莘县农商银行：坚持减息让利，推进量增质优

记者王旭奎通讯员许磊王方方

莘县农商银行秉持“宁让利率、不让市场”的发展理念，通过创新普惠性、低利率产品赢得市场先机，加大对重点产业和重点客群的营销力度，以实实在在的让利，赢得客户、留住客户，助力零售业务持续稳步增长，实现客户数与“贷款总量”的“双提升”，2019年以来贷款加权执行利率下降了373个BP。截至9月末，该行零售贷款余额达118.74亿元，较年初增加16.31亿元；零售贷款户数45252户，较年初增加1539户；零售贷款占比72.76%，较年初提升2.29个百分点。

坚持普惠性原则，深化产品创新。一是推出“莘情贷”，丰富线上贷款产品。为突破普惠金融发展瓶颈，莘县农商银行以“社保卡快贷系统”为依托，与聊城市智慧金融服务平台对接，打破政金企之间的信息壁垒，研发推出“莘情贷”，实现“贷款准入标准自动化”、“贷款授信额度合理化”、“贷款利率定价科学化”、“客户办贷自助化”，进一步畅通支农、惠民渠道，提升信贷的可得性与实惠性。至9月末，“莘情贷”用信达到2612户、1.2亿元。二是推出“创业贷”，助力普惠小微。“创业贷”主要针对就地就近就业创业的城乡居民，有效的解决了创业初期城乡居民融资难题，支持低收入居民就业，落实“客户有需求，我们没门槛”的服务理念。目前“创业贷”用信8660户、6.44亿元。三是依托政策性信贷产品财政贴息、利率优惠等优势，强化对接营销。积极对接莘县人力资源和社会保障局，签订《莘县创业担保贷款合作协议》，充分发挥创业担保贷贴息优势，结合“支行驻地一公里内沿街商铺走访活动”，培育“首贷客户”。目前该行“创业担保贷”用信616户、1.18亿元，分别较年初增长131户、2691万元。

围绕产业和客群，逐步让利实体。一是利用季节性特点，围绕重要节点，开展专项营销活动。二季度开展粮食购销专项营销活动；三季度利用中秋、国庆节假日前夕商户订货备货的融资需求，开展批发零售行业客户营销活动。二是农区围绕“五大产业”，重点支持辖区“米袋子”工程、“菜篮子”工程、畜禽水产养殖、农资农机农技、肉类及屠宰冷冻加工“五大产业”客户，围绕“中国蔬菜第一县”建设突出对精品香瓜、绿色西瓜、精致蔬菜、安心韭菜、有机山药、极品蘑菇、放心畜禽等7条种养带信贷支持。目前，自主研发的“大棚产业贷”用信6907户、10.45亿元，对接粮食购销行业客户1237户，获取融资需求1.6亿元。三是城区围绕“五大行业”，重点支持辖区批发零售业、交通运输仓储和邮政业、住宿和餐饮业、居民服务修理和其它服务业、建筑业“五大行业”客户，突出抓好对新市民、个体工商户和小微企业的信贷支持。目前城区支行筛选出辖内145家仓储冷库行业客户、4195户餐饮行业客户、679户中小超市经营者，明确支行进市场、进园区开展批量获客营销。

开展“三大活动”，保障客户资源。一是科技赋能，做牢“客群分析”。结合智慧营销系统，通过对客户多维度、分类别的贴标签、找共性，实现客群精准化管理，按照客户属性、所属行业对客户进行分类入格，根据网格概览，按照年龄分布、存款额度分布、贷款额度分布等进行业务特点归纳，细分客户特征，深挖客群共性，找到客群痛点，挖潜客群需求。二是客户分层，做实“获客活客”。在“客群分析”的基础上，针对不同客群制定不同的服务方案，通过“产品获客”、“渠道获客”、“服务活客”为客户提供快速、普惠、有温度的金融服务，解决客户“急难愁盼”问题，通过差异化服务链接客户、高频互动，建立长期联系，带动存贷汇业务提升。三是明确责任，做优“分岗管户”。坚持“清单-见面-促成”流程，按照“分层认领”、“熟户认领”、“客户专属”原则，持续开展分岗管户活动，通过每周五开展“大走访、大营销”活动，固化管户动作，由“单一客户向家庭住户，小客户向大客户，单一产品客户向全产品客户”转变。

联通大数据获客，贷款公司如何获客

如果一个需要贷款的客户，运营商获取相关客户行为，。与这些贷款有关。一般意向转化率在10%左右，访客当然是潜在意向客户。

或提供相关贷款的具体短信，可获得：下款客户、还款客户用户等。如果说，你也是贷款行业，需要获客，我们无妨就评论区谈谈吧。

如今，巨大的贷款团队面临着越来越大的运营压力，客户存储是生存的关键。传统的奇怪访问，所有的销售市场都不能满足它的要求。互联网消费行为的整合和转变反映在销售市场端，直接影响广告策略的建立和应用。

然而，随着在线工作的不断扩大，如高推广成本、低转化率等。为了应对这样的环境，商业贷款公司需要更合理地进行广告推广。

一、使用互联网平台。

网络自媒体客户拓展主要是指客户根据互联网技术对自媒体基础贷款知识的广泛应用和常见问题的解释，并将其转化为自己的客户。

一，我们也可以依靠互联网平台。由于安全的普及，许多人需要掌握商业贷款。我们周围的大多数人都很安全。

二，研究用户的需求

从客户的角度来看，解决市场销售的问题。例如，当人们年轻的时候，人们非常强壮，但销售人员强烈推荐一种非常昂贵的主要疾病保险，你认为谁能买到它呢?同样，有些人经常旅行，经常开车，可能更愿意选择一些交通保险、意外贷款等，如果有孩子，你可以选择教育保险等。

三、活动拓客。

这种方法在两年前很常见，功能也很强大。众所周知，汽车保险公司特别喜欢做一些活动。这种方法具有明显的优点，灵活运用了我们的从众效应和贪小便宜的心理状态，短期内可以获得很多客户名单。

四、联通大数据获客营销平台。

运营商的大数据客户获取。在精准营销推广方面，联通大数据客户获取营销平台拥有从底层机械设备和移动数据网络到高层客户行为数据信息的大部分信息内容、生活习惯、消费行为等特征数据信息，基于挖掘客户历史数据和实时数据，应用数字模型蚁群算法。

根据短信、互联网推广等形式，提炼整理符合金融机构或其他类型机构目标客户群体的客户特点、行为爱好的关键词和独特标识，为各行业提供有效的互联网技术、互联网大数据精准营销分析和精准服务项目。

根据中国联通运营商的大数据分析，掌握并获取网站地址等所有综合服务平台，APP及时申请注册的客户信息内容。还可以根据区域、性别、年龄、职位、爱好、访问次数、语音聊天时间等进行全面、平台的筛选。

客户画像分析无头绪？来试下风险评分与特征的方案与实现

在银行等金融机构的信贷业务中，围绕存量客户的数据分析与价值挖掘，始终是客户管理体系的核心思想。针对存量客户群体的类型划分与画像描述，是实现客户价值评估以及精准营销的重要前提，也是业务创益增收的必要条件。

1、客户分类与画像场景

我们经常提到的客户分类与客户画像，是数据分析任务比较熟悉的场景，二者本质上都是对存量客户样本的数据分析，但最明显的区别是客户分类结果重在“宏观”上的群体类别，而客户画像结果旨在“微观”上的特征描述。换一句话来讲，客户分类可以不需要细节总结，客户画像可以不考虑类型划分。当然，客户分类与客户画像的关系也非常密切，先“宏观”分类再“微观”画像的应用思路，在实际业务场景中更为常见且效果更佳。在具体实践过程中，客户分类相比客户画像在实现方法上往往更为复杂，不是简单的通过描述性统计分析便得到样本分类，而是需要借助于相关业务指标或者模型算法。一种情况是结合实际业务理解，选取某个或多个维度指标作为分类依据，然后选取合适的阈值划分类型；另一种情况是依靠机器学习模型来训练完成，常见的主要为聚类模型算法，例如K、DBSCAN等。当客户群体完成分类后，可以针对每类客户群体，从某些业务解释性较好的特征着手，通过简单的描述统计值来刻画出客户分布的特点，这样便实现客户群体的画像。这里简单举个例子，假设有一批存量客户数据，特征为年龄、婚姻状况、教育程度、住房类型、月收入金额等字段，可以先通过K聚类模型对样本进行聚类分析，例如定义聚类数量K=3，则可以得到3个客户簇类，接着根据每个簇类样本群体，依次统计客户特征的均值与极值等，例如第1簇类群体，平均年龄为36岁，大多数已婚，教育程度平均学历为大学本科，住房类型多数为自置有按揭，月收入平均约为2万元等。这个分析与描述过程，可以认为是客户分类与客户画像有效结合，在实际场景中有很多类似的场景应用。

2、实例样本介绍与分析

为了便于大家对客户分类与客户画像的进一步熟悉与理解，接下来我们围绕具体的实例样本数据，来完成客户样本数据的分类与画像。本文选取的样本数据包含10000条样本与9个字段，部分数据样例如图1所示。其中，i为样本客户主键，i_、i_v、_ix、k_等为特征变量，为客户贷后逾期表现（1/0代表是否逾期），具体的特征字典如图2所示。

编辑

添加图片注释，不超过140字（可选）

图1样本数据样例

编辑

添加图片注释，不超过140字（可选）

图2特征字典说明

由于字段i_、i_v的取值类型为字符型，相关数值分布如图3、图4所示，此类特征在描述性统计过程中不便于数据分析，因此这里采用编码方式将此类特征进行取值转换，具体实现过程详见知识星球代码详情。。在特征编码过程中，结合特征在实际业务的理解，赋予取值的比较关系，例如特征i_（月收入等级），取值L1/L2/L3代表月收入依次升高，在转化过程可以分别赋予1/2/3。

编辑

添加图片注释，不超过140字（可选）

图3特征i_分布

编辑

添加图片注释，不超过140字（可选）

图4特征i_v分布

3、客户分类探索与实现

首先我们来对客户群体进行分类，这里不采用机器学习聚类算法来实现，而是通过某个业务解释性较好且区分度较好的特征来划分客户类别。从特征字典表可以看出，贷前信用评分在客户综合风险的衡量维度上，可以很好的量化出客户之间的差异，从而在业务理解方面可实现客户的有效分类，因此我们将根据特征来进行分析。这里需要注意的是，特征（贷后逾期状态）虽然能够直接体现客户的风险程度，但将客群仅分为好坏2个分类对客户精细化管理的效果欠佳。在确定了客户分类的特征指标之后，接下来需要明确的重点是围绕特征划分区间的具体标准。由于特征的含义是信用风险评分，且样本观测均有好坏表现的标签（0/1），因此可以通过不同分数区间的坏账率大小来实现客群分类。为了更全面描述信用评分的数据分布趋势，以及连续区间的坏账率变化情况，我们通过特征分箱的思想，将连续型的信用评分进行离散化，具体实现过程详见知识星球代码详情。，输出结果如图7所示。

编辑

添加图片注释，不超过140字（可选）

图7评分离散化结果

对于上图的评分分布，我们通过连续区间的数据表现可知，随着信用评分（）的不断升高，坏账率（）逐渐降低，具体分布如图8所示，单调性趋势较好，可以直接说明信用评分对用户风险的区分度效果是比较好的。

编辑

添加图片注释，不超过140字（可选）

图8评分数据表现

根据评分与坏账的分布趋势，我们考虑将较为接近的评分区间作为同一类别，同时结合区间样本量大小，将占比较大者单独成箱，占比较小着多箱合并。按照以上逻辑标准，围绕上图的客户评分表现结果，这里考虑将客户群体划分为6个类别，分别为:[382,434]、(434,460]、(460,486]、(486,513]、(513,539]、(539,644]。因此，客户群体通过信用评分细分为6类，这里采用f=1~6来表示，具体实现过程详见知识星球代码详情。，客户分类的频数分布如图10所示。

编辑

添加图片注释，不超过140字（可选）

图10客户分类分布

4、客户画像方案与实现

根据客户的信用风险程度高低，我们完成了客户群体的有效分类，接下来围绕每类客群的分布特征进行画像描述。虽然实例样本的特征包含8个，但字段、已作为客户分类的依据，因此客户画像的描述性特征将选取其他6个字段。在实际场景中，若分析变量池的字段较多，必然会选取业务解释性较强的部分特征来描述分析。样本群体分布的可解释性维度，可以优先考虑描述性统计值，例如频数、占比、平均值、最大值、最小值等，不仅便于业务理解，而且易于特征描述，因此这里通过此种方式来实现客户画像。为了快速得到各类客群的常见统计值，我们在Ph环境中采用i()函数来完成。针对某一类客群（以f=1举例）的具体实现过程为[[39]==39].(=[39,39]).i()，结果如图11所示。为了将此客群与整体客群对比，我们输出全量样本的分布，具体如图12所示。

编辑

添加图片注释，不超过140字（可选）

图11客群1特征分布

编辑

添加图片注释，不超过140字（可选）

图12全量客群特征分布

针对上图分析结果，我们重点分析、、x、i等指标，这里简要描述下客群1（f=1）的分布特点：客户群体1的数量为819，占全量样本的8.19%；平均月收入等级为L1；居住城市平均等级为B；消费能力整体系数为0.21，相比全量客群的平均系数（0.37）偏低；近12个月银行卡转账次数平均为35次，也低全量客群情况（约46次）；近3个月航旅出行次数平均接近2次，明显低于全量客群的平均4次；近6个月申请贷款失败次数约为1次。这里可以初步看出，客群1的整体消费能力一般，且航旅出行的偏好程度较低。对于其他类型客群，都可以按照以上分析思路来描述客户画像，以此来了解每类客户的特点，为风险控制或精准营销等策略提供客观的信息参考。综合以上内容介绍，我们围绕一批存量客户样本，依次实现了客户分类与客户画像，较好的分析描述出客群的分布特点。此外，本文实例的客户分类，由于信用风险评分的量化，也可以理解为客户分层，但分层是分类的一种情况，可以体现出客群之间的比较差异，但需要明确的是，客户分类不一定要客户分层，但客户分层必然是客户分类。例如，通过机器学习的无监督聚类算法得到的客户分类，是一种非分层的客户分类，而采用有监督多分类模型实现的客户价值挖掘，则属于客户分层的情况。对于客户群体的分类或分层需求，具体需要结合实际业务场景。针对本文介绍的客户分类与客户画像，为了便于大家对此有进一步的理解与熟悉，本文额外附带了与以上内容同步的Ph代码与样本数据，供大家参考学习，详情请移至知识星球查看相关内容。

编辑

添加图片注释，不超过140字（可选）

编辑切换为居中

添加图片注释，不超过140字（可选）

更多详细内容，可关注：

编辑切换为居中

添加图片注释，不超过140字（可选）

....

~原创文章