□ 陳亮 吳榮榮 劉銀行 黃凱莉

數(shù)字革命是新一輪科技革命的關(guān)鍵領(lǐng)域。數(shù)字技術(shù)快速發(fā)展，深刻改變著社會經(jīng)濟形態(tài)及人們的生產(chǎn)生活方式。建設(shè)數(shù)字中國、數(shù)字鄉(xiāng)村是國家重大戰(zhàn)略。數(shù)字化正在對傳統(tǒng)經(jīng)營管理模式和市場競爭態(tài)勢進行深刻重塑。從行業(yè)發(fā)展狀況看，數(shù)字化時代頭部現(xiàn)象愈發(fā)突出。抓住產(chǎn)業(yè)數(shù)字化、數(shù)字產(chǎn)業(yè)化賦予的機遇，是實現(xiàn)新一輪高質(zhì)量發(fā)展的關(guān)鍵。金融與數(shù)字技術(shù)具有天然的融合性，金融行業(yè)有很多數(shù)據(jù)資產(chǎn)，隱藏著十分有價值的信息生產(chǎn)力。迫切需要發(fā)現(xiàn)海量數(shù)據(jù)中的關(guān)聯(lián)關(guān)系，預測金融業(yè)未來發(fā)展趨勢（楊婷婷，2021）。利用數(shù)據(jù)挖掘技術(shù)可以鎖定目標客群，從而進行精準營銷，降低經(jīng)營成本，提升整體效益（牛亞琴、盧苗苗，2021）。

數(shù)據(jù)挖掘在金融行業(yè)中的應(yīng)用很重要的一點是客戶關(guān)系管理，企業(yè)利用數(shù)據(jù)挖掘技術(shù)對客戶進行整合營銷（楊婷婷，2021）。數(shù)據(jù)挖掘能實現(xiàn)對銀行客戶的畫像和產(chǎn)品需求的精準分析，設(shè)計各種序列的個性化營銷方案，能夠在客戶識別、客戶篩選、內(nèi)容推薦等營銷環(huán)節(jié)提供精準選擇，從而有效提高營銷成功率。根據(jù)麥肯錫全球研究所的數(shù)據(jù)，數(shù)據(jù)挖掘技術(shù)可以為銀行業(yè)創(chuàng)造超過2500億美元的價值（陳子陽，2021）。

數(shù)據(jù)挖掘的步驟可以分為定義問題、數(shù)據(jù)搜集、數(shù)據(jù)預處理、數(shù)據(jù)挖掘、模型評估和優(yōu)化（楊婷婷，2021）?？蛻籼嵘Ｐ统Ｓ玫乃惴ㄓ蠰ogistic回歸模型、決策樹模型、神經(jīng)網(wǎng)絡(luò)模型、XGBoost模型等。其中，決策樹模型的算法是分類、預測等領(lǐng)域的典型算法，具有速度快、準確率高的特點，被廣泛應(yīng)用（路健、王立坤、李曉玉，2020）。XGBoost模型的算法包含了對特征選擇部分的內(nèi)容，使用其樹模型的特點給與不同特征以重要性打分，并進行特征重要性排序（陳子陽，2021）。通過數(shù)據(jù)驗證模型，輸出模型訓練結(jié)果，用驗證集數(shù)據(jù)驗證模型訓練結(jié)果的準確性（牛亞琴、盧苗苗，2021）。

基于以上研究，本文聚焦大數(shù)據(jù)在客戶篩選與精準營銷方面運用的實踐進行實證研究，選擇了個人潛力客戶資產(chǎn)提升大數(shù)據(jù)分析項目作為研究樣本，以A銀行AUM（個人金融資產(chǎn)）1-10萬元的個人客戶為研究對象，基于這些客戶的基本信息、資產(chǎn)、交易流水等數(shù)據(jù)建立個人潛力客戶資產(chǎn)提升預測模型，通過現(xiàn)有客戶名單預測在營銷活動中有較大概率被成功營銷，從而使得個人金融資產(chǎn)顯著提升的客戶（顯著提升是指個人金融資產(chǎn)提高20%以上），分析大數(shù)據(jù)在客戶精準篩選與營銷服務(wù)方面的應(yīng)用方法，為提升客戶營銷與服務(wù)能力提供有價值的思路、路徑、方法與技術(shù)支持，全面提升客戶經(jīng)營管理與營銷服務(wù)水平。

一、研究整體思路

本項目（個人潛力客戶資產(chǎn)提升大數(shù)據(jù)分析項目）的研究思路是“參考過去、預測未來”，即使用過去已經(jīng)發(fā)生的事情預測未來是否會發(fā)生某種情況，其本質(zhì)在于，利用已有的數(shù)據(jù)建立模型，并使用模型確定潛力客戶清單，指導營銷人員實施客戶篩選和精準營銷。因項目研究重在探討原理、思路、方法、技術(shù)等規(guī)律，對數(shù)據(jù)的質(zhì)量和數(shù)量要求較高，對數(shù)據(jù)的時間要求較低，故而在研究過程中選擇了經(jīng)過沉淀的2019年-2020年確定性數(shù)據(jù)，便于分析和深入研究，獲得更加有價值的信息（如圖1）。

圖1 研究思路圖

項目主要分為建立模型（個人潛力客戶資產(chǎn)提升預測模型）階段和使用模型階段：

建立模型階段主要是結(jié)合前三個月（2019年3月末）的歷史狀態(tài)（多項特征）和三個月后（2019年6月末）的AUM提升狀況對模型進行訓練，得到個人潛力客戶資產(chǎn)提升預測模型（模型建立階段使用的數(shù)據(jù)都是歷史數(shù)據(jù)）。

使用模型階段是通過想要預測的未來時間點（2020年1月末），將其前三個月（2019年10月末）的時間點作為基準，根據(jù)基準時間點前三個月的歷史狀態(tài)作為預測模型的輸入，模型的產(chǎn)出是AUM在1-10萬元的客戶中，每個客戶的AUM提升20%以上的概率。

二、模型建立

(一)數(shù)據(jù)準備

基于業(yè)務(wù)需求分析和有關(guān)專家經(jīng)驗及A銀行現(xiàn)有成果，針對個人潛力客戶資產(chǎn)提升確定了模型輸入的數(shù)據(jù)范圍。模型輸入數(shù)據(jù)涵蓋客戶基本面貌、金融資產(chǎn)、資金往來等信息，主要來源于大數(shù)據(jù)平臺分行數(shù)據(jù)集市，涵蓋的數(shù)據(jù)表具體如表1：

表1 模型輸入數(shù)據(jù)涵蓋的數(shù)據(jù)表

8個人保險客戶級匯總表20交易渠道字典表9個人第三方存管客戶級匯總表21網(wǎng)銀交易明細表10個人國債客戶級余額匯總表22第三方支付綁卡清單11個人貸款客戶級匯總表23第三方支付交易明細匯總表12個人客戶風險事件歷史表

本文選定2019年1-3月為觀察期，在觀察期內(nèi)對客戶的各項特征進行計算與評估，掌握客戶在此時間區(qū)間內(nèi)存在的行為特征及變化規(guī)律；選定2019年4-6月為表現(xiàn)期（如圖2），即觀察期后的三個月的月末作為預測時點，觀察客戶在表現(xiàn)期其金融資產(chǎn)是否提升了20%以上。

圖2 觀察期表現(xiàn)期示意圖

定義模型的正樣本為觀察期后三個月月末時點（2019年6月30日）金融資產(chǎn)提升了20%以上的客戶；定義模型的負樣本為觀察期后三個月月末時點金融資產(chǎn)沒有提升20%以上的客戶。

本項目模型的訓練樣本為2019年3月31日年日均金融資產(chǎn)在1-10萬元的客戶，共計306萬戶，其中，正樣本50萬，負樣本256萬，正負樣本比例約為1:5，即客戶自然狀態(tài)下AUM提升20%以上的概率為16.07%。

(二)數(shù)據(jù)預處理

根據(jù)上述23張數(shù)據(jù)表（表1），從中提取了440項特征作為原始特征集，包括客戶基礎(chǔ)特征，如客戶年齡、性別、是否開通網(wǎng)銀、是否開通掌銀等；還包括部分衍生特征，如當月現(xiàn)金交易總筆數(shù)、當季第三方支付交易總筆數(shù)、柜臺季交易次數(shù)等。

數(shù)據(jù)初步加工后進行數(shù)據(jù)預處理，主要包括數(shù)據(jù)清洗：對缺失值比例大于99%的特征以及日期特征進行刪除；缺失值處理：將特征的空值使用0進行填充；異常值處理：對年齡異常值使用年齡眾數(shù)填充；數(shù)據(jù)變換：對類別特征one-hot編碼，使用蓋帽法進行變量異常處理和歸一化，對金額類連續(xù)變量進行對數(shù)變換。經(jīng)過數(shù)據(jù)預處理，最終保留了324個特征變量。

(三)模型建立與評價

基于得到的324項特征變量，對306萬客戶正負樣本數(shù)據(jù)按7:3劃分為訓練集和測試集。嘗試使用邏輯回歸模型、決策樹模型、隨機森林以及XGBOOST等4種模型進行了個人潛力客戶資產(chǎn)提升預測分析（如圖3）。

圖3 模型的建立與評價圖

利用已知的3月31日、6月30日數(shù)據(jù)構(gòu)造的訓練集（70%）分別對各個模型進行訓練，再利用測試集（30%）分別對獲得的各個模型進行測試，即可判斷各個模型的優(yōu)劣。

本項目屬于分類問題，而分類問題的評價指標主要有準確率、召回率、精確率等，通過混淆矩陣可以直觀地體現(xiàn)，而混淆矩陣中又包括真正例（TP）、假正例（FP）、假負例（FN）和真負例（TN），如表2所示：

表2 混淆矩陣

①準確率。表示模型正確分類的樣本數(shù)占總樣本數(shù)的比例，即整體的預測準確程度，計算公式為：

②精確率（查準率）。是針對預測結(jié)果的指標，表示模型判別為正例的結(jié)果中真正例的比例，即正樣本結(jié)果的預測準確程度，計算公式為:

③召回率（查全率）。是針對真實情況的指標，表示所有真實正例中判別結(jié)果為正例的比例，即真實正例能夠被識別出來的百分比，計算公式為:

雖然準確率能夠判斷總的正確率，但在樣本不均衡的情況下，不能作為一個很好的衡量指標。召回率和精確率通常是負相關(guān)，即召回率越大，精確率越小。在本模型中，更傾向于發(fā)現(xiàn)更多有潛力的個人客戶，因此更重視召回率。然而，精確率過低，會導致營銷命中率下降，營銷成本上升。因此，在這一模型中，使用Fβ值來評定模型的優(yōu)劣，F(xiàn)β是精確率和召回率的加權(quán)調(diào)和平均數(shù)。

當β=1時，認為召回率和精確率重要性相同；β>1時，F(xiàn)β偏向于召回率；β＜1時，F(xiàn)β偏向于精確率。經(jīng)綜合考慮，本模型選擇F2.0作為模型評價的綜合指標。

同時，使用ROC曲線和AUC值來進行輔助分析。該指標與真正率和假正率有關(guān)。

ROC曲線（如圖4）是指以FPR為橫坐標，TPR為縱坐標，TPR和FPR隨著分類閾值的變換而變換所得到的曲線，而曲線下方的面積為AUC值，ROC曲線越陡，AUC值越大，模型的性能就越好。

圖4 模型ROC曲線對比圖

本文所使用的四種模型算法效果對比情況具體如表3：

表3 4種模型算法對比情況表

由對比情況表可以看出，XGBOOST算法的Fβ值顯著高于其他算法，并且AUC值也大于其他算法，因此通過對比分析，最終選擇XGBOOST作為個人潛力客戶資產(chǎn)提升預測模型的算法。

(四)模型調(diào)優(yōu)

對于使用的XGBOOST算法，以影響模型最重要的參數(shù)為起點，按照對模型影響的重要性程度遞減方向依次對各參數(shù)訓練，每次訓練將之前訓練得到的最優(yōu)解作為輸入固定，滾動迭代。

經(jīng)過多輪迭代訓練，XGBoost模型最終調(diào)參結(jié)果如表4:

表4 XGBoost模型最終調(diào)參結(jié)果表

通過調(diào)參過程，基于XGBOOST算法的個人潛力客戶資產(chǎn)提升預測模型各項特征重要性排序如圖5：

圖5 XGBOOST算法的模型各項特征重要性排序

由此可見，在眾多特征中，當季現(xiàn)金流出交易筆數(shù)、當季現(xiàn)金流入交易金額、當季第三方支付交易總金額等是對模型預測最重要的指標，對AUM在1-10萬元的個人客戶其AUM是否提升20%以上有著最大的影響力。最終模型調(diào)優(yōu)使得個人潛力客戶資產(chǎn)提升模型的精確率約為73.49%，召回率約為57.86%，F(xiàn)2.0值約為60.43%。

三、模型使用

(一)模型預測輸出

將2019年10月31日的樣本（約306萬AUM在1-10萬元的個人客戶及其各項特征）輸入之前建立的個人潛力客戶資產(chǎn)提升預測模型，生成2020年1月31日該306萬客戶AUM是否提升20%以上的預測結(jié)果（客戶號和概率），其中概率是指該306萬客戶在2020年1月31日其AUM能夠提升20%以上的概率值。綜合網(wǎng)點營銷能力、人員配備等因素，對得到的客戶清單進行遴選，篩選確定概率值大于50%的客戶號，即可得到最終的潛力客戶清單，共計28.75萬。

(二)產(chǎn)出結(jié)果分析

歷史數(shù)據(jù)表明，2019年3月31日年日均金融資產(chǎn)在1-10萬元的客戶，在6月30日AUM提升20%以上的概率為16.07%，即A銀行個人客戶在自然狀態(tài)下AUM提升20%以上的概率為16.07%。本項目建立的個人潛力客戶資產(chǎn)提升模型，預測精確率可達73.49%，即篩選得到的28.75萬客戶中，AUM提升20%以上的客戶概率約為73.49%（如圖6）。

圖6 客戶AUM提升示意圖

對比自然狀態(tài)，使用本模型預測后產(chǎn)生的客戶清單的營銷成功率預計是隨機營銷客戶的4.57倍，即只對清單內(nèi)客戶進行營銷的成功率明顯大于對全量客戶或隨機客戶進行營銷的成功率。

四、模型結(jié)果驗證

針對最后的潛力客戶清單，于2020年1月在A銀行選取了甲乙丙丁4家支行進行模型結(jié)果驗證，從潛力客戶清單中選取34328名客戶進行專項營銷。

其中，在2020年1月底有27638名客戶的AUM提升了20%及以上，提升比例達80.51%，即篩選的客戶清單中，經(jīng)過營銷后，有超過八成客戶的AUM提升了20%及以上。

表5 4家支行模型驗證結(jié)果

而在2019年10月31日AUM在1-10萬元的個人客戶約有306萬。其中，除了進行專項營銷的3.43萬客戶外，隨機營銷的302.57萬客戶中，有158.15萬客戶在2020年1月底其AUM提升了20%及以上，提升比例僅為52.27%（如圖7）。

圖7 專項營銷客戶和隨機營銷客戶AUM提升對比圖

由此可見，專項營銷客戶相較于隨機營銷客戶的金融資產(chǎn)提升率增加了28.24%，即通過模型預測得出的客戶清單中，潛力客戶的比例更高。本項目能夠有效地為業(yè)務(wù)部門縮小營銷范圍，有利于銀行針對潛力客戶清單進行精準營銷。不同于傳統(tǒng)的“廣撒網(wǎng)”模式，大數(shù)據(jù)精準營銷能夠讓銀行的營銷投放得到最大程度的反饋，真正做到有的放矢，減少營銷費用，節(jié)約營銷成本。

五、研究思考與建議

(一)研究思考

利用A銀行數(shù)據(jù)分析挖掘平臺對個人潛力客戶資產(chǎn)提升項目進行全流程的實施，能夠較好地完成本項目且取得較為理想的效果，專項營銷個人潛在貴賓客戶金融資產(chǎn)顯著提升的客戶營銷成功率為80.51%，相較于隨機營銷客戶的金融資產(chǎn)顯著提升的比率增加了28.24%。這說明運用大數(shù)據(jù)技術(shù)進行客戶精準篩選與營銷具有良好的效果，能夠更好地進行客戶精準畫像、開展精準營銷，從而提高營銷效率，降低盲目營銷，減少工作量，為客戶營銷與維護提供有效支撐和強有力的賦能。

同時，在工作中也發(fā)現(xiàn)一些需要解決的問題。一是數(shù)字化轉(zhuǎn)型的意識仍需提升。部分管理和營銷人員對大數(shù)據(jù)等數(shù)字化轉(zhuǎn)型的認識仍不充分，有的認識還比較膚淺，以為上了幾個系統(tǒng)、用了幾個工具就是數(shù)字化轉(zhuǎn)型了，對于數(shù)據(jù)的挖掘與應(yīng)用、治理與保護等深層次認識還不足。二是對數(shù)據(jù)分析成果使用不到位。數(shù)據(jù)分析成果的使用才是數(shù)字化轉(zhuǎn)型的目的?，F(xiàn)實中由于科技人員與業(yè)務(wù)人員有一定的溝通障礙，科技人員對業(yè)務(wù)需求的理解不夠充分，數(shù)據(jù)分析與輸出質(zhì)量還有待提升，而業(yè)務(wù)人員對大數(shù)據(jù)分析理解不到位，不了解如何對潛力客戶進行營銷，應(yīng)該推薦什么產(chǎn)品，導致分析成果利用率不高。三是科技與業(yè)務(wù)聯(lián)動融合有待加強。目前，科技部門仍是用大數(shù)據(jù)分析需求工作的主力軍。相對于業(yè)務(wù)部門，科技部門因距離市場和業(yè)務(wù)較遠，對業(yè)務(wù)經(jīng)營和市場的了解有限，缺乏將業(yè)務(wù)需求轉(zhuǎn)化為數(shù)據(jù)挖掘需求的能力。業(yè)務(wù)部門對科技工作又缺乏了解，業(yè)務(wù)需求轉(zhuǎn)化為科技語言存在一定的困難?？萍寂c業(yè)務(wù)的聯(lián)動融合需要進一步加大，發(fā)揮科技部門和業(yè)務(wù)部門在大數(shù)據(jù)分析方面的相互協(xié)同與互促互進的作用。

(二)相關(guān)工作建議

鑒于數(shù)字革命持續(xù)深入發(fā)展，大數(shù)據(jù)在客戶營銷管理等領(lǐng)域的應(yīng)用越來越廣泛，具有巨大的應(yīng)用價值和深遠的應(yīng)用前景。筆者對相關(guān)工作提出以下幾點建議：

一是進一步提高思想認識，全面推進數(shù)字化轉(zhuǎn)型。數(shù)字化轉(zhuǎn)型是一場深刻的全方位的革命，從思維方式到生產(chǎn)運營，從生產(chǎn)方式到生產(chǎn)要素，從組織管理模式到市場營銷方式，全領(lǐng)域全過程全方位深刻重塑商業(yè)銀行業(yè)務(wù)經(jīng)營與管理模式。要進一步樹立“業(yè)務(wù)數(shù)字化、數(shù)字業(yè)務(wù)化”理念，抓住企業(yè)級數(shù)據(jù)平臺建設(shè)和數(shù)字技術(shù)的深度應(yīng)用，貫通內(nèi)外部、上下層、不同領(lǐng)域、不同條線、不同業(yè)務(wù)、不同系統(tǒng)的數(shù)據(jù)資源，將內(nèi)外部數(shù)據(jù)聚合在信息共享平臺，通過數(shù)據(jù)的搜集、整合、分析、轉(zhuǎn)化和共享，打破“數(shù)據(jù)孤島”，推進數(shù)據(jù)標簽化建設(shè)，形成數(shù)據(jù)資源庫，推動由經(jīng)驗決策轉(zhuǎn)向“數(shù)據(jù)+算法”決策，由事后營銷轉(zhuǎn)向前瞻性營銷，由匹配服務(wù)轉(zhuǎn)向定制服務(wù)，釋放數(shù)據(jù)的生產(chǎn)驅(qū)動力，通過數(shù)據(jù)與技術(shù)、運營和管理的高效聯(lián)動，為數(shù)字化轉(zhuǎn)型提供生態(tài)環(huán)境、轉(zhuǎn)型方向、路徑選擇和價值創(chuàng)造。數(shù)字技術(shù)不僅包括大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)、區(qū)塊鏈和人工智能等技術(shù)及其軟件，還包括運行這些技術(shù)所需的計算機、移動設(shè)備等硬件設(shè)施，通過標準化、服務(wù)化、快捷化的高效反應(yīng)體系，建設(shè)運維數(shù)字化系統(tǒng)，開發(fā)升級數(shù)字技術(shù)和軟硬件設(shè)備，適應(yīng)多變的發(fā)展環(huán)境，支持全面的數(shù)字化轉(zhuǎn)型。同時，要建立健全數(shù)據(jù)治理機制，探索數(shù)據(jù)獲取、分類加工、分層應(yīng)用、精準治理、全面風控的全領(lǐng)域、全流程數(shù)據(jù)治理體系，出臺數(shù)據(jù)治理方案，提升數(shù)據(jù)治理制度化水平，有效統(tǒng)籌發(fā)展與安全。

二是進一步完善數(shù)據(jù)應(yīng)用體系，將大數(shù)據(jù)應(yīng)用推向更深更廣。要進一步優(yōu)化模型算法，精準篩選和營銷潛力客戶。嘗試引入新算法，數(shù)據(jù)的收集不僅源于銀行內(nèi)部，而且來自客戶日常生產(chǎn)生活，要不斷豐富內(nèi)外部數(shù)據(jù)來源，進一步對模型進行優(yōu)化。拓展模型算法深度，從市場和客戶需求的角度出發(fā)，積極探索數(shù)據(jù)算法中更適用于客戶分析的模型方式，以便改良模型構(gòu)建系統(tǒng)，不斷提供信度和效度。實時更新模型數(shù)據(jù)，通過數(shù)據(jù)流識別重要客戶的蹤跡，實現(xiàn)隨時發(fā)現(xiàn)隨時營銷，從而更準確地篩選和營銷潛力客戶，提升智慧化預測與精準營銷服務(wù)能力。要進一步強化協(xié)同，業(yè)技部門聯(lián)動使用大數(shù)據(jù)分析成果。基礎(chǔ)數(shù)據(jù)的“厚度”決定了“大數(shù)據(jù)+AI”能力的起點，而數(shù)據(jù)賦能的“強度”決定了其能達到的最高點。強化部門聯(lián)動，提升業(yè)務(wù)人員特別是一線營銷人員運用大數(shù)據(jù)分析成果的意愿和能力。細分預測成果，為潛力客戶劃分推薦產(chǎn)品的類別，便于業(yè)務(wù)部門開展營銷工作。強化考核激勵，完善科技人員和業(yè)務(wù)人員成果運用的考核機制，加入衡量營銷精準性的指標，激發(fā)相關(guān)人員業(yè)技融合發(fā)展的積極性。要進一步拓展應(yīng)用，推動大數(shù)據(jù)技術(shù)的運用范圍更廣更深。大數(shù)據(jù)技術(shù)應(yīng)用是商業(yè)銀行數(shù)字化轉(zhuǎn)型的關(guān)鍵抓手，應(yīng)積極探索大數(shù)據(jù)在客戶管理、精準營銷、風險防控以及決策分析等領(lǐng)域的應(yīng)用，提升核心競爭力。在客戶管理與營銷服務(wù)領(lǐng)域，可以利用大數(shù)據(jù)技術(shù)開展客戶價值分析、預測分析等工作，對客戶進行精準畫像，對目標客戶群體進行細分，從而將客戶潛在需求的產(chǎn)品，以合適的營銷渠道和促銷策略推送給客戶。在風險防控領(lǐng)域，以數(shù)據(jù)分析為基礎(chǔ)，開發(fā)大數(shù)據(jù)風險監(jiān)控模型，可建立全方位全流程的風險管理預警體系，能夠及時獲取有效的風險預警信息，進而實施有針對性防控措施。在決策分析領(lǐng)域，結(jié)合先進的金融數(shù)據(jù)模型，對數(shù)據(jù)進行整合、轉(zhuǎn)換、分析和挖掘，以儀表盤、餅圖等直觀方式為管理層和各業(yè)務(wù)部門提供更客觀、科學的輔助決策信息。

三是進一步提升員工數(shù)字化素養(yǎng)，推動數(shù)據(jù)應(yīng)用創(chuàng)造價值。要從全行人力資源形勢和競爭態(tài)勢統(tǒng)籌謀劃，以全面數(shù)字化轉(zhuǎn)型為引領(lǐng)，制定員工數(shù)字轉(zhuǎn)型的培養(yǎng)規(guī)劃，從制度層面進行引導和推動縣域員工數(shù)字化轉(zhuǎn)型。按照不同類型的多維綜合考慮，從意識、知識儲備、業(yè)務(wù)技能、工具運用等多方面，制定短、中、長期培養(yǎng)計劃，匹配相應(yīng)的培訓內(nèi)容，分階段定期進行培訓和測試過關(guān)，循序漸進、持之以恒地推進員工數(shù)字化轉(zhuǎn)型。要圍繞最需要最緊缺的客戶經(jīng)理、理財經(jīng)理、產(chǎn)品經(jīng)理、數(shù)據(jù)分析師“四支隊伍”著力，培養(yǎng)其數(shù)字化營銷服務(wù)意識、數(shù)字化工具運用能力、線上線下營銷服務(wù)與雙向引流能力、數(shù)據(jù)分析技能等核心能力，助力業(yè)務(wù)拓展與客戶服務(wù)水平提升。以打造“業(yè)技融合”的復合型人才為目標，為青年員工提供全周期、全方位的綜合化培養(yǎng)，鍛造一批政治合格、思維活躍、技能過硬、作風優(yōu)良的數(shù)字化轉(zhuǎn)型青年生力軍隊伍，為推進全面數(shù)字化轉(zhuǎn)型提供強有力的人才支持。，堅持傳統(tǒng)產(chǎn)品數(shù)字化改造與智慧政務(wù)、數(shù)字鄉(xiāng)村、電商、供應(yīng)鏈金融等數(shù)字化產(chǎn)品一體學習，組合應(yīng)用。要全面掌握DCRM系統(tǒng)、金融小店、“數(shù)字人”、掌上銀行、微銀行等客戶營銷服務(wù)數(shù)字化工具，增強員工在線虛擬營銷服務(wù)能力，有效提升“線上+線下”協(xié)同獲客、活客、留客、粘客的系統(tǒng)性能力。要建立創(chuàng)新教育培訓的新模式，加強數(shù)字化產(chǎn)品、業(yè)務(wù)、工具、系統(tǒng)等在經(jīng)營管理與營銷服務(wù)中的應(yīng)用經(jīng)驗與好的做法，及時進行萃取、傳播、推廣等，促進組織智慧共享與價值傳播，有效提升員工數(shù)字化素質(zhì)和能力，全面賦能數(shù)字化轉(zhuǎn)型在客戶營銷與維護中的全面應(yīng)用。