本文共字，预计阅读时间。

如何借助科技力量深入挖掘存量客户的价值，从而提高经营效益，已成为银行业亟需思考的问题。我们在上周文章《盘活存量客户 占融建模方案助力国有大行挖掘高价值客户》中，简要介绍了挖掘高价值客户面临的数据难题以及解决方案，本篇从技术角度详解如何挖掘高价值客户。

传统高价值客户识别方法难以满足银行需求

通常，银行使用传统方式，从资产维度定义高价值客户，如将月均AUM（资产管理规模）作为判断客户价值的指标，开展定向营销工作。

然而，数据统计和实践证明，高价值客户群体在不同人生阶段，具有不同资产配置需求，资产配置风格也呈现出“千人千面”的趋势。在此背景下，通过传统方式定义的客户群体显然存在局限性，这种方式筛选出来的客户并不一定是银行的高贡献度客户。

占融方案助力银行挖掘高价值客户  

占融数科拥有经验丰富的专家团队，围绕“客户对银行的需求”与“客户对银行的价值”两个方向开展专家研讨，充分考虑到银行的特色，构建定制化模型和使用策略。

基于联邦学习隐私计算技术，对行内外的海量数据进行大数据衍生，综合客户关联企业、存贷款、交易行为、保险理财及其他金融产品购置等信息，打破业务条线壁垒，构建立体的客户画像，帮助银行从存量客户中筛选出具有潜力的高价值客户，再通过协同算法对潜力高价值客户推荐行内产品，实现个性化营销，提高营销转化效率，同时增强客户体验，优化客户资产配置，打开银行和客户双赢的新局面。

高价值客户挖掘两大技术要点

在高价值客户挖掘过程中，主要涉及联邦学习隐私计算技术，该技术能保障数据安全合规。具体而言，通过联邦学习（Federated Learning）机制，在保证行内、行外数据不流动，隐私安全、合法合规的基础上，利用各个节点的数据，多方共建虚拟的共有模型，交互加密后的模型参数或梯度等信息，提升模型的效果。

我们对联邦学习主要涉及的技术要点进行具体分析：

1、基于数据分布情况的联邦学习类型及应用现状

联邦学习技术基于数据分布情况可以划分为三个类型，以包含两个数据拥有方的联邦学习为例，数据分布可以分为三种情况：

1）两个数据集的用户特征（X1,X2,…）重叠部分较大，而用户(U1, U2…)重叠部分较小；

2）两个数据集的用户(U1, U2…)重叠部分较大，而用户特征（X1,X2,…）重叠部分较小；

3）两个数据集的用户(U1, U2…)与用户特征重叠（X1,X2,…）部分都比较小。

基于以上情况，联邦学习大致可以分为横向联邦学习、纵向联邦学习与联邦迁移学习。目前应用较为广泛的是前两个模式。

2、同态加密技术如何助力保护数据隐私

与传统的模型训练不同，联邦学习中的训练问题，可以认为是我们将任务拆分到了不同的协作方中，各方用户拥有不一样的数据特征、人群，但真实标签y只在一方中，需要拥有y的那一方发起训练，模型调用预测等。联邦学习将参与方分成两部分：主动方（Active Party，拥有y标签）和协作方（Passive Party，拥有特征）。

同态加密是一种加密算法，可以令参与方可以在不接触原有数据的情况下进行数据处理。假设a,b都是明文，f是加密函数，g是解密函数，将a,b加密之后相加得到f(a)+f(b)=f(c)，将f(c)解密得到g(f(c))，最终得到的是一堆乱码。但根据同态加密的性质（如下），即使只含有加密后的明文，只要通过同态加密的算法，仍可以求解出和，便于后续计算。

通过同态加密算法，可以保证主动方与协作方之间梯度的传输信息是加密的，能有效防止数据泄漏。

通过协同过滤推荐产品，增强精准营销能力

挖掘高价值客户后，通过协同过滤技术推荐产品，协助营销策略的实施落地，满足个性化营销和投资回报率。

首先，计算评价客户产品偏好的各类评分，包括客户行为模型分、固定收益类理财偏好、现金管理类理财偏好、其他类理财偏好、保险偏好、基金偏好、信用卡偏好、贷款偏好等评分。然后，根据客户间产品评分的欧氏距离计算结果，在客户推荐样本池中寻找与目标客户相似高的客户群，根据高相似客户群的产品偏好对目标客户进行针对性的产品推荐。

 结语

占融在联合建模、隐私计算、协同过滤等技术方面具有深厚积累，实现了数据联合建模和共同训练，大幅提高了数据隐私保护和模型效果，能够在不暴露原始数据的情况下，计算数据，且计算结果可被验证。同时，占融对协同过滤算法进行了不断优化和改进，能够根据用户特征，精准地推荐个性化金融产品和服务，帮助银行等金融机构做大AUM。

为积极响应国家监管合规政策，占融通过划分客户层级，精准识别出高价值客户，为银行营销策略的制定提供有效的数据支持，辅助推行差异化营销服务和资产配置方案，助力银行展现专业化、技术化、动态化的金融服务能力，为客户的投资实现良性循环，增强客户粘性，坚定促进银行与客户双赢局面的形成。

 

 

[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。