伴随着市场的低迷以及行业整体获客成本的提升，越来越多的券商开始把目光从前端获客转向了后端的客户经营。于是，诸如“智能投顾”、“精准推荐”等话题便开始为越来越多的从业者所关注，所有人都希望通过这些新科技或新解决方案的引入来解决客户的经营问题。

　　而在客户经营领域中，“千人千面”的精细化推荐策略似乎是目前整个行业最为关注的共性需求。

　　尽管“千人千面”在客户的服务及经营活动中有其必要性，逻辑上也说得通。但如何以尽可能低的成本覆盖大量客户的差异化需求，一直是券业始终没有有效解决的问题。如果最终能够通过科技的方式解决，那无疑会带来巨大的效率提升。

　　但任何一个事情的爆发都不会凭空而起，其需要基础、前提甚至是终端需求的觉醒及势能的积累。因此，行业当下与其单纯地讨论“千人千面”能否实现，更应该关注一些更为基础也更为重要的问题。

　　“千人千面”的数据从哪里来？

　　实现丰富、精准且有效的推荐策略的前提在于对客户的了解。要定义客户则需要两方面的数据支持，一方面是客户的行为数据，另一方面是客户的交易数据。

　　就获取行为数据而言，目前不少券商或出于灾备、或出于服务的要求，往往会为客户提供多套行情交易软件，既有PC版又有移动版，且不同的软件供应商又不尽相同。

　　那么问题就产生了。首先，不同平台之间客户身份的统一识别是个问题；另外，如果借助第三方的统计工具，这可能又会涉及到不同厂商之间源码开放、适配与改造的问题。由于第三方供应商未必会对所有的源代码开放，因此对于自研能力不强的中小券商而言，这块势必会面临非常大的障碍。

　　此外，还有不少投资者更习惯使用同花顺、大智慧等通用的交易终端，而不是券商提供的终端，那么券商自然也非常难采集到这部分人群的行为数据。

　　交易数据方面，相较于行为数据，由于券商拥有统一的柜台，因此在数据的完整度上，交易数据具备天然的优势。但在数据的精准度上，券商目前仍然有很长的一段路要走。

　　尽管从去年开始，很多券商就陆续开始为投资者提供账单服务，记录投资者一段时间内的盈亏情况。但客观的说，对应的收益率数据往往只能参考。在两融、打新、逆回购、配股及资金在途等多方面因素的影响下，如何准确地计算客户的持仓收益率一直是行业始终未彻底解决的问题。而这一指标又是衡量客户投资能力中最重要的指标，如果这一数据不准，连客户到底是赚钱还是亏钱都不知道，那么后续推荐策略的精准度又何从谈起？

　　因此，在讨论“千人千面”的策略之前，需先想办法把基础的数据搜集及统计工作做好，这是后续所有策略推荐的基础。

　　在哪里推送“千人千面”的策略？

　　策略的推送必须依赖于实际的载体，但券业目前面临的另一个大问题在于与客户之间，始终缺乏足够有效的载体或触点。

　　首先是营业部。营业部是券商最可控的载体，但由于近年来散户大厅的陆续取消及各类业务的线上化之后，无论新客户还是老客户，去营业部网点的越来越少。因此，已不适合作为持续服务与策略推荐的载体。

　　其次是客户经理。客户经理的好处在于他可灵活地通过电话、短信、微信等各类手段与客户发生联系，在触达的效率上具有很大的优势。但问题在于单个客户经理的总时间是有限的，而目前行业平均每个客户经理服务的客户人数至少也在300以上。因此，指望依赖这一触点对更大范围的客户施加影响，还是个性化的影响，势必也是不现实的。

　　再次是短信与微信等渠道。诚然这些渠道在面上可以有比较好的覆盖率，但一来由于技术上无法识别每个客户，因此无法实现千人千面的推荐效果；二来根据近些年行业整体的实践来看，这些渠道上信息的触达率始终维持在一个很低的水平，客户的打开、阅读意愿很低，更别谈后续如何实现转化了。

　　最后是券商自主的交易终端。理论上这是实现券业对客户实现触达的最佳终端，即能够识别到客户是谁，又可以据此为其推荐客户差异化的策略。但也并非完美无缺，仍有3个核心问题尚待解决：

　　一是用户习惯，如果客户并没有使用券商自主交易终端的习惯，而更喜欢使用诸如大智慧、同花顺等第三方终端，那么后续的精准化策略自然无从谈起。因此，行业未来如希望往千人千面的方向发展，自有App对于客户的覆盖率问题是首先必须解决的。

　　二是打开率，依托App渠道落地精准化推荐策略的前提在于客户必须打开App，而交易类App的整体打开率天然又会受到市场情绪的影响。当市场情绪低迷时，往往是券商希望通过千人千面策略盘活存量客户资产的时候，但此时往往也是客户自主打开App意愿很低的时候。因此，为了解决这一问题，券业的App必须为客户寻找更多的打开理由与场景。

　　三是监管要求。所谓推荐策略，自然是为客户推荐其本身没有尝试过的产品或服务。这其中存在一种可能，即从客户本身的行为数据来看，其可能比较适合某项服务，但这项服务所蕴含的风险又稍高于客户既有的风险偏好水平。定投就是一个这方面很好的例子。但随着当下行业对于适当性管理要求的提升，其不仅在原有后端的风险揭示环节对行业提出了要求，更对推荐环节进行了限制，禁止券商主动向客户推荐任何高于其风险偏好的产品或服务。这无疑也会大大限制策略的多样化推送能力。

　　因此，在讨论“千人千面”的策略之前，客户对于触点的粘性与适当性因素的考量也是需要先解决的。

　　如何实现精准有效的“千人千面”？

　　很多时候行业谈策略，喜欢看数量。但有时，质量可能比数量更重要。因为，只有有效的策略，才能为行业带来收入。实际上，实现“千人千面”并不稀奇，真正精准有效的“千人千面”才稀奇。

　　那如何才能产出真正精准有效的“千人千面”策略呢？很多科技金融企业认为可能的切入点是人工智能。

　　但笔者认为，至少在未来2-3年，真正懂业务、懂客户的专家才是驱动有效“千人千面”策略生产的关键要素。一方面，在于券业App历史的数据量级、精度、客户使用的频次及客户偏好的代表性尚无法满足AI自学习与持续验证的需要。另一方面在于市场本身有周期性。不同周期、不同宏观环境下，不同的客户群体，容易被接受的策略可能并不相同，但现实的数据往往不足一个完整的经济周期，因此也很难通过短期机器学习的方式来获得长期有效的策略。此外，行业还有很多固有的背景因素，也需要加入人工的判断。

　　因此，尽管人工智能是一个近年来很火的话题，但在精准化推荐领域，初期可能还是要靠专家推荐来落地。而具备这种能力的业务专家，必然是稀缺的。且更有可能出现在券商体系内部，而不是华尔街或其他第三方科技公司。

　　尽管“千人千面”这个概念确实开始越来越火，但在天马行空的讨论之前，先想想上述基础工作需要如何解决会更重要。毕竟，从商业的角度来讲，“多”不重要，“好”才重要。