背景与问题

在信息技术飞速发展的背景下，金融业特别是银行业作为技术和知识密集型行业，具有采用信息提升业务效率的内生需求和天然优势。多年以来，伴随着银行金融产品同质化加速，客户服务方面的竞争成为了抢占客户市场至关重要的战场。其中，网点作为服务民生与展示形象的重要窗口，是重点战略落地与业务营销拓展的核心阵地，根据银保监会发布的数据，目前全国银行业金融机构共有营业网点数22.1万家。其中以工商银行为例，每天平均网点到店人数在百万级别以上，同时拥有1.6万家网点和11万名网点服务人员。由此可见，对网点到店客流情况进行深入分析挖掘，存在着重要的研究价值和挖掘潜力。

为全面落实中央金融工作会议精神，做好数字金融大文章，推进巡视整改相关成果走深走实，全面提升网点数字化管理质效，以下两个方面还有待提升：

在网点运营质效方面：一是网点以及各柜面资源调配滞后于实际业务发生，无法动态适应流量峰谷；二是网点缺少客户流量数字化支撑，资源调配等缺少决策支持。

在网点客户服务体验方面：一是触客分流能力不强，未能精准提供自助类或者线上服务；二是网点业务量高峰期间常常出现客户等待时间较长、体验不佳等情况，缺少主动对业务流量的削峰填谷措施。

探索实践

针对网点到店客流分析与价值挖掘的研究是推动网点向一体化、数字化、智能化转型过程中的技术创新。该创新从研究到店客流角度出发，依托人工智能和大数据技术，加强对实时、批量到店客流数据多渠道的采集，提供一套集未来客流预测、实时信息分析和历史洞察分析等底层能力为一体的数据服务能力。在网点资源灵活调配、到店客户智能引导、到店客流异常报警等场景为业务条线的策略改进提供数据支撑，更加全面地助力一线网点流程优化和运营效能提升，打造客户专属的极致服务体验。

一、到店客流多渠道信息采集及获取

结合实时数据采集、离线批量数据采集、计算机视觉等技术，获取实时到店客流数据与到店客户多渠道轨迹数据，为后续智能模型的搭建和数据分析提供数据支撑。

在实时到店客流信息采集方面，主要如下3个方面：

1、网点实时客流信息。通过流数据采集获取实时到店客流人数、客户到店渠道、到店业务办理类型、客户实时等待时长等实时数据。

2、客户实时交互信息。通过SDK组件获取客户屏幕点击、页面浏览、屏幕滚动、表单提交等交互信息。

3、客户实时行为数据。实时数据采集、第三方API集成、网络爬虫技术获取客户在地图软件中对附近网点的搜索行为等数据。

在批量到店客户数据获取方面，主要如下3个方面：

1、客户预约数据。获取不同时段的预约客户数、预约渠道、预约业务分布情况等数据。

2、到店客户画像信息。获取到店客户基础画像信息以及客户金融资产信息等数据。

3、业务办理情况信息。获取客户业务办理类型、业务办理渠道、业务办理时长等业务办理信息等数据。

二、到店客群分类及办理业务类型的预测

基于共享异质图的多任务学习模型，该模型通过构建客户-网点业务办理关系异质图描述业务场景，采用深度学习和图表示学习的方式，通过对图的高维交互信息（如客户与其在网点办理业务的间接关系）进行建模，完成包含客群分类预测和业务办理预测的多任务学习。通过对到店客群分类及业务办理类型的预测，回答“什么人”、“来网点做什么”问题，为业务条线后续的策略优化提供参考，同时支撑未来到店客流预测模型建设。

图1 未来到店客群分类及业务办理类型预测模型图

三、未来到店客流量的预测

运用多任务学习模型中的图神经网络对网点客户的画像和行为特征进行聚合，并用于长短时序神经网络LSTM的各个时间节点中，然后通过LSTM对网点客流时序特征的充分学习，完成未来到店客流量（年、季、月、日、各时段）预测模型。运用未来客流到店预测能力，结合未来到店客群分类及业务办理类型预测，回答“什么人”、“什么时间”、“来网点做什么”问题，为业务条线后续在网点资源灵活调配等场景中的策略调整提供支撑。

图2 未来到店客流量预测模型图

四、实时及历史到店客流统计分析

通过结合实时数据采集、离线批量数据采集、计算机视觉等大数据和人工智能技术，将采集到的实时到店客流数据与批量到店客户数据，结合关联分析、趋势分析、漏斗分析、文本分析等统计方法，对到店客流等候情况、到店客户的画像、业务办理情况等情况进行分析，运用实时信息分析能力和历史洞察分析能力为业务条线后续的策略调整安排提供参考。其中：

在到店客流等候情况分析方面，通过实时数仓技术，实时或准实时采集当前时间段内的客户实时等候信息和网点运营资源信息，运用实时信息分析能力通过趋势分析、对比分析、关联分析等方法，分析各网点、各时段、各业务办理类别的等候人数差别，以便运营管理人员及时对网点资源排布与人员调度做出优化，减少客户等候时长。

在到店客流客户画像分析方面，批量获取已到店客户的到店信息，并运用历史洞察能力关联客户画像信息，获取客户性别、年龄、星级、风险偏好等基础画像信息，通过结构分析、聚类分析、关联分析等方法，分析不同客群、的到店占比与到店办理业务偏好，以便针对各客群客户做出优化。

在到店客流业务办理情况分析方面，通过准实时批量服务、离线数据处理获取客户到店办理业务情况，运用历史洞察能力通过对比分析、漏斗分析等方法，分析客户到店办理业务种类，各业务办理渠道，以便运营管理人员了解各业务办理时长数据，推动优化业务流程。

未来展望

针对网点到店客流分析与价值挖掘的研究是推动网点向一体化、数字化、生态化转型过程中的技术创新。该能力后续还可以在客户个性化服务和简化业务办理流程等场景为业务条线的策略改进提供数据支撑，更加全面地助力一线网点流程优化和运营效能提升，打造客户专属的极致服务体验。