Chapter 1
第1章
手机银行潜在月活客户挖掘
——自动机器学习技术

手机银行是指人们使用智能手机来完成各种银行服务的业务形态。作为零售银行最重要的门户，它承载着获客、活客、留存、转化的功能，在争夺长尾客户、收取商家入驻佣金、降低银行运营成本、提升客户体验、提升金融产品销量等方面有重要作用。《2021中国数字金融调查报告》发布了以下4个观察，足以说明手机银行的市场地位。

观察一：手机银行发展速度超过个人网上银行。从2015年开始，手机银行连续6年增长率保持两位数，成为金融科技前端主要输出产品及数字化转型的主要抓手。网上银行逐渐边缘化，客户比例增速放缓，2021年手机银行用户渗透率为81%，增速为15%，而同期个人网上银行用户渗透率为63%，增速为7%，如图1-1所示。

观察二：手机银行已成为增长最快的电子银行渠道。2017—2021年，手机银行业务量增速在6%以上，高于网上银行、微信银行和电话银行，如图1-2所示。

观察三：手机银行已成为使用率最高的电子银行渠道。在线调查结果表明，2021年手机银行客户使用率为85%，高于其他电子渠道，如图1-3所示。

观察四：手机银行已成为商业银行必争之焦点。各银行频频出台硬核招数，不断丰富手机银行功能，通过人工智能和场景化手段加速创新。手机银行迎来后App时代，推进“手机银行+”移动端布局，打通第三方流量入口。手机银行弱化金融属性，强化“场景+社交”属性，即以基础金融服务为支撑，以手机App为载体，以高频生活场景为驱动，重塑手机银行新业态。同时，各商业银行纷纷开始探索利用微信、支付宝等进行外部客户引流，并实现有效转化。商业银行将手机银行定位于数字转型的主要抓手和落地平台，以及零售业务的战略核心，如图1-4所示。

金融场景是低频业务场景，存在客户对银行的黏性低、客户易流失、客户价值难以挖掘、难以建立开放银行生态圈等问题。只有运营手机银行，将金融功能融入开放的互联网渠道和各种线上生活场景，让商家入驻，提供丰富的营销活动，提升易用性和客户体验，提升月活客户数，才能将低频场景转化为高频场景，从而获取更丰富的客户数据，维护并挖掘客户价值，提高客户黏性和忠诚度，建立适应互联网形态的新金融生态圈。

手机银行月活客户是指当月登录并使用手机银行的客户，它反映了手机银行的使用效能和金融生态成熟度。手机银行潜在月活客户是指当月没有月活，但具备月活特征，在营销策略引导下容易转化为月活的客户。追求手机银行月活客户最大化，是运营手机银行的目标，而精准挖掘潜在月活客户则是实现这个目标的一种有效途径，这对银行经营具有重要的战略意义。

本案例提出一套基于自动机器学习来预测潜在月活客户的实现方法，在实际工作中取得了较好的应用效果。

1.1 自动机器学习简介

自动机器学习（Automated Machine Learning, AutoML）是近年来机器学习领域的研究热点，它是指机器学习模型从构建到应用全过程自动化的理论和方法，能最大限度地减少人工参与程度，从而降低机器学习门槛，实现快速便捷的自动化建模。

自动机器学习作为一项创新技术，是针对传统机器学习的“烦琐耗时”“门槛高”两大痛点提出来的。在传统机器学习的建模任务中，需要经过问题定义、数据收集、数据清洗、特征生成、特征选择、算法选择、模型训练、超参数优化、模型评估、模型部署等步骤，其中，从数据收集到模型评估是一个反复迭代的过程，这个过程依赖个人经验，需要人工参与，烦琐且非常耗时，通常需要数月时间完成。传统机器学习通常需要建模人员具备一定的数学知识，比如微积分、概率论、线性代数、统计学、图论等，同时还需要理解多种机器学习算法，比如分类、聚类、回归、降维、图算法等，并具备模型调参经验，因此难度较大、开发门槛较高。自动机器学习将这个迭代过程视为一个最优解搜索过程，在事先设定的模型空间和参数空间中构建一个数学实现，完成自动特征工程、自动算法选择、自动模型选择、自动参数调整、自动管道匹配等环节，无须人工干预。此举一方面可减少时间和人力投入，另一方面能最大限度地降低对建模人员的能力要求，使得机器学习建模工作变得快速、轻松。传统机器学习与自动机器学习对比如图1-5所示。

2017年底，谷歌首次提出自动机器学习技术。2018年1月，谷歌发布了第一个自动机器学习产品AutoMLVision。目前，自动机器学习技术进入快速发展阶段，百度、阿里、腾讯、第四范式等多家科技公司均推出了自动机器学习产品，出现了诸多主流开发框架，如TPOT、Auto-sklearn、Auto_ml、HyperOpt等。自动机器学习已渗透到工业、金融、教育、政务等多个行业。

图1-6的上半部分展示了常见的机器学习框架，下半部分展示了常见的自动机器学习框架。机器学习框架通常涉及特征工程、模型创建、参数调优三大板块，每个板块都有专门的开发框架。管道是自动机器学习框架中常见的技术，它将整个机器学习的流程串联起来，从而实现自动化。近年来，随着技术的发展，自动机器学习领域涌现出一些新技术，比如自动化集成学习、多学习器学习、自动超参数搜索等。本书重点介绍在金融实践中使用的几个自动机器学习前沿框架。