银行借助纵向联邦学习 集中化进行长尾客群的精准营销

易观数字化：银行受限于有限的营销资源，导致缺少对长尾客群的精细化运营，而纵向联邦学习是面向长尾客群精准营销的有效手段之一，但在应用时需同步考虑系统层级的挑战。

银行的长尾客户占比 80%以上。但受限于有限的营销资源和客户经理，银行日常的精准营销活动更多覆盖头部客户，一方面缺乏对长尾客户中高净值客户的挖掘，另一方面缺乏对长尾客户的精细化运营。

纵向联邦学习本质是特征的联合，是一种适用于用户重叠多，但特征重叠少的分布式机器学习方法。对于银行来说，纵向联邦学习是面向长尾客群精准营销的有效手段，但也需要关注系统层级的挑战。

纵向联邦学习丰富银行用户标签集中化挖掘长尾客群价值

银行零售业务的核心趋势是将金融服务无缝衔接进不同用户的主要生活场景，实现“银行即服务”（BAAS）。其中主要手段就是借助数据技术来进行集中化、智能化的客群经营，利用有限的营销和人力资源，最大效率的挖掘长尾客户的价值。这对银行用户标签系统的精准度和丰富度都提出了较高的要求。而用户标签的精准度和丰富度都有赖于多源数据的引入，银行可以通过纵向联邦学习与支付机构、运营商、互联网机构等外部场景平台联合建模，通过有效的补充特征可以增加更多的用户标签并提高标签的实时性和准确性。

易观分析认为，对于有大量基础零售客户群的商业银行，应用纵向联邦学习共建的用户标签系统可以帮助银行逐步构建长尾客户的分层营销体系。银行可以基于客户台账、银行的客户关系管理系统来梳理客户的日常消费习惯和消费偏好，借助行为定向、地域定向、内容定向、产品定向等方法识别客户，进而优化用户画像并制定个性化的推荐策略，并基于用户分层的结果和用户偏好标签，在面向内容、时间、触达方式等多维度营销方式上，提升银行对海量长尾客户的个性化营销服务深度。

同时，银行可以利用纵向联邦技术与保险公司、基金公司等联合建模，了解本行长尾客户的跨行消费行为、资金流动性等外部财富能力特征，实现对本行优质高潜客户的挖掘。

因此，通过共建的实时用户标签系统发现高价值的客群，以及用精准营销的方式以最小的资源投入“促活”和“挽回”海量长尾客群是未来银行的重点。

系统架构层级面临的挑战

纵向联邦学习技术应用于用户标签系统，在系统架构层级主要有以下三类问题：

一是，纵向联邦学习是一种分布式的机器学习方法，但传统的智能推荐系统都是中心化的框架，因此，数据技术和营销中台会在系统层级方面存在通讯损耗、技术与业务架构融合等方面的挑战；

二是，银行在营销场景下是用纵向联邦学习，但在风控场景中是用横向联邦学习，银行内部在不同的业务场景中应用不同的联邦学习技术，会导致在银行内部逐渐形成平台壁垒；

三是，纵向联邦学习需要银行与外部场景平台进行多方协作，而不同平台之间的对接也面临技术兼容、数据合规、模式构建等方面挑战。

易观分析建议，现行体系架构的可扩展性和不同的隐私计算平台之间的跨接协议可以成为关键突破点。银行在部署前应当和合作方对架构进行充分沟通，尤其需将银行方关于应急灾备的安全需求予以重点考量，进而对技术架构和部署方案做相应调整。另一方面，银行可以从自身业务需要出发，和技术厂商共同制定标准化的技术框架和实施流程。

声明须知：易观数字化在本文中引用的第三方数据和其他信息均来源于公开渠道，易观数字化不对此承担任何责任。任何情况下，本文仅作为参考，不作为任何依据。本文著作权归发布者所有，未经易观数字化授权，严禁转载、引用或以任何方式使用易观数字化发布的任何内容。经授权后的任何媒体、网站或者个人使用时应原文引用并注明来源，且分析观点以易观数字化官方发布的内容为准，不得进行任何形式的删减、增添、拼接、演绎、歪曲等。因不当使用而引发的争议，易观数字化不承担因此产生的任何责任，并保留向相关责任主体进行责任追究的权利。