● 从我行客户金融资产变动情况来看，AUM20万以上客户一直呈下降趋势，17年上半年AUM流失率5.39%，18年上半年AUM流失率6.01%，同比又有扩大。为了遏制客户金融资产的加速流失，基于VIP客户庞大的历史数据，开展预测VIP客户流失及精准营销项目。

● 根据vip客户分级情况，将VIP客户分为几个客群，通过对每个客群的用户信息、资产配置、支付交易等数据信息，建立模型找出流失的VIP客户的行为偏好特征，提前一个月或两个月预测流失的VIP客户，下发预降级VIP客户营销指引，重点对电话外呼营销系统的使用，营销的主要产品，营销注意事项，营销话术进行提示和规范。并根据客户偏好定制专属产品，名单制购买。

● 提前2个月预测可能流失的VIP客户并形成客户清单，进行精准营销干预，以期通过精准定位客户和精准营销客户相结合，在减少资源消耗和人力投入的情况下减缓甚至逆转客户AUM的下降。

● 名单客户AUM流失率比未做营销时大幅下降，环比下降幅度达76.04%，从7月份的9.64%下降到8月份的2.31% ，名单客户当月购买理财1472笔，金额2.46亿元，其中专属理财90笔，金额0.15亿元。 外呼客户AUM比上月提升0.5亿元，提升率6.51% 。主推聚财9号产品签约325户，签约客户AUM当月提升0.97亿元，吸金效应明显。

● 目前欺诈手法样式繁多，更新很快，现有反欺诈模型输出耗时过长，对用户风险反应慢，无法有效的进行拦截，导致逾期率较高。已有专家规则面对新型欺诈手法几乎无能为力。欺诈策略开发有效期越来愈短，无法满足运营部门的需求欺诈特征无法进行有效管理。

● 公安部提供行内欺诈账号，急需找出行内类似账户，并提前进行人工干预；业务提供的以往反欺诈规则，已不适用此批欺诈客户，如开立账户长时间不使用，然后忽然动账一类的规则。仅用写SQL的模式筛选单一规则，如每日高频交易客户，并不能定位出风险客户。行内反欺诈模型输出需要较长的时间才能完成；希望能快速输出欺诈名单，并能通过建模的方式，提升风控能力。

● 建立了数个有效宽表，基本信息宽表、开户后数月内流水衍生宽表、往前追溯宽表、资产信息+公司流水+账户流水宽表，并利用MP将生成大量衍生数据。

● 利用ME生成反欺诈模型，完成高风险名单打分输出；输出高风险客户画像；通过可解释性，解析每个高风险客户为何被定义为高风险；通过AI极速生成模型预测报告，用于结果汇报。

● 智能数据平台+极速建模平台联动，快速输出欺诈名单，实现找出行内类似账户、提升风控能力的业务目标。数据处理、特征衍生、建立模型和生成策略仅花费一周时间。从原始的手动SQL筛选模式升级为自动生成反欺诈策略。反欺诈规则、模型的输出效率显著提升，团队风控能力大幅提升。

● 大量用户的手机银行活跃度低，低活跃用户营销转化率低，传统建模方式难以及时响应业务需求。
● 存在部分自然活跃的手机银行客户，营销时需排除自然活跃客户，降低营销成本。
● 通过短信方式营销，但营销转化率低，并且传统建模方式难以及时响应业务需求。

● 通过策略或模型，挖掘自然活跃客户特征，筛选自然活跃客群，提前过滤自然活跃客户。
● 在剩余客户中搭建活跃度提升模型，对客户进行评分，评估客户的营销响应率，剔除低响应客户减少无效工作 。并针对性进行营销，提升营销成功率。
● 构建活跃度提升解决方案，快速响应业务需求，响应时间缩短至1天以内。降低营销费用，提升实际转化率，剩余客户营销成功率度是专家组的3倍以上。

● 手机银行激活客户超500万，手机银行活跃度提升15%，筛选过后的手机银行客户活跃度提高68%。

● 虽然相比新拓客，零资产客户相对的营销成本低，易拓展。但零资产客户多如牛毛，构成复杂、粘性差，零资产客户非常难经营。另一方面，相对有资产客户，零资产客户价值较低，银行并不愿意 付出太多的成本去激活客户。营销经费很有限，更多是以短信营销为主。任务重，难经营，经费少，零资产客户激活的三大难题。

● 营销模型+业务分析，无缝驱动的解决方案，营销模型输出重要变量，指导分析报告；同时输出“高响应客户名单”用于营销。分析报告结合业务经验，从多维度全面解析零资产客群，提高营销的解释性。进行零资产子客群分析：交易流水、公积金/社保卡/信用卡、客户级别等；进行激活/流失原因分析：激活前第一笔资金流入、激活后前三笔资金流出、流失最后一笔流出交易等，进行其他影响因素分析：客户归属分行调整、联系方式等。

● 通过细分客群的用户特征，提供营销成功率，覆盖精准率提高70%，营销成本下降90%。

● 针对代发客户留存率低的问题，展开专项营销活动，提升管理资产留存率。但代发企业数量众多，分支机构无法在短时间内对全部企业完成线下营销；同时需要提供针对性的优质个人客户营销名单。

● 对企业进行数据分析，寻找最具营销价值企业；根据专项产品历史数据，通过模型寻找响应率最高客户；对高响应客户集中的企业优先展开线下营销；对其他企业中高响应客户展开线上营销活动。

● 线下营销：筛选过后的企业客户驻场营销的客户响应率提高3倍以上，现场购买金额提升两倍以上，提升了营销效果，大大减少了现场营销的工作量。线上营销：通过短信对高概率的响应客户进行营销，其客户响应率比随机短信营销提升2倍以上，节约了营销成本。现场理财产品购买金额超过1亿，带动代发客户管理资产 留存率提升5%。

● 前期采用白名单放款，客户不良率远超预期；业务规模小，客户数据质量差，不良客户只有30个客户存有申请时征信记录；组建专业的风控建模团队难，成本高；需要重新建立贷款审批模型，确保客户不良率下降50%以上。

● 通过建立模型，发现了对客户逾期率较大影响的特征（贷记卡已用额度、授信额度等），借助同期信用卡申请数据通过AI简单快速地对建立高精度、高解释性风控模型评分卡。使用评分卡模型对实际放款客户进行打分评估，头部客户覆盖了将近一半的违约客户。

● 模型性能稳定，客户不良率大幅下降，通过风控模型审批通过率提升80% 。风控规则、模型输出效率提升20倍，大幅降低运营成本，赋能风控团队，提升工作效率。

● 信用卡发展迅猛，用户规模、发卡量都进入了行业第一梯队；信用卡流通卡量超6千万张，年内新增流通卡超千万；流通户数净增超600万，同时，用卡不良率走高；期望以行内数据+征信数据为主，建立更为精准的A卡模型，实现降低不良率，提升净利润。

● 采用ME与在用建模产品进行PK；主要主要考察模型提升度、建模周期、产品易用性、可视化、上线周期等因素。ME产品精准度更高、易用性更好、可视化更丰富、应用周期短。

● 风险区分能力变强，KS值较原始提升+1.2%。建模周期缩短至3天，模型上线周期缩短至一周。通过白盒化和可视化技术，模型可解释，协助业务人员理解和认可模型。

● 早期催收，难以区分低风险和高风险客户，需要重点攻克高风险的客户，对于低风险客户通过短信提醒。对于晚期催收，需要寻找可能还款客户，人工介入到可能还款的客户，对于其它客户，进行委外，诉讼等手段进行催收。同时有多种征信数据来源，需要评估征信源对于催收有效性。

● 按新户和旧户分开两条线建立催收模型。根据客户所在的催收周期分别建立多个模型。根据客户逾期前表现，找到易还款客户组的特征，并对每个客户在逾期日进行打分，评估客户还款的意愿，根据意愿高低将客户分为难易两组。容易组主要由内部团队催收，提升自身催收的团队的效率，提升催回率。困难组由外包团队负责，使用于外包催收的资金发挥其最大的价值。将模型中重要变量根据表现期分别纳入审批模型和预警模型，建立打分卡。

● 发现还款风险主要为客户还款意愿，通过模型分析出哪些第三方数据具备分析价值，节约了外部数据购买费用。高分客户的首次催收还款率明显提升，整体催收成功率提升了10%以上。优化后的审批模型使得违约风险降低。改善其催收流程，提高资金回收速度，提升催回率。

● 企业中，形成了以产品条线划分的多个数据建模团队，团队间管理方式不统一、研发上线流程不规范，模型工作面临着研发周期长、上线难、监控不及时、管理分散的问题；模型团队进行模型研发时，大多使用PYTHON建模；但上线时，又需要技术人员转换为对应的JAVA代码，并通过手动验证后，上线到指定平台中；上线后，主要依靠事后定时调度任务做监控，但监控后也未做BI报表、或异常预警；经常出现，模型已经不适用了，发现时点却滞后了许多，导致的损失；

● 通过模型全生命周期管理方案，建设模型统一管理平台，规范管理“模型需求 - 开发 - 验证 - 审批 - 上线 - 验证 - 监控”全流程。