AI預測應用＠金融業/財富管理】 高價值客戶哪裡找？你可能沒想過機器學習還可以這樣用！

一、財富管理服務進入戰國時代，開發新客戶的兩難

一般而言，企業開發新客戶有兩大方向：

1. 提供更誘人的價值服務去競爭對手的圍牆內擄獲對手客戶的芳心
2. 提早接觸、教育未來的潛力客戶，耐心等待他們成熟後的價值

但在財富管理這塊特殊市場，要成功搶佔競爭對手的忠誠客戶機率幾乎是很低的

因為這些忠誠顧客的轉換成本很高，特別是他們花長時間才建立起來的信任關係。

這些擁有高資產且需要複雜資產配置與傳承規劃的人，例如投資、節稅、遺產規劃和信託等項目，通常已經和自己信賴的財富管理顧問有長久的合作關係，甚至這樣的合作關係還會延續到下一代。

除非他們對自己現在的顧問有嚴重不滿，或是配合已久的顧問到其他公司服務，否則他們不會輕易將自己的財富規劃交由其他公司處理。

那比較好的策略是？

開發那些新興富裕族群(Emerging Affluent)，所謂的「新富族」，他們是還在就業市場上的中壯年族群，有一定的財富且持續累積當中，並願意提早請專業人士來共同規劃退休準備的人。

但這群新富族，因為也還在累積資產的路上，資產總額的可操作價值不像高資產族群那麼高，還需要花一段時間慢慢經營這類潛力族群。

目前多數提供財富管理服務的企業，就面臨了這樣的窘境：

高資產客群難以拉攏吸收，新富族又還不夠成熟

二、開始利用機器學習的技術，在既有客戶的歷史資料中，快速辨別被隱藏的重要線索

其實，不管是高資產還是新富族的劃分

企業經營者最關注的就是一個核心指標，也就是鎖定的客群是否能帶來高報酬、是否有足夠的利潤產生。

所以，真正的問題是，如何透過更多元的線索、且有系統的辨識出具有高報酬潛力的客群，而不是碰運氣去獲得偶然成功、或不斷走單一模式

在過去，多數負責財富管理業務的人員，會傾向從他們過去的成功模式來繼續開拓客源，或根據一些小道消息，知道哪些門路有機會能找到高價值客戶。

但缺點是，這樣的模式較難創造持續穩定、可預期的新客源、也無法將成功模式複製到其他業務人員上，只能靠某幾個明星員工去驅動業績營收。

現在，金融業者們已開始認知到，機器學習(Machine Learning)技術已經是分析龐大且繁雜數據量、找出大數據內隱藏模式的主流手段

他們開始更加重視企業內，既有客戶在過去累積的大量歷史資料，他們利用機器學習的技術，有系統地，找出這些歷史資料的共同特徵

更聰明的去辨別具有哪些特徵/線索的客戶，其實正是具有高價值、對財富管理業績營收將有重大貢獻的潛在客群。

三、用DataRobot自動化機器學習平台(Auto ML Platform)，找出過去被忽略但很重要的特徵

幫你快速辨別出除了總資產、年齡、職稱等一般特徵以外的其他重要特徵欄位

(1) 透過DataRobot自動化機器學習(Auto Machine Learning)平台，你只需要決定你要預測什麼指標，決定要請DataRobot去預測的目標欄位(Target)

例如：你想要知道這個潛在客戶，在一年後會幫財富管理事業部帶來多少利潤？就需要有一個欄位叫做Annualized profit one year after on boarding

(2) 針對這個目標欄位，只要確保過去的歷史資料都有對應的數值

因為DataRobot 是屬於監督式機器學習(Supervised learning )，針對要預測的目標欄位，歷史資料中必須告訴機器正確答案是什麼，讓機器從已存在的模式中學習。主要回答 Regression & Classification 類型的問題

☞ 點此了解機器學習有哪三種類別

(3) 而剩下的就全交給DataRobot 處理，包含最花時間的特徵工程、選擇演算法、調整演算法參數等(如下圖)

(4) DataRobot 會幫你自動排名模型的優劣，選出最符合資料模式的模型

DataRobot 內建一百多種由Kaggle-top-ranked data scientists 訓練過的模型，但並不是每次都會把一百多種models跑過一次，而是取決於上傳的數據集特性、Target Variable而有所變化。

☞ 還有其他對DataRobot的好奇？先來看看大家最常問的這5個問題

(5) 最佳模型出來後，接下來就可以拿來做潛在客戶名單的分群

當DataRobot透過足量的客戶歷史資料去做學習，並找到最符合過去資料模式的模型後，便可以針對潛在客戶資料庫，甚至是整個組織的客戶群進行「預測」，而這些預測結果再用來做客戶分群

如此一來，你的客戶區隔可能不再只有高資產＆新富族這兩種所有金融業者都知道的大分群，而是可以找到基於個別公司過去的經驗，專屬於你們公司可以獲利的細分客群，進而知道應該把精力聚焦在何處。

(6) 進入細節，除了選出最佳模型，還可以知道哪個客戶特徵(Feature)，對目標預測欄位(Target Variable)的影響最大

DataRobot 的 Feature Impact 功能，解決了「演算法黑盒子」的疑慮，因為你可以知道在某個演算法下，不同資料欄位(客戶特徵)對預測結果的影響程度

影響程度最大的那個欄位，就是辨別高價值客戶不可不掌握的一項重要資訊

也就是，當你知道哪些客戶資訊至關重要時，你便可以依此展開業務細節，例如：第一線面對客戶的業務單位，有哪些收集客戶資訊的問題欄位一定要設計進去等。

此外，DataRobot的熱點圖HotSpot，將這些重要的客戶特徵，進一步做組合，可以知道，哪幾種特徵組合最值得優先去開發。

如下圖，深藍色點部分，應該是優先鎖定的客戶分群。