本文共字，预计阅读时间。

文/中信证券股份有限公司邓金刚、徐崚峰、陈辉华、高腾、刘殿兴、岳丰

（本文为“证券机构数字化转型与证券科技创新”征文活动入围文章。）

摘要：当前全球正经历着科技与产业高度融合的新变革，伴随着以人工智能，云计算为代表的前沿技术的发展与成熟，证券行业也正在步入金融科技的新阶段。作为国内龙头券商，中信证券始终以为客户提供最优质的金融产品与服务作为自己的责任，不断优化自身的服务模式，在这样的背景下诞生了中信证券智能营销平台。本文将对智能营销平台的建设背景，平台设计思路及在中信证券实际业务展开中的应用进行介绍，同时提出其未来业务探索思路。

1.概述

1.1.建设背景

自2016年以来，以云计算、大数据、人工智能、区块链为代表的最前沿的信息技术，伴随着日益增多的实际落地应用逐渐开始在证券行业中崭露头角，证券行业已经全面步入金融科技的新阶段。技术的革新不仅为券商带来了新的业务模式，也不断地倒逼其更新优化原有业务，将最新的技术运用到实践中，提升工作的效率与便捷性，为客户创造更好的体验。

面对着客户数量持续增长，基础业务品种及其衍生品愈加丰富，行业竞争不断加剧的情况，特别是在当前互联网技术蓬勃发展，大数据技术，知识图谱技术，人工智能及语义分析技术不断成熟的大背景下，如何充分发掘客户的价值潜力，为客户提供满意的金融产品和金融服务，提高客户的忠诚度和黏性，已经成为摆在金融从业人员面前的一道难题。能否为客户提供适合其风险偏好与收益预期的金融产品决定了客户群体对公司的口碑，良好的口碑反过来又影响着客户的忠诚度和黏性，继而不断的给公司带来业务规模的提升和利润的增长。

中信证券始终以为客户提供最优质的金融产品和金融服务作为自己的责任，在日常的业务开展中不断的总结经验，针对不同特点的客户深耕细化自己的服务水平和金融产品，不断的优化自身的服务模式。正是在这样的大背景下，中信证券智能营销平台应运而生。

1.2.业务需求分析

智能营销平台以提升中信证券的金融产品营销能力和客户服务满意度为目标，将中信证券的大数据分析能力进行组件化设计，努力从数据批处理、实时数据处理、数据挖掘、人工智能、知识图谱五大方面来提升公司内在的信息技术能力，通过这些能力的综合运用来提升客户价值和客户贡献度，同时让客户得到最适合自身的金融产品和金融服务，努力实现客户资产的保值增值，实现公司与客户的共同成长。

自2017年末智能营销系统开始筹划建设之初到实施优化过程中，我们不断对金融行业中具有代表性的智能营销体系进行跟踪调研，结合中信证券以及其他传统券商现有的金融产品销售模式，我们发现目前券商对金融产品的销售主要依托于客户经理的营销力度，更多是以客户终端显著栏位推荐热门产品为主，经分析我们认为存在的业务痛点包括：

1)客户经理数量有限，对于公司体量较大的客户群体，无法实现全客户覆盖的个性化金融产品营销；

2)客户经理之间的营销能力差异很大，个体的精力也有限，无法实现统一高质量的客户服务，无法为客户精准找到所适宜的金融产品；

3)客户终端广告栏位资源极其宝贵和有限，必须找到适合客户的金融产品，实现千人千面的产品推荐才能有效提高客户购买率；

4)传统群发短信等营销方式已经有些不合时宜。营销成本居高不下，而客户转化率却没有显著提升；

5)金融产品营销与普通物品和普通内容的推荐有着显著的差异，无法直接采用互联网推荐系统的简单算法；

6)无法实现客户操作行为的实时收集，无法实现正确的引导客户从浏览到加入自选，及最终完成购买的全程指导，无法发现客户的潜在业务办理需求。

为了能够有效解决业务痛点，更好地贯彻支持公司以客户为中心，全产品、全客户覆盖的业务策略，为经纪业务等业务部门深化构建客户服务体系提供系统支持，同时顺应移动互联网发展的态势，信息技术中心启动了中信证券智能营销平台的建设，向公司营销人员提供一款统一、专业、高效、丰富、易用的智能营销平台。

1.3.建设目标

中信证券智能营销平台旨在打造公司级的业务营销平台，结合证券行业特色，协调凝聚多方资源，通过不断引入新技术应用、配套全流程数据治理体系、完善营销运营管理制度等，构建了一套数字化、智能化、全周期、多业务、全闭环的智能营销系统，其设计目标和创新特色如下：

1）建立数字化驱动的闭环营销体系

通过整合公司内外部结构化、非结构化数据源，并通过历史营销过程、结果的反馈分析，逐步积累沉淀完善公司数据资源，通过应用最新的大数据、自然语言处理、知识图谱、机器学习模型等技术，挖掘客户的潜在需求和营销商机，并使用挖掘分析引擎，推荐引擎和业务配置引擎自动户配置差异化、个性化的营销策略。为加强对营销过程监控，系统采用“技术+管理制度”双管齐下的策略，不断加强完善过程指标体系建设，对营销执行过程中的核心环节进行系统化监控和消息推送，建立健全运营管理机制和过程考核机制，共同推动核心营销环节的跟踪、督导、协助服务，来提升各环节的营销转化率。

此外，过程化指标体系的丰富，为提炼客户特征提供了有力抓手。系统根据对营销活动的过程反馈分析，通过业务配置引擎手工或自动配置调整营销策略引擎的系统参数，优化后续营销策略的制定和执行。

图1 数字化闭环营销体系

2）建立客户全生命周期的价值管理体系

通过采用前沿的机器学习模型挖掘分析客户点击、交易、持仓、留言、员工拜访、产品行情、活动政策相关多方数据源，及时定位或预测客户当前所处或即将进入的生命周期，并在对客户，渠道，业务，场景等进行进一步细分后，实施差异化、个性化的营销服务，力求在提升客户服务体验服务效率的同时，充分挖掘不同生命周期内的客户价值。通过对客户细分和场景细分，在满足合规和风控管理的要求下，系统对客户所能触及的业务进行了多渠道覆盖，并建立了统一的营销投放和智能化引流体系，降低因高频度重复曝光带来的客户体验损失。

图2 客户全生命周期价值管理

3）引入主流前沿技术，构建适合中信证券的金融产品智能营销工作平台

目前平台已集成了Greenplum分布式数仓、Hadoop分布式计算、Spark streaming流处理技术、Redis分布式缓存等存储计算平台，并使用语音分析、文本分析、情感分析、语义分析等自然语言处理技术对大量的语音和文本等非结构化数据做了结构化处理。在应用支持方面，综合使用了协同过滤、内容推荐、热点推荐、相似推荐等多种策略进行产品、服务营销，在潜在客户挖掘方面，应用了决策树、逻辑回归、时序分析、关联规则、聚类分析等机器学习模型进行决策分析。

图3 智能营销平台关键技术词云

2.平台设计

2.1.设计思路

本部分以金融产品推荐为例，简要介绍智能营销平台的设计思路。

理财产品销售作为券商经纪、资管两大业务线重要板块和主要营收来源之一，在助力公司创新转型中起着越来越重要的作用。然而由于理财产品营销的特殊性，传统的营销服务模式暴露出越来越多的问题，在产品的精准营销上往往力不从心。客户经理通常由于营销任务繁重，以及接触数据范围，粒度和时效性等限制，只能基于客户的历史交易行为和产品池做出大方向上的产品推荐服务，因此会面临客户信息利用不充分，策略调整不及时，服务个性化程度低和主动性弱等问题。

为解决上述产品营销痛点，有效助力公司产品营销服务，智能营销平台围绕客户为中心，整合客户实时行为日志数据、产品最新行情数据、产品发行公告数据和客户历史交易数据，员工行为数据等多方数据源，以目前前沿推荐系统框架和自然语言处理技术为主要技术支撑，结合券商产品销售业务的自身特点，如下图所示，通过客户和员工行为分析，动态画像构建、参数迭代优化以及推荐引擎等四个环节，力图在最合适的时机，向合适客户推荐最合适的产品，打造产品营销数字化、个性化、精准化的产品运营体系。

图4 智能营销平台设计思路

具体实现上，智能营销系统紧密围绕产品运营过程中各个核心环节。利用Spark分布式计算框架和GreenPlum数据仓库实时抽取加载转换存储各运营环节的员工行为数据、客户行为数据、产品交易数据、产品基本信息和客户基本信息，通过准实时的数据分析平台和产品推荐引擎在各个环节捕捉实时的客户偏好，结合客户当前持仓信息和产品行情数据，以动态产品推荐策略和静态产品推荐策略相结合的方式为客户筛选当前时点最合适买入的理财产品列表，提升客户的产品浏览活跃度和各环节的服务转化效率，最终实现以较低的服务成本来增加产品保有规模。

图5智能营销平台实现方案

根据前述的设计思想和实现方案，智能营销系统通过分析拆解不同的业务功能，将各子模块进行了独立分解以提升后业务功能上的可扩展性。

2.2.逻辑架构

从系统逻辑架构上看，如图6所示，系统从左到右形成了闭环的全方位数字化运营体系。系统经过数据预处理模块得到算法引擎模块所需要的基础指标和衍生指标。

图6智能营销平台逻辑架构

算法模型中使用的数据如下：

1）准实时的终端客户经理行为数据提取产品服务相关的行为日志；

2）从信E投APP提取客户经理产品服务相关的产品浏览数据和自主发起的产品浏览数据；

3）从集中交易系统提取相关度的客户委托交易、客户当前持仓、产品行情和客户基本信息数据；

4）从wind获取的准实时的产品行情数据。

在算法层面，根据客户的相关维度指标特征，在对客户进行分群后，对不同客群，系统组合采用前述推荐系统中的协同过滤、内容推荐、热点推荐及动态相似产品推荐的策略进行产品推荐。然后根据当前市场行情和客户实时兴趣，在综合考量多样性，新颖性，当前产品销售任务等多方面因素，对推荐候选集合进行归并排序和过滤。

由于理财产品的特殊性，系统会将最终的推荐结果列表在CRM网页和手机客户端同时进行展示，以兼顾客户的自主选择空间和客户经理在产品特质、风险以及收益方面的专业指导。中信证券智能营销平台的整体逻辑层次如下图所示。

图7智能营销平台逻辑层次

3.典型应用介绍

3.1.公募基金营销

随着大数据时代的到来，传统营销系统上的技术壁垒得到日益突破。传统应系统在数据获取的实时性上的不足，导致常常依赖于客户的静态属性，营销策略调整相对滞后，客户的实时反馈不能被及时利用，进而导致服务的个性化低和能动性弱。为弥补传统营销模式在产品销售过程中的不足，依托于前述的大数据和推荐系统相关技术，在业内创新性的搭建了针对公募、私募产品和资管集合产品营销的智能营销子系统，提升营销环节对实时用户行为数据的利用率和客户产品购买个性化需求，以及根据客户的实时反馈数据，动态调整营销策略，来实现全方位数字化产品运营。

图8智能营销和传统营销对比

具体的，以解决产品营销各环节的实际痛点、难点问题为基本出发点，智能推荐系统通过针对性的数据分析策略和算法引擎，目前主要针对性的实现了如图所示的六个业务场景上的创新应用：

图9 智能营销功能展示

1）潜在客户挖掘

以客户投资利益为出发点，智能营销系统通过分析客户历史股票投资板块，行业，投资风险偏好、投资分散度、盈利能力等，从多个维度视角为从未购买过产品客户结合当前市场行情，首先使用前述的热销产品推荐算法，尝试性的推荐低风险高收益的优质产品，结合客户后续的浏览反馈行为，使用相似产品算法提供个性化的动态产品推荐，充分匹配客户近期的产品偏好，为开发新产品客户提供有力的营销决策支持。

2）新发产品目标客群定位

券商新发产品目标客群的定位是产品运营过程一个重点和难点。长期以来给客户经理提出了很大挑战。当前常用的新发产品的营销模式主要关注客户的当前资产状况和历史的产品购买偏好为主，定位的客群范围往往过大，进而加重了客户经理的营销负担，服务效率较低。为提升新发产品营销效率，智能营销系统通过数据分析模块通过分词+TFIDF技术提取产品发行说明书等非结构化数据提取产品核心标签，并结合产品固有的结构化数据对新发产品进行细粒度的产品归类，然后从相似分类的产品存量客群结合中，结合产品交易的近一年数据回测，使用决策树分类算法有效定位新发产品的目标客群。

3）存量持续经营产品（持营产品）的个性化推荐

当前很多理财APP上产品展示仍以近期收益表现良好的产品为主，千人一面，很难针对性的根据客户历史投资偏好进行个性化的推荐，进而导致转化效率很低。为提升存量持营产品销售的精准度和成交率，智能营销系统充分利用客户实时产品浏览/自选行为数据、客户历史交易数据、客户基本信息、员工历史服务行为效果数据、产品历史表现和当前行情数据，使用内容推荐算法和协同过滤算法为客户提供个性化的产品推荐服务，并根据客户的实时点击自选反馈行为，不断调整推荐列表集合，提升客户体验和产品交易转化率。

4）潜在流失客户留存

为最大限度的减少流失客户，智能营销系统根据底层数据动态捕捉客户实时资产状态、盈亏情况等信息，使用基于内容的推荐算法，及时为客户推荐优质产品，来辅助降低客户流失率。

5）无效客户激活

对于较长时间未活跃的无效客户，智能营销系统结合其历史产品投资偏好和当前市场行情，使用内容推荐算法和热销产品推荐算法推送当前表现较好的产品，尝试提升客户终端访问的活跃度，进而辅助完成无效客户激活。

6）客户产品资产优化配置

由于客户投资经验不足和对产品信息了解不够全面，客户产品持仓配置往往有很大的优化空间。平台通过数据分析模块准实时的计算客户持仓情况，通过算法引擎中的协同过滤算法从历史上优质的资产组合策略中选择优质产品，为客户提供优质的资产配置建议。

3.2.融资融券客户开发

随着我国证券市场的不断革新，证券市场交易类型不断丰富，并形成了一系列新的信用交易机制。在 2010 年，我国国务院通过了证券企业开始试行融资融券业务，从而代表我国金融行业的融资融券业务正式迈入实质操作阶段。截至 2019年末，我国已有超百家证券公司获得了融资融券业务资格，总融资金额高达10055亿元。现如今，在我国证券市场中，融资融券业务已经成为了主要的证券交易业务，它对保证证券市场经济效益，促进其繁荣发展有着非常重要的作用。

融资融券业务是中信证券重要的业务之一。截至当前，中信证券近千万的客户中仅有2%的客户开通了融资融券业务。存量客户中存在大量融资融券潜在客户。由于监管等各类合规及适当性要求，当前融资融券服务仅能在柜台进行开通。这在很大程度上限制了客户的营销渠道，无法应用各类线上平台进行大规模营销，而更多地需要客户经理在线下进行客户营销。因此如何在客户经理有限的营销精力之下向两融开通意愿的客户进行精准营销，已成为一个迫在眉睫的问题。在此背景下，中信证券利用先进的数据挖掘算法，在满足合规及适当性要求的前提下精准挖掘两融业务高意愿客户，并通过CRM智能营销管理平台进行名单推送、线索执行、数据反馈及优化的精准营销闭环流程，大幅提升了客户经理的营销成功概率。

1）两融可开客户精准营销模型技术方案及落地应用

两融精准营销模型主要采用基于Random Forest的数据挖掘算法，对客户的交易行为、资产现状和变动情况、客户的开户年限、股龄、外部资产情况等等进行深度挖掘，寻找两融业务高潜力客户。我们首先对业务人员进行了深入调研，总结了偏好于两融业务客户的业务经验。在业务经验分析的基础之上，进一步挖掘了客户在中信证券信e投app的点击行为，以及客户的年龄、性别、地域、资产、交易、风险、外部环境等多维度因素，形成更为全面的数据指标加工。最终我们从上百个指标中筛选出30个关联性较大的指标，通过随机森林的算法进行模型预测。

图10 多维度挖掘数据

从模型指标上看，两融可开客户精准营销模型具有较好的预测能力，前10%客户的响应率在平均值4.7倍。综合考虑模型准确性、客户经理的产能以及外部市场环境，模型落地采用线上线下相结合的方式。下图展示了两融精准营销的具体落地方案。首先，根据合规管理要求，从全量未开通两融客户中筛选出满足适当性条件的客户。然后利用精准营销模型，将开通概率前10%客户采用客户经理线下营销的方式进行重点营销，其余客户则采用线上短信+app推送的方式。线上模式中客户反馈出较好意愿时，再将意愿客户推送客户经理进行线下营销。

图11 两融精准营销落地方案

从营销结果上看，精准营销客户的营销成功率达2.14%。为评估模型的有效性，我们在营销线索中加入了20%的随机客户作为对照组。相较于对照组，筛选出的客户营销成功率高出9.3倍，充分说明了模型的有效性。

2）两融T+0客户挖掘模型技术方案及应用

除了使用精准营销模型开发新的潜在客户，对于存量两融客户，我们也不断尝试为其提供新的服务，扩展客户的投资手段，充分发挥融资融券业务控制风险的作用。T+0交易即客户对同一支标的在一天之内同时有买入和卖出行为，T+0交易的优点包括使用灵活，并且能够有效规避突发风险等，并且尤其适合于融资融券客户进行操作。经过客户调研，单2019年四季度中信证券进行过T+0交易的经纪业务客户就有24万左右，其中仅有不到2万名客户在进行T+0交易时进行了融资或融券，可见存在着较大的潜在两融客户的T+0交易需求。因此我们建立了两融T+0客户挖掘模型，寻找并开发符合条件的两融客户，为其提供更优质全面的两融服务。

我们使用XGBOOST算法对现有两融客户进行建模，根据客户的画像及交易特征信息对其最终两融T+0交易使用行为的影响，筛选出了40余个有效变量，并使用这些变量进行建模，对潜在两融T+0使用用户进行预测。最终模型AUC能达到92，并且预测结果显示对前10%的客户，营销效率可以增加6.7倍。

3.3. 基金销售规模预测

基金产品的销售收入是公司财富管理的重要收入之一。以权益类公募基金为例，近两年以来公司发行/代销各类基金达132只，累计认购金额88亿，购买客户数达22.5万户，户均购买金额3.9万元。由于市场上基金产品数量众多，无法向所有的客户推荐全部产品。如何从众多基金产品中筛选出更适合客户的目标产品，成为经营机构非常关心的问题。中信证券已开发基于客户维度的基金产品推荐引擎，能根据客户的多元特征进行千人千面的基金产品推荐。而对于经营机构来讲，通常会筛选一些重点基金进行专门的基金营销和管理。由于经营机构和客户经理的精力有限，如果能提前预测出哪些基金能够热卖，基金销售规模如何，这将有助于经营机构有的放矢地进行产品销售管理，制定更为科学的营销激励及考核政策。另一方面，通过基金销售规模的预测，能有助于我们了解哪些因素将影响基金产品的活跃度，帮助产品研发部门更为了解客户偏好，促进产品的开发。在此背景下，我们开发了基金销售规模预测模型，预测自营/代销的权益类公募基金销售额，以协助业务部门进行更为科学的产品研发和销售管理。

通过决策树和LASOO回归模型的运用，基金销售规模预测模型表现出较高的准确性，模型能较为准确地识别哪些产品可以取得热卖，并且预估出产品的销售规模。从产品销售的角度来讲，模型能较为准确地分析出客户的营销次数、营销渠道、产品特征对于产品销售规模的营销，有助于更为科学有效地进行产品销售。从产品研发的角度讲，模型也分析出基金经理、历史业绩等指标对于产品销售的影响行为，有助于基金公司能够科学量化地进行相关产品的研发，并且选择更为合适的时点进行基金发行。

4.未来业务探索

当然，智能营销系统自身紧密结合公司经纪业务发展需求，不断的优化升级，在助力业务结构调整和发展转型上也在不断尝试以下几个方面的探索：

1）产品营销相关的投资顾问管理

以投资组合管理理论为指导，结合线上的投资经验和客户当前产品持仓分布，为客户提供优质的投资组合建议。例如，为高风险偏好的客户提供适当的低风险产品的配置建议，引导客户注重价值投资，开发收益稳健，风险可控的基金组合产品来辅助客户做好投资风控管理等。

图12 智能营销拓展方向

2）其它市场行情数据引入

为了给客户提供个性化产品推荐服务，既要结合客户的投资偏好，也有结合产品的历史表现。故在前述归并模块后的推荐候选集中，往往要对产品进行收益排名。为兼顾市场变化对产品收益的预期影响，目前也正基于对结构化和非结构的行情数据分析结果，来考虑市场整体环境，比如股市行业板块，主题板块，基金的业绩比较基准近期的市场表现，以及准实时的资讯信息，来矫正市场环境变化对基于产品历史表现的排名策略的波动影响，进而更客观、更准确、更专业的为客户提供优质的产品服务。

3）员工行为规则的自学习

当前对于平台上员工行为分析主要基于对任务执行后的客户服务留痕数据的解析，来分析不同的服务模式对客户交易的影响。后期会进一步通过行为日志，进一步分析员工在客户遴选，产品筛选等方面的个性化特征，结合其任务实际执行效果，通过机器学习算法（如逻辑回归等）来训练识别高产出、高转化率的个性化筛选特征，进而辅助进行客户偏好计算和优质产品-客户推荐服务策略的系统性推广。

5.结语

毕马威中国曾在其发布的《2017年中国证券业调查报告》中表示，在不久的将来，证券行业属于将金融科技与传统金融综合服务能力深度融合、以智能科技提升全业务链体系和改造效率的先行领军者^[1]。中信证券股份有限公司总经理杨明辉曾在“金融科技下半场——第一届资管科技行业高峰论坛”中谈到，公司一直增加信息技术方面的资源投入，并且持续加强金融科技平台的开发和大数据、人工智能等新技术的应用，助推公司内外部全方位发展。在未来中信证券也必将在应用行业尖端金融科技技术，主动拥抱变革的道路上愈走愈远^[2]。

---

参考文献：

[1]极客网.AI进军金融圈，惠及亿万普通投资者[EB/OL].https://www.fromgeek.com/ai/128444.html,2017-11-24.

[2]腾讯财经.中信证券杨明辉：京东数字科技为金融机构带来领先解决方案[EB/OL].https://xw.qq.com/cmsid/FIN2019071600650700,2019-07-16.

[Source]

本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文版权归原作者所有，如有侵权，请联系删除。