常熟农商银行：基于异构信息网络的客户价值排序算法与精准营销系统

来源：鑫智奖·2026第七届金融机构数智化转型优秀案例评选

获奖单位：常熟农商银行

荣获奖项：专家好评TOP10优秀案例奖

一、项目背景及目标

针对银行营销中关系数据割裂、价值评估平面化、动态响应滞后三大痛点，我行自研构建覆盖股权、供应链、关键人、地理位置等多维关系的异构信息网络知识图谱，整合千万级节点及关系数据，形成数据治理与数据资产管理闭环，涵盖多源数据采集清洗、元数据管理、数据血缘追踪及资产化入目录，实现数据“可查、可评、可用”。在此基础上研发客户节点价值排序算法，实现客户全局影响力精准量化与排序，已获国家发明专利授权。项目由全自研团队实施，上线6个月，将原有营销效率提升3.9倍，平台及算法可复用于多场景。

1.市场与需求分析

商业银行对公客户关系网络庞大（股权、供应链、关键人、地理位置等多维关系），但数据分散于核心、信贷、外部工商库等系统，缺乏统一的量化整合方法。

传统客户评分模型（如RFM、财务指标模型）仅考虑客户自身属性，忽视其在产业链中的网络位置价值和风险传导效应，导致客户价值判别能力不足。

现有营销名单生成周期长达数日，无法响应企业关联网络（如核心企业股权变更）引起的价值迁移。

2.立项背景

对公与零售业务部门提出“从复杂关系网络中挖掘高价值客户”的需求：一方面需要支持多跳关联查询，沿股权、担保、供应链等路径快速发现隐性关联路径；另一方面要求算法能够自动量化节点的全局影响力，为精准营销提供可量化的决策依据。

然而，传统关系型数据库在执行3层以上关联查询时性能急剧下降，且无法表达路径权重与网络传播效应；而人工查阅尽调报告、工商系统等分散数据源又无法规模化处理千万级企业关系。这导致大量高价值关系链客户长期被埋没，营销名单依赖经验筛选，响应率长期低下。

因此，我行决定自主构建基于异构信息网络的知识图谱系统，并研发节点价值排序算法，以技术手段填补上述能力缺口。

3.项目目标

构建异构信息网络知识图谱：整合行内对公客户及关联企业多维关系数据，形成覆盖千万级节点和边的全局关系视图。

研发节点价值排序算法：实现客户全局影响力的精准量化与排序，输出高价值营销优先名单，将营销目标识别周期从周级缩短至秒级。

建立数据治理与数据资产管理机制：制定面向知识图谱的关系数据标准与质量规则，实现元数据自动采集与数据血缘可视化；将核心图数据纳入企业级数据资产目录，明确数据分类分级，形成可复用的数据资产服务能力。

验证轻量化技术路线可行性：在总投入不超过40万元、团队规模≤5人的条件下，于3个月内完成从数据采集、图谱构建到算法部署的全流程，并实现稳定的生产运行（系统可用性≥99.9%）。

实现显著业务效益并具备可复用性：上线6个月内，营销转化率相对提升≥200%（或绝对提升≥4个百分点），直接经济效益≥200万元；算法与平台可复用于其他业务场景。

二、创新点

三、项目技术方案

1.总体架构

系统采用“离线计算 + 在线查询”的混合架构：

离线层：基于Spark GraphX进行分布式图计算，周期全量更新节点引力势能。

图数据库：使用Neo4j存储知识图谱，支持关系查询与可视化。

在线层：Spring Boot提供RESTful API，Redis缓存热点得分，响应时间<200ms。

应用层：嵌入行内营销中台系统，输出排序后的营销推荐名单，支持地区、行业等多维筛选。

2.数据准备与知识图谱构建

数据来源

行内数据：客户基本信息、客户评级信息、转账交易流水、票据流水、担保共借信息、网格化地理位置信息。

外部数据：工商信息数据（股权结构、关键人任职、董监高关系等）。

数据规模

节点：合计1000余万点（行内客户节点15万，工商数据企业节点1000余万）。

边：合计2000余万边。

图一：上图为我行知识图谱测试环境截图（数据已脱敏处理）

数据治理：

在图谱构建初期即引入“治理即构建”理念，制定边权重刷新频率与数据质量规则，并实现自动化触发。例如，供应链边每周更新并引入时间衰减机制，股权边每季度更新并校验工商数据有效性；数据质量稽核任务在图谱更新前自动运行，若发现异常则触发人工复核流程。质量规则与更新策略通过Moia与 python 脚本自动化执行，确保图谱数据的一致性与资产化能力，避免图数据沦为“新数据沼泽”。

边的类型与量化规则

供应链权重的动态衰减机制

供应链关系的业务价值具有强时效性特征——距离当前时间越远的交易，对客户节点当前营销价值的贡献度越低。若不对早期交易权重进行合理衰减，历史存量交易将对算法排序产生不当的持续性影响，导致系统将已业务停滞的“僵尸供应链关系”误判为高价值关联，严重削弱营销推荐的时效性与准确性。

针对上述问题，本专利在供应链关系边权重的量化过程中引入指数型时间衰减机制。具体而言，给定某一供应链关系，设权重初始值为ω_supply（其量化方法参见前述公式，即基于年度交易金额的分段线性归一化结果），设t_last表征该供应链关系的最近一期交易时间，t_now为当前时间戳（即算法计算时刻或图数据快照生成时间），则经时间衰减修正后的权重ω_supply'计算公式为：

ω_supply' = ω_supply · exp[-γ · (t_now − t_last)]

其中，γ为衰减速率常数（单位：天⁻¹）。本实施例中，基于对金融供应链历史交易数据的统计拟合，将γ设定为0.005/天，该取值与主流供应链金融业务实践中的经验衰减规律相吻合。

3.节点价值权重计算

初始节点价值计算：v_i = α * 等级分 + β * 星级分 + γ * 授信系数，取α=β=γ=1。

为使节点价值具有概率意义（用于后续随机跳转），采用softmax归一化： V_i' = e^{v_i} / Σ_j e^{v_j}

V'向量即为节点价值分布，体现了客户自身的“基础重要性”。

4.改进的PageRank算法

本系统所采用的改进型PageRank算法已申报国家发明专利（专利号：ZL 2025 1 0863420.0，发明名称：《基于异构信息网络分析的对象推荐方法及系统》）。该方法在传统图节点中心性算法基础上，针对金融异构信息网络的特点进行了三项关键创新：

边权重多维量化：融合股权、供应链、关键人、地理位置等关系的融合权重作为转移概率，替代传统按度数均分的方式。

节点价值偏置：将客户等级、星级、授信系数通过Softmax归一化后作为随机跳转的概率分布，使高价值客户获得更高的被访问权重。

收敛性保障机制：算法通过构建列随机矩阵实现概率转移，并利用压缩映射（压缩因子恒小于1）确保迭代必然收敛至唯一不动点，同时设定收敛阈值（1e-6）与最大迭代次数（1000次），在千万级节点网络上实现了稳定、高效的计算，避免了传统PageRank在复杂网络中的不收敛或收敛缓慢问题。

上述专利方法确保了节点引力势能的计算既符合业务逻辑，又具备严格的数学收敛保证，为后续的业务输出提供了技术基石。

5.归一化与排序

对最终PR值采用Min-Max归一化映射到[0,1]区间： PR_norm = (PR - PR_min) / (PR_max - PR_min) 使得分值直观，便于营销人员理解。按归一化值降序输出Top N名单。

图二 ：上图为营销中台系统的图谱查询结果输出截图（数据已脱敏）

四、运营情况

推广范围：无锡分行与张家港支行对公业务条线试点（2025年6月起），2025年10月推广至全行70余家分支机构。

系统调用情况：API调用万余次，营销人员使用率72%，名单下载派发数总计过万。

稳定性：上线至今无宕机或严重BUG，图数据更新作业每周六凌晨执行增量更新：仅对上周发生变化的节点和边（约占总量 1.5%）重新计算局部影响，再通过两次全局迭代扩散。全量全精度重算每月执行一次，耗时约 2.5 小时（凌晨低峰运行，无业务影响）。

用户反馈：营销人员反馈“以前需要数日整理企业关系网，现在实时输出高价值名单，大大提升拓客效率”。

五、项目成效

（1）直接经济效益

试点6个月，通过系统输出的高引力势能客户名单进行精准营销，按行内利润点估算，项目总投入35万元（人力+服务器），投入产出比超8倍。

（2）营销效率提升

营销名单准备时间：从2天（原手工跨系统查询）缩短至实时（秒级）。

营销响应率：系统推荐名单平均响应率9.4%，传统随机名单2.3%，相对提升295%。

客户经理业绩提升：使用了找图谱功能的客户经理，25年贷款业绩总额是未使用的3.9倍。相较于24年同期，使用者业绩增长23.34%，业绩增速是未使用者的1.89倍。

（3）数据资产价值显性化

将“沉睡”的股权、供应链、关键人、地理位置数据转化为可排序、可决策的节点价值指标。

算法专利已公示，成为我行数据管理能力的标杆案例。

（4）数据治理效率提升

通过图驱动的数据质量检测，实体对齐准确率提升至96.5%，股权关系漏链率由17%降至3.2%；数据资产目录新增“关系图谱”资产类别，累计被其他4个部门（风控、运管、审计、小微）申请使用，数据复用周期从周级缩短至1天。

（5）可复制性

算法已规划应用于：①反欺诈（识别高风险传导节点）；②运营（高价值客户流失预警）；③对公客户经理绩效辅助。无需重复开发，仅需调整边权重参数。

六、经验总结

（1）数据治理应前置到图谱设计阶段

知识图谱不是简单的数据搬家。我们在构建之初就定义了边权重的量化标准、数据刷新频率、质量校验规则，并将元数据管理内置到ETL流程中。这种“治理即构建”的模式，避免了图数据成为新的数据沼泽，也为后续向全行推广数据资产管理体系积累了可操作的模板。

（2）重视数据管理创新

不要因为团队小、投入少就放弃技术创新。本项目的异构信息网络节点排序算法，在传统PageRank基础上做了金融场景的深度适配，最终获得发明专利，小团队同样可以产出高价值的原创算法。

（3）轻量化路线适合中小金融机构

无需采购昂贵的商业图数据库或AI平台，基于开源Neo4j+Spark即可支撑千万级边的图计算，总成本可控在几十万元内。这种模式3个月即可上线验证业务价值，失败成本低，成功后易于复制。

（4）算法与业务解耦，一次投入多次复用

本项目中算法的本质是计算“节点的全局影响力”，不绑定营销。后续风控、运营等场景几乎零成本迁移，极大提升了研发投入产出比。

更多金融科技案例和金融数据智能优秀解决方案，请在数字金融创新知识服务平台-金科创新社案例库、选型库查看。