1. 引言

在当前银行业竞争日益激烈的环境下，客户分层管理已成为商业银行提升经营质效、优化资源配置和增强客户黏性的关键策略。随着金融科技的发展和客户需求的多元化，传统的“广撒网”式客户管理模式已难以适应市场变化，银行亟需构建更加精细化、动态化的客户分层管理体系。

• 文字版思维导图

银行客户分层模型
├── 按客户属性细分
│   ├── 按组织归属：企业 / 个人 / 政府
│   ├── 按职业：企业主 / 专业投资人 / 高管 / 公务员 / 退休人士 / 学生
│   └── 按年龄生命周期：单身期 → 家庭形成期 → 成长期 → 成熟期 → 衰老期
├── 按消费行为划分
│   ├── 按消费额度：高端 / 中端 / 大众
│   ├── 按消费倾向：投机型 / 进取型 / 保守型
│   └── RFM模型：R(最近交易) + F(频率) + M(金额) → 8类客户
├── 按客户价值细分
│   ├── 绝对贡献值
│   │   ├── 资产规模金字塔：铂金 / 黄金 / 钢铁 / 青铜
│   │   ├── 盈利能力：最具盈利性 → 最糟糕
│   │   └── EVA-RAROC矩阵：极高 → 退出 6个等级
│   └── 相对贡献值
│       └── 当前价值-增值潜力矩阵：4象限分类
├── 核心分析模型
│   ├── RFM模型：Arthur Hughes 1994, 1-5分量化
│   ├── ABC分类法：A(5-10%) B(10-20%) C(70-80%)
│   ├── CLV客户终身价值
│   │   └── 五大阶段：引入→成长→成熟→衰退→流失
│   ├── AUM分层法
│   │   ├── 招行：普卡/金卡/金葵花/钻石/私行
│   │   ├── 月日均AUM考核 + 升降级 + 管理费倒逼
│   │   ├── 权益配置：服务通道/费率/专属产品/增值/信贷
│   │   └── 局限性：忽视高负债低资产 / 伪分层 / 资金搬家
│   └── EVA-RAROC综合评价法
├── 数学基础
│   ├── 聚类分析：K-Means / 层次聚类 / DBSCAN
│   ├── 分类模型：逻辑回归 / 决策树 / RF / SVM / LightGBM / XGBoost
│   ├── 生存分析：Cox比例风险模型
│   └── 马尔可夫链模型
├── 实施步骤
│   └── 界定主体 → 明确维度 → 初步细分 → 画像描摹 → 战略归集
└── 实践应用
    ├── 国外：花旗Citigold / 汇丰Premier / 摩根大通CDP
    └── 国内：招行AUM标杆 / 大行体系 / 场景化行为分层

2. 客户分层管理的理论框架

2.1. 客户分层管理的定义与意义

客户分层管理是指银行根据客户的资产规模、交易行为、风险偏好等特征，将客户划分为不同层级，以便提供差异化的金融服务和产品组合。这一管理理念源于客户关系管理（CRM）和市场细分理论，旨在通过精准识别高价值客户、有效挖掘潜力客户和合理控制低价值客户，实现银行资源的最优配置和客户价值的最大化。

客户分层管理的核心意义：

• 提升客户满意度：为不同层级客户提供差异化服务，满足个性化需求
• 优化资源配置：将有限资源集中于高价值客户，提高投入产出比
• 降低营销成本：精准营销策略可减少无效营销，提高营销效率
• 增强客户黏性：通过持续性、个性化的服务提升客户忠诚度
• 促进交叉销售：基于客户分层识别潜在需求，提高产品渗透率

3. 常见的客户分层模型

目前商业银行的客户分层主要围绕客户属性、消费行为和客户价值三个维度展开。

3.1. 按客户属性细分

• 按组织归属：划分为企业客户、个人客户、政府客户。此方法简单直观，但较为粗放。
• 按职业：划分为企业主、专业投资人、职业经理人/高管、公务员/事业单位、退休人士、学生等。
• 按年龄：根据生命周期理论，划分为单身期（19-24 岁）、家庭形成期（25-35 岁）、家庭成长期（36-45 岁）、家庭成熟期（46-55 岁）和家庭衰老期（55 岁以后），不同阶段客户的收入、支出和风险承受能力各异。

3.2. 按消费行为划分

• 按消费额度：根据存款、贷款、购买产品额度等，将客户划分为高端、中端和大众客户。
• 按消费倾向：根据客户的风险偏好，将各层级客户进一步划分为投机型、进取型和保守型。
• 按 RFM 模型：基于客户消费的最近一次时间（Recency）、消费频率（Frequency）和消费金额（Monetary）进行三维划分，将客户分为重要价值客户、重要发展客户、重要保持客户等 8 个类别。

3.3. 按客户价值细分

• 绝对贡献值：
  • 资产规模：采用客户金字塔模型，根据客户资产规模划分为铂金级、黄金级、钢铁级和青铜级客户。
  • 盈利能力：根据当前和未来的盈利能力，将客户划分为最具盈利性、具盈利性、最糟糕、保留、必须投资和最佳客户等。
  • EVA-RAROC 矩阵：结合经济增加值（EVA）和风险调整后资本回报率（RAROC）两个指标，将客户划分为极高价值、高价值、优质、普通、关注和退出客户。
• 相对贡献值：
  • 当前价值 - 增值潜力二维矩阵：从当前价值和增值潜力两个维度，将客户划分为四个象限，重点关注当前价值和增值潜力都高的第Ⅰ类客户，以及具有高成长性的第 IV 类潜力价值客户。

3.4. 分层模型的数学基础

1. 聚类分析：K-Means、层次聚类、DBSCAN，按客户相似度自动分组
2. 分类模型：逻辑回归、决策树、随机森林、SVM、LightGBM、XGBoost，基于标签训练实现新客户自动分类
3. 生存分析：Cox比例风险模型，预测客户流失概率
4. 马尔可夫链模型：模拟客户生命周期阶段转移概率，预判客户未来价值

3.5. RFM模型

RFM模型是银行客户分层管理中应用最广泛的基础模型，三大核心指标：

• Recency（R）：最近一次交易时间，反映客户活跃程度
• Frequency（F）：交易频率，体现客户忠诚度
• Monetary（M）：交易金额，反映客户消费能力与价值贡献

1994年由美国数据库营销研究所Arthur Hughes提出，属于量化分析框架。对R/F/M分别1-5分量化打分，对比群体均值评估客户相对价值。

• 高R+高F+高M：重要价值客户，重点维护
• 高M+低R+低F：重要挽留客户，针对性挽回

优势：实施简便、计算高效，快速识别高价值与流失风险客户。

3.6. ABC 分类法

ABC 分类法，又称帕累托分析法，是银行进行客户价值筛选、区分客户管理优先级的主流定量分类工具。这一方法的核心逻辑，源于经济学中 “关键少数和次要多数” 的典型分布规律；它根据客户的价值贡献特征，将其划分为 A、B、C 三类，再区别化实施不同的资源配置和客户管理方案。

这一分类法的具体落地逻辑为：

• A 类客户：又称 “核心关键客户”，是对银行利润贡献度最高的群体。这类客户的资产规模或综合贡献度达到银行设定的高端标准，数量占比极低，但对银行的收入或利润贡献占比极高。例如在交通银行的实际应用中，将 90 天日均资产规模达到 50 万元以上的客户划分为 A 类客户，也就是其专属服务体系中的 “沃德财富客户”；从行业整体数据来看，这类客户通常占银行总客户数的 5%-10%，但贡献的利润占比往往超过 50%。

• B 类客户：又称 “潜力成长型客户”，这类客户的价值贡献水平介于 A 类与 C 类之间，通常占客户总量的 10%-20%，对银行的收入贡献占比通常在 20%-30% 之间。这类客户的核心特征是价值成长潜力较大，通过合理的价值培育和服务引导，部分客户的资产规模或综合贡献度有望在中短期内提升至 A 类客户标准；同时，这类客户也是 A 类客户的主要后备补充来源。例如在交通银行的分类标准中，日均资产规模达到 5 万元以上的客户属于 B 类客户，对应 “交银理财卡” 服务等级。

• C 类客户：又称 “普通长尾客户”，这类客户的数量占比极高，通常占银行总客户数的 70%-80%，但单户价值贡献能力极低，总价值贡献占比通常不足 20%。这类客户的核心特征是资产规模或交易活跃度提升的潜力有限，很难在短期内成长为高价值客户；但由于基数庞大，他们往往是银行基础金融服务的主要使用群体 —— 这类客户的价值增量，通常只能依赖以亿为单位的海量基础客群的规模效应来实现。

ABC 分类法的核心价值，是抓住了银行客户价值分布的典型规律 —— 它将客户价值区分的逻辑，与客户金字塔理论的底层逻辑完全匹配，能帮助银行快速分清资源配置的优先级，将有限的资源集中投入到核心的 A 类客户身上，同时对 B 类和 C 类客户实施适配性的资源投入，实现资源配置效率的最大化。这一方法的主要优势是原理简单、容易操作、见效速度快，分类成本低，分类效果相对明显；但它也存在一定的应用局限性：分类维度相对单一，主要是基于客户当前的价值贡献水平，无法完整覆盖客户的未来潜力、忠诚度、风险偏好等多重维度；在实际业务场景中，很难单独支撑制定差异化的精准服务策略，必须结合其他定性或定量分析方法使用。

从行业实践的情况来看，ABC 分类法是银行在客户分层时，最常使用的基础分类逻辑 —— 几乎所有银行的客户等级划分框架，都是基于这一逻辑延伸而来。例如，交通银行将这一方法落地为 “沃德财富”（A 类）、“交银理财”（B 类）、普通储蓄卡（C 类）三个层级的客户服务体系；还有某大型银行通过 ABC 分类法进一步细化客群数据，发现 A 类客户占总客户数的 5%，但贡献了银行总收入的 50%；B 类客户占总客户数的 15%，贡献了银行总收入的 30%；C 类客户占总客户数的 80%，但仅贡献了银行总收入的 20%（该数据为示意性示例，近似反映二八分布规律），这一数据也恰好验证了 ABC 分类法对银行资源配置的指导价值。

3.7. 客户生命周期理论与客户终身价值（CLV）

由Roland T. Rust等人2000年在《Driving Customer Equity: How Lifetime Customer Value Is Reshaping Corporate Strategy》系统提出，核心为客户终身价值（CLV，Customer Lifetime Value），即客户全生命周期为银行创造的净现值总和，包含历史价值、当前价值和潜在价值。

客户五大生命周期阶段：

1. 引入期：新建立合作，重点建立信任
2. 成长期：资产、交易稳步增长，需求多元化
3. 成熟期：资产交易稳定，需求固化
4. 衰退期：资产、交易持续下滑，需求萎缩
5. 流失期：停止使用银行服务，完全流失

3.8. 客户价值识别方法

1. AUM分层法
   以客户资产管理规模为分层依据，划分普通、贵宾、财富、私行客户；操作简单，但存在“高AUM≠高价值”缺陷，忽略客户间接价值。
2. CLV客户终身价值模型（参见2.6节）
   覆盖客户全生命周期各阶段盈利能力，评估维度全面，但计算复杂，依赖海量历史数据。
3. EVA-RAROC综合评价法

• EVA经济增加值：税后净营业利润(NOPAT) - 资本投入(IC) × 加权平均资本成本率(WACC)，衡量客户价值贡献总量
• RAROC风险调整后资本回报率：经风险调整税后净利润÷经济资本，衡量客户收益效率
  可平衡风险与收益，为资源分配提供科学依据。

3.9. 客户分层的实施步骤

客户分层是一项系统性工程，文章提出了五个落地步骤：

1. 界定分层的客户主体：根据银行战略和业务，明确需要分层的客户群体。
2. 明确细分维度与变量：结合银行实际，选择能体现客户差异且易于应用的衡量指标。
3. 客户初步细分及归并：根据选定维度进行初步细分，并将需求相似的客户群体进行归并。
4. 客户画像描摹：对每一类客户进行特征识别和偏好分析，完成客户画像。
5. 客户战略归集：从价值性和可行性两个维度评估，将客户归集为价值型、主力型、培育型和维持型客群，并制定相应的发展策略。

4. 实践应用方面

4.1. 国外银行实践：精细化的财富管理分层

全球领先银行普遍建立了以可投资资产为核心，辅以行为、生命阶段的多级分层体系：

• 花旗银行（Citigold）：典型的“大众客户—Citigold贵宾—私人银行”分层，门槛清晰，服务差异显著。
• 汇丰银行（HSBC Premier）：以全球统一标准的“卓越理财”账户为主线，结合“运筹理财”覆盖中端，强调跨境金融需求的满足。
• 数字化动态分层：摩根大通、美国银行等大量运用客户数据平台（CDP），通过机器学习模型每日更新客户“次标”（如流失倾向分、产品响应分），在手机银行端实时匹配不同界面、内容和优惠，实现“千人千面”。

4.2. 国内银行实践：从AUM分层到场景化智能分层

• 经典的AUM分层：招商银行的“普卡—金卡—金葵花—钻石—私人银行”体系是中国零售分层管理的标杆，以月日均资产为核心指标，链接了清晰的服务权益递进（如高尔夫、机场贵宾、专属理财）。
• 大行分层体系：工商银行“理财金账户”、建设银行“乐当家”等，同样遵循资产分层逻辑，并逐步整合客户工资代发、公积金、房贷等综合信息进行交叉分层。
• 新一代场景化与行为分层：近年，各银行纷纷引入“客户旅程”思维，在资产分层基础上叠加行为分层。例如，将客户划分为“月光族”、“沉睡户”、“活跃理财户”等，并由自动化营销系统触发针对性短信、AI外呼或App弹窗，分层管理的动态性和时效性大幅提升。

4.2.1. AUM分层

AUM分层是当前国内零售银行最核心、最普遍的个人客户分层管理体系。下面从定义、门槛、计算规则、权益配置、升降级机制到局限性，说清楚它的运作细节。

AUM分层是零售银行客户管理的骨架，骨架之外补充血肉（行为与需求标签），才能让精细化管理真正落地。

AUM（Assets Under Management，管理资产总额），是衡量客户在银行整体资金沉淀规模的核心指标。它不只是存款，而是客户在该行的各类金融资产加总，通常包括：

• 本外币活期/定期存款
• 理财产品（含银行理财、代销理财）
• 基金（含公募、专户）
• 保险（保费计入，通常按现金价值或实缴保费折算）
• 国债、贵金属、信托等

常见统计方式有：

• 月日均AUM：当月每日AUM余额总和 ÷ 当月天数，是升级评定的最常用标准。
• 年日均AUM：用于评定贵宾等级资格保留或降级缓冲。
• 时点AUM：极少单独用于分层，多作为辅助参考。

4.2.1.1. 典型银行AUM分层门槛及标签

以零售分层最精细的招商银行为标杆，结合其他大行体系，可整理如下：

注：不同银行门槛有差异，外资行如汇丰“卓越理财”为50万人民币等值，花旗“Citigold”一般为100万。

4.2.1.2. 严格的“月日均”考核与升降级规则

AUM分层不是一次评定永久有效，而是动态考核、逐月调整的。

• 升级：一旦连续多个月（如连续3个月）月日均AUM达到上一层级门槛，系统自动或由客户经理提示升级，换发对应贵宾卡，并开通权益。
• 降级：如果月日均AUM连续不达标（如连续3个月或6个月低于层级门槛），则会被降级，同时收回或降低部分专属权益，并开始收取账户管理费。
• 管理费倒逼：这是AUM分层的核心维持机制。例如招行金葵花卡，若月日均资产不达50万，会收取150元/月的账户管理费。这驱动客户将资金归集到该行，以维持贵宾等级。

4.2.1.3. 精细化权益配置：同层级内再细分

AUM分层不仅在层间有权益差异，同一层级内也常根据AUM进一步切分，匹配不同权益。

以招行“金葵花”为例（50万-500万）：

• 服务通道：全国金葵花理财中心专享柜台、免排队、独立理财室。
• 费率优惠：网银/手机银行转账全免费，某些理财/基金申购费率打折。
• 专属产品：金葵花增利、金葵花专享理财产品，收益率通常高于普通客户。
• 增值服务：高尔夫练习场、机场贵宾厅、三甲医院预约挂号等，权益点数按AUM档位分配（如50-100万/100-200万/200-500万可得不同次数）。
• 信贷优先：金葵花客户可享受更高额度、更快审批的“金葵花消费贷”等。

私人银行层级（1000万以上），服务更超越产品，转向综合方案：

• 财富管理：全权委托资产管理、家族信托、税务规划、跨境配置。
• 生活尊享：全球机场要客通道、高端医疗体检、子女精英教育规划、艺术品鉴赏等。
• 专属团队：“1+N”服务模式（1个私行经理，加投资、保险、税务、法律等后方专家团队）。

4.2.1.4. AUM分层的显著优势

• 简单直观：门槛量化，客户与理财经理都清晰可懂，易于市场推广。
• 强资金归集引导：阶梯权益和管理费机制，非常有效地激励客户将散落资金集中，直接提升银行负债与中收。
• 规模化服务基础：为银行配置服务资源（柜员、理财经理、贵宾室）提供了最刚性的依据。

4.2.1.5. 固有局限性及现代银行的应对

纯AUM分层的局限在实践中日益突出：

• 忽视高负债低资产客户：一个有数百万房贷、活跃信用卡消费、但存款不多的年轻客户，可能只是普卡。但其综合贡献度并不低。
• 行为同质化“伪分层”：两个同为50万资产的客户，一个是只存活期的保守老人，一个是频繁交易基金的进取中年人，需求完全不同，AUM分层无法区分。
• 易被“资金搬家”冲击：月末季末客户为了达标而临时转入资金，时点一过就转走，造成资源浪费。

演进方向：从纯AUM分层到AUM+行为组合分层
现代银行普遍在AUM基底上叠加行为标签、产品持有、渠道偏好、生命周期等标签，形成复合分层。

• 如：“AUM 50万+基金定投活跃+35岁”打上“进取型金葵花”标签，系统自动推送权益类产品资讯和市场分析。
• 招行、平安等已在手机银行实现**“AUM主层级 + 动态次标签”**的矩阵管理，实现“千人千面”。

5. 客户分层管理对银行绩效与客户满意度的影响分析

从理论逻辑与行业实践结果来看，科学的客户分层管理，对银行的经营绩效、客户满意度与忠诚度提升，都存在着显著的正向作用。多家国际头部咨询机构的实证研究数据，也充分验证了这一结论。

5.1. 对银行经营绩效的影响

客户分层管理对银行绩效的影响，主要是通过 “优化资源配置、提升客户价值、降低运营成本” 三个核心路径，实现银行整体经营业绩的提升。这一逻辑，也得到了多家国际头部咨询机构实证研究数据的直接验证。

首先，科学的客户分层管理，能够显著优化银行的资源配置效率，将有限的核心资源，集中投向高价值、高成长潜力的客户群体，避免 “无差别配置资源” 造成的浪费。这是因为，客户分层的核心逻辑，是精准识别不同客群的价值差异，将核心资源匹配到真正高价值的客户身上，减少对低价值客户的过度投入，提升资源投入产出比。正如贝恩咨询的研究数据所显示的那样，在实施客户分层管理后，银行可以将高价值客户作为重点服务对象，将资源集中配置到这类客户身上，从而避免资源的低效投入；某区域性美国银行的实际案例显示，通过实施客户分层策略，其将高价值客户的维护资源投入提升了近三成，同时减少了对低价值客户的无谓投入，整体资源配置效率得到了显著提升。

其次，科学的客户分层管理，能够显著提升客户的价值贡献水平。通过差异化的服务供给，银行可以精准匹配不同客群的价值需求，从而有效提升客户的活跃度、留存率，以及交叉购买的产品数量。多家咨询机构的实证数据验证了这一结论：

• 贝恩咨询对中国大陆零售银行客户的调研数据显示，“推荐者”（即体验较好、愿意推荐银行的客户群体）平均购买了 2.6 个银行产品，而 “贬损者”（即体验较差、不愿推荐银行的客户群体）的平均购买数量仅为 1.9 个；这意味着，通过分层服务提升客户体验后，客户的产品持有数量、交叉购买概率都将显著提升。

• 麦肯锡的相关调研数据也验证了这一逻辑：银行的客户体验指标每提升 20%，其客户购买金融产品的转化率可上升约 15%，客户的钱包份额也会显著增长。从长期来看，客户净推荐值位于前二分之一的银行，其股东回报水平较其他银行高出 55%；在中国市场，客户体验与客均营收的相关系数达到 60%—— 即客户体验越好，客均营收贡献就越高。这意味着，分层管理在提升客户体验的同时，也会直接拉动银行的经营业绩增长。

从实际行业实践数据来看，实施科学的客户分层管理，对银行的价值增长效果十分显著。例如，招商银行通过精细化的客户分层运营，其零售业务的非息收入占比已超过 30%，零售业务利润贡献占比高达 56.57%；私行客户的户均创收金额，从 2019 年的约 53 万元增长至 2025 年的 82 万元，增幅高达 55%；某全国性股份制银行通过实施客户分层体系，将营销投入精准聚焦于潜力客户群，实现了客户生命周期价值提升 22% 的显著成果；还有美国的区域性银行，通过 CLV 模型驱动的客户分层战略，将高价值客户的维护资源投入精准聚焦到目标客群，大幅提升了资源配置效率，最终实现了整体利润的显著增长。

5.2. 对客户满意度与忠诚度的影响

客户分层管理，本质是从客户的差异化需求出发，提供匹配其价值层级的适配服务；这一逻辑，打破了传统 “一刀切” 式的无差别服务方式，从供给侧直接提升了客户体验与满意度。这一影响，同样得到了多家国际头部咨询机构实证研究数据的支撑。

从内在逻辑来看，客户分层管理之所以能提升客户满意度和忠诚度，核心原因是它实现了 “服务供给与客户需求的精准匹配”：通过精准划分客户群体，银行可以为不同需求的客户群体提供适配其需求的产品、服务和沟通方式；客户的金融需求与银行的服务供给精准匹配，满意度自然会得到显著提升。反之，如果银行没有实施科学的客户分层管理，对所有客户群体都提供无差别的服务，那么必然会出现 “高价值客户需求无法得到满足，低价值客户被过度营销” 的情况，导致两类客户的体验都出现下降。

多家咨询机构的实证研究数据验证了这一逻辑：

• 麦肯锡的调研数据显示，通过实施科学的客户分层管理，银行的客户满意度将得到显著提升；当客户满意度增长 10%-20% 时，客户向他人推荐银行产品或服务的意愿将显著提升，银行的业务转化率也将随之提高。

• 贝恩咨询的调研数据，进一步验证了 “客户分层 - 服务匹配 - 体验提升 - 忠诚留存” 的逻辑闭环：2022 年对中国大陆零售银行客户的 NPS 调研结果显示，在通过分层管理提供人机协同适配服务的银行中，有 55% 的受访客户属于 “推荐者”，即愿意将主办行推荐给亲朋好友；“推荐者” 转投其他银行的可能性仅为 “贬损者” 的 80%，客户黏性和忠诚度显著更高；同时，在财富管理业务中，根据客户分层提供匹配服务的银行，客户满意度比未实施分层管理的银行高出近 20 个百分点。

需要注意的是，客户分层管理对客户满意度的提升效果，并非绝对正向；其效果的好坏，直接取决于分层策略的科学性与落地精准度 —— 如果银行的分层策略设计得不合理，或在落地执行时出现偏差，反而会对客户满意度造成负面影响。这一结论，也得到了麦肯锡相关调研数据的直接验证：

• 分层标准如果不科学、不透明，反而会降低客户的满意度。例如，部分银行在分层时过度聚焦资产规模维度，完全没有考虑客户的生命周期、价值成长潜力等维度，将部分资产规模不高、但潜力较大的客户，划入了低价值层级；这类客户的实际需求无法得到满足，体验自然会出现下降。

• 不同层级客户的服务配置如果缺乏明显的差异化或匹配度不足，也会让客户对银行服务的感知变差。麦肯锡的调研数据显示，资产规模在 20-50 万以及 50-500 万这两个客群的满意度较高；但基础大众客群（资产规模 5-20 万）和高净值客群（500 万以上）的客户满意度较低。导致这一结果的核心原因，正是部分银行的分层策略落地存在明显的偏差：对高净值客户，过分强调 “表面化” 的尊贵服务，没有在定制化产品规划、专业投资顾问能力等核心需求维度，配置匹配的资源支撑；对大众客户，只注重通过数字化渠道降低服务成本，没有在基础服务的便捷性、响应速度上，配置足够的资源支撑；最终导致两头客户的核心需求都未得到满足，满意度自然较低。

此外，贝恩咨询的研究数据也给出了明确的警示：如果银行在分层管理时，仅以资产规模作为分层标准，忽略了客户的行为偏好、服务需求、生命周期等维度的差异，或者在分层运营时，对低价值客户采用了 “过度压降服务成本” 的极端策略，导致服务水平明显下降，客户的需求无法得到满足，反而会造成客户满意度的显著下降，甚至引发客户的大规模流失。

5.3. 参考

• Modelling customer lifetime-value in the retail banking industry
• CUSTOMER LIFETIME VALUE ANALYTICS IN DIGITAL BANKING: APPROACHES, MODELS, AND PRACTICAL IMPLEMENTATION
• 人机协同，打造客户体验卓越的数字化零售银行 - 贝恩公司
• 大数据挖掘客户洞见，分析驱动零售银行价值增长 | 麦肯锡中国银行业CEO季刊 - 《财富管理》
• 虚拟圆桌:客户体验应上升到全银行战略 – McKinsey Greater China
• 银行用户分层看这篇文章就够了 | 人人都是产品经理