AI+云，数字金融掘金客户微细分|微细分|算法|金融

封面及正文头图来自必应

来源：索信达

数字时代金融业转型的风口之下，索信达与华为云携手，在ModelArts上线客户微细分模型，激发银行业数据价值，迈出智慧金融发展的坚实一步。

数字化时代，金融早已不是某个封闭环境下的单维度领域。

以普惠金融为代表的新方向标志着诸多银行机构正在全力抢滩下沉市场，积极践行服务实体经济，对更加多元化的客户群体提供价值挖掘、资源协同，从而形成一个全新的金融生态。

但是，时代背景之下，要面对复杂多样的区隔化市场，不同的客户群体之间既存在较大的差异性，而细分时却又存在很多相似之处。

所以，谁能够满足多群体的不同需求，同时也让供给方合理收益，将在这个转型的机遇里，获得更大的成功。

客户类型多变，金融业数字转型亟需求解

数字时代，金融新基建开始寻求智能化转变，金融业务、产品、渠道乃至客户都在飞速变化。但是新老交替之际，却发现存在诸多难以解决的现实问题，特别是客户需求瞬息万变，就连以银行为核心的金融业也不得不面对如此痛点。

1. 职业花样多，客户划分有难题。随着数字经济的发展，银行客户的职业也更加多样化，除了传统职业，更多新兴职业比如主播、自媒体等等领域的客户也给银行的业务开展带来挑战，不同职业的客户总会有不同的需求，把这些新兴职业通通划分到“其他”未免太草率了。

2.客户年龄结构与需求变动。从年龄角度来看，客户老龄化的趋势难以改变，而且随着年龄的变化，业务需求也在加速转变，比如会更加关注养老、生活、医疗等方面的需求。同样，作为后浪的年轻客户虽然在客户结构中占比较小，但个性化却较强，传统的业务模式也难以满足他们的需求。

3. 思维认知千差万别。不同时代、不同学历乃至不同地域的人，都会在个人认知上有不同的区别，即便区别非常细小，但是一旦没有精准定位，也会失之毫厘、差之千里，不得已失去潜在客户。

虽然当前银行已经建立了自己的客户细分体系，但是目前很多公司的细分模型并未对银行的客户数据进行全面细化的考量，以至于无法做到覆盖全客户的智能精准营销。所以对于数字时代的金融机构来说，要在各种产品和服务中提高客户转化率，进一步提升企业效率，需要寻找一个新的方法。

其实，面对未来更加多元化的市场区隔，金融机构可以通过“微细分”的深度模型，来分析自己的客户群体，找到相同群体之间的细微不同，从而提供更加私人定制般的客户服务，以此来优化成本结构，完成自己的价值主张、打通自己的渠道通路、拓展自己的收入来源、优化自己的核心资源。

那么，什么样的微细分模型值得一试呢？

更细分、更智能，数据才能更有价值

最近，索信达客户微细分模型在华为云ModelArts平台正式上线。索信达是一家以AI大数据驱动金融数字化的新型科技公司，而华为云致力于为全球客户提供领先的公有云服务。两者的强强合作，在行业中产生了巨大的影响力。

一方面是索信达自身强大的技术实力，因为华为云对于产品的技术审核异常严格，并且平台上的很多数据模型凭借技术实力已经取得了成功的应用。索信达强大的实力在于拥有雄厚的金融数字化人才和AI科学专家团队，以此来打造出领先的营销技术，展现了自己对于金融行业的深刻理解力，从而长期为金融业完善生态布局。

另一方面是华为云有着广阔的体系覆盖，华为云一直以来都具备全球化的视野，开发者和产品遍及全球，同时会给合作伙伴提供专属的技术培训、技术认证等服务。这些都可以为索信达带来更加广阔的覆盖能力以及更加强大的生态支持。

所以，集合两家之所长打造出的营销模型必有其独到之处。接下来不妨探究一下索信达微细分模型如何解决当前银行业的客户细分痛点难题。

挖掘更多“沉睡”的银行数据：越多可供参考的数据，越能给客户做出更为精准的画像，这点想必毋庸置疑。但是目前很多金融模型仅仅做到了在人脸识别、语音生成、监控录像等银行的结构化数据的收集和处理，并没有对客户的交易数据进行有价值的收集和处理。

而索信达微细分模型凭借强大的计算能力，不仅仅对结构化数据进行处理，也不放过交易信息等业务数据，并通过标准化、分位数分箱等手段对数据进行离散化操作，整合出更有价格的标准化数据。

一维向二维，让银行数据“活”起来：银行中数据繁多，很多金融模型仅仅简单的将亿万数据丢给算法，最终得出的还是数据，本质上只是一种对数据的简单分类，并没有挖掘出数据的价值。银行也难以通过繁多的数据来制定营销策略。

所以，索信达微细分模型在数据的编码上下了不小的功夫，它融合了统计学、万有引力定律、空间投影、插值平滑等算法，最终达到将一维空间的数据整合成二维空间的图像效果。通过图像的方式，可以让银行更加直观的了解客户的状态。

千人千面，更智能的数据编码：一个成熟的金融模型，并不只是简单的对数据分类整合，银行需要的是一个能够从模型中看出客户发展趋势的结果。

所以，仅仅通过算法把客户信息转化为图形，并不能体现索信达微细分模型的智能性。这个模型的另外一个强大特点是，它会对图形再次进行“深加工”，通过深度学习，采用自动编码器从图像中提取显著特征，来分类图像之间的相似性和差异性，最终实现图像级的客户微细分。据介绍，这种方式，能够在保证精度的同时，大幅提升处理效率(高达400倍)。