第4章客户基础属性分析

4. 客户基础属性分析：年龄、性别、职业、地域分布分析、收入水平与资产规模统计、客户生命周期阶段划分

各位同学，咱们今天聊点实在的。

做智能投顾，第一步不是写模型，而是搞清楚你的客户是谁。我见过太多团队，一上来就搞深度学习，结果连客户是男是女、多大年纪都没搞清楚。说白了，基础属性分析就是投顾系统的「地基」。地基不稳，上面盖多高的楼都得塌。

核心观点：客户基础属性分析，是智能投顾系统所有策略的起点。没有这个，后面的风险测评、资产配置全是空中楼阁。

年龄和性别，这两个字段看起来简单，但信息量巨大。我个人习惯，拿到数据第一件事就是画年龄分布直方图。

年龄分析要点：

性别这块，我踩过坑。曾经有个项目，我们默认男性风险偏好更高，结果数据一跑，发现女性客户的长期持有收益率反而更好。为什么？因为女性交易频率低，拿得住。所以，性别标签要结合交易行为一起看，别单独用。

实战技巧：年龄字段经常有空值或异常值（比如年龄200岁）。我的做法是用身份证号反推，或者用注册时间+业务办理时间做插值。实在不行，就按中位数填充，但一定要打上「填充标记」。

职业字段，在金融数据里往往是最脏的。我见过「自由职业」写成「无业」的，也见过「程序员」写成「码农」的。所以第一步，必须做标准化映射。

职业分类标准（我常用的）：

地域分布这块，我建议按「城市等级+区域」做交叉分析。比如，一线城市的白领和三四线城市的白领，投资行为完全不同。一线城市更关注房产、股票，三四线城市更关注银行理财、保险。

注意：地域数据不要只看省份，要看城市。我曾经遇到一个案例，某客户地址是「北京市朝阳区」，但实际人在河北燕郊通勤。这种「漂」一族，风险承受能力其实比本地人低，因为要还房贷。

这两个字段，是智能投顾做策略的核心输入。但说实话，客户填的收入往往不准。要么往低了报（怕被推销），要么往高了报（虚荣心）。

我的处理经验：

收入验证：用代发工资流水、公积金缴纳基数做交叉验证。如果客户填了月入5万，但公积金按最低基数交，那就有问题。
资产规模统计：别只看存款。要把理财、基金、股票、房产（可变现部分）都算进去。我习惯用「可投资资产」这个概念，即总资产减去自住房产和应急资金。
分层标准：
- 大众客户：可投资资产 < 50万
- 富裕客户：50万 - 300万
- 高净值客户：300万 - 1000万
- 超高净值客户：> 1000万

嗯，这里要注意。资产规模的分层不是死的。我做过一个项目，某客户资产只有80万，但每月现金流有5万，这种「高收入低资产」的年轻人，其实比很多「有房无现金」的中年人更有投资潜力。

这个是我觉得最有意思的部分。客户不是一成不变的，他会成长、会变老、会失业、会发财。所以，我们要用动态的眼光看客户。

我常用的五阶段模型：

但说实话，这个模型不能硬套。我遇到过一位45岁的程序员，资产过千万，但风险偏好极高，天天想炒币。你说他该归到「稳健期」吗？显然不行。所以，生命周期要结合风险测评结果做动态调整。

核心公式：客户阶段 = f(年龄, 资产规模, 收入稳定性, 风险偏好)

别用单一维度下结论，至少三个维度交叉验证。

下面这张图，是我自己梳理的客户基础属性分析框架。你看一眼，基本就知道整个章节在讲什么了。

你看，整个框架其实就四个维度。但每个维度展开，都有很多细节。我建议你在实际项目中，先跑一遍这四个维度的基础统计，然后再做交叉分析。比如「30岁男性程序员，在北京，月入3万，资产50万」，这种画像就比单纯说「年轻男性」精准得多。

我的习惯：每次做客户分析，我都会先画一张这样的结构图贴在工位上。不是为了好看，而是提醒自己——别漏掉任何一个维度。你想想看，漏掉一个维度，可能就漏掉了一类客户。

好了，这一章的内容就到这里。记住，基础属性分析不是一次性的工作。客户会变，数据会更新，你的画像也要跟着迭代。下一章，我们会聊风险偏好与投资目标分析，到时候见。

公众号:蓝海资料掘金营，微信deep3321