实证分析结果表明，以违约客户为中心节点所构建出的客户资金交易网络，其关联客户中发生违约的概率相较于在随机抽取客户中发生违约的概率提升了5倍以上。

结语

本文基于商业银行积累沉淀的海量客户交易信息，通过运用大数据社交网络图挖掘技术，探索实践了面向商业银行大零售数字化营销相关领域的应用。本文首先提出了“6E”图数据处理流程框架，为商业银行运用客户交易转账信息构建客户社交网络形成了一套标准化数据处理方案。随后，本文面向客户资金交易网络及大数据图挖掘技术应用提出了“6C”应用框架，实证分析结果表明相关应用效果显著，为商业银行探索FinTech时代下大数据社交网络图挖掘技术应用提供参考借鉴。

（本文仅代表作者个人观点）

（作者单位：中国社会科学院研究生院金融系、中国民生银行，京东金融）