本应用通过特征工程衍生客户特色标签，输入AI能力平台进行机器学习建模，重点标注流失预警客户及资产提升响应客群，形成丰富的客户标签库;结合MAU和AUM两项指标组合行内不同营销活动，定制相应的策略方案，生成流失预警名单和资产响应度名单，利用行内多平台开展精准营销，预防MAU流失并促进客户AUM提升，解决营销资源投放无重点，缺乏针对性的问题，为零售客户拓展提供可量化的依据。

本应用由交通银行股份有限公司提供平台及技术支持，交通银行股份有限公司北京市分行进行研发及运营工作，此外没有其它第三方机构参与。

创新性说明：

1. 在人工智能建模方面，运用大数据挖掘技术先分析问题原因，定位问题根源，再进行特征工程，提取客户行为特征，实现模型预测精准性更高，模型效果更好。

2. 在数据源加工方面，将客户交易信息进行场景还原，将客户“衣食住行”上的交易笔数和金额归类统计，丰富模型训练的特征。

3. 在模型效果评估方面，建立滑动窗口评价模式，利用“观察窗口”“表现窗口”“预测窗口”将预测结果的实际表现返回模型继续训练优化，持续提升模型营销效果。

4. 在营销策略制定方面，运用双模型名单制，将MAU高中低预警与AUM高低响应组合成不同的营销名单，制定相应的促登录和促资产组合营销活动开展拓客工作。