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，對用戶信息資料進行深入分析，了解用戶的個性化需求，并采取針對性措施設(shè)計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)識別用戶的興趣特征，是商業(yè)銀行實施差異化服務(wù)的關(guān)鍵課題。

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

兩種興趣特征維度對應(yīng)不同的商業(yè)活動目的，在實際的業(yè)務(wù)操作中具有重要的應(yīng)用價值。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，基于個體消費差異的興趣特征可識別用戶日常消費的興趣傾向，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差異的興趣特征，發(fā)現(xiàn)用戶與其他用戶的消費差異，為用戶提供具有群體差異的個性化服務(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，分別識別用戶基于個體消費差異和群體消費差異的興趣特征。在此基礎(chǔ)上，結(jié)合商業(yè)活動目標(biāo)及信用卡產(chǎn)品權(quán)益的不同特點，實施差異化營銷策略，并通過實際活動效果檢驗用戶興趣特征識別的可行性。

2 兩種興趣識別模式

2.1 基于個體消費差異的興趣識別

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

挖掘用戶個體在不同類型消費的興趣特征，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具體指標(biāo)來衡量用戶的活動響應(yīng)程度、用戶對企業(yè)的價值以及用戶忠誠度，即用戶最近購買時間R(Recency)、購買頻率F(Frequency)和總購買金額M(Monetary)。針對用戶的興趣識別而言，如果最近購買某類商品的時間間隔越短、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間、購買頻率和購買金額，計算用戶對某類商品的RFM值，并以RFM值最大化為目標(biāo)，構(gòu)建基于個體消費差異的興趣識別模型。

圖1 基于個體消費差異的興趣識別

2.2 基于群體消費差異的興趣識別

識別個體消費在群體中的差異性，需同時考慮個體在某類商品中的消費水平，以及群體在該類商品中的消費水平，并通過刻畫兩者的差異性，實現(xiàn)用戶興趣特征識別的目的。若用戶在某類商品消費的占比較高，而群體在該類商品的消費占比較低，則可認為該用戶對該類商品的消費具有群體差異，并且該用戶對該類商品表現(xiàn)出較強烈的興趣。與之相反，若用戶在某類商品消費的占比較高，但低于群體在該類商品的消費占比，則不能認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，分別計算某消費類型在個體和群體中的消費占比，進而得到該消費類型的TF值和IDF值，并以TF-IDF最大化為目標(biāo)，構(gòu)建基于群體消費差異的興趣識別模型。

圖2 基于群體消費差異的興趣識別

3 模型驗證

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），將用戶的每筆消費劃分為34種消費類型。在此基礎(chǔ)上，根據(jù)模型（1）和模型（2）識別用戶的興趣特征，并在實際的信用卡產(chǎn)品個性化推薦中推廣應(yīng)用。

3.1 興趣特征分布統(tǒng)計

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

圖3 基于個體消費差異的興趣特征分布

圖4 基于群體消費差異的興趣特征分布

根據(jù)圖3和圖4可以看出：基于個體消費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)上購物兩類消費類型；與基于個體消費差異的興趣特征相比，基于群體消費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，而小眾消費類型的用戶占比較高。

在基于個體消費差異的興趣特征中，因關(guān)注用戶個體在不同類消費的綜合占比，同時百貨超市和網(wǎng)上購物屬于用戶的日常消費需求，其消費頻率及金額相對較高，進而導(dǎo)致百貨超市和網(wǎng)上購物兩類消費類型的占比較高。與基于個體消費差異的興趣特征相比，由于基于群體消費差異的興趣特征同時考慮個體和群體之間的消費差異，對小眾消費類型而，當(dāng)用戶個體消費占比高于群體消費占比時，用戶的小眾消費類型同樣能夠被識別，因此基于群體消費差異的興趣識別模型更容易挖掘用戶的小眾興趣特征。

3.2 考慮個體消費差異的個性化推薦

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。針對用戶日常消費的用卡需求，根據(jù)模型（1）挑選出不活躍用戶日常消費的興趣特征，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，并且活動響應(yīng)率保持在18%以上，說明考慮用戶的興趣特征實施差異化換卡策略，能夠激活部分用卡不活躍用戶，同時戶均交易金額提升較為明顯，活動響應(yīng)率保持在較高水平。

圖5 戶均交易金額（元）

圖6 活動響應(yīng)率

3.3 考慮群體消費差異的個性化推薦

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差異，提供有異于群體的個性化服務(wù)。根據(jù)模型（2）識別優(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，實現(xiàn)優(yōu)質(zhì)用戶權(quán)益升級的個性化服務(wù)，例如對具有汽車消費興趣的用戶，提供汽車保險服務(wù)；對具有商旅消費興趣的用戶，提供機場貴賓廳服務(wù)等。

2017年6月光大銀行信用卡中心實施優(yōu)質(zhì)用戶權(quán)益升級個性化服務(wù)，根據(jù)個性化升級策略實施前和實施后響應(yīng)用戶的變化，檢驗基于群體消費差異的興趣識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個百分點，活動效果提升較為明顯，說明基于群體消費差異的興趣識別以及權(quán)益升級個性化服務(wù)在實際的業(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別問題。在識別用戶的興趣特征時，存在個體消費差異和群體消費差異兩個維度，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)個體消費差異和群體消費差異表現(xiàn)形式的不同，借鑒RFM算法和TF-IDF算法的基本原理，分別識別用戶基于個體消費差異和群體消費差異的興趣特征。

從模型檢驗結(jié)果看，（1）基于個體消費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)上購物兩類消費類型。基于群體消費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）將基于個體消費差異的興趣特征應(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，同時活動響應(yīng)率保持在較高水平；（3）將基于群體消費差異的興趣特征應(yīng)用于優(yōu)質(zhì)用戶的權(quán)益升級個性化服務(wù)中，策略實施后活動響應(yīng)客戶量和響應(yīng)率都有較大幅度提升。

參考文獻：

[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。