双引擎驱动，建立个人客户画像体系
业务场景驱动+科技数据驱动，建设统一“1+7+N”个人客户视图及画像服务体系。一大体系，即为农行统一的个人客户视图及画像服务体系，完善标签管理能力。7大主题，即自然主题、资产主题、负债主题、风险主题、交易主题、行为主题、价值主题。主题刻画上，正逐步采集人脸、文本、微信等非结构化数据，增强非结构化数据挖掘能力，并借助图论、神经网络等算法，形成客户人际关系蛛网图，挖掘客户的社交圈，丰富客户画像层次。N个服务场景，提供客户识别、精准营销、客户预测、增值服务、风险防控等服务场景，从而形成数据驱动的客户画像应用、智慧营销模式以及运营优化策略，加速数据价值转化效率。
同时，在夯实客户数据的基础上，强化数据标签化资产管理，构建零售各条线“集中管理、条线共建、共享使用、持续更新”场景式的标签管理系统。系统为零售各条线营销人员提供了人工标注客户标签的功能，这是农行营销经验、营销资源的数据沉淀，极大丰富了客户画像体系，也为农行各级营销人员在零售领域有针对性地开展营销活动提供强大的数据支撑和技术支持。
丰富技术栈打出组合拳，满足个性业务需求
2.自助式探查高性能服务引擎
自助探查式高性能搜客引擎，是基于Hadoop全栈式技术体系下的ElasticSearch组件打造的一款客户画像垂直搜索工具。具备以下几个特点：
自助式探查：搜客引擎的筛选项，可通过标签配置进行自定义配置。
高适配性：支持各类数据接入，如：Hadoop、关系型数据库、数据文件等方式。
高扩展性：ElasticSearch数据节点可以扩展到上百台服务器，处理PB级别的数据。
高吞吐性：采用Spark高性能加工计算引擎，每日索引生产数据吞吐量超过20TB。
高响应：数据查询为Restfulapi接口，支持TPS达到3300，响应时间在10ms以内。
3.基于农行金融大脑的机器学习标签
前文中提到，农行主动收集的数据中，仍有大量尚未挖掘使用的数据，通过农行金融大脑，采用人工智能（AI）、机器学习（ML）等技术，深挖数据价值，快速响应业务需求。
以潜力提升客户为例，基于210多项特征，尝试使用了决策树、逻辑回归、随机森林以及XGBoost等机器学习算法进行分析。针对不同的客户分群分别应用模型，发现对于不同的客户群体，运用同种模型预测效果基本一致，以精确率和召回率作为模型评价的主要指标，为具备提升潜力的客户标注标签，提供画像服务，支撑精准营销等业务需求。
个人客户画像在农行的应用
2.多维空间富画像组合，构建场景应用魔方
客户画像与产品画像、机构画像，组成富空间多维立体画像。分为三个维度，第一个维度为客户维度，也就是客户画像维度，包含七大主题；第二个维度产品维度，即产品画像，涵盖农行个人营销全产品；第三个维度机构用户维度，包含农行所有的网点、支行、分行及总行以及运营分析。不同维度的组合支撑了不同的场景式应用，从而构成了场景应用魔方，提供了个性化、多样化的场景应用能力。
3.案例分享
农行个人金融部数据分析师基于客户画像对客户金融资产、产品持有、资金变动、渠道偏好等几百个特征进行深度加工，采取逻辑回归、决策树、随机森林、XGBoost等多种机器学习方法开展数据建模，进行多轮模型结果比对及调优，最终模型准确率达70%左右，并根据预测概率精选目标客群500余万人，按金融资产、产品偏好等进一步细分为多个子客群，在客户画像系统中建立对应标签，针对性匹配多款金融产品并发起精准营销活动，为目标客户推荐个性化产品。经业绩统计，该批次精准营销活动覆盖客群近500万人，目标客群金融资产增长近千亿。
结束语
版权声明及安全提醒：本文转自网络平台，文章仅代表作者观点，不代表「金融文库」立场。相关版权归原作者所有，「金融文库」仅提供免费交流与学习，相关内容与材料请勿用于商业。我们感谢每一位原创作者的辛苦付出与创作，如本转载内容涉及版权及侵权问题，请及时联系我们客服处理（微信号：JRwenku8），谢谢！
