精华内容
下载资源
问答
  • # 梳理数据 write_db_data = rfm_gb[['会员ID','r_score','f_score','m_score','rfm_score','rfm_group']] # 主要数据 timestamp = time.strftime('%Y-%m-%d', time.localtime(time.time())) # 日期
  • VaR方法(Value at Risk,简称VaR)[风险价值模型]

    万次阅读 多人点赞 2013-06-26 14:31:13
    VaR方法(Value at Risk,简称VaR),称为风险价值模型,也称受险价值方法、在险价值方法     风险价值VaR(Value at Risk)技术是目前市场上最流行、最为有效的风险管理技术。   VaR方法提出的背景  传统...

    VaR方法(Value at Risk,简称VaR),称为风险价值模型,也称受险价值方法、在险价值方法

     

     

    风险价值VaR(Value at Risk)技术是目前市场上最流行、最为有效的风险管理技术。

     

    VaR方法提出的背景

      传统的ALM(Asset-Liability Management,资产负债管理)过于依赖报表分析,缺乏时效性;利用方差β系数来衡量风险太过于抽象,不直观,而且反映的只是市场(或资产)的波动幅度;而CAPM(资本资产定价模型)又无法揉合金融衍生品种。在上述传统的几种方法都无法准确定义和度量金融风险时,G30集团在研究衍生品种的基础上,于1993年发表了题为《衍生产品的实践和规则》的报告,提出了度量市场风险的VaR(Value at Risk:风险价值)方法已成为目前金融界测量市场风险的主流方法。稍后由J.P.Morgan推出的用于计算 VaR的Risk Metrics风险控制模型更是被众多金融机构广泛采用。目前国外一些大型金融机构已将其所持资产的VaR风险值作为其定期公布的会计报表的一项重要内容加以列示。

     

    VaR的定义

      VaR(Value at Risk)按字面解释就是“在险价值”,其含义指:在市场正常波动下,某一金融资产或证券组合的最大可能损失。更为确切的是指,在一定概率水平(置信度)下,某一金融资产或证券组合价值在未来特定时期内的最大可能损失

     

    VaR的表示公式[1]

      用公式表示为:

      P(ΔPΔt≤VaR)=a

      字母含义如下:

      P——资产价值损失小于可能损失上限的概率,即英文的Probability

      ΔP——某一金融资产在一定持有期Δt的价值损失额。

      VaR——给定置信水平a下的在险价值,即可能的损失上限。

      a——给定的置信水平

      VaR从统计的意义上讲,本身是个数字,是指面临“正常”的市场波动时“处于风险状态的价值”。即在给定的置信水平和一定的持有期限内,预期的最大损失量(可以是绝对值,也可以是相对值)。例如,某一投资公司持有的证券组合在未来24小时内,置信度为95%,在证券市场正常波动的情况下,VaR值为520万元,其含义是指,该公司的证券组合在一天内(24小时),由于市场价格变化而带来的最大损失超过520万元的概率为5%,平均20个交易日才可能出现一次这种情况。或者说有95%的把握判断该投资公司在下一个交易日内的损失在520万元以内。5%的几率反映了金融资产管理者的风险厌恶程度,可根据不同的投资者对风险的偏好程度和承受能力来确定。

     

     

     

    VaR的计算系数

      由上述定义出发,要确定一个金融机构或资产组合的VaR值或建立VaR的模型,必须首先确定以下三个系数:一是持有期间的长短;二是置信区间的大小;三是观察期间。

      1、持有期。持有期△t,即确定计算在哪一段时间内的持有资产的最大损失值,也就是明确风险管理者关心资产在一天内一周内还是一个月内的风险价值。持有期的选择应依据所持有资产的特点来确定比如对于一些流动性很强的交易头寸往往需以每日为周期计算风险收益和VaR值,如G30小组在1993年的衍生产品的实践和规则中就建议对场外OTC衍生工具以每日为周期计算其VaR,而对一些期限较长的头寸如养老基金和其他投资基金则可以以每月为周期。

      从银行总体的风险管理看持有期长短的选择取决于资产组合调整的频度及进行相应头寸清算的可能速率。巴塞尔委员会在这方面采取了比较保守和稳健的姿态,要求银行以两周即10个营业日为持有期限。

      2、置信水平α。一般来说对置信区间的选择在一定程度上反映了金融机构对风险的不同偏好。选择较大的置信水平意味着其对风险比较厌恶,希望能得到把握性较大的预测结果,希望模型对于极端事件的预测准确性较高。根据各自的风险偏好不同,选择的置信区间也各不相同。比如J.P. Morgan美洲银行选择95%,花旗银行选择95.4%,大通曼哈顿选择97.5%,Bankers Trust选择99%。作为金融监管部门的巴塞尔委员会则要求采用99%的置信区间,这与其稳健的风格是一致的。

      3、第三个系数是观察期间(Observation Period)。观察期间是对给定持有期限的回报的波动性和关联性考察的整体时间长度,是整个数据选取的时间范围,有时又称数据窗口(Data Window)。例如选择对某资产组合在未来6个月,或是1年的观察期间内,考察其每周回报率的波动性(风险) 。这种选择要在历史数据的可能性和市场发生结构性变化的危险之间进行权衡。为克服商业循环等周期性变化的影响,历史数据越长越好,但是时间越长,收购兼并等市场结构性变化的可能性越大,历史数据因而越难以反映现实和未来的情况。巴塞尔银行监管委员会目前要求的观察期间为1年。

      综上所述,VaR实质是在一定置信水平下经过某段持有期资产价值损失的单边临界值,在实际应用时它体现为作为临界点的金额数目。

     

    VaR的特点

      VaR特点主要有:

      第一,可以用来简单明了表示市场风险的大小,没有任何技术色彩,没有任何专业背景的投资者和管理者都可以通过VaR值对金融风险进行评判;

      第二,可以事前计算风险,不像以往风险管理的方法都是在事后衡量风险大小;

      第三,不仅能计算单个金融工具的风险。还能计算由多个金融工具组成的投资组合风险,这是传统金融风险管理所不能做到的。

     

    VaR在风险管理的应用

      VaR的应用主要体现在:

      第一,用于风险控制。目前已有超过1000家的银行、保险公司、投资基金、养老金基金及非金融公司采用VaR方法作为金融衍生工具风险管理的手段。利用VaR方法进行风险控制,可以使每个交易员或交易单位都能确切地明了他们在进行有多大风险的金融交易,并可以为每个交易员或交易单位设置VaR限额,以防止过度投机行为的出现。如果执行严格的VaR管理,一些金融交易的重大亏损也许就可以完全避免。

      第二,用于业绩评估。在金融投资中,高收益总是伴随着高风险,交易员可能不惜冒巨大的风险去追逐巨额利润。公司出于稳健经营的需要,必须对交易员可能的过度投机行为进行限制。所以,有必要引入考虑风险因素的业绩评价指标。

      第三,估算风险性资本(Risk-based capital)。以VaR来估算投资者面临市场风险时所需的适量资本,风险资本的要求是BIS对于金融监管的基本要求。下图说明适足的风险性资本与 VaR值之间的关系,其中VaR值被视为投资者所面临的最大可接受(可承担)的损失金额,若发生时须以自有资本来支付,防止公司发生无法支付的情况。

     

    VaR在期货上的应用

      期货合约是一种高杠杆的金融工具,期货交易具有高报酬、高风险的特征,因此期货交易风险的控制与管理非常重要。而VaR值可以使期货投资者了解目前市场上的风险是不是过大,可以让期货投资者在做期货交易之前判断期货交易的时机是否恰当,是否适合立即进行期货合约买卖的操作。如果VaR值比平日还来的大,则表示当日进场所承担机会成本将会较大,反之,如果VaR值比平日还来的小,则表示当日进场所承担机会成本将会较小。而对己拥有期货头寸的期货投资者来说,VaR可以告诉投资者目前所承担的风险是否己超过可忍受的限度。

      1、利用VaR方法正确制定期货保证金水平。

      期货价格的剧烈波动,令市场的风险急剧增加。如果不采取相应措施,则投资者甚至一些期货经纪公司的暴仓就势在难免。在国际期货市场上,为应对价格剧烈波动所带来的潜在市场风险,期货交易所普遍以提高保证金的方式进行有效防范。提高交易保证金水平是防范期货市场风险的一种市场化手段,具有灵活、透明、公平的特点。此举可以增强投资者对价格波动风险的抵御能力,不至于因价格波动较大而导致交易所会员和投资者穿仓,从而提高市场整体的抗风险能力

      期货保证金的主要目的在于降低违约风险,维护交易信用。如果仅以此角度考虑,那么最安全保险的方式是设定100%的保证金,如此,期货投资者将完全没有违约的机会,但也消除了期货市场的杠杆功能。因此,保证金机制的设计,除了考虑信用风险控管之外,必须兼顾到资金使用的效率。理想的保证金额度,一方面可以达到控制违约风险的目的,另一方面仍然提供具有吸引力的杠杆成数,维持市场参与者以小博大的资金效率。过高的保证金削弱资金效率,降低市场参与意愿,过低的保证金使结算中心和结算会员过度暴露于信用风险中,保证金设计必须在这两个极端之间取得平衡。我们知道,期货保证金所涵盖的风险应指正常交易状况下的所持期货头寸的损益,所以保证金不应被设计成为涵盖极端市场波动的机制,而这一点恰好符合VaR值在估算正常市况下最大可能损失金额的特性。

      在期货交易中,交易双方的履约诚信是期货交易的重要关键,为了降低违约风险,期货市场通过一系列严密的风险控制机制保证交易风险的控制。首先期货交易所结算中心在期货合约买卖过程中,介入买卖成为买方的卖方以及卖方的买方,代替一方而成为交易对手,同时承担对方于期货合约中应负的权利与义务。期货交易所结算中心介入期货交易后,等同于以结算中心的信用对期货合约的履约进行担保,从而使期货投资者无须顾虑交易对手的信用风险,但与此同时结算中心也承担了交易双方的信用风险,将自己暴露于任一方违约所带来的损失风险之下。为了防止期货投资者违约行为以及保护结算中心,期货交易的参与者必须存入保证金,作为未来损失的准备金。并实行每日盯市制度,每天按当日期货合约的清算价格计算未平仓部位的损益,将每日的收益加入保证金账户中、损失则自保证金账户中扣除。保证金账户中的余额不得低于维持保证金水平,否则将被追加保证金,以确保投资人有足够的损失准备。

      由此可见,期货保证金制度分为两个层次:第一层是会员经纪商向结算中心缴纳的结算保证金;第二层次是投资人向期货经纪公司交纳的客户保证金。这样的保证金制度源于期货交易的两层制。实际交易期货合约的过程包括两个层级,期货投资客户必须向期货经纪公司下达期货交易指令,期货经纪公司再将客户的交易指令下单至期货交易所进行撮合。因期货投资者在期货经纪公司处开户下单,故其账户由期货经纪公司管理,其保证金账户也由期货经纪公司结算和监控。通常我们把期货经纪公司向期货交易客户收取的保证金称为客户保证金。而期货经纪公司接受客户委托在期货交易所内进行交易时,必须保证该笔期货头寸能履行期货合约的责任,因此根据买卖期货合约的数量,期货经纪商公司必须在期货结算中心存入相应的保证金,称为结算保证金。期货结算中心只需监控期货经纪公司的保证金账户,而期货经纪公司再管理其投资人的保证金账户。换言之,期货结算中心承担与控制期货结算公司的风险,而期货结算会员承担与控制其客户的违约风险。期货交易所现行保证金设计制度是以保障期货价格单日波动损失金额为原则,通过参考最近一段期间的期货价格变动,以99.7%置信水平(三倍标准差)来估算单日最大可能发生的损失值(风险值),进而再转化为保证金水准。保证金(以指数期货为例)计算公式如下:

      结算保证金 = 指数 × 指数每点价值 × 风险价格系数

      其中风险价格系数决定于四个「样本群」(30个交易日、60个交易日、90个交易日、180个交易日)的风险值最大者(VaRmax),也就是

      风险价格系数=Max{VaRmax,5%}

      风险价格系数的下限5%,在于避免一段时间内,指数波动幅度降低,导致风险价格系数逐渐变小,使得保证金水准过低。若未来指数波动幅度突然扩大,原先保证金水平将不足以承担损失风险。下图比较现行制度(比如当变动达15%再调整保证金比率)和每日VaR值估算的差异,可明显看出,变动超过一定幅度(如15%时)才调整保证金使得保证金呈现阶梯状的变化(红线),而每日计算的保证金则每日水准不同(蓝线),当阶梯状的保证金水准高于每日调整的保证金水准时,表示期货结算公司交纳了较高的保证金;当阶梯状的保证金水准低于每日调整的保证金水准时,表示期交所面临保证金承担不足的违约风险。这说明 VaR值能够对现行保证金制度中的不足提供更好的补充,从而更使期货合约的保证金水平更为合理。

      2、利用VaR方法提高期货经纪公司竞争能力。

      假如我们去考察一些大的集团公司,如巴西咖啡制造商、德国的钢铁制造商和亚洲的航空公司等等,我们就会发现他们全都需要对商品价格、外汇汇率利率等价格的不利变动进行套期保值。他们最常使用的套期保值工具就是期货和交易所交易的期权产品。他们与期货经纪人的关系,主要体现在交纳期货保证金、交易和缴纳追加保证金。期货经纪公司是期货交易所的成员,它必须将客户交纳的保证金在转存于清算公司。但经纪公司向交易所缴纳的初始保证金通常低于客户向其缴纳的初始保证金,这主要是因为客户的某些头寸可以彼此抵消。另外,在大多数期货交易所,交易所对经纪公司的保证金标准要低于经纪公司对客户要求的保证金标准。

      那么,期货经纪公司为什么不降低向客户收取的保证金呢?如果降低保证金的话,期货经纪公司就可以向客户提供更有竞争力的报价:即同样的费用和较低的保证金。降低保证金对于那些对保证金高低比较敏感,或更多情况下对筹集现金较为昂贵的客户具有较大吸引力。而降低保证金所节约的资金并未出自期货经纪公司的腰包,所以这是一个对双方都有利的交易。因为许多对商品进行保值的客户信誉级别不高,融资较为昂贵。但是,这也正是降低保证金策略的局限性所在,如果这一策略使用过多的话,期货经纪公司将承担某些客户的信用风险。此外,但市场波动剧烈时,客户违约的可能性更大,从而使违约期间,追加的保证金更多。

      在面对上述情景时,VaR方法正好派上用场。即,期货经纪公司可以通过VaR方法把其保证金规模最优化,使其能够补偿大多数情况下的每日损失。这一工作包括两个方面,首先保证任何客户的损失不会将经纪公司置于无法生存的境地,第二,确保因信用风险导致的预期损失低于由交易佣金带来的收入。

      VaR值的计算可用于评估这两种状况。如果客户进行交易的资产相关性较弱,或者客户的违约概率较低,敞口头寸较少的话,VaR方法将使期货保证金降低的幅度大于目前所使用的方法,从而提高期货经纪公司的市场竞争力。

      3.期货交易中VaR值的计算

      虽然期货交易均使用保证金制度,但实际交易的是期货合约总值,因此需要注意的是,在计算VaR值时,应采用整个期货合约总值(投资组合)来评估,而不是投入的保证金。

      以下是计算VaR值的基本流程:

      第一,计算样本报酬率。取得样本每日收盘价,并计算其报酬率,公式如下:

      其中R为报酬率、P为收盘价、t为时间。

      第二,计算样本平均数及标准差:样本平均数和标准差分别有以下公式计算:

      第三,检测样本平均数是否为零。由于样本数通常大于30,所以采用统计数Z来检测。

      第四、计算VaR值。

      VaR=μ-Zaσ

      其中α为1-置信水平。

      下面就以买卖一手指数期货合约为例来说明VaR值的计算。假设最新的指数收盘价为4839,那么期货合约总值则为4839×200= 967800,然后,投资者应先选取大约半年的数据(通常都是使用股指每日报酬率),再利用以上四个步骤来推算出其单位风险系数,最后将单位风险系数与合约总值相乘,即可得出指数期货合约的VaR值。当然若投资者本身所投入的资金愈多,则所需承担的风险也将愈大。

     

    VaR模型的优点

      1、 VaR模型测量风险简洁明了,统一了风险计量标准,管理者和投资者较容易理解掌握。

      风险的测量是建立在概率论数理统计的基础之上,既具有很强的科学性,又表现出方法操作上的简便性。同时,VaR 改变了在不同金融市场缺乏表示风险统一度量, 使不同术语(例如基点现值、现有头寸等) 有统一比较标准, 使不同行业的人在探讨其市场风险时有共同的语言。

      另外,有了统一标准后,金融机构可以定期测算VaR值并予以公布,增强了市场透明度,有助于提高投资者对市场的把握程度,增强投资者的投资信心,稳定金融市场。

      2、可以事前计算, 降低市场风险。

      不像以往风险管理的方法都是在事后衡量风险大小,不仅能计算单个金融工具的风险, 还能计算由多个金融工具组成的投资组合风险。综合考虑风险与收益因素,选择承担相同的风险能带来最大收益的组合,具有较高的经营业绩。

      3、确定必要资本及提供监管依据。

      VaR为确定抵御市场风险的必要资本量确定了科学的依据, 使金融机构资本安排建立在精确的风险价值基础上, 也为金融监管机构监控银行的资本充足率提供了科学、统一、公平的标准。VaR 适用于综合衡量包括利率风险汇率风险股票风险以及商品价格风险和衍生金融工具风险在内的各种市场风险。因此, 这使得金融机构可以用一个具体的指标数值(VaR) 就可以概括地反映整个金融机构或投资组合的风险状况, 大大方便了金融机构各业务部门对有关风险信息的交流, 也方便了机构最高管理层随时掌握机构的整体风险状况, 因而非常有利于金融机构对风险的统一管理。同时, 监管部门也得以对该金融机构的市场风险资本充足率提出统一要求。

     

    VaR模型应用注意问题

      尽管VaR模型有其自身的优点,但在具体应用时应注意以下几方面的问题。

      1、数据问题。运用数理统计方法计量分析、利用模型进行分析和预测时要有足够的历史数据,如果数据库整体上不能满足风险计量的数据要求,则很难得到正确的结论。另外数据的有效性也是一个重要问题,而且由于市场的发展不成熟,使一些数据不具有代表性,而市场炒作、消息面的引导等原因,使数据非正常变化较大, 缺乏可信性。

      2、VaR 在其原理和统计估计方法上存在一定缺陷。

      VaR对金融资产或投资组合的风险计算方法是依据过去的收益特征进行统计分析来预测其价格的波动性和相关性, 从而估计可能的最大损失。所以单纯依据风险可能造成损失的客观概率, 只关注风险的统计特征, 并不是系统的风险管理的全部。因为概率不能反映经济主体本身对于面临的风险的意愿或态度,它不能决定经济主体在面临一定量的风险时愿意承受和应该规避的风险的份额。

      3、在应用Var模型时隐含了前提假设。

      即金融资产组合的未来走势与过去相似,但金融市场的一些突发事件表明,有时未来的变化与过去没有太多的联系,因此VaR方法并不能全面地度量金融资产的市场风险,必须结合敏感性分析压力测试等方法进行分析。

      4、VaR主要使用于正常市场条件下对市场风险的测量。

      如果市场出现极端情况,历史数据变得稀少,资产价格的关联性被切断,或是因为金融市场不够规范,金融市场的风险来自人为因素、市场外因素的情况下,这时便无法测量此时的市场风险。

      总之, VaR是一种一种既能处理非线性问题又能概括证券组合市场风险的工具,它解决了传统风险定量化工具对于非线性的金融衍生工具适用性差、难以概括证券组合的市场风险的缺点,有利于测量风险、将风险定量化,进而为金融风险管理奠定了良好的基础。随着我国利率市场化资本项目开放以及衍生金融工具的发展等,金融机构所面临的风险日益复杂,综合考虑、衡量信用风险和包括利率风险、汇率风险等在内的市场风险的必要性越来越大,这为VaR应用提供了广阔的发展空间。但是VaR本身仍存在一定的局限性,而且我国金融市场现阶段与VaR所要求的有关应用条件也还有一定距离。因此VaR的使用应当与其他风险衡量和管理技术、方法相结合。要认识到风险管理一方面需要科学技术方法,另一方面也需要经验性和艺术性的管理思想,在风险管理实践中要将两者有效结合起来,既重科学,又重经验,有效发挥VaR在金融风险管理中的作用。

     

     

     

    展开全文
  • 客户价值模型的三个输出结果

    千次阅读 2009-12-16 15:08:00
     一、客户价值模型的应用过程 对于分析模型来说,建模与应用往往是两个相反的过程:建模是从具体到抽象,而应用却是从抽象到具体。 客户价值的计算就是一个典型的从“具体到抽象”的过程:先是准备大量具体的...
       		

      一、客户价值模型的应用过程
      对于分析模型来说,建模与应用往往是两个相反的过程:建模是从具体到抽象,而应用却是从抽象到具体。
      客户价值的计算就是一个典型的从“具体到抽象”的过程:先是准备大量具体的基础数据、接着结合参数和规则计算各类成本、然后计算出每个用户的当月边际价值、最后将月度边际价值进行累加并结合一次性成本计算出抽象的“累计贡献价值”。
      但是,客户价值模型的应用过程却是相反。以大幅优惠分析为例,通过客户价值模型结果我们很容易找到被过度优惠的用户,但为何这些用户被过度优惠了呢?这时候,我们就需要客户价值模型的中间数据以确定到底是哪一项成本偏高了,以便可以找对方向而不是漫无边际地随便分析。当找到方向并得出分析结论时,最终写分析报告时经常需要列出经典案例,这时就需要用到最初的原始汇总数据了。
      所以,客户价值模型的应用实际是个由抽象到具体、层层剖析的过程。无论是大幅优惠的分析,还是收入风险监控、套餐评估、渠道评估等方面的应用,都不仅仅需要一个最终结果,而是需要用到整个过程的数据。
      计算和分析的关系就如下图所示:
      BLOG75A_17659845984b2886c71715f.JPG
      
     

        二、客户价值模型的三个输出结果
      通过以上分析可以清楚,客户价值模型的应用是一个层层深入、不断深究的过程,模型的最终结果可以帮我们快速发现问题,但要真正深入的定位原因,却需要用到模型的中间结果。从某种意义上说,该模型的过程数据比结果数据更有用。
      客户价值模型是个用户级的基础模型,其输出当然也是用户清单级的数据,从技术角度看,其结果就是数据库表。
      客户价值模型主要输出三张表:
      1、基础用户宽表
      客户价值模型的计算需要用到大量的基础数据,这些数据通过汇总从不同的数据源汇总而成。从纯粹模型计算角度看,这些基础数据没有合成宽表的必要,因为可以一项项计算出来后进行关联汇总。但是,为了后续分析的方便性,有必要将这些众多的中间表合并成一张用户宽表,以给后续的分析工作减少整理数据的麻烦。
      该表主要信息为:用户基础信息、出账收入大致情况、收入和成本计算的基础数据、欠费情况、终端补贴情况等。
        
      2、当月边际价值表
      该表用来存放月度边际价值的计算结果和成本细项,包括用户基础信息、出账收入大致情况、结算收入情况、通信成本明细、结算成本明细、优惠和积分成本等。
      
      3、累计贡献价值表
      考虑到数据的可追溯性以及未来模型重构后进行分析比较的需要,我们设计该模型时只考虑追溯最近12个月的月度边际价值。
      该表主要信息为:用户基础信息、累计贡献价值、最近12个月的月度边际价值,以及一次性成本。
      之所以将12个月的价值都设成一个字段一是为了汇总的效率,二是为了便于分析月价值的波动情况。
      
      三、用户基础数据宽表的设计

    字段信息类别

    字段列表

    用户基本数据

    用户编号、手机号码、地区代码、品牌类型、套餐编号、入网时间、渠道、停开状态、停机时间

    收入基础数据

    出账收入、套餐月费、语音收入、短信收入、上网收入、梦网收入、其他收入

    网间结算收入相关基础数据

    联通短信MT次数、联通固话来话时长、联通手机来话时长

    电信短信MT次数、电信固话来话时长、电信手机来话时长

    通信成本相关基础数据

    非漫游本地计费时长、非漫游长途计费时长、漫游计费时长

    短信发送次数、短信接收次数

    彩信发送次数、彩信接收次数

    G网数据流量、T网数据流量

    结算成本相关基础数据

    联通短信MO次数、联通固话去话时长、联通手机去话时长

    电信短信MO次数、电信固话去话时长、电信手机去话时长

     

    国际漫游通话费、国际漫游短信费、国际漫游上网费、国际长途费

     

    省际漫游出访时长、省际出访上网流量、省际短信发送条数

     

    梦网短信信息费、梦网彩信信息费、梦网WAP信息费、梦网彩铃信息费、梦网KJAVA信息费、梦网IVR信息费

     

    MM信息费、手机支付费用

    其他基础数据

    馈赠金金额、新增积分

    终端补贴金额、开始补贴时间、结束补贴时间


      
      四、当月边际价值表的设计

    字段信息类别

    字段列表

    用户基本数据

    用户编号、手机号码、地区代码、品牌类型、套餐编号、入网时间、渠道、停开状态、停机时间

    收入基础数据

    出账收入、套餐月费、语音收入、短信收入、上网收入、梦网收入、其他收入

    网间结算收入

    联通短信结算收入、联通固话结算收入、联通手机结算收入、电信短信结算收入、电信固话结算收入、电信手机结算收入

    通信成本明细

    语音本地话务成本、语音长途话务成本、语音漫游话务成本

    短信发送成本、短信接收成本

    彩信发送成本、彩信接收成本

    G网数据流量成本、T网数据流量成本

    结算成本明细

    联通短信结算成本、联通固话结算成本、联通手机结算成本

    电信短信结算成本、电信固话结算成本、电信手机结算成本

     

    国家漫游语音结算成本、国家漫游短信结算成本、国家漫游上网结算成本、国际长途结算成本

     

    国内漫游语音结算成本、国内漫游上网结算成本、省际短信结算成本

     

    梦网短信结算成本、梦网彩信结算成本、梦网WAP结算成本

    梦网彩铃结算成本、梦网KJAVA结算成本、梦网IVR结算成本

     

    MM结算成本、手机支付结算成本

    其他成本

    优惠成本、积分成本、其他边际成本

    结果

    月度边际价值


      
      五、累计贡献价值表的设计

    字段信息类别

    字段列表

    用户基本数据

    用户编号、手机号码、地区代码、品牌类型、套餐编号、入网时间、渠道、停开状态、停机时间

    月度边际价值数据

    月价值1、月价值2、月价值3、月价值4、月价值5、月价值6

    月价值7、月价值8、月价值9、月价值10、月价值11、月价值12

    一次性成本数据

    欠费成本、酬金成本、终端补贴、实物成本、其他一次性成本

    最终结果数据

    累计贡献价值、上月累计贡献价值

    展开全文
  • 一、理论上的客户价值模型可望而不可及 对于客户价值模型(Customer Value Model,CVM),做过数据仓库或数据挖掘的人恐怕都不会感到陌生。电信行业的客户价值模型就跟离网挖掘一样经典,出现在大量的数据挖掘相关的...
       		

      一、理论上的客户价值模型可望而不可及
      对于客户价值模型(Customer Value Model,CVM),做过数据仓库或数据挖掘的人恐怕都不会感到陌生。电信行业的客户价值模型就跟离网挖掘一样经典,出现在大量的数据挖掘相关的白皮书和专业资料上。
      理论上的客户价值模型既考虑客户的当前价值,也考虑其潜在价值,是一种综合评估模型。具体地说,会从客户的收入、成本、行为、信用度、忠诚度等几个方面对用户进行综合测评,即客户价值=f(收入,成本,行为,信用度,忠诚度,期望生命周期)。
      客户的当前价值不难计算。一般来说,可以在出账收入的基础上,利用数据仓库中的大量数据,经过重重计算,总是可以大致计算出来,差别只在于实现的细节而已。
      但是,一个客户的潜在价值有多少?虽然理论上我们可以结合信用度、忠诚度和生命周期等一系列因素进行预测。可是,这几个因素本身并非客观数据,也需要一系列模型的支撑。这样一来,要实现客户价值模型,就要实现一系列高难度、超玄乎的模型,这是该理论模型可望而不可及的一个重要原因。
      从这些年来的经分实践来看,一般人们都会非常排斥无法理解的东西,也许口头上会赞扬,但实际上却不会拿来用。最终,就算这个基于预测的客户价值模型建立起来了,又能赢得多少信任?有谁会真正去用?与股票预测和彩票预测相比,这个模型能够强多少?
      所以,尽管理论上的客户价值模型看上去很有理、说起来很有用、身上光环道道,很能打动初做经分的人员,其唯一的缺点就是:不可能变成现实。
      天使也好,仙女也罢,可以在画里画、墙上挂、梦中想,但别指望其真的落入凡尘。
      
      二、集团推出的简化版客户价值模型依然很难落地
      去年,集团在总结各省移动建设经验的基础上,推出了一个简化版的客户价值模型。该模型出现在《收入风险监控业务技术方案》中,并改名为客户收益模型。
      简化版模型最大的特点,就是毙掉了信用风险、忠诚度、客户生命周期等玄乎的因素,在可行性方面前进了一大步。
      但是,即使已经大大简化,该模型要真正落地依然十分困难,主要原因在于:
      1、财务MIS数据难获取,数据质量无保障
      简化版模型对财务MIS数据依然十分依赖,无论是分摊成本,还是通信成本,都用到了财务MIS数据。但是,MIS数据存在获取难、不及时以及数据质量没保障等问题。
      首先,MIS数据属于高度敏感、高度机密的数据,财务这边一般不太愿意开放这个数据。就算有些省通过协调使得经分系统能够获得部分MIS数据,恐怕也未必能满足模型的需要。
      其次,MIS数据更新不及时。财务数据的基础是出账和经分报表数据,但还要增加大量外部数据,各级财务人员还要做一些人工处理,然后才能形成结果。从浙江经验来看,每月基本上要到12日之后才能取到较完整的MIS数据,这使得客户价值模型的生成时间以及后续一系列相关的分析工作的时间都会受到严重影响。
      最后,MIS数据质量其实并不高。对于没分析过MIS数据的人来说,可能觉得MIS数据应该很权威、很可靠。但是,假如你拿一两年的相关财务数据哪来分析一下,分月份、分地区比较看看,可能就会感慨看不懂、感慨数据变化没规律了。原因很简单,因为财务数据中夹杂着很多的人为因素,处处体现出人工的痕迹。
      
      2、渠道酬金数据难以分摊到个人
      简化版模型依靠渠道管理系统来获取渠道酬金数据。按照常规思路,渠道管理系统应该有为每个客户付出多少酬金的准确数据。但是,据我了解,目前的渠道酬金不仅有放号酬金,也有话费分成等,其计算模型就跟套餐资费一样复杂。从明细数据汇计算出每个渠道应得的酬金容易,但要反推到每个用户头上却基本不太可能,除非该省的酬金结算办法超级简单。
      这意味着目前模型的渠道酬金获难以实现。针对该问题,浙江采取的解决办法是:让专门负责渠道的人员依靠财务提供的酬金结算成本,结合对其他人为因素的考虑,大致推算出每个地区的放号成本是多少,以此作为参数来计算酬金成本。
      
      3、一次性成本的处理方式有问题
      对于用户来说,渠道酬金属于一次性成本。另外,终端补贴、实物赠送基本上也是属于一次性成本。
      目前的模型并没有每月的边际成本和这些一次性成本做区别对待,只是简单地将成本纳入到发生月进行计算,这样会带来很大问题。
      以终端补贴为例,假如我们为一个老客户月消费恒定200元的用户提供了2000元的终端补贴,那么补贴当月该用户价值将为低于负1800元,而其余各月却依然较高,这种跳变显然不符合真实情况。
      当然,终端补贴可以按月分摊。但这样处理会导致用户中途拆机时客户价值模型无法反映出损失的补贴金额。
      假若将酬金成本也按月分摊,也会扭曲真实情况。比如,一个新增用户当月价值可能很高,一下子就把付出的酬金成本给赚回来了,这种情况下搞分摊就并不合适。
      
      总的来说,当前简化版模型依然不够简化,对财务MIS、渠道管理系统、结算系统存在太多的数据依赖,大大增加了模型落地的难度。另外,在计算哪些成本、如何有效处理这些成本数据方面,也缺乏一些帮助落地的细节。
      
      三、浙江的实践:基于边际成本和参数假设的客户价值模型
      为了真正落实精细化运营,推进经分应用的升华,浙江在今年初启动了客户价值模型的建设工作。
      在模型落地过程中,浙江吸取了集团简化版客户价值模型的优点,抛弃了其中一些不合理的设计,结合浙江这些年在大幅优惠分析、营销案评估、SP和渠道套利分析、业务稽核等工作中积累的一些经验,针对个人移动用户的行为特性,对价值模型落地不少分析和讨论,提出了一个新的模型思路:基于边际成本和参数假设的客户价值模型。
      浙江版客户价值模型简略示意如下:
      BLOG72A.JPG
      
      与原模型相比,浙江版模型主要有以下几个特点:
      特点1:客户成本只用边际成本,取消分摊成本
      这么做主要有两个原因:一是摆脱对财务MIS的依赖,二是基于长尾理论。
      在经济学和金融学中,边际成本(marginal cost)指的是每一单位新增生产的产品(或者购买的产品)带来到总成本的增量。在这个模型中,边际成本表示直接与该客户相关的增量成本。
      电信业是服务业,而服务业都有个共性特点,那就是大量成本基本恒定,与客户数量多少并无关系。相对一般服务业,电信业的这个特点更是显著。对于移动运营商来说,即使一个用户消费十分之低,只要其消耗的网络资源不大,依然可能是个盈利的客户,这一点上跟传统的固话和宽带相差很大。
      以目前中国移动的规模,将共享成本分摊到每个用户上并无实际意义,反而会将实际上带来盈利的低端客户误判成负价值客户,导致对低端用户的忽视和对高端用户的盲目重视,不利于开拓农村用户市场和TD无线座机市场。
      事实上,这些年来高端用户早已不那么高端,一个用户要是费用超过200元,就已经属于TOP1%了,而传统的500元以上高端客户所贡献的收入比重已经越来越低了。可以说,这些年推动中国移动收入和利润增长的主要动力是低端客户,而非高端客户,高端客户的贡献在不断降低,整个行业越来越体现出长尾的特点。
      
      特点2:采用参数假设,宁要模糊的准确、不要精确的错误
      无论是渠道酬金、积分成本的计算,还是语音、短信等各项通信资源成本的计算,都离不开参数值的计算。
      原来的模型中花了大量的精力来解决这些参数的计算问题,其实这样做毫无意义。
      首先,该方式会导致模型数据无法进行环比、同比和地区比较。分析的核心在于比较,假如客户价值模型所用的参数每个月都在改变,如何进行上下月对比?如何进行趋势分析?这样分析出的数据有什么实际意义?
      其次,该方式的得出的参数实质是“精确的错误”。以语音通话的边际成本为例,靠着目前这点数据就能计算出边际成本是多少?要知道,为这个参数,有很多家咨询公司,花了无数人力和物力都无法拿出一个有说服力结果的东西。
      所以,与其白费力气地去得到一个“精确的错误”,还不如凭借经验和分析,人为地假设一个参数。虽然这个参数未必是准确的,但模型的结果却是可比较的,而分析工作的核心真是比较。
      目前浙江这边假设的几个参数示例如下:
      语音通话成本   假设为0.03元/分钟
      短信发送成本   假设为0.01元/条
      彩信发送成本   假设为0.10元/条
      手机上网成本   假设为0.10元/MB
      
      思路3:区分两类成本、两类价值
      在客户价值模型中,如何处理酬金、终端补贴等一次性成本是个非常关键的问题。假如将这些一次性成本完全放在某一个月,必将导致某个月客户价值的跳变,不符合真实的情况。
      该模型区分两类成本:月度边际成本和一次性成本,同时两类价值:月度边际价值和累计贡献价值。
      考虑到数据的可追溯性,为了便于落地,累计贡献价值只计算一年内的累计价值,一年前的数据不再累计。
      
      思路4:将欠费因素纳入价值模型
      原来的模型没有考虑欠费因素,可能会把一些国际长途盗打、SP欠费套利的号码也误判成高价值用户。
      原来模型没有引入欠费,主要是因为欠费很难处理,细节上需要很多的技巧。该模型将欠费视作一次性成本,在累计贡献价值中剔除欠费成本。由于欠费是个随时在变化的时点数,目前只统计停机15天以上用户的欠费。
      
      思路5:与时俱进,新增重要成本项目
      考虑到每一项业务行为都会对网络质量带来影响,所以对短信、彩信、上网等都纳入了通信成本进行计算。
      考虑到这几年国际长途盗打和套利现象非常猖獗,增加了国际长途结算成本,其计算采取按计费阶段的国家长途费乘以一定百分比的方式。
      考虑到10086话务越来越高,其话务已经相当与一个月有一天用户全在打10086,所以增加了10086服务成本。
      考虑到用户国际漫游的费用绝大部分都结算给了国外运营商,所以增加了国家漫游结算成本。
      考虑到去年为了打击垃圾短信,省际短信也进行结算,所以增加了省际短信结算成本。
      
      总的来说,浙江版模型的核心原则在于边际成本和参数假设。凭借这两个原则,模型的落地难度被大大化解,而实用性却大大增强。该模型的数据依赖度很低,只需要用传统BOSS中的营业、账务和计费的数据就可以计算。另外,整个计算过程极其简单,只是最基本的加减乘除,没有用到任何高深算法。
      该模型具有较广泛的适用性,基本上各省移动花上2-3个月时间就能实现模型的落地。对于哪些底层数据仓库较为完善、经分应用水平较高的省份,甚至可能1个月内就搞定该模型。

      
      四、客户价值模型的未来演进
      在需求明确之后,浙江这边花了大概两个月时间进行开发,目前已经投入使用。不过,建好模型只是第一步,未来还有很多工作要做:
      1、拓展模型应用范围
      目前,我们还只是将该模型应用于传统的收入风险监控领域,其应用点还只有区区数个,离原先计划的二十多个应用点还有较大距离。另外,客户价值模型是数据仓库的一个底层基础模型,应用范围十分广泛,所以明年将进一步拓展其应用范围,争取做到有ARPU的地方就有客户价值。


      2、向全业务范围延伸
      目前该模型只适用于个人移动客户,对行业应用、M2M等都不太适用,更无法应用于传统的固话和宽带领域。追随公司的全业务运营步伐,下一阶段客户价值模型也有必要往全业务方向延伸。


      3、引入公允收入概念
      浙江模型对客户收入这块并没有做任何改进,依然延续了原先模型的思路,存在一些不足。
      比如,目前用户中存在一些号码,业务行为很少甚至没有,但却有不少收入。这类号码有些属于弃卡用户,有些是虚号码。若引入公允收入概念,将有助于对这类现象的分析。
      目前,公允收入的基本思路是:根据当前的平均资费,结合用户的业务行为,推算出一个“公允”的收入。这样一来,通过出账收入、客户价值、公允收入三者之间的对比分析,相信可以发现很多有趣的东西。比如,若客户价值远远大于公允收入,那么很有可能就是虚用户;若客户价值远远低于公允后入,那么说明存在过度优惠问题。
      
      总之,没有完美的分析模型,只有不断改进的分析模型,客户价值模型依然需要持续不断的改进和优化。

        ====================================================

        客户价值模型系列之二

       

    展开全文
  • 在99%置信水平[...]上的预期缺口[…]对应于大约99.6%至99.8%的风险价值 回顾 对于任何(绝对)连续累积分布函数,严格增加,因为(VaR和TVaR)都是连续的,并且严格增加,所以可以将任何TVaR与某个VaR...

    原文链接:http://tecdat.cn/?p=11601

    原文出处:拓端数据部落公众号


    99%的预期缺口[…]与99.6%的[…]风险值非常接近

    受到“ 瑞士经验”报告中一句话的启发,

    在99%置信水平[...]上的预期缺口[…]对应于大约99.6%至99.8%的风险价值

    回顾

     

    对于任何(绝对)连续累积分布函数,严格增加,因为(VaR和TVaR)都是连续的,并且严格增加,所以可以将任何TVaR与某个VaR关联在一起 。即

     与

    考虑例如对数正态分布。由于没有关于预期短缺的简单表达式,因此 使用蒙特卡洛模拟对其进行近似。然后,使用累积分布函数获取风险值的关联级别,

    > n=1e7
    > TVaR_VaR_LN=function(p){
    +     X=rlnorm(n)
    +     E=mean(X[X>qlnorm(p)])
    +     return(plnorm(E))
    + }

    例如

    > TVaR_VaR_LN(.99)
    [1] 0.9967621

    为了绘制它,定义

    > prob=c(seq(.8,.99,by=.01),.995)
    > P_ln=unlist(lapply(prob,TVaR_VaR_LN))

    现在,如果考虑尾巴较轻的分布,例如指数分布

    
    > P_exp=unlist(lapply(prob,TVaR_VaR_exp))

    或厚尾的分布(如帕累托)

     

    我们有不同的概率水平。

    因此,尾部越重,概率水平越高。因此,在某些情况下,始终用99.6%VaR qppfoximate 99%TVaR可能有效,例如

    > TVaR_VaR_exp(.99)
    [1] 0.9963071

     

    展开全文
  • 对于电信运营商来说,除了收入和用户数外,最常用的分析指标大概就是ARPU... ARPU所体现的是用户表面上的收入贡献,而非真正带给运营商的真正价值。显然,对于运营商来说,真正的有意义是实际价值,而非表面收入。 
  • RFM客户价值分类模型应用

    千次阅读 2018-11-05 20:56:01
    RFM模型广泛应用于用户运营之中,是衡量当前用户价值和和客户潜在价值的重要工具和手段。RFM模型主要有如下三个指标: R:Recency —— 客户最近一次交易时间的间隔。R值越大,表示客户交易距今越久,反之则越近; ...
  • 利用RFM模型做电商客户价值分析

    万次阅读 2016-04-11 16:51:59
    客户细分是客户关系管理的一个主要的组成部分,本文尝试以电商企业为研究对象根据其客户特点,提出了一种基于客户价值分析RFM 模型,从而对客户进行分类,并对此结果进行动态的客户分析,以达到对不同的客户采取...
  • RFM模型是衡量客户价值和客户创利能力的重要工具和手段。RFM分析模型主要由三个指标组成,下面对这三个指标的定义和作用做下简单解释: 1、最近一次消费(Recency) 最近一次消费意指用户上一次购买的时间,理论上,...
  • 价值观选择到重构思维模型

    千次阅读 2018-07-29 02:08:57
    今天,我想谈谈价值观和思维模型,这可能是我们平时很少思考,但是却深刻影响着我们的行为和思想的东西,这些概念比较抽象,讲得不好请还望批评指正。   1、什么是价值观? 维基百科的是这样定义的:价值观是一...
  • 今天的介绍的是另外一个拓展的模型:航空公司客户价值分析模型LRFCM。 RFM模型的复习 在客户分类中,RFM模型是一个经典的分类模型模型利用通用交易环节中最核心的三个维度——最近消费(Recency)、消费频率...
  • 基于RFM模型的客户价值分析

    千次阅读 2019-08-06 09:17:37
    数据:air_data 模型:LRFMC 算法:K-Means 借助航空公司客户数据,对客户进行分类。 https://nbviewer.jupyter.org/github/wfshhebau/LRFCM/blob/master/LRFMC.ipynb

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 270,229
精华内容 108,091
关键字:

价值模型