基于数字化的邮政金融大众客户价值提升研究.pdf

第40 卷第1期2024年1月DOl:10.13955/j.yzyj.2024.01.05.07邮政研究StudiesonPostsVol.40 No.1Jan.2024基于数字化的邮政金融大众客户价值提升研究范峻川1，连耀山1，蔡亚琦，鹿琦，郭浩，张谭1.中国邮政集团有限公司金融业务部，北京2.中邮信息科技（北京）有限公司，北京3.中国邮政储蓄银行数据管理部，北京10 0 16 0 100808;101111;摘要：依托XGBo0st模型，利用2 0 2 1年1一12 月邮政金融客户资产信息、负债信息、账户特征信息、交易信息等数据进行研究，结果表明：客户活跃度、财富管理分别是影响AUM01万元低资产客户盘活、AUM5万10 万元VIP临界客户价值提升的关键影响要素。根据模型结果，提出邮政金融应“精耕存量”与“广拓增量”相结合，开展“低效盘活行动”“临界跃升行动”“新客倍增行动”的发展建议。关键词：邮政金融；大众客户；XGBoost模型；低效客户；客户价值中图分类号：F61文献标识码：A企业经营的目的在于创造客户。依托数字化，可以挖掘大众客户潜能，降低客户运营成本、提升客户价值。客户是邮政金融经营发展的“根”和“本”，根深才能叶茂，本固方有枝荣。邮政金融拥有海量的个人客户，其中大部分均为客户总资产（AUM）低于10 万元的大众客户，如何通过大数据洞察其需求、深挖其潜能，成为邮政金融大众客户经营呕待解决的问题。本文以XGBoost模型为基础，从AUM01万元、AUM5万10 万元两个层级对大众客户展开模型分析，并根据相应结论提出营销建议。1研究背景目前大部分长尾客户仍游离于服务盲区，聚焦长尾客户经营时不我待。受制于海量客户、高作者简介：范峻川（19 9 1一），男，山东宁津人，硕士，经济师，主要从事邮政金融客户经营、储蓄存款发展、宏观经济政策等研究；连耀山（19 7 4一），男，福建莆田人，博士，高级经济师，研究员，主要从事邮政金融客户经营管理、银行业务、协同发展研究；蔡亚琦（19 9 0 一），女，湖北汉川人，硕士，主要从事金融行业数据分析建模研究；鹿琦（19 9 3一），男，安徽芜湖人，硕士，主要从事金融统计分析、机器学习研究；郭浩（19 8 9 一），男，河南郑州人，硕士，主要从事机器学习建模及业务落地、算法创新等研究；张谭（19 9 0 一），女，河北昌黎人，硕士，主要从事金融行业研究。收稿日期：2 0 2 3-10-17品质服务和有限成本三者之间的矛盾，低资产长尾客户价值挖掘和精准提升一直是商业银行经营的痛点和难点，也是邮政金融营销的“灯下黑”：数量占比9 4.3%的AUM10万元以下邮政金融客户，总资产只占邮政金融全量AUM的2 4.9%；邮政金融人均存款仅1.8 万元，而全国人均存款为9.4万元。如此巨大的人均资产差距，意味着很多客户在邮政金融是低资产客户，在他行却可能是VIP、财富客户。科技赋能精准分层分群分类营销，已悄然成为邮政金融客户经营的“必答题”。近年来，同业纷纷强化有效客户的营销拓展，“客户”已然成为2022年各家商业银行半年报的高频词汇；工商银行、农业银行、建设银行等同业2 0 15 一2 0 2 1年个人有效客户年均增幅均高于5%，而邮政金融仅为本刊网址：29第1期4%，邮政金融通过科技赋能精准分层分群分类营销势在必行。长尾客户经营不止是新增的“一隅”，更是关联各项业务新增的“全域”。很多业务发展乏力的背后，都离不开长尾客户新增乏力的“影子”。伴随着邮政金融个人有效客户新增乏力，快捷支付交易额、手机银行净增激活客户数也在边际下滑。邮政金融呕待以低资产客户经营质效提升，助力各项业务高速高质量增长。2文献综述大众客户的精耕、深耕已成为共识，很多同业通过构建标签、调研问卷、回归模型和聚类分析等方式对商业银行大众客户经营展开了研究和实践，但邮政金融对于大众客户画像与模型构建尚处于空白。有专家提出了基于客户基本信息标签、资产信息标签、内容偏好标签、回话标签等多维、融合客户画像的建模思路；有专家通过调查问卷与经验总结的方式，发现建设银行一些分行长尾客户经营存在的问题，并从细化客户需求、提升客户价值等方面提出建议；也有专家基于Logistic回归模型，对某银行分行客户流失情况进行研究，结果表明开户时长、年龄、性别、人民币活期储蓄波动率、人民币定期月均余额等方面对商业银行客户流失情况存在影响；还有专家则更进一步，通过聚类分析的方法，将工商银行贵州分行长尾客户分为五类，认为长尾客户数量多、分布广，建议采用线上营销方式来实现长尾客户的活客黏客。3实证分析3.1实实证分析框架本文基于邮储银行大数据平台中邮政金融邮政研究010 万元客户数据，通过特征工程解决数据一致性、可用性问题后，基于逻辑回归和相关性分析确定变量，通过调优后的XGBoost模型重要性指标分析，得出分析结论（见图1）。3.2数据分析3.2.1AUM01万元低资产客户低资产客户盘活的关键在于“促活”。从柜面交易看，AUM01万元低资产客户6 个月内有柜面交易客户占本资产段客户比重为9.6%，分别低于AUM1万10 万元、10 万5 0 万元客户26.7个百分点和46.7 个百分点；从手机银行交易看，仅1.4%的AUM01万元低资产客户30 天内手机银行有动账交易，而AUM1万10 万元、10万5 0 万元、5 0 万6 0 0 万元客户则分别占比4%、6.4%和18.6%；从客户快捷支付活度看，17.6%的AUM01万元低资产客户近9 0 天内有快捷支付交易，分别低于AUM1万10 万元、10 万5 0万元、5 0 万6 0 0 万元客户占比10.1个百分点、13.1个百分点和2 3.7 个百分点。3.2.2AUM5万10 万元VIP临界客户临界客户提升的重点是“财富管理”。从单一存款客户占比看，AUM10万元以下客户单一存款客户占比均值为9 4.2%，AUM10万元以上客户则下降到6 3%左右的水平，尤其是AUM600万元以上的私行客户，其单一存款客户占比仅为5 4.9%；从理财产品持有情况看，AUM10万元以下客户理财产品渗透率均低于1%水平，而AUM10万元以上、AUM50万元以上VIP、财富客户则逐步攀升，达到 1.6%和 2.2%.3.3数据准备3.3.1数据来源为丰富客户维度，精细化用户画像，中国邮第40 卷数据探查特征工程逻辑回归相关性分析确定变量模型构建数据提取模型训练模型调优重要性结论分析图1大众客户价值提升建模框架一330XGBoost模型第1期政基于总行数据实验室环境，从主仓、新中间业务平台、客户集市等系统，以客户号为主键，将客户资产信息、负债信息、账户特征信息、交易信息等数据进行加工，36 0 度挖掘客户信息，生成模型可用变量。经过数据筛选、关联匹配、统计分析等操作，最终共提取6 大类46 5 项指标特征。综合对2021年7 一9 月10 万元以下客户的46 5 个指标与提升标签（因变量值）进行相关性分析，最终分别选取涵盖客户年龄、取款次数、资产等级、客户账户数、账龄、转账时间间隔、保险金额占AUM比例、定期存款占AUM比例、快捷支付、手机银行等为代表的6 9 个指标作为AUM01万元低资产客户盘活模型的有效指标，涵盖客户基本信息、产品信息、交易信息、交易习惯等全维度的9 4个指标作为AUM5万10 万元VIP临界客户提升模型的有效指标。3.3.2特征工程识别有效客户：对客户身份证号进行清洗，对长度、出生日期存在异常的身份证号进行筛除。规范客户号：删除格式不规范的异常客户号及相关信息。识别异常值：观察各特征的数值范围和形式，按照数据分布情况，剔除异常极值、负值等，规避异常值对建模的负面影响。不可识别特征处理：识别不同类型的数据，将数值型特征、字符型特征、日期型特征分别进行规范，对不可识别的特征值进行转化、剔除。时间日期类数据处理：将日期型变量转为距某特定日期的天数，转为数值型特征。字符型数据处理：对性别、教育水平、职业代码等字符型特征进行独热编码（One-HotEncoding），转为哑变量（0，1），将其处理成模型可识别的数据。空值填充：对年龄、性别标签字段，根据身份证号计算年龄、性别信息，对缺失值进行填充补全；将交易金额、交易笔数等资产类数值型特征的缺失值填充为0；对时间差等数据特征（如最近一次交易行为距某天间隔时长）的空值，为便于机器识别，对其填充为无限大值9 9 9 9 9 9。3.3.3数据检验卡方检验是一种常用的统计假设检验方法，其基本思想是通过比较样本实际观察结果与理论推一31范峻川等：基于数字化的邮政金融大众客户价值提升研究H。：变量间相互独立Hi：变量间不独立（相关）卡方值计算公式为：2=Z4-E-24-mEnp其中，E代表期望频数，A,为特征i实际观测值，P,为特征i在H。假设前提下的概率，k为样本数。样本自由度n=(R-1)(C-1），其中R为y值的分类数量，C为特征指标的分类数量。若假设H。为指标与因变量无显著关系，则AUM01万元低资产客户盘活模型、AUM5万10 万元VIP临界客户提升模型中的6 9 个指标、94个指标P值均接近于0、远小于0.0 5 的显著性水平，因此有理由拒绝原假设H。，可认为6 9 个指标、9 4个指标均与因变量（V值）存在显著关系，符合模型构建的效度要求。3.4AUM01万元低资产客户盘活模型构建XGBoost 模型全称为 Extreme Gradient Boosting,可译为极限梯度提升算法，是一种基于决策树算法的梯度提升机（GradientBoostingMachine，GBM），为当前最为流行和高效的机器学习提升算法之一，其特点是执行速度快、模型效果好、适用范围广。XGBoost是一种采用集成学习算法的加法模型。集成算法通过在数据上构建多个弱评估器，汇总所有弱评估器的建模结果，以获取比单个模型更好的回归或分类表现。首先使用一个弱分类器（CART决策树）作为初始函数，然后采用Boosting集成思想，通过不断添加分类器来逐步降低损失函数值，每一步都尽量优化和改进前一步的预测。对于XGBoost来说，每个叶子节点上都会有一个预测分数，也被称为叶子权重。这个叶子权重就是所有在这个叶子节点上的样本在这一棵树上的取值，用 f(x)或w来表示，第40 卷断结果的差异，来检验分类变量之间是否存在关联或两变量是否独立。具体来说，卡方检验首先根据研究假设，计算出理论上期望出现的频数分布，然后统计样本的实际观测频数，最后计算实际频数与期望频数之间差异的平方和，即卡方统计量。如果样本结果与理论预期存在较大差异，卡方值就会较大；如果两者吻合，卡方值就会较小。通过与理论卡方分布进行比较，就可以推断差异是否具有统计学意义。在此基础上提出原假设和备择假设如下：第1期其中f表示第k棵决策树，x表示样本i对应的特征向量。当有多棵树的时候，集成模型的回归结果就是所有树的预测分数之和，假设这个集成模型中总共有k棵决策树，则整个模型在这个样本上给出的预测结果为：带人XGBoost最小化目标函数为：Obj(0)=E,L(y;-)+Zk,2(f.)其中，Obj()是目标函数线性空间上的表达，i是第i个样本，k是第k棵树，是第i个样本的预测值。ZL(y-)是损失函数二阶泰勒展开,Z,2()是正则项、控制模型复杂度。模型训练过程是对最小化目标函数的最优值进行参数权重w求解，即每个叶子节点的式子都达到最值点，整个目标函数也达到最优值。0.9110.9100.9090.9080.907调优后模型在准确率、精准率、F1值、召回率、AUC值方面较初始模型均有较大程度提升（见表1)。模型评估：样本训练集上的表现展示了模型表1AUM01万元低资产客户盘活模型调优后模型效果提升情况默认值参数评价指标优化后测试集模型效果准确率0.931 4精准率0.895 1.F1值0.897 9召回率0.901 2AUC值0.9238邮政研究模型特征处理：将6 9 个指标作为自变量导入模型，对部分连续变量进行分箱并转化成独热编码。根据业务特点，将客户账龄分箱成1年以下、15 年、5 年以上三类；根据业务特征，将最近一次有登录手机银行、动账交易、快捷支付等行为距观察期时长分箱成3个月以内、36 个月、612 个月、13年、3年以上五类。模型调优：在XGBoost模型中，树的数量（n_estimators）决定了模型的学习能力，n_estimators值越高表示模型越复杂，通过参数学习曲线确定最优的n_estimators以提高模型的拟合程度。通过观察本模型n_estimators学习曲线发现，当树的数量达到一个合理值后，再徒劳的增加树的数量是无效的，只会增加计算量，因此选取得分最高的最佳n_estimators参数为2 5 0（见图2）。0100图2 AUM01万元低资产客户盘活模型调优时n_estimators参数选择0.90760.861 10.862 40.86010.896 7第40 卷200300n-estimators参考值的学习能力，测试集上的表现展示了模型的泛化能力。从图3可以看出，随着训练样本量的增大，训练集和测试集的得分越来越接近，即测试集的学习训练集得分0.935一测试集得分0.930提升0.9250.92010.02380.915 0.034 00.910 0.035 510.041 1个 0.0 2 7 1400200000400.000训练样本量图3调优后AUM01万元低资产客户盘活模型32500600 000800.000ROC曲线（面积=0.8 2)第1期曲线在逼近训练集的学习曲线，说明模型的泛化能力较好。指标重要性排序：3个月内客户代收次数、社保客户标志、近3个月借记卡动账笔数、理财保有量占AUM比重、存款占AUM比重、近3个月借记卡动账最大金额、客户等级、快捷支付客户、手机银行签约、绑定信用卡数量、1个月内取款次数等指标重要性居前。3.5AUM5万10 万元VIP临界客户提升模型构建模型特征处理：将9 4个指标作为自变量导人模型，对部分连续变量进行分箱并转化成独热编码。根据业务特点，将客户账龄分箱成1年以下、15年、5 年以上三类；根据业务特征，将最近一次有登录手机银行、动账交易、快捷支付等行为距观察期时长分箱成3个月以内、36 个月、6 12 个月、13年、3年以上五类。模型调优：由于AUM5万10 万元VIP临界客户提升模型变量数量和客户特征与AUM01万元低资产客户盘活模型存在差异，通过网格搜索（G r i d Se a r c h CV）的分类器对重要参数进行调优，最终得出评分最高的各项参数，确定最终模型参数。其中弱分类器数量（n_estimators:range）、最大树深度（max_depth:range）、学习率（learning_rate）、采样比例（subsample:np.linspace）、最优参数分别为30 0、3、0.1和1。调优后模型的准确率、精准率、F1值、召回率、AUC值较初始模型均有较大程度提升（见表2）。模型评估：基于K-S（K o l m o g o r o v-Sm i r n o v）统计值来衡量模型区分正负的能力，就是模型的预测能力。K-S指标越高，表明模型的正负样本的区分能力越强。本模型计算KS值为0.6 47 0，具有较表2 AUM5万 10 万元低资产客户盘活模型调优后模型效果提升情况优化后测试集默认值参数评价指标模型效果准确率0.8678精准率0.9102F1值0.7798召回率0.6821AUC值0.823 4范峻川等：基于数字化的邮政金融大众客户价值提升研究0.4假正率图4AUM5万 10 万元低资产客户盘活模型AUC值表现样本训练集上的表现展示了模型的学习能力，测试集上的表现展示了模型的泛化能力。从图5 可以看出，随着训练样本量的增大，训练集和测试集的得分越来越接近，即测试集的学习曲线在逼近训练集的学习曲线，说明模型的泛化能力较好。0.91训练集得分测试集得分0.900.890.880.870.861提升模型效果0.82950.8540.709 50.613 20.776 3第40 卷强风险区分能力。ROC曲线反映了模型真正率和假正率的关系，以真正率（灵敏度）为纵坐标，假正率（特异度）为横坐标绘制的曲线，AUC的值就是ROC曲线下方围成的面积，AUC值越大，说明模型的有效性和稳定性越强。ROC曲线以下的面积为AUC值，大于0.8，说明模型表现较强（见图4）。1.00.80.410.2.0图5 调优后AUM5万 10 万元低资产客户盘活模型10.038 310.056210.070310.068 9 0.047 10.2200000指标重要性排序：存款占AUM比重、是否购买过理财型保险、保险占AUM比重、理财占AUM比重、定期存款占AUM比重、1个月内代收次数、客户等级、现金管理类理财金额、近1个月借记卡最大动账金额、社保客户、混合型基金月330.6400000600000训练样本量0.88000001.0第1期日均余额等指标重要性居前。3.6模型结论AUM01万元低资产客户盘活模型指标重要性排序显示，代收代付、动账、理财保有量、存款、快捷支付、手机银行、绑定信用卡等相关特征及衍生指标占据比较重要的位序，说明客户活跃度是影响低资产客户盘活的关键要素。AUM5万10 万元VIP临界客户提升模型指标重要性排序显示，持有存款保险理财等资产、动账情况以及是否代收代付客户等相关特征及衍生指标占据比较重要的位序，尤其是保险、基金、理财等重要性排序明显较AUM01万元低资产客户盘活模型靠前，说明财富管理与产品叠加是影响VIP临界客户提升的关键要素。4电邮政金融大众客户经营建议邮政金融应聚焦客户交易活跃度，盘活低效客户；聚焦财富管理，带动中高端客户新增；聚焦产品叠加，避免客户向下迁徙；聚焦新客拓展，夯实邮政金融大众客户经营“基座”，最终以多维、立体的客户分层分群经营，实现邮政金融大众客户价值的深入挖掘和提升。4.1以“低效盘活行动”深挖长尾客户价值，做好客户盘活的全生命周期管理牢牢把握住“活跃”关键要素做好低资产客户盘活。一是用好用活“低资产客户盘活”白名单，将白名单客户责任到人，依托关联的客户标签对下发的白名单再分析、再画像，找准客户需求痛点，用好“短信精准营销触达+网点一元购、一分购特色营销活动+快捷支付绑卡营销活动+手机银行营销活动”，分类分群进行针对性营销，要有目标、有措施、有考核，从而不断提升白名单客户营销成功率；二是聚焦低资产客户盘活后6 12个月资产再提升黄金期的规律，避免低资产客户盘活后再次向下迁徙；三是以产品覆盖巩固低资产客户盘活成效，通过实践证明客户向下迁徙的主要原因在于客户的黏性不够、客户体验不佳、交易意愿不强，对于盘活的低资产客户，要用好“产品加1”策略提升客户黏性；四是针对在邮政金融是低资产客户、在他行却为高价值客户的，则要依托CRM系统的“行外投资理财客户”“互联网理财一邮政研究保险”“互联网理财一理财”“互联网理财一基金”标签，以资产配置为牵引，深挖客户在他行资金的增长潜力。4.2以“临界跃升行动”带动中高端客户新增，加速提升中高端客户占比临界客户是邮政金融中高端的“金矿”“富矿”，是邮政金融AUM提升的重要来源。上市银行实践证明，如果临界客户不能在6 个月、最长1年的时间内实现提档升级，该临界客户就会面临向下迁徙的可能，或成为他行上一档级的客户。一是用好用活“5 万10 万元VIP临界客户提升”“40 万5 0 万元财富临界客户”白名单，压实各层级及网点营销责任，明确提档升级的月度目标，以定制化理财、低波稳健的债券型基金、保险等产品，以“产品加1”策略加速临界客户提档升级；二是要密切关注临界客户行外资产，用好总行CRM“客户36 0”功能中即将上线的IVL模型，从客户亲密度、生命周期、行外资产潜力值3个维度做好客户精准画像，以“资产提升有福利”“晒他行存单有惊喜”等特色活动助力客户资产跃迁。4.3补齐客户流失及向下迁徙的短板，以“流失召回行动”夯实个人有效客户新增根基个人有效客户新增是建立在维护存量基础上的。邮政金融要构建自身流失客户预警模型，聚焦“产品、服务、活动”三维流失预警分析矩阵，“一户一策”做好客户维挽和召回。针对产品敏感型客户，要做好与同业周边网点对产品的比较优势分析，对邮政金融处于弱势的产品，要以全产品链和面对面的温情服务做好客户召回；针对服务敏感型客户，要通过网点主任、县分公司分管副总经理、总经理的“服务升级”“亲情服务”提高客户服务满意度，以一对一的资产配置方案使客户获得尊享感；针对活动敏感型客户，要在摸清客户价值（当前资金与行外资金对邮政金融贡献）基础上“算大账”挽留客户，要通过“积分双记”活动做好客户转介营销。4.4广拓增量，推进“新客倍增行动”4.4.1深挖社保卡、特色卡、二类账户新客贡献，以长尾客群新增做大新客规模一是聚焦九类重点客群，以社保卡批量获客。一3 4一第40 卷第1期社保卡是居民社保、医保及各类资金补贴的主账户，是居民未来的“一卡通”。邮政金融要持续加大社保卡发卡力度，将社保卡作为重点项目，启动社保卡专项营销活动，聚焦无邮储社保卡的代发养老金客群、未激活金融功能和未绑定代发关系的社保卡客户、未办理社保卡的VIP客户、农民合作社及家庭农场、政企事业单位、通信运营商、“十行八店”和中小微企业、社区居民、邮政合作供应商等客群，制定客户地图和作战地图，以两张地图压实营销责任，深挖重点客群，明确营销范式，依托场景持续开展社保卡系列营销活动、促进用卡活跃度提升。二是以特色卡开发退役军人、年轻客群、新市民客户，扩大新客规模。持续保持与退役军人优待证发放密切相关的退役军人保障局（所）、社区等关键机构的联系，实现退役军人优待证“批发做”；聚焦青年客户潮玩文化和消费升级痛点，发挥“虎兔”卡、美团卡等流量IP优势，打造他行青年客户办理其在邮政金融的“第一张卡”，既优化邮政金融客户的年龄结构，又提升手机银行、快捷支付的活跃度；充分利用新市民卡对购房、购车的权益优惠，加大新市民卡发卡力度，获取新市民购车、购房及贷转存资金。三是拓宽深挖二类账户这个邮政金融获客活客新的突破口。以直销银行“理财超市”为抓手，做大二类账户规模，并引导二类账户客户逐步开立邮政金融一类账户；加大对当地高校、医院、地方国有企业、央企当地分支机构、政府机构类客户和亿元批发市场等优质个人养老金账户潜在客户的营销力度。4.4.2以定制化理财、现金管理类理财拓展优质对公客户的零售新客一是以定制化理财的让利客户，拓新客新资金。加大高等院校、三甲医院、政府机构、上市公司、三大通信运营商、五大电力公司等优质对公客户零售资源的营销力度。二是借鉴招商银行“朝朝宝”做法，以现金管理类理财获新客。招商银行2 0 2 2 年仅“朝朝宝”1款产品就有2 439 万客户购买，期末持仓金额超2 0 0 0 亿元，邮政金融要以“零钱宝”为抓手，尤其以直销银行的“理财体验金”为切入点，做大理财新客规模。范峻川等：基于数字化的邮政金融大众客户价值提升研究J农银学刊，2 0 2 1（4）3毕文婧：基于大数据背景的B银行济南市分行客户流失研究D：咸阳：西北农林科技大学，2 0 2 24童绍赣建设银行G分行长尾客户营销策略研究D贵阳：贵州大学，2 0 2 15 陈光镁，孙雪莲XGBoost融合模型在银行客户流失预测中的应用研究J：电脑知识与技术，2 0 2 3（13）6 苟博一，何雪，吴念菲个人长尾客群潜力分析与营销服务策略研究一以工商银行贵州分行为例.现代金融导刊，2 0 2 1（11）一3 5一第40 卷4.4.3依托“零售业务批发做”，提高MGM（客户介绍客户）、代发、商户等重点项目对新客的贡献度一是坚持“零售业务批发做”，以业务互换、友商引荐、协会商会引荐、板块引荐引流客户。用好用足合作保险公司、基金公司、证券公司资源，以代发业务为切入点，将保险公司、基金公司、证券公司员工发展为邮政金融的客户；发挥邮政多业态、多板块协同优势，深挖本地地域性商会、电商协会、集邮协会、涉农类协会、生活消费类协会资源，“零售业务批发做”；板块引荐，实现代发业务批量获客。二是要将代发业务纳入重点发展业务，以代发业务批量获客。代发业务市场潜力巨大，邮政金融要扎实做好存量代发户激活、流失代发户召回、大额代发户（月均代发超5 0 0 万元）高层管户行动的规定动作，既做好存量代发客户维护，又聚焦新增代发客户拓展。三是契合国家政策导向，加大额大、高频交易商户营销力度。顺应国家“把恢复和发展消费摆在优先位置”的政策导向，各省在围绕传统的衣食住行游娱购搭场景、拓生态的同时，要围绕汽车4S店、新能源汽车、旅行社、旅游景点、二手房中介、家装、幼儿园、托幼、家政、物业、大型批发市场等商户加速构建“智慧+”场景，提升额大、高频交易商户对邮政金融客户新增的贡献。参考文献1宁婉婷建设银行D分行长尾客户关系管理改进策略研究D大连：东北财经大学，2 0 2 12 陈伟融合用户画像的银行智慧营销策略探讨