财新传媒 财新传媒

阅读:0
听报道

作者:曹婕

曹婕系汇付天下反洗钱专家

 

为了帮助支付机构更清晰、准确地了解自己的客户,一种基于“客户画像”的客户身份识别方法为业界带来一股“清流”。

不同于传统依赖于客户主动提交材料进行审查的方法,“客户画像”法从客户以往的生活轨迹着手,采用多级标签化的思路对其综合信息进行汇总和梳理,进而勾勒出客户信息“轮廓”,以帮助支付机构快速和准确地完成客户身份识别。

一个不容回避的事实是,支付机构在不断发展壮大的同时,所面临的风险管理挑战也日益严峻。一方面,主要客户群以小微企业居多,天生伴随着对外信息不完善、财务不透明等高风险因素;另一方面,非银金融市场本身的认证及征信体系尚未健全,而支付机构的业务、产品较传统金融行业的创新速度更快、更为多样性,使得支付机构在信用风险、欺诈风险、洗钱风险、支付风险、账户风险等方面面临的风险维度与层级都更为复杂。

“客户画像”法正是在这一背景下被提出。所谓“客户画像”,即对客户的信息予以标签化,也就是经由支付机构通过内、外部多种渠道对给定客户的社会属性、生活习惯、行为习惯等主要数据进行汇总,并利用大数据技术进行分析和处理,进而勾勒出该客户相应的信息“轮廓”,以帮助支付机构快速和精准的识别客户的身份特征。

四步完成“画像”

整体来看,“客户画像”的完成可经由以下四个阶段:

1、战略解读--即首先明确为客户画像的意义,例如为群体性的业务策略,风险政策等提供依据,以此确定功能目标和效果预期;

2、数据建模--即结合客户实际的需求,找出相关的数据实体,以数据实体为中心规约数据维度类型和关联关系,形成符合客户实际情况的建模体系;

3、维度分解--以客户、业务产品、支付场景、外部环境进行数据维度分解和列举,进而根据相关性原则,选取和战略目的相关的数据维度,以避免产生过多无用的数据对数据分析过程造成干扰;

4、颗粒度划分--对于不同角色人员的需求,针对性的设计各角色人员在客户画像工具中的使用功能和应用/操作流程。

精准“画像”的关键是完整清晰的标签体系。

获取“客户画像”的重点在于能够对给定的客户赋予精准的“标签”。其中,每一个标签实质上都是经过高度抽象的、可量化的一个特征标识。如,年龄/公司成立时间、个人收入/公司销售收入、性别、地域、客户行为偏好等。通过对给定客户获取并整合其所有的标签,即可完成对该客户“画像”的勾勒。

标签的获取,需要支付机构对从外部或内部渠道获得的客户相关信息进行归类和分析,进而获得一个或者多个具有代表性的字段信息。为了能够有效的梳理标签以方便后续对数据深入挖掘,首先要搭建一个完整清晰的标签体系。

多维度数据挖掘

数据挖掘,即对客户标签体系中的数据进行深入分析挖掘,整个过程对应标签的层级采用由粗到精的处理方式。首先通过客户基础数据(客户的固有属性,如个人收入/公司销售收入、性别等)、客户关系数据(不同客户之间的关联、共性特征等)、客户行为数据(如客户的交易行为、消费行为等)深入挖掘并赋予基础权重;然后,通过验证信息作为权重的调权因子参与计算;接下来通过多个维度的定向挖掘系统和日常运营反馈系统进行校正和增加标签的覆盖;最后,将挖掘出来的客户标签及权重输出至客户能力标签库,供上层业务调用。

数据建模与应用场景聚焦

在获取客户能力标签之后,将结合具体的业务应用场景来对来客户的下一步行为进行预判,对其中的潜在风险实施预警。

首先针对具体应用场景的需求,依据不同的评估维度,利用聚类算法(如K均值算法)将具有相近标签的客户进行聚类,对客户实施评级,以进一步精细化区分客户的特征;接下来,对于同类客户进行建模分析(根据数据情况,模型可包含专家经验模型、混合模型与数据驱动模型),实施针对性的风险控制策略。

颗粒度划分与应用场景相关联

对于二维图像的应用来说,不同的图像分辨率对应于不同的应用场景。显然,对“客户画像”的颗粒度划分,即对客户行为特征的解析应该细化的何种程度,也应该与具体的业务应用场景相关联。

虽然对画像的颗粒度划分越细,被刻画的客户行为特征也就变得越发立体清晰,理论上来说,该结果能更有助于采用正确适当的风险管理措施。但是,过于细致的划分通常会导致所获取的客户信息琐碎化,弱化该客户身上原本具备的特定客户群共性特征,导致无法再使用大数据技术进行挖掘分析;另一方面,过于细致的颗粒度也会造成目标过于单一(仅适用于该客户),出现过拟合(overfit)现象,同时带来大量的计算开销,导致运行成本攀升。

综上所述,基于“客户画像”的支付机构客户身份识别方法,能够主动有效分析客户的历史行为习惯,帮助支付机构更清晰、准确地了解自己的客户。具体模型和算法的设计,将是业界下一步研究的重点。

话题:



0

推荐

汇付天下

汇付天下

4篇文章 5年前更新

文章
  • 个人分类
全部文章 4篇