策略優化

談起優化，不得不想起大學幾年所學的東西。我取的工程學學位其實技術含量頗高，一半是系統設計分析，一半是線性規劃相關的數學，礙於資質有限，那些偏微分相信當年並沒有很多人讀懂，尤其是我那個年代讀工程系的都不是甚麼好學生......然而優化是學系的核心價值，對比其他工程學系，雖然少學了深入的算法設計，也沒有實際操作機器造物，但卻從改善重組中訓練出敏銳的觀察力。

故此說起策略優化，特別是最近遇到與零售銀行相關的策略，令我份外有親切感。原來在商業應用上，並不像當時那麼複雜，甚至已設計成人人都可以用的優化工具。

所謂最佳，是要滿足特定條件才能比較。因應實際情況，在不同的客戶生命週期也有不同的條件需求。

例如在獲客階段通常用的是利潤最大化，這就牽涉到幾個問題。第一是客戶分群和產品推薦的問題，傳統上會先把評分卡做好，按不同類別為客戶打分，分數愈高的風險愈低，再交叉銷售不同的產品，可是這樣就忽略了產品本身的限制以及可承受的額度等因素。反過來如果以產品本身出發，為其風險作評估然後推送給不同的潛在客戶，類似問題同樣存在；第二是最佳行動的問題，即使我們整個信貸組合能夠在客戶和產品之間取得平衡，當條件轉變時要改進當前行動結果往往費時失事，以致延遲了最佳行動的時機。再者，這些問題在獲客階段可能影響不大，最多就是少幾宗生意而已，總有辦法在其他地方補回來，而如果這些問題發生在客戶管理或是催收階段呢？這就不容忽視了，因為你將失去的可能是一個忠誠的客戶甚至是一筆可觀的收入，直接對業務有不良影響。

現在很多銀行都有自己的一套方式去處理這些問，比如是建立單一客戶視角的數據庫，當要對客戶進行管理時就可以有準確的單一指標去評估，而不必像以往隨不同產品變化。再深一層次，這個單一視角也可以為最佳行動帶來便利，當產品或授信條件改變時，客戶的評分不會隨之改變。然而，要做到這樣的效果，數據質量要高，而且廣度要夠，再配合適當的系統和分析模型才能直面今日快速轉變的市場。路，還有很長一段要走。