💻 计算机科学

Efficient HMM-Based Interpretable Customer Representation for Customer Segmentation in Banking

本文提出了 SASI 框架，这是一种基于隐马尔可夫模型的可解释方法，能够有效捕捉银行客户细分中的序列行为动态，并在合成数据集和真实世界数据集上均实现了具有竞争力的聚类性能和直接的可视化。

原作者： KELY MAXIME MOTUE DJOKO, SYLVAIN ILOGA

发布于 2026-11-11

📖 1 分钟阅读☕ 轻松阅读

原作者： KELY MAXIME MOTUE DJOKO, SYLVAIN ILOGA

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在现代银行业庞大且轰鸣的生态系统中，每一次刷卡和每一笔数字转账都会留下痕迹。几十年来，金融机构一直试图通过将客户分为不同的类别来理解这些痕迹，这种做法被称为细分（segmentation）。这种分类不仅仅是一项行政任务；它是银行决定谁能获得贷款、谁能收到特别优惠以及谁可能面临欺诈风险的基础。传统上，这种分类依赖于对一个人活动的简单、静态快照：他们最近何时消费、消费频率如何以及总消费金额是多少。虽然这种方法易于理解，但它将客户的历史视为一张单一的照片，忽略了其日常财务生活的节奏与流动。它无法区分一个在一年内稳定消费的人和一个进行了一次巨额购买后消失数月的人，即使两者的总消费金额完全相同。随着银行业变得更加数字化和复杂化，理解事件实际序列——即数字背后的故事——的需求已变得迫在眉睫。

来自喀麦隆和法国大学的一个研究小组提出了一种讲述这种故事的新方法。他们开发了一个名为 SASI 的系统，代表“序列金额与序列强度”（Sequential Amounts and Sequential Intensity）。SASI 不再拍摄静态快照，而是倾听客户交易随时间变化的节奏。研究人员意识到，要真正了解一名银行客户，必须观察两个特定方面：资金流入和流出的规模，以及这些变动之间的时间间隔。为了捕捉这一点，他们使用了名为“隐马尔可夫模型”（Hidden Markov Model）的数学工具。简单来说，这个工具就像一张概率地图，能够学习事件序列中的隐藏模式。它不仅仅是计数交易；它还在学习客户在长时间等待后进行大额存款，或在快速连续购买后进行小额取款的可能性。通过分析这些模式，该系统将数百次交易的复杂历史转化为二维图表上的一个易于阅读的点。

研究人员在来自两个不同来源的真实世界数据上测试了这个想法。一个是模拟了尼日利亚 1,503 名客户银行习惯的合成数据集，捕捉了那里移动支付和区域消费模式的特定细微差别。另一个是来自一家捷克银行的历史真实数据集，包含了 2,039 名客户六年的交易记录。在两种情况下，SASI 系统都成功地根据行为节奏将客户归为不同的簇（clusters）。结果令人瞩目。在尼日利亚数据上，该系统创建了彼此高度截然不同的组别，其内部一致性水平超过了许多现有方法。在捷克数据上，它在所测试的方法中达到了最高的分组准确度得分。至关重要的是，与许多产生的结果隐藏在复杂、难以阅读的代码中的现代人工智能系统不同，SASI 系统生成了一张清晰的视觉图谱。银行分析师可以通过查看图表并立即理解每个组别所代表的含义：也许是一个“极高强度贡献者”，其资金流动频繁且金额巨大；或者是一个“休眠消费者”，其与银行的互动非常罕见。

该研究还解决了数据科学中的一个常见问题：准确性与理解力之间的权衡。许多先进的计算机模型可以很好地对客户进行分组，但它们通过将信息压缩到人类无法直接可视化的高维空间来进行。这些模型通常充当“黑箱”，其分组的具体原因并不透明。SASI 框架通过设计避免了这一问题。它强制将数据放入一个二维空间，其中横轴代表资金的序列金额，纵轴代表活动的强度或频率。这意味着最终结果不仅是一组数字，而是一幅讲述故事的图像。研究人员发现，这种方法不仅准确而且高效。处理数千名客户的数据在标准计算机上耗时不到一小时，而当工作分配到多个处理器时，时间显著下降，这表明该方法可以扩展到处理现实银行业环境中的数百万客户。

然而，研究人员谨慎地指出其工作的局限性。该系统目前依赖于这样一个假设：客户在固定时期的行为是其未来行为的可靠指标。它还通过归一化交易金额来简化数据，这有助于比较不同的客户，但可能对极端异常值较为敏感。此外，当前版本将客户分组为球形形状，这在许多情况下效果良好，但可能会错过更复杂的、不规则的客户行为模式。尽管存在这些局限性，研究结果仍表明了银行看待客户方式的一种强有力的转变。通过从静态的交易计数转向对行为序列的动态理解，金融机构可以获得更清晰、更具人类可读性的客户画像。这种清晰度有助于更好地做出决策，无论是针对特定生活方式定制金融产品，还是识别预示欺诈的异常活动。这项工作证明，建立既精密又具有透明度和可解释性的分析工具是可能的，从而弥合了复杂数据与人类理解之间的鸿沟。

技术摘要：基于 HMM 的高效可解释客户表征，用于银行客户细分

1. 问题陈述

客户细分是银行决策支持系统的基石，有助于实现精准营销、风险管理和欺诈检测。然而，现有方法在客户行为表征方面存在显著局限性：

静态 RFM（最近一次消费/频率/金额）： 虽然具有可解释性和高效性，但静态 RFM 将交易聚合为单一统计量，忽略了交易的序列组织和时间动态。具有相同 RFM 三元组的客户可能表现出截然不同的行为模式（例如，早期活跃与后期活跃爆发），而 RFM 无法区分这些差异。
动态 RFM 与深度学习： 动态 RFM 捕捉了时间演化，但仍依赖于滑动窗口内的聚合统计量。深度学习模型（如 VAE、LSTM、Transformer）可以捕捉复杂的序列依赖关系，但往往生成难以解释的高维潜在表征，需要额外的降维处理进行可视化，并且消耗大量的计算资源。

目前仍缺乏一种能够同时提供可解释性、低维可视化、兼容常规聚类以及计算效率，并能捕捉交易金额和交易强度序列动态的方法。

2. 方法论：SASI 框架

作者提出了 SASI 框架（Sequential Amounts and Sequential Intensity，序列金额与序列强度），利用隐马尔可夫模型（HMM）生成一种可解释的二维客户嵌入（embedding）。

2.1 数据预处理与马尔可夫链构建

对于一个具有按时间顺序排列的交易窗口 $w = (d_1, a_1), \dots, (d_T, a_T)$ 的客户 $U$ ，该框架执行以下转换：

窗口扩展： 在观察期开始（ $d_{start}$ ）和结束（ $d_{end}$ ）处插入两个金额为零的虚拟交易，以考虑非活跃期。
伪马尔可夫链 ( $\hat{\delta}$ )： 窗口最初被映射到一个伪马尔可夫链，其中状态为日期，观测值为交易金额。
离散化与归一化：
- 强度（状态）： 日期被转换为交易间隔时间（ $D(d_i, d_j)$ ），并离散化为 7 个活跃等级（从“同一天”到“超过 6 个月”）。这些等级构成了 HMM 的隐藏状态（ $N=7$ ）。
- 金额（观测值）： 交易金额通过客户最大绝对交易金额进行归一化，并离散化为 $2M+1$ 个区间（正值代表存款，负值代表取款，零代表空值）。这些构成了观测符号。

2.2 HMM 初始化与训练

不同于随机初始化，SASI 使用数据驱动的初始化策略：

转移矩阵 ( $A$ )、发射矩阵 ( $B$ ) 和初始状态分布 ( $\pi$ ) 直接根据离散化马尔可夫链中观察到的经验频率进行计算。
应用平滑常数 ( $\epsilon$ ) 以防止概率为零。
随后使用 Baum–Welch 算法（期望最大化算法）来训练 HMM ( $\lambda$ )，从而概率性地学习客户行为的序列模式。

2.3 元数据提取与评分

长期行为特征通过训练后的 HMM 得到的两个平稳分布进行总结：

平稳状态分布 ( $\phi$ )： 代表在每个活跃强度状态下停留的时间比例。
平稳符号分布 ( $\bar{\phi}$ )： 代表观测特定归一化交易金额的时间比例。

这些分布被转化为两个可解释的评分：

评分 $x$ （序列金额）： $\bar{\phi}$ 的加权和，通过二次分离法区分存款与取款，以强调量级差异。结果通过最大交易金额进行缩放，并映射到对数尺度以实现尺度不变性。
评分 $y$ （序列强度）： $\phi$ 的加权和，强调活跃状态的频率。结果通过总交易次数进行缩放，并归一化到 $[0, 100]$ 区间。

最终输出是每个客户的 2D 嵌入 $(x, y)$ ，该嵌入可以直接进行可视化和聚类（例如使用 K-means），无需进一步的降维。

3. 主要贡献

本文提出了四项主要贡献：

可解释的基于 HMM 的表征： 一种新方法，通过仅使用交易历史，共同捕捉序列交易金额和强度，避免了人工设计的聚合统计量。
二维行为嵌入： 一种直接的 2D 表征，保留了语义可解释性（轴对应金额和强度），并允许立即进行可视化。
流水线兼容性： 该表征与常规聚类算法完全兼容，能够无缝集成到现有的细分流程中。
实证验证： 在两个公开数据集（合成的尼日利亚数据集和真实的 Berka 数据集）上证明了该框架的有效性和计算效率。

4. 实验结果

该框架在以下数据集上进行了评估：

尼日利亚数据集： 1,503 名客户（合成数据，2 年数据）。
Berka 数据集： 2,039 名客户（来自捷克银行的真实数据，6 年数据）。

4.1 聚类性能

使用 $K=5$ 的 K-means 算法，将 SASI 与静态 RFM、动态 RFM（采用各种聚合方式和 LSTM 编码器）以及基于 VAE 的表征进行了对比。

尼日利亚数据集： SASI 取得了最佳 DBI (0.418718) 和最佳 CHI (6578.11)，以及第二佳的轮廓系数 (Silhouette Coefficient, 0.650635)。
Berka 数据集： SASI 取得了最佳 SC (0.507139)、最佳 DBI (0.500209) 以及第二佳的 CHI (3309.01)。

注：虽然某些深度学习模型（如 LSTM2、VAE2）显示出更高的 SC 或 CHI 分数，但作者指出这些结果具有误导性，因为它们产生了重复的嵌入（退化）或高度不平衡的簇，导致其在实际细分中可靠性较低。

4.2 可解释性与可视化

生成的 2D 嵌入揭示了清晰的层级结构：

x 轴将客户分为“消费者”（负值）和“贡献者”（正值）。
y 轴进一步根据活动强度对这些群体进行细分（例如：非常活跃、定期活跃、休眠）。
这使得可以直接从图中创建具有语义意义的画像（例如“非常活跃的消费者”）。

4.3 计算效率

串行执行： 处理 1,503 名尼日利亚客户耗时约 1,075 秒；处理 2,039 名 Berka 客户耗时约 597 秒（约为每位客户小于 1 秒）。
并行执行： 使用基于 MPI 的 8 核并行实现，执行时间缩短了约 3.1 倍，展示了其在大规模数据集上的可扩展性。

5. 重要性与主张

本文将 SASI 定位为一种有效的操作框架，它弥合了 RFM 的简单性与深度学习的表达能力之间的鸿沟。其重要性在于：

平衡性能与可解释性： 不同于产生“黑盒”潜在空间的深度学习模型，SASI 提供了一个完全可解释的 2D 空间，其坐标轴具有直接的语义含义（金额和强度）。
捕捉序列动态： 通过利用 HMM 建模交易的顺序和时机，SASI 能够区分那些在静态 RFM 看来完全相同的客户。
操作可行性： 该框架计算效率高，可通过并行化实现扩展，且不需要复杂的超参数调优或降维步骤，使其适用于集成到银行决策支持系统中。

作者承认存在一定的局限性，例如在归一化过程中对极端交易金额的敏感性，以及目前对 K-means 的依赖（假设簇是球形的），但他们断言该框架为银行客户细分提供了一个鲁棒、透明且高效的解决方案。