1 引言

我國信用卡行業(yè)經(jīng)歷18年高速發(fā)展，全行業(yè)已累計(jì)發(fā)卡超過9億張，全國性商業(yè)銀行發(fā)卡量均已超過1千萬張。伴隨用戶規(guī)模的快速增長，銀行信用卡業(yè)亟需在收集用戶信息的基礎(chǔ)上，對用戶信息資料進(jìn)行深入分析，了解用戶的個(gè)性化需求，并采取針對性措施設(shè)計(jì)符合用戶要求的差異化產(chǎn)品，力求提高用戶滿意度和忠誠度^[1,2]。差異化服務(wù)已成為商業(yè)銀行面對激烈市場競爭的基本戰(zhàn)略模式，如何根據(jù)用戶的交易行為信息精準(zhǔn)識(shí)別用戶的興趣特征，是商業(yè)銀行實(shí)施差異化服務(wù)的關(guān)鍵課題。

事實(shí)上，用戶的興趣特征可分為個(gè)體消費(fèi)差異和群體消費(fèi)差異兩個(gè)維度。在個(gè)體消費(fèi)差異維度下，當(dāng)用戶在百貨超市類消費(fèi)的綜合消費(fèi)能力高于其他類消費(fèi)，可認(rèn)為相比于其他類消費(fèi)，該用戶更偏向于百貨超市類消費(fèi)。在群體消費(fèi)差異維度下，當(dāng)用戶在商旅類消費(fèi)的消費(fèi)占比高于其他用戶，可認(rèn)為與其他用戶相比，該用戶對商旅類消費(fèi)的興趣特征更明顯。

兩種興趣特征維度對應(yīng)不同的商業(yè)活動(dòng)目的，在實(shí)際的業(yè)務(wù)操作中具有重要的應(yīng)用價(jià)值。對于交易不活躍用戶而言，由于銀行不能提供符合其自身需要的服務(wù)而不愿用卡消費(fèi)，基于個(gè)體消費(fèi)差異的興趣特征可識(shí)別用戶日常消費(fèi)的興趣傾向，為銀行挖掘不活躍用戶的用卡需求提供策略支持。對于現(xiàn)有優(yōu)質(zhì)用戶，為提升用戶的粘性和提高服務(wù)質(zhì)量，銀行可基于群體消費(fèi)差異的興趣特征，發(fā)現(xiàn)用戶與其他用戶的消費(fèi)差異，為用戶提供具有群體差異的個(gè)性化服務(wù)。

本文根據(jù)兩種興趣特征維度的含義，借鑒RFM算法和TF-IDF算法的基本原理，分別識(shí)別用戶基于個(gè)體消費(fèi)差異和群體消費(fèi)差異的興趣特征。在此基礎(chǔ)上，結(jié)合商業(yè)活動(dòng)目標(biāo)及信用卡產(chǎn)品權(quán)益的不同特點(diǎn)，實(shí)施差異化營銷策略，并通過實(shí)際活動(dòng)效果檢驗(yàn)用戶興趣特征識(shí)別的可行性。

2 兩種興趣識(shí)別模式

2.1 基于個(gè)體消費(fèi)差異的興趣識(shí)別

從個(gè)體消費(fèi)的差異看，用戶在不同類型消費(fèi)的金額以及頻次各有差異，同時(shí)這種差異不僅與用戶的興趣特征有關(guān)，還與消費(fèi)類型的屬性相關(guān)。以餐飲消費(fèi)和電子消費(fèi)為例，在日常消費(fèi)中，餐飲消費(fèi)由于其必要性，具有高頻低額的消費(fèi)特點(diǎn)，而電子消費(fèi)的消費(fèi)頻次明顯低于餐飲消費(fèi)，同時(shí)電子消費(fèi)的平均價(jià)格更高。因此，單一考慮用戶的消費(fèi)金額、消費(fèi)頻次以及消費(fèi)筆數(shù)等指標(biāo)均無法有效衡量用戶對不同類商品的消費(fèi)水平。

挖掘用戶個(gè)體在不同類型消費(fèi)的興趣特征，其核心就是要綜合評估用戶在不同類商品中的消費(fèi)水平。RFM算法由美國數(shù)據(jù)庫營銷研究所Arthur Hughes提出，目前已被廣泛應(yīng)用于用戶關(guān)系管理領(lǐng)域^[3]。算法的基本思想是通過三個(gè)具體指標(biāo)來衡量用戶的活動(dòng)響應(yīng)程度、用戶對企業(yè)的價(jià)值以及用戶忠誠度，即用戶最近購買時(shí)間R(Recency)、購買頻率F(Frequency)和總購買金額M(Monetary)。針對用戶的興趣識(shí)別而言，如果最近購買某類商品的時(shí)間間隔越短、購買的頻次越高、購買的金額越大，理論上可以認(rèn)為該類商品符合用戶興趣特征的可能性越大。為此，借鑒RFM算法的基本原理，根據(jù)用戶最近購買某類商品的時(shí)間、購買頻率和購買金額，計(jì)算用戶對某類商品的RFM值，并以RFM值最大化為目標(biāo)，構(gòu)建基于個(gè)體消費(fèi)差異的興趣識(shí)別模型。

圖1 基于個(gè)體消費(fèi)差異的興趣識(shí)別

2.2 基于群體消費(fèi)差異的興趣識(shí)別

識(shí)別個(gè)體消費(fèi)在群體中的差異性，需同時(shí)考慮個(gè)體在某類商品中的消費(fèi)水平，以及群體在該類商品中的消費(fèi)水平，并通過刻畫兩者的差異性，實(shí)現(xiàn)用戶興趣特征識(shí)別的目的。若用戶在某類商品消費(fèi)的占比較高，而群體在該類商品的消費(fèi)占比較低，則可認(rèn)為該用戶對該類商品的消費(fèi)具有群體差異，并且該用戶對該類商品表現(xiàn)出較強(qiáng)烈的興趣。與之相反，若用戶在某類商品消費(fèi)的占比較高，但低于群體在該類商品的消費(fèi)占比，則不能認(rèn)為該用戶對該類商品表現(xiàn)出有異于群體的興趣特征。

TF-IDF算法由Salton等^[4]在1988年提出，是一種用于信息檢索與文本挖掘的加權(quán)技術(shù)。算法通過詞頻（TF）捕捉某個(gè)詞組在某條樣本中出現(xiàn)的頻次，以逆向文件頻率（IDF）為權(quán)重考慮該詞組在其他樣本中出現(xiàn)的頻次，并根據(jù)TF和IDF的乘積得到該詞組的區(qū)分能力。在TF-IDF算法下，若某詞組在全樣本中出現(xiàn)的頻次越高，則說明該詞組出現(xiàn)在大部分的樣本中，其代表類別的能力就越弱，也就是說該詞組的重要程度越低，反之亦然。借鑒TF-IDF算法的基本原理，分別計(jì)算某消費(fèi)類型在個(gè)體和群體中的消費(fèi)占比，進(jìn)而得到該消費(fèi)類型的TF值和IDF值，并以TF-IDF最大化為目標(biāo)，構(gòu)建基于群體消費(fèi)差異的興趣識(shí)別模型。

圖2 基于群體消費(fèi)差異的興趣識(shí)別

3 模型驗(yàn)證

根據(jù)信用卡用戶上千萬條交易流水信息，利用銀聯(lián)商戶類別碼（MCC碼），將用戶的每筆消費(fèi)劃分為34種消費(fèi)類型。在此基礎(chǔ)上，根據(jù)模型（1）和模型（2）識(shí)別用戶的興趣特征，并在實(shí)際的信用卡產(chǎn)品個(gè)性化推薦中推廣應(yīng)用。

3.1 興趣特征分布統(tǒng)計(jì)

從全行用戶中隨機(jī)篩選100萬戶用戶作為統(tǒng)計(jì)樣本，分別計(jì)算在兩種興趣識(shí)別模式下用戶的興趣特征分布，結(jié)果如圖3-4所示。

圖3 基于個(gè)體消費(fèi)差異的興趣特征分布

圖4 基于群體消費(fèi)差異的興趣特征分布

根據(jù)圖3和圖4可以看出：基于個(gè)體消費(fèi)差異的興趣特征分布較為集中，主要分布于百貨超市和網(wǎng)上購物兩類消費(fèi)類型；與基于個(gè)體消費(fèi)差異的興趣特征相比，基于群體消費(fèi)差異的興趣特征分布較為分散，百貨超市和網(wǎng)上購物的用戶占比較低，而小眾消費(fèi)類型的用戶占比較高。

在基于個(gè)體消費(fèi)差異的興趣特征中，因關(guān)注用戶個(gè)體在不同類消費(fèi)的綜合占比，同時(shí)百貨超市和網(wǎng)上購物屬于用戶的日常消費(fèi)需求，其消費(fèi)頻率及金額相對較高，進(jìn)而導(dǎo)致百貨超市和網(wǎng)上購物兩類消費(fèi)類型的占比較高。與基于個(gè)體消費(fèi)差異的興趣特征相比，由于基于群體消費(fèi)差異的興趣特征同時(shí)考慮個(gè)體和群體之間的消費(fèi)差異，對小眾消費(fèi)類型而，當(dāng)用戶個(gè)體消費(fèi)占比高于群體消費(fèi)占比時(shí)，用戶的小眾消費(fèi)類型同樣能夠被識(shí)別，因此基于群體消費(fèi)差異的興趣識(shí)別模型更容易挖掘用戶的小眾興趣特征。

3.2 考慮個(gè)體消費(fèi)差異的個(gè)性化推薦

在信用卡業(yè)中，因?qū)Σ糠钟脩舻姆?wù)不能滿足用戶自身的需求，各家銀行都存在一定規(guī)模的用卡不活躍用戶，這部分用戶不僅不能為銀行帶來收入，同時(shí)占用銀行的授信額度資源，激活不活躍用戶成為銀行客戶生命周期管理的重要組成部分。針對用戶日常消費(fèi)的用卡需求，根據(jù)模型（1）挑選出不活躍用戶日常消費(fèi)的興趣特征，并為用戶重新更換符合用戶興趣特征的卡產(chǎn)品，以期激活用戶的用卡需求，例如對具有網(wǎng)上消費(fèi)興趣的用戶，提供具有網(wǎng)上購物權(quán)益的京東白條信用卡；對具有旅游興趣的用戶，提供具有旅游消費(fèi)權(quán)益的凱撒旅游信用卡等。

2018年5-8月，光大銀行信用卡中心對不活躍用戶開展差異化換卡策略，活動(dòng)效果如圖5-6所示。從圖5-6可以看出，換卡后不活躍用戶的戶均交易金額提升至2768元，并且活動(dòng)響應(yīng)率保持在18%以上，說明考慮用戶的興趣特征實(shí)施差異化換卡策略，能夠激活部分用卡不活躍用戶，同時(shí)戶均交易金額提升較為明顯，活動(dòng)響應(yīng)率保持在較高水平。

圖5 戶均交易金額（元）

圖6 活動(dòng)響應(yīng)率

3.3 考慮群體消費(fèi)差異的個(gè)性化推薦

隨著用戶規(guī)模的增加，信用卡業(yè)越來越重視優(yōu)質(zhì)用戶的服務(wù)管理，光大銀行、中信銀行、交通銀行等信用卡中心紛紛實(shí)施用戶權(quán)益升級服務(wù)。為提高優(yōu)質(zhì)用戶的用卡粘性，提升銀行對用戶的服務(wù)質(zhì)量，銀行應(yīng)發(fā)掘優(yōu)質(zhì)用戶與其他用戶的消費(fèi)差異，提供有異于群體的個(gè)性化服務(wù)。根據(jù)模型（2）識(shí)別優(yōu)質(zhì)用戶的興趣特征，并根據(jù)用戶的興趣特征匹配對應(yīng)的信用卡升級權(quán)益，實(shí)現(xiàn)優(yōu)質(zhì)用戶權(quán)益升級的個(gè)性化服務(wù)，例如對具有汽車消費(fèi)興趣的用戶，提供汽車保險(xiǎn)服務(wù)；對具有商旅消費(fèi)興趣的用戶，提供機(jī)場貴賓廳服務(wù)等。

2017年6月光大銀行信用卡中心實(shí)施優(yōu)質(zhì)用戶權(quán)益升級個(gè)性化服務(wù)，根據(jù)個(gè)性化升級策略實(shí)施前和實(shí)施后響應(yīng)用戶的變化，檢驗(yàn)基于群體消費(fèi)差異的興趣識(shí)別以及差異化營銷策略的效果，結(jié)果如圖7-8所示。

圖7 響應(yīng)用戶量（萬戶）

圖8 響應(yīng)用戶率

從圖7-8可以看出，在差異化策略實(shí)施后，升級響應(yīng)用戶提升0.67萬戶，用戶響應(yīng)率提升5個(gè)百分點(diǎn)，活動(dòng)效果提升較為明顯，說明基于群體消費(fèi)差異的興趣識(shí)別以及權(quán)益升級個(gè)性化服務(wù)在實(shí)際的業(yè)務(wù)操作中具有一定的可行性。

4 結(jié)論

本文研究了信用卡用戶興趣特征的識(shí)別問題。在識(shí)別用戶的興趣特征時(shí)，存在個(gè)體消費(fèi)差異和群體消費(fèi)差異兩個(gè)維度，在不同的維度下用戶的興趣特征以及應(yīng)用場景都具有較大的差異。根據(jù)個(gè)體消費(fèi)差異和群體消費(fèi)差異表現(xiàn)形式的不同，借鑒RFM算法和TF-IDF算法的基本原理，分別識(shí)別用戶基于個(gè)體消費(fèi)差異和群體消費(fèi)差異的興趣特征。

從模型檢驗(yàn)結(jié)果看，（1）基于個(gè)體消費(fèi)差異的興趣特征分布較為集中，主要分布于百貨超市和網(wǎng)上購物兩類消費(fèi)類型?；谌后w消費(fèi)差異的興趣特征分布較為分散，容易挖掘用戶的小眾興趣特征；（2）將基于個(gè)體消費(fèi)差異的興趣特征應(yīng)用于不活躍用戶的換卡策略中，用戶的戶均交易金額提升顯著，同時(shí)活動(dòng)響應(yīng)率保持在較高水平；（3）將基于群體消費(fèi)差異的興趣特征應(yīng)用于優(yōu)質(zhì)用戶的權(quán)益升級個(gè)性化服務(wù)中，策略實(shí)施后活動(dòng)響應(yīng)客戶量和響應(yīng)率都有較大幅度提升。

參考文獻(xiàn)：

[1] 安賀新, 蘇朝暉. 商業(yè)銀行客戶關(guān)系管理[M], 清華大學(xué)出版社, 2017.

An Hexin, Su Zhaohui. Commercial bankcustomer relationship management[M], Tsinghua University Press, 2017.

[2] 榮輝, 任天飛. 我國商業(yè)銀行實(shí)施“差異化營銷”戰(zhàn)略的可行性分析及對策[J]. 管理科學(xué), 1999, (5): 22-25.

Rong Hui, Ren Tianfei. Feasibility study andcounter-measures for our commercial banks to implement ‘differentiatedmarketing’ strategy[J]. Journal of Management Science, 1999, (5): 22-25.

[3]Miglautsch J R. Thoughts of RFM scoring[J]. Journal of Database Marketing &Customer Strategy Management, 2000, 8(1): 67-72.

[4]Salton G, Buckley C. Term-weighting approaches in automatic text retrieval[J].Information Processing & Management, 1988, 24(5): 513-523.

作者劉家和，中國光大銀行信用卡中心策略研究部。