研究背景与目的 [page::0][page::1]

• 传统客户生命周期价值(CL V)评估仅依赖单一机构数据，忽视客户在其他金融机构的活动。

- 开放银行数据为获取跨机构客户行为提供了可能，论文旨在通过OB数据实现潜在客户生命周期价值(PCLV)的计算。

PCLV计算框架与方法论 [page::3][page::4][page::5][page::6]

• 构建PCM模型：基于XGBoost回归模型，使用机构内部及开放银行标准化产品服务分类(PSC)信用额度数据预测客户贡献利润。

- 留存概率预测：采用特征工程结合ADASYN过采样和NEARMISS欠采样处理不平衡数据，通过XGBoost分类模型预测客户留存概率。

• PCLV通过预测竞争对手客户贡献利润和留存概率计算，最终叠加传统CLV得到客户整体价值(Total CLV)。

数据与实证结果 [page::7][page::8]

• 基于巴西某大银行36个月数据，覆盖3.3百万客户，开放银行数据覆盖约1万客户(0.32%)。

- PCM模型表现优异，RMSE约74美元，MAE约12美元。

• 留存预测PR-AUC达0.96，灵敏度为0.88。

重要发现：PCLV对客户价值提升的贡献 [page::8][page::9]

• 总计潜在客户生命周期价值增量约为1401万美元，较传统CLV提升21.06%。

- 客户细分显示4.23%客户有上升至更高价值区间潜力，优先营销可转化为实际价值。

| 实际CLV细分 | 总CLV细分 | 总CLV(美元) | PCLV(美元) | 实际CLV客户数 |
|-------------|--------------|----------------|----------------|--------------|
| Upper | Upper | 67,958,298 | 7,017,311 | 3,425 |
| Intermediate| Intermediate | 9,136,310 | 4,128,358 | 3,061 |
| Lower | Lower | 2,008,339 | 2,000,288 | 3,135 |
| Total | | 80,553,700 | 14,012,093 | 10,507 |

• 提出通过PCLV优先级排名进行个性化产品拓展和客户留存策略的建议。[page::9]

未来展望与挑战 [page::9]

• OB数据采纳率有限影响PCLV覆盖，未来需提高数据共享范围。

- 建议研究客户迁移模型及提升PCLV的精度。

金融机构潜在客户生命周期价值（PCLV）研究报告详解

---

1. 元数据与概览

报告题目：
"POTENTIAL CUSTOMER LIFETIME VALUE IN FINANCIAL INSTITUTIONS: THE USAGE OF OPEN BANKING DATA TO IMPROVE CLV ESTIMATION"

作者与所属机构：

• João B. G. de Brito, Rodrigo Heldt, Cleo S. Silveira, Guilherme B. Bucco, Fernando B. Luce, Filipe J. Zabala, Michel J. Anzanello（巴西联邦南大河州立大学）

- Matthias Bogaert（比利时根特大学）

• João L. Becker（巴西盖图利奥·瓦加斯基金会）

发布日期与数据时间范围：

• 研究数据涵盖2021年1月至2023年12月。

- 报告原文无明确发布日期，但引用文献中含2024年内容，推断为近年最新研究成果。

研究主题与核心内容：
该报告聚焦金融机构客户生命周期价值（Customer Lifetime Value, CLV）的估算改进，提出利用开放银行（Open Banking, OB）数据融合竞争对手交易信息计算潜在客户生命周期价值（Potential CLV, PCLV），拓宽传统仅使用单一金融机构内部数据的局限。研究显示，结合OB数据，PCLV能显著提升个体客户价值的识别和预测，为金融机构提供更细化的客户经营策略与市场营销手段，推动营收增长和竞争力提升。整体提炼的核心信息是：通过整合多机构数据，提升CLV的估计准确性和应用价值，开辟金融客户管理的创新路径。[page::0]

---

2. 逐节深度解读

2.1 引言（Introduction，页1）

关键论点与信息：

• 长期以来，企业以产品和品牌为核心，忽视客户需求，阻碍客户忠诚度和盈利增长。

- 转向以客户为中心策略，依靠CLV作为核心指标，确保营销资源合理配置和个性化服务，助推长期价值最大化。

• 金融行业尤其重要，因为客户契约关系长、产品多样，精准识别高价值客户可优化组合和提升保留率。

- 当前CLV估算局限于单一机构，缺少客户跨机构活动视角。

• 开放银行通过客户授权共享多机构数据，支持全面的客户行为洞察，有助于评估“Total CLV”（实际CLV + 潜在CLV）。

- 论述目标是提出并验证基于OB数据的PCLV框架，增强客户关系管理和竞争力。

推理依据与假设：

• 业务和客户行为不断变化，要求数据驱动的策略变革。

- OB为数据获取带来突破，有效填补传统CLV数据盲区。

• PCLV可引导差异化的市场动作，如交叉销售和客户保留。

该引言为后续理论和实证研究奠定理论背景与现实意义，明确研究目的与应用价值。[page::1]

---

2.2 理论基础（Theoretical Foundation，页2）

关键内容：

• 历史企业偏重产品，而非客户需求，已难满足现代客户与市场创新需求。

- 客户中心战略成为必然，强调客户体验和价值创造。

• CLV定义为客户在关系周期内贡献的净现值，结合未来现金流、客户留存率和折现率等因素。

- 具体CLV计算公式（Eq.1）详述：
\[
Actual\,CLVi = \frac{(cmi 12) ri}{1 + d - ri}
\]
其中，\(cmi\)为月贡献利润， \(ri\)客户留存概率，\(d\)年折现率。

• 传统CLV仅涵盖机构与客户间互动，忽视客户在竞争对手处的潜在价值。

- 为解决该盲点，引入PCLV，考虑客户与竞争对手的交易数据，实现更全面的客户价值视角。

推理基础：

• 理论强调从静态单机构数据向动态多机构客户全方位认识转变。

- 利用财务指标与概率模型量化客户潜在价值，强化运营和战略决策。

这部分从理论角度定义了CLV与PCLV的概念框架及计算逻辑，为后续模型和实证分析提供基础。[page::2]

---

2.3 开放银行与数据获取（页3）

核心论述：

• PCLV需要外部竞争者交易数据支持，OB应运而生，因而尤为关键。

- 欧洲PSD2指令启动OB发展，全球多国采纳。

• OB通过安全、标准化API，实现金融机构间的数据共享，遵循客户授权原则。

- 掌握OB数据的机构能更精准分析客户需求，制定个性化营销，增强客户留存。

• 不适应OB环境的机构将面临客户流失风险。

- 融合CLV与OB数据，能推动PCLV应用，提升盈利空间和市场竞争力。

该段强调OB的背景、技术与战略意义，是把PCLV理论付诸实践的关键前提。[page::3]

---

2.4 方法论详述（Method，页3-7）

2.4.1 潜在贡献利润（PCM）预测（页3-5）

• PCM是构建PCLV的核心指标，反映若客户从竞争对手迁移采购产品，金融机构可能获得的贡献毛利。

- 产品服务分类（PSC）作为标准接口，保证不同机构间产品信息兼容。

• PCM预测包含两阶段：

- 阶一：采用XGBoost回归模型，基于核心机构历史数据训练，预测每客户整体贡献利润。
- 阶二：用OBS获得竞品PSC信 息，输入训练模型估计对手产品潜在利润。

技术细节：

• 选择XGBoost因其树集成模型在预测精度上的优异表现，结合贝叶斯超参优化，提高模型鲁棒性。

- 绩效通过10折交叉验证，采用RMSE和MAE评估模型误差。

• 预测基于客户最后一个月的信用额度和结构数据。

2.4.2 客户留存概率估计（Retention Probability（页5-6）

• 采用Brito等（2024）提出的处理不平衡零售银行数据的框架。

- 包括：特征工程（生成Recency, Frequency, Monetary值等RFM指标）、ADASYN算法增强少数类别（流失客户）、NEARMISS删除多数类别边缘样本。

• 利用XGBoost分类模型，进行酌情优化，衡量指标包含PR-AUC、灵敏度、准确率和特异性。

- 保留概率等于1减去预测的流失概率（Eq.4）。

2.4.3 PCLV计算（页6）

• PCLV基于潜在贡献利润PCM和留存概率，折现计算12个月期望价值（Eq.5），可累加多竞争对手数据（Eq.6）。

- 结合机构自身实际CLV，形成Total CLV（Eq.7），反映客户在机构内部及其潜在迁移价值。

• PCLV准确性依赖OB数据的覆盖范围和客户授权。

此方法论为实现多维度大数据融合下客户价值重估提供了全面、严密的技术框架。[page::3-7]

---

2.5 数据与实证背景（页7）

• 研究基于巴西一家大型银行，关注信用相关PSC，约占机构贡献利润的73%。

- 数据涵盖三年261百万交易，覆盖330万客户。

• OB数据有限，只有10,507客户（约0.32%）授权共享来自竞争对手的信息，支持PCLV评估。

- 使用年度折现率为10%，货币单位统一兑换为美元。

实证背景展示了方法论应用的实际情况，同时也体现OB在当前阶段的采纳限制因素。[page::7]

---

2.6 结果与分析（页7-9）

2.6.1 模型表现（页7）

• 流失模型识别能力强，PR-AUC达到0.96，灵敏度0.88，准确率和特异性均为0.92，说明模型区分客户流失与留存能力高。

- PCM预测模型表现良好，RMSE约74美元，MAE约12.13美元，贡献利润均值约54.7美元，标准差较大，表明存在客户贡献分布广泛，模型稳定性较好。

2.6.2 PCLV及客户细分变迁（页8-9）

• 计算示例中，PCLV与实际CLV相加得到总CLV，客户依据CLV值分为三等分（t terciles）。

- 分析及Table 1总结：
- 上升转变：4.23%的客户评级因PCLV上升转至更高价值区间，潜在额外贡献约629,183美元，约占实际CLV总额的0.95%。
- 不变部分：91.56%的客户评级无变化，这部分客户PCLV潜能达1314.6万美元，约占实际CLV总量的19.76%。
- 下落转变：4.20%的客户CLV评级下降，PCLV潜能236,953美元。

• 总计PCLV对整体实际CLV增幅达到21.06%（约1401万美元），潜在价值显著。

- 重点建议针对具备明显PCLV潜力的客户制定加售策略，实现实际价值提升。

表1以数值和客户人数层面反映PCLV对客户价值区分和潜力发现的影响，并详列具体金额及比例：

| Actual CLV Segment | Total CLV Segment | Total CLV ($) | PCLV ($) | Actual CLV ($) | Number of Customers |
|-|-|-|-|-|-|
| Upper | Upper | 67,958,298 | 7,017,311 | 60,940,879 | 3,425 |
| Upper | Intermediate | 195,318 | 40,851 | 154,466 | 75 |
| … | … | … | … | … | … |
| Total | | 80,553,700 | 14,012,093 | 66,519,068 | 10,507 |

这一细致客户分段辅佐营销人员优先级划分和资源配置。由于当前仅极少客户采纳OB，未来潜力空间巨大。[page::8][page::9]

---

2.7 结论（页9）

• PCLV框架扩展了传统CLV的视角，使金融机构能综合客户与竞争对手在多机构间的交易，获得总价值(Total CLV)。

- 利用OB数据实现的PCLV估计，有助于针对高潜力客户开展精准营销与客户保留措施，提升利润和竞争优势。

• 现阶段OB采纳率低，限制了数据覆盖和模型普适性，未来研究应聚焦于提高采纳率、客户迁移模型构建及PCLV准确性。

- 强调了通过客户细分和PCLV排名的客户关系管理价值，推动客户价值最大化。

总结传递了PCLV作为金融领域客户价值评估创新突破的积极展望和现实瓶颈。[page::9]

---

3. 图表深度解读

3.1 表1——客户细分变化与CLV评估（页9）

描述：
表1展示基于实际CLV和总CLV（包含PCLV）两种客户价值度量下的分段（高、中、低）对比。数据包括每个细分的CLV金额、PCLV金额及客户数。表中还标示每段所占比重，呈现了PCLV对客户等级和价值的影响。

趋势解读：

• 大部分客户（91.56%）未发生分类变化，且这些客户贡献的潜在PCLV占最大比例（近两千万美元）。

- 一小部分客户因PCLV提升而升级分段，具较高潜在增值空间。

• 极少客户出现分段下跌，值较小。

- 总体PCLV占实际CLV的相当比重（21.06%），突显客户跨机构交易潜力不容忽视。

文本联系：
表格直观支持了核心论点，即融合OB数据挖掘客户潜在价值，指导精准营销和客户管理策略。作者借此强调PCLV在识别高潜力客户、增强建档和资源匹配中的战略价值。

数据注意点：

• 目前数据仅基于极小部分客户（0.32%），有显著上升空间。

- 数据货币单位统一，易于跨期与跨机构比较。

• PCLV估计依赖模型预测和客户授权，存在采纳相关的偏差风险。

---

4. 估值分析

报告本质属于客户价值预测，其估值框架基于经典的CLV模型，主要使用客户贡献利润（Contribution Margin）与留存概率（Retention Probability）折现计算。估值体系核心包括：

• 现金流折现法（NPV）： 通过折现未来潜在贡献利润得出客户的预期价值，反映客户关系的经济收益。

- 模型驱动输入：
- XGBoost回归定量PCM。
- XGBoost分类预测客户留存概率。
- 年折现率设定为0.1。

• 组合估值：综合本机构的实际CLV与基于OB数据的PCLV，形成综合Total CLV。

作者未单独探讨敏感性分析，但模型设计包含贝叶斯超参数优化，确保模型泛化能力和准确度。预测基于过去数据的信用额度和市场行为，预测期限定为未来12个月。

---

5. 风险因素评估

作者在报告中隐含或明确提及的风险因素包括：

• OB 数据采纳率低：当前仅极少客户参与OB数据共享，限制了PCLV的覆盖面与代表性。

- 数据质量与标准化风险：虽然有PSC标准分类，但不同机构产品多样性和数据映射准确性依旧存在挑战。

• 隐私与合规风险：客户授权使用数据涉及法律、隐私保护和安全性要求，可能带来风险。

- 模型假设风险：如留存率、贡献利润的稳态假设及数据时效性，可能影响预测准确性。

• 市场与竞争风险：竞争格局变化可能影响客户迁移行为和PCLV的实际实现。

报告未详述缓解策略，但建议通过提升客户授权率和持续数据监控改进模型效果。

---

6. 批判性视角与细微差别

• 潜在偏见：

- PCLV的计算依赖OB数据，当前客户采纳率极低，可能导致样本偏向性，影响模型的推广性。
- PCM的预测基于过往信用额度数据，假设客户未来行为类似，存在时间动态变化风险。

• 内部一致性：

- 报告结构合理，理论与实证连接紧密，但部分公式和数据表述局部存在瑕疵（如3.1节中某行文字断裂），可能因排版问题，需要校对。

• 创新点明确，但实际应用受限于OB生态成熟度和法律框架，尚需时间验证全量实施效果。

---

7. 结论性综合

该报告系统构建了基于开放银行数据的潜在客户生命周期价值（PCLV）估计框架，扩展了传统CLV模型的视角和精度。通过：

• 详细理论背景分析，彰显客户中心战略转变。

- 利用先进机器学习模型（XGBoost）精确预测客户贡献利润和留存概率。

• 利用OB标准化数据接口（PSC）整合竞争对手客户数据。

- 以实证基于巴西大型银行数据，验证了方法的准确性及现实价值。

• 统计结果表明，PCLV为实际CLV带来21.06%潜在增值空间，客户分段细化分析辅助精准营销。

报告综合之提出，强调随着OB采纳提升，PCLV将成为金融机构提升客户管理、制定差异化营销、增强市场竞争力的关键工具。风险包括OB数据覆盖率低和模型假设，未来研究方向亦很明确。

整体上，本文为金融领域客户价值管理提供了重要的理论和实务路径，推动行业迈向数据驱动、客户精细化管理新时代。[page::0-9]

---

参考文献与资料说明

本文引用通篇原报告文献，特别强调了CLV经典文献（Gupta & Lehmann, 2005）、开创性OB发展法规（PSD2），以及近年来机器学习方法在金融领域的应用，确保技术与理论结合的严谨性和前沿性。[page::10]

---

总体评价

本报告层次结构清晰，论据充分扎实，理论、技术与实证相结合，助力金融机构精准侵掘客户潜在价值。图表与数据支撑强烈，特别是Table 1的客户细分与价值增幅展示，具备高度应用指导意义。同时，OB数据不足和客户授权限制凸显当前应用瓶颈，需结合未来行业发展持续优化与迭代。

报告