伴随着市场的低迷以及行业整体获客成本的提升，越来越多的券商开始把目光从前端获客转向了后端的客户经营。于是，诸如“智能投顾”、“精准推荐”等话题便开始为越来越多的从业者所关注，所有人都希望通过这些新科技或新解决方案的引入来解决客户的经营问题。

而在客户经营领域中，“千人千面”的精细化推荐策略似乎是目前整个行业最为关注的共性需求。

尽管“千人千面”在客户的服务及经营活动中有其必要性，逻辑上也说得通。但如何以尽可能低的成本覆盖大量客户的差异化需求，一直是券业始终没有有效解决的问题。如果最终能够通过科技的方式解决，那无疑会带来巨大的效率提升。

但任何一个事情的爆发都不会凭空而起，其需要基础、前提甚至是终端需求的觉醒及势能的积累。因此，行业当下与其单纯地讨论“千人千面”能否实现，更应该关注一些更为基础也更为重要的问题。

“千人千面”的数据从哪里来？

实现丰富、精准且有效的推荐策略的前提在于对客户的了解。要定义客户则需要两方面的数据支持，一方面是客户的行为数据，另一方面是客户的交易数据。

就获取行为数据而言，目前不少券商或出于灾备、或出于服务的要求，往往会为客户提供多套行情交易软件，既有PC版又有移动版，且不同的软件供应商又不尽相同。

那么问题就产生了。首先，不同平台之间客户身份的统一识别是个问题；另外，如果借助第三方的统计工具，这可能又会涉及到不同厂商之间源码开放、适配与改造的问题。由于第三方供应商未必会对所有的源代码开放，因此对于自研能力不强的中小券商而言，这块势必会面临非常大的障碍。

此外，还有不少投资者更习惯使用同花顺、大智慧等通用的交易终端，而不是券商提供的终端，那么券商自然也非常难采集到这部分人群的行为数据。

交易数据方面，相较于行为数据，由于券商拥有统一的柜台，因此在数据的完整度上，交易数据具备天然的优势。但在数据的精准度上，券商目前仍然有很长的一段路要走。

尽管从去年开始，很多券商就陆续开始为投资者提供账单服务，记录投资者一段时间内的盈亏情况。但客观的说，对应的收益率数据往往只能参考。在两融、打新、逆回购、配股及资金在途等多方面因素的影响下，如何准确地计算客户的持仓收益率一直是行业始终未彻底解决的问题。而这一指标又是衡量客户投资能力中最重要的指标，如果这一数据不准，连客户到底是赚钱还是亏钱都不知道，那么后续推荐策略的精准度又何从谈起？

因此，在讨论“千人千面”的策略之前，需先想办法把基础的数据搜集及统计工作做好，这是后续所有策略推荐的基础。