張國威 于申 徐冰清

摘?要：隨著金融科技的飛躍式迭代，證券市場已逐步走向數(shù)字化競爭階段，如何向客戶提供差異化的服務(wù)成為證券公司探索的重要課題。本文以國元證券為例，依據(jù)RFM模型建立合理的客戶價(jià)值評估指標(biāo)體系，并通過使用Elasticsearch技術(shù)和k-means聚類實(shí)現(xiàn)客戶價(jià)值的識別和細(xì)分。本文將國元證券的客戶主要分為優(yōu)質(zhì)型客戶、成長型客戶、培育型客戶和普通型客戶，并針對不同的客戶提供相應(yīng)的運(yùn)營策略，為企業(yè)滿足客戶多元化需求和實(shí)現(xiàn)差異化運(yùn)營提供依據(jù)。

關(guān)鍵詞：Elasticsearch技術(shù)；客戶細(xì)分；RFM模型；聚類分析

中圖分類號：F27?????文獻(xiàn)標(biāo)識碼：A??????doi：10.19311/j.cnki.16723198.2023.11.027

0?引言

國元證券于2001年10月成立，2007年10月30日在深圳證券交易所上市，經(jīng)過多年創(chuàng)新發(fā)展，成為行業(yè)內(nèi)業(yè)務(wù)資質(zhì)全面、資產(chǎn)質(zhì)量優(yōu)良、綜合實(shí)力領(lǐng)先的證券公司之一。在財(cái)富管理轉(zhuǎn)型的大時(shí)代，國元證券打造以客戶為中心的財(cái)富管理體系和組織架構(gòu)，做實(shí)做細(xì)客戶分類分級。加強(qiáng)線上線下獲客渠道建設(shè)，做大做強(qiáng)基礎(chǔ)客戶、基礎(chǔ)資產(chǎn)。目前證券行業(yè)進(jìn)入數(shù)字化轉(zhuǎn)型的高速發(fā)展階段，如何運(yùn)用新的客戶價(jià)值評價(jià)模式和方法，在市場中實(shí)現(xiàn)突圍，也是擺在證券公司面前的競爭課題。國元證券從客戶差異化運(yùn)營層面，以改進(jìn)的RFM模型結(jié)合非監(jiān)督機(jī)器學(xué)習(xí)的Kmeans算法，對客戶價(jià)值評價(jià)和運(yùn)營策略進(jìn)行研究。RFM模型可以衡量出客戶價(jià)值和客戶創(chuàng)造利益能力，為實(shí)現(xiàn)個(gè)性化的溝通和服務(wù)提供了依據(jù)。傳統(tǒng)RFM模型在進(jìn)行分析時(shí)，主要是根據(jù)客戶的三個(gè)指標(biāo)，分別是客戶最近一次有消費(fèi)行為的時(shí)間（R），在一定時(shí)間內(nèi)的消費(fèi)次數(shù)（F），在一定時(shí)間內(nèi)的消費(fèi)總額（M）。通過這三個(gè)指標(biāo)，客戶的動態(tài)輪廓可以顯示出來。本文對傳統(tǒng)RFM模型進(jìn)行改造，通過K-means算法來改變原有的人工主觀分類的模式，對客戶價(jià)值進(jìn)行算法細(xì)分，識別出客戶的特征，為差異化營銷和服務(wù)策略提供依據(jù)。

1?數(shù)字化轉(zhuǎn)型與Elasticsearch技術(shù)

中國證監(jiān)會倡導(dǎo)證券行業(yè)數(shù)字化轉(zhuǎn)型，金融科技承擔(dān)著數(shù)字化轉(zhuǎn)型的重任。金融科技指利用科技手段去改善金融活動的一種新興的金融產(chǎn)業(yè)，它結(jié)合了金融、技術(shù)管理和創(chuàng)新管理。基于銀行、證券、基金、保險(xiǎn)等應(yīng)用平臺，引入先進(jìn)技術(shù)及算法改變傳統(tǒng)的金融服務(wù)模式。金融科技通過創(chuàng)新業(yè)務(wù)模式等方式，提高金融機(jī)構(gòu)的收益效應(yīng)，在融合金融科技的基礎(chǔ)上能夠?qū)崿F(xiàn)數(shù)字化轉(zhuǎn)型。證券公司也有望利用先進(jìn)技術(shù)實(shí)現(xiàn)以低成本方式為客戶提供高質(zhì)量服務(wù)，創(chuàng)新服務(wù)和產(chǎn)品。

本文通過分布式可擴(kuò)展的Elasticsearch（以下簡稱“ES”）系統(tǒng)作為客戶數(shù)據(jù)的存儲及搜索媒介，實(shí)現(xiàn)優(yōu)于傳統(tǒng)數(shù)據(jù)庫的高速數(shù)據(jù)搜索及聚合能力，支撐客戶價(jià)值評價(jià)及Kmeans算法的實(shí)現(xiàn)。ES是一個(gè)高度可擴(kuò)展的、開源的分布式搜索服務(wù)工具。它是由工程師Shay?Banon基于Lucene的結(jié)構(gòu)基礎(chǔ)上使用Java語言不斷優(yōu)化而來的數(shù)據(jù)檢索和分析引擎。它可以實(shí)現(xiàn)快速、近實(shí)時(shí)地存儲、搜索和分析大量數(shù)據(jù)。作為分布式系統(tǒng)ES集群是由多個(gè)節(jié)點(diǎn)所組成，節(jié)點(diǎn)由物理機(jī)或虛擬機(jī)構(gòu)成，將數(shù)據(jù)分配在多個(gè)分片。

ES的主要特點(diǎn)包括集群管理、分片存儲、數(shù)據(jù)恢復(fù)和負(fù)載均衡。ES技術(shù)普遍用于全文檢索、大數(shù)據(jù)復(fù)雜查詢的搜索領(lǐng)域。王波波等人將MySQL、Elasticsearch和SQL?Server這三種技術(shù)分別放在紡紗生產(chǎn)數(shù)據(jù)追溯方面進(jìn)行實(shí)驗(yàn)對比，研究結(jié)果發(fā)現(xiàn)，基于ES的數(shù)據(jù)追溯方法更具有穩(wěn)定性且速度更快。本文通過使用ES技術(shù)在數(shù)十億條規(guī)模的原始客戶數(shù)據(jù)中完成實(shí)驗(yàn)客戶群體的檢索，對客戶特征進(jìn)行聚類，得到不同的客戶價(jià)值分析結(jié)果，為國元證券未來的營銷策略提供依據(jù)。

2?國元證券實(shí)例分析

2.1?數(shù)據(jù)獲取

本研究首先對傳統(tǒng)RFM模型進(jìn)行指標(biāo)改造，將客戶在最近一次購買時(shí)間（R）改為最近一次買入股票的時(shí)間，該指標(biāo)可根據(jù)客戶運(yùn)營的實(shí)際需求結(jié)合股票委托、基金申購、APP登錄等進(jìn)行針對性修改。將在一定時(shí)間內(nèi)的購買商品次數(shù)（F）改為買入和賣出股票的交易次數(shù)，該指標(biāo)可結(jié)合證券行業(yè)實(shí)踐經(jīng)驗(yàn)調(diào)整為各類產(chǎn)品的專項(xiàng)研究指標(biāo)。將在一定時(shí)間內(nèi)的購買商品金額（M）修改為業(yè)績貢獻(xiàn)，該指標(biāo)在實(shí)際生成環(huán)境可根據(jù)實(shí)際相關(guān)業(yè)務(wù)收入進(jìn)行調(diào)整。完成RFM模型指標(biāo)改造，將國元證券RFM模型指標(biāo)定義為近度（R）、頻度（F）、額度（M）。借助Elasticsearch技術(shù)快速的聚合研究客戶群體數(shù)據(jù)，利用R語言數(shù)據(jù)處理軟件對數(shù)據(jù)進(jìn)行預(yù)處理和分析。

2.2?數(shù)據(jù)預(yù)處理

本文針對8000名客戶進(jìn)行研究。由于R、F、M這三個(gè)指標(biāo)存在不同的量綱，需要先對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理以消除量綱不同所帶來的偏差。標(biāo)準(zhǔn)化公式如下：

x=Xi－X-σ（X）（1）

公式（1）中，Xi是指各指標(biāo)樣本集中每一個(gè)樣本值，X-是指各指標(biāo)中所有樣本的平均值，σ（X）是指各指標(biāo)中所有樣本的標(biāo)準(zhǔn)差。表1為標(biāo)準(zhǔn)化處理后的一部分?jǐn)?shù)據(jù)。

2.3?K-mean算法的實(shí)現(xiàn)

K-means算法是一種能夠快速實(shí)現(xiàn)數(shù)據(jù)劃分的無監(jiān)督式算法，該算法由J.B.MacQueen提出，通常用于數(shù)據(jù)挖掘和模式識別。K-means算法是基于歐式距離來將給定的數(shù)據(jù)集劃分為k個(gè)簇。首先選擇K個(gè)樣本作為每一簇的初始聚類中心點(diǎn)，其余樣本點(diǎn)按照與中心點(diǎn)最小距離的標(biāo)準(zhǔn)劃分到各個(gè)簇中去，得到最初的分類，初始分類并不一定是最優(yōu)化的結(jié)果，因此需要在每次分類中重新對中心點(diǎn)的距離進(jìn)行計(jì)算，最終經(jīng)多次迭代后得到合理的分類。

本文利用K-means算法對處理后的8000條數(shù)據(jù)進(jìn)行分析，依據(jù)不同k值的總平方和來確定最佳聚類數(shù)目。由圖1可知，當(dāng)聚類數(shù)目逐漸增加時(shí)，組內(nèi)平方和（WSS）逐漸減少，當(dāng)WSS值降低的速度緩慢時(shí)，聚類數(shù)目的增加并不會提升聚類效果。因此，本次聚類數(shù)目選擇分成4類。最終所得聚類結(jié)果如表2所示。圖2為聚類后的客戶特征雷達(dá)圖。

2.4?聚類結(jié)果分析

根據(jù)表2聚類結(jié)果可以發(fā)現(xiàn)：

（1）第一類客戶的R值最大，F(xiàn)值和M值較小，這類客戶價(jià)值在這四類總客戶中屬于最低的，屬于“失活型”客戶。

（2）第二類客戶的F值最大，M值較大，R值小，說明這類客戶交易最頻繁，有較高的業(yè)績貢獻(xiàn)度，近期活躍度較高，具有較好的成長性，客戶價(jià)值高，屬于“成長型”客戶。

（3）第三類客戶的M值最大，F(xiàn)值較大，R值比較小。從這類客戶三項(xiàng)指標(biāo)可知，業(yè)績貢獻(xiàn)度最高、交易頻次較高，處于相對活躍狀態(tài)，屬于“優(yōu)質(zhì)型”客戶。

（4）第四類客戶的R值、F值和M值均較低。這類客戶綜合價(jià)值評價(jià)偏低，在股票交易方面動力不足、貢獻(xiàn)偏低，但最近的時(shí)間周期仍然活躍，無失活跡象，屬于“培育型”客戶。

2.5?RFM差異化策略

（1）失活型客戶。該類客戶的交易頻率和業(yè)績貢獻(xiàn)都很低，最近交易時(shí)間相對久遠(yuǎn)。該類客戶在日常服務(wù)過程中，會造成大量的無效服務(wù)成本。需要針對性地采用失活分類策略，根據(jù)客戶的戶齡、年齡、歷史交易行為等區(qū)分失活級別。一方面實(shí)施反休眠激活，另一方面提取失活共性特征，為新增客戶拓展及存量客戶維護(hù)提供參考，降低營銷及服務(wù)過程中過度的成本消耗。

（2）成長型客戶。此類客戶的價(jià)值僅次于優(yōu)質(zhì)型客戶，交易最為頻繁，屬于忠實(shí)型客戶。針對成長型客戶需要匹配共生保護(hù)策略，該類客戶由于交易頻率過高，會造成較高的摩擦成本和交易風(fēng)險(xiǎn)，持續(xù)開展投資者教育，在價(jià)值投資、資金管理、交易風(fēng)險(xiǎn)防范、資產(chǎn)配置等方面加強(qiáng)培訓(xùn)及服務(wù)。

（3）優(yōu)質(zhì)型客戶。此類客戶占比相對較少，但價(jià)值最高。應(yīng)該將此類客戶作為重點(diǎn)目標(biāo)，需要在三方面實(shí)施差異化策略。一是匹配重點(diǎn)客戶權(quán)益，通過各類權(quán)益保持重點(diǎn)客戶“價(jià)值感”。二是持續(xù)跟進(jìn)投資顧問服務(wù)，為客戶投資決策提供參考。三是運(yùn)營活動支持，增加有效互動連接頻率，使客戶擁有長久滿意度、依賴感和忠誠度。

（4）培育型客戶。傳統(tǒng)觀點(diǎn)認(rèn)為該類客戶屬于低價(jià)值客戶的非重要客戶，無需給予過多關(guān)注。而從RFM模型的R指標(biāo)角度審視，該類客戶近期有投資需求，具備培養(yǎng)價(jià)值，需要匹配一對一需求識別策略，加大對于該類客戶的一對一溝通力度，制定客戶反饋收集機(jī)制，充分了解客戶參與投資各項(xiàng)需求。針對有價(jià)值的反饋措施持續(xù)跟進(jìn)服務(wù)，包括定期互動及興趣邀約，深入了解客戶的實(shí)際需求，并通過電話、企業(yè)微信的溝通方式進(jìn)行持續(xù)的互動，開展現(xiàn)場及互聯(lián)網(wǎng)方式的興趣主題活動。

3?結(jié)論和啟示

本文通過使用Elasticsearch技術(shù)能夠在海量數(shù)據(jù)中更快速地獲取客戶的各項(xiàng)指標(biāo)信息，依據(jù)RFM模型來建立客戶的指標(biāo)完成復(fù)雜條件聚合，通過K-means算法來對客戶進(jìn)行分類，最后總共分為4類，這四類客戶分別為優(yōu)質(zhì)型、成長型、培育型和失活型客戶。根據(jù)這四類客戶的特征，本文分別給出了對應(yīng)的差異化運(yùn)營策略。文中的實(shí)現(xiàn)方法不僅為國元證券提供客戶運(yùn)營的輔助決策支持，同時(shí)也提高了國元證券對客戶數(shù)字化人格的刻畫能力。根據(jù)聚類結(jié)果可以得出：針對優(yōu)質(zhì)客戶、成長型客戶要給予高度的重視，對于培育型客戶應(yīng)以實(shí)際需求為核心匹配服務(wù)，對失活型客戶明確失活分類，形成識別能力，有效控制成本。

本文基于改進(jìn)的RFM模型，對國元證券客戶價(jià)值特征進(jìn)行了分析。但研究中并未對各類指標(biāo)的權(quán)重進(jìn)行深度探索。未來的研究可以結(jié)合市場實(shí)際情況對模型中各指標(biāo)權(quán)重進(jìn)一步探討。

參考文獻(xiàn)

［1］Schueffel，P.Taming?the?beast：?A?scientific?definition?of?fintech.J.Innov.Manag，2017，4，3254.

[2]施若，陳俊龍.金融科技賦能金融服務(wù)提質(zhì)增效的問題及對策分析[J].中國管理信息化，2022，25（12）：103105.

[3]Gormley?C，Tong?Z.Elasticsearch：?the?definitive?guide：?a?distributed?realtime?search?and?analytics?engine[M].?O′Reilly?Media，Inc.，2015.

[4]李志輝，陳海龍，張旭東，等.金融科技對商業(yè)銀行盈利能力的影響[J].中南財(cái)經(jīng)政法大學(xué)學(xué)報(bào)，2022，（05）：5668.

[5]潘靜.區(qū)塊鏈技術(shù)在金融行業(yè)應(yīng)用探索[J].合作經(jīng)濟(jì)與科技，2022，（14）：6465.DOI：10.13665/j.cnki.hzjjykj.2022.14.050.6

[6]張恩紅，尹海燕，李高潔，等.基于Elasticsearch的氣象數(shù)據(jù)檢索技術(shù)研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2019，29（11）：154158.

[7]胡鑫，姚宇，徐英杰，等.基于ElasticSearch的TEE病例庫檢索系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用，2018，38（S1）：9194.

[8]Gormley?C，Tong?Z.Elasticsearch：?the?definitive?guide：?a?distributed?realtime?search?and?analytics?engine[M].?O′Reilly?Media，Inc.，2015.

[9]王波波，鄭小虎，申興旺，等.基于Elasticsearch的紡紗生產(chǎn)數(shù)據(jù)追溯方法[J].紡織學(xué)報(bào)，2021，42（12）：5562.

[10]Leong?K，Sung?A.FinTech?（Financial?Technology）：?what?is?it?and?how?to?use?technologies?to?create?business?value?in?fintech?way？[J].International?Journal?of?Innovation，Management?and?Technology，2018，9（2）：7478.

[11]Elasticsearch?B?V.Elasticsearch[J].Internet：?https：//www.elastic.co/pt/，[Sep.12，2019]，2018.

[12]Frame，W.S.，L.Wall，and?L.J.White.2019.“Technological?Change?and?Financial?Innovation?in?Banking：?Some?Implications?for?FinTech.”?In?Oxford?Handbook?of?Banking，3rd?ed.，edited?by?A.Berger，P.Molyneux，and?J.O.S.Wilson，262–284.Oxford：?Oxford?University?Press.

[13]Li?Y，Wu?H.A?clustering?method?based?on?Kmeans?algorithm[J].Physics?Procedia，2012，25：?11041109.

[14]Jain?A?K，Dubes?R?C.Algorithms?for?clustering?data[M].PrenticeHall，Inc.，1988.