|
1 引言 我国信用卡行业经历18年高速发展，全行业已累计发卡超过9亿张，全国性商业银行发卡量均已超过1千万张。伴随用户规模的快速增长，银行信用卡业亟需在收集用户信息的基础上，对用户信息资料进行深入分析，了解用户的个性化需求，并采取针对性措施设计符合用户要求的差异化产品，力求提高用户满意度和忠诚度[1,2]。差异化服务已成为商业银行面对激烈市场竞争的基本战略模式，如何根据用户的交易行为信息精准识别用户的兴趣特征，是商业银行实施差异化服务的关键课题。 事实上，用户的兴趣特征可分为个体消费差异和群体消费差异两个维度。在个体消费差异维度下，当用户在百货超市类消费的综合消费能力高于其他类消费，可认为相比于其他类消费，该用户更偏向于百货超市类消费。在群体消费差异维度下，当用户在商旅类消费的消费占比高于其他用户，可认为与其他用户相比，该用户对商旅类消费的兴趣特征更明显。 两种兴趣特征维度对应不同的商业活动目的，在实际的业务操作中具有重要的应用价值。对于交易不活跃用户而言，由于银行不能提供符合其自身需要的服务而不愿用卡消费，基于个体消费差异的兴趣特征可识别用户日常消费的兴趣倾向，为银行挖掘不活跃用户的用卡需求提供策略支持。对于现有优质用户，为提升用户的粘性和提高服务质量，银行可基于群体消费差异的兴趣特征，发现用户与其他用户的消费差异，为用户提供具有群体差异的个性化服务。 本文根据两种兴趣特征维度的含义，借鉴RFM算法和TF-IDF算法的基本原理，分别识别用户基于个体消费差异和群体消费差异的兴趣特征。在此基础上，结合商业活动目标及信用卡产品权益的不同特点，实施差异化营销策略，并通过实际活动效果检验用户兴趣特征识别的可行性。 2 两种兴趣识别模式 2.1 基于个体消费差异的兴趣识别 从个体消费的差异看，用户在不同类型消费的金额以及频次各有差异，同时这种差异不仅与用户的兴趣特征有关，还与消费类型的属性相关。以餐饮消费和电子消费为例，在日常消费中，餐饮消费由于其必要性，具有高频低额的消费特点，而电子消费的消费频次明显低于餐饮消费，同时电子消费的平均价格更高。因此，单一考虑用户的消费金额、消费频次以及消费笔数等指标均无法有效衡量用户对不同类商品的消费水平。 挖掘用户个体在不同类型消费的兴趣特征，其核心就是要综合评估用户在不同类商品中的消费水平。RFM算法由美国数据库营销研究所Arthur Hughes提出，目前已被广泛应用于用户关系管理领域[3]。算法的基本思想是通过三个具体指标来衡量用户的活动响应程度、用户对企业的价值以及用户忠诚度，即用户最近购买时间R(Recency)、购买频率F(Frequency)和总购买金额M(Monetary)。针对用户的兴趣识别而言，如果最近购买某类商品的时间间隔越短、购买的频次越高、购买的金额越大，理论上可以认为该类商品符合用户兴趣特征的可能性越大。为此，借鉴RFM算法的基本原理，根据用户最近购买某类商品的时间、购买频率和购买金额，计算用户对某类商品的RFM值，并以RFM值最大化为目标，构建基于个体消费差异的兴趣识别模型。
图1 基于个体消费差异的兴趣识别 2.2 基于群体消费差异的兴趣识别 识别个体消费在群体中的差异性，需同时考虑个体在某类商品中的消费水平，以及群体在该类商品中的消费水平，并通过刻画两者的差异性，实现用户兴趣特征识别的目的。若用户在某类商品消费的占比较高，而群体在该类商品的消费占比较低，则可认为该用户对该类商品的消费具有群体差异，并且该用户对该类商品表现出较强烈的兴趣。与之相反，若用户在某类商品消费的占比较高，但低于群体在该类商品的消费占比，则不能认为该用户对该类商品表现出有异于群体的兴趣特征。 TF-IDF算法由Salton等[4]在1988年提出，是一种用于信息检索与文本挖掘的加权技术。算法通过词频（TF）捕捉某个词组在某条样本中出现的频次，以逆向文件频率（IDF）为权重考虑该词组在其他样本中出现的频次，并根据TF和IDF的乘积得到该词组的区分能力。在TF-IDF算法下，若某词组在全样本中出现的频次越高，则说明该词组出现在大部分的样本中，其代表类别的能力就越弱，也就是说该词组的重要程度越低，反之亦然。借鉴TF-IDF算法的基本原理，分别计算某消费类型在个体和群体中的消费占比，进而得到该消费类型的TF值和IDF值，并以TF-IDF最大化为目标，构建基于群体消费差异的兴趣识别模型。 图2 基于群体消费差异的兴趣识别 3 模型验证 根据信用卡用户上千万条交易流水信息，利用银联商户类别码（MCC码），将用户的每笔消费划分为34种消费类型。在此基础上，根据模型（1）和模型（2）识别用户的兴趣特征，并在实际的信用卡产品个性化推荐中推广应用。 3.1 兴趣特征分布统计 从全行用户中随机筛选100万户用户作为统计样本，分别计算在两种兴趣识别模式下用户的兴趣特征分布，结果如图3-4所示。 图3 基于个体消费差异的兴趣特征分布 图4 基于群体消费差异的兴趣特征分布 根据图3和图4可以看出：基于个体消费差异的兴趣特征分布较为集中，主要分布于百货超市和网上购物两类消费类型；与基于个体消费差异的兴趣特征相比，基于群体消费差异的兴趣特征分布较为分散，百货超市和网上购物的用户占比较低，而小众消费类型的用户占比较高。 在基于个体消费差异的兴趣特征中，因关注用户个体在不同类消费的综合占比，同时百货超市和网上购物属于用户的日常消费需求，其消费频率及金额相对较高，进而导致百货超市和网上购物两类消费类型的占比较高。与基于个体消费差异的兴趣特征相比，由于基于群体消费差异的兴趣特征同时考虑个体和群体之间的消费差异，对小众消费类型而，当用户个体消费占比高于群体消费占比时，用户的小众消费类型同样能够被识别，因此基于群体消费差异的兴趣识别模型更容易挖掘用户的小众兴趣特征。 3.2 考虑个体消费差异的个性化推荐 在信用卡业中，因对部分用户的服务不能满足用户自身的需求，各家银行都存在一定规模的用卡不活跃用户，这部分用户不仅不能为银行带来收入，同时占用银行的授信额度资源，激活不活跃用户成为银行客户生命周期管理的重要组成部分。针对用户日常消费的用卡需求，根据模型（1）挑选出不活跃用户日常消费的兴趣特征，并为用户重新更换符合用户兴趣特征的卡产品，以期激活用户的用卡需求，例如对具有网上消费兴趣的用户，提供具有网上购物权益的京东白条信用卡；对具有旅游兴趣的用户，提供具有旅游消费权益的凯撒旅游信用卡等。 2018年5-8月，光大银行信用卡中心对不活跃用户开展差异化换卡策略，活动效果如图5-6所示。从图5-6可以看出，换卡后不活跃用户的户均交易金额提升至2768元，并且活动响应率保持在18%以上，说明考虑用户的兴趣特征实施差异化换卡策略，能够激活部分用卡不活跃用户，同时户均交易金额提升较为明显，活动响应率保持在较高水平。 图5 户均交易金额（元） 图6 活动响应率 3.3 考虑群体消费差异的个性化推荐 随着用户规模的增加，信用卡业越来越重视优质用户的服务管理，光大银行、中信银行、交通银行等信用卡中心纷纷实施用户权益升级服务。为提高优质用户的用卡粘性，提升银行对用户的服务质量，银行应发掘优质用户与其他用户的消费差异，提供有异于群体的个性化服务。根据模型（2）识别优质用户的兴趣特征，并根据用户的兴趣特征匹配对应的信用卡升级权益，实现优质用户权益升级的个性化服务，例如对具有汽车消费兴趣的用户，提供汽车保险服务；对具有商旅消费兴趣的用户，提供机场贵宾厅服务等。 2017年6月光大银行信用卡中心实施优质用户权益升级个性化服务，根据个性化升级策略实施前和实施后响应用户的变化，检验基于群体消费差异的兴趣识别以及差异化营销策略的效果，结果如图7-8所示。 图7 响应用户量（万户） 图8 响应用户率 从图7-8可以看出，在差异化策略实施后，升级响应用户提升0.67万户，用户响应率提升5个百分点，活动效果提升较为明显，说明基于群体消费差异的兴趣识别以及权益升级个性化服务在实际的业务操作中具有一定的可行性。 4 结论 本文研究了信用卡用户兴趣特征的识别问题。在识别用户的兴趣特征时，存在个体消费差异和群体消费差异两个维度，在不同的维度下用户的兴趣特征以及应用场景都具有较大的差异。根据个体消费差异和群体消费差异表现形式的不同，借鉴RFM算法和TF-IDF算法的基本原理，分别识别用户基于个体消费差异和群体消费差异的兴趣特征。 从模型检验结果看，（1）基于个体消费差异的兴趣特征分布较为集中，主要分布于百货超市和网上购物两类消费类型。基于群体消费差异的兴趣特征分布较为分散，容易挖掘用户的小众兴趣特征；（2）将基于个体消费差异的兴趣特征应用于不活跃用户的换卡策略中，用户的户均交易金额提升显著，同时活动响应率保持在较高水平；（3）将基于群体消费差异的兴趣特征应用于优质用户的权益升级个性化服务中，策略实施后活动响应客户量和响应率都有较大幅度提升。
参考文献： [1] 安贺新, 苏朝晖. 商业银行客户关系管理[M], 清华大学出版社, 2017. An Hexin, Su Zhaohui. Commercial bankcustomer relationship management[M], Tsinghua University Press, 2017. [2] 荣辉, 任天飞. 我国商业银行实施“差异化营销”战略的可行性分析及对策[J]. 管理科学, 1999, (5): 22-25. Rong Hui, Ren Tianfei. Feasibility study andcounter-measures for our commercial banks to implement ‘differentiatedmarketing’ strategy[J]. Journal of Management Science, 1999, (5): 22-25. [3]Miglautsch J R. Thoughts of RFM scoring[J]. Journal of Database Marketing &Customer Strategy Management, 2000, 8(1): 67-72. [4]Salton G, Buckley C. Term-weighting approaches in automatic text retrieval[J].Information Processing & Management, 1988, 24(5): 513-523. |
|
|
