外汇（FX）和差价合约（CFD）经纪商正在利用 AI 来预测客户价值、参与度和流失风险。随着获客成本的上升以及监管压力的加大，行业正从基于交易量的入门（onboarding）转向基于行为的客户资质筛选。Deriv 首席增长官 Prakash Bhudia 和 Devexperts 的数据科学团队负责人 Ivan Kunyankin 告诉 Finance Feeds，经纪商如今更重视早期意图信号——包括入金速度、模拟账户（demo account）使用情况以及首次交易完成情况——而非传统的线索获客成本（cost per lead）和首次入金等指标。这一转变反映出越来越多的共识：合格客户的“较小渠道”往往优于高流量漏斗，因为后者会带来运营压力、留存率低以及合规风险。到 2026 年 6 月，Deriv 已自动化了 97.4% 的客户提现，并使用一个为期 90 天的 AI 模型，能识别出 68% 的未来高价值客户；而 Devexperts 警告称，仅按地域或入金等级进行静态分层，无法可靠地区分认真的交易者与仅试用的用户。行业高管认为，获客已成为“开局动作”而非“整体策略”，入门后的行为正在塑造各零售交易平台的产品与营销决策。
Deriv 将关注点从交易量转向入门后的行为
Prakash Bhudia 告诉 Finance Feeds，经纪商会追踪线索获客成本和首次入金等指标，但认为入门后的活动更能反映客户关系。Bhudia 表示，公司会分析客户是否在未被提示的情况下会再次回来，以及交易模式是否具有可持续性，而非仅关注一次入金行为。Deriv 将客户划分为活跃、风险、沉睡或已流失等类别，并对每一类采取不同的响应措施。Bhudia 指出，顺利完成首次提现是新客户的重要信任时刻，并称 Deriv 在 2026 年 6 月前自动化了 97.4% 的客户提现。他表示，终身价值（lifetime value）是公司内部增长规划中的明确优先事项，而非回顾性指标。Bhudia 认为，获客是“开局动作”，而注册后的行为会影响产品与营销策略。
入金速度与模拟账户使用传递客户意图信号
Bhudia 表示，注册后最初几天可以区分“意图”与“好奇心”。他指出，入金速度和入金规模是最强的早期信号，并称从注册到快速投入有意义金额的客户，更可能成为高价值客户。模拟账户的活动是下一个最强信号：在入金前进行练习的客户，其留存表现通常优于跳过模拟账户的客户。完成首次交易也是关键指标：至少交易过一次的客户，更可能形成持久习惯，而仅入金不交易的客户则不然。Deriv 会在 90 天的窗口内运行模型，利用这些信号识别出 68% 的未来高价值客户。公司还在补充更丰富的行为数据，包括应用内活动、功能使用情况以及平台停留时间，以提升模型效果。Bhudia 表示，速度是区分意图与好奇心的最大指标。
行为分层取代静态等级体系
Bhudia 表示，分层已超越了地域和入金规模；他将这种做法形容为“披着人口统计外衣的分层”。Deriv 的方法会考察参与度模式、对教育内容的响应，以及活动是否与促销相关联。公司的 AI 培育引擎与 AI 人格代理，会基于实时的行为画像来对待客户，而非仅按入金金额划分的静态等级。Bhudia 警告称，不应过早否定那些由奖金驱动的客户，因为有些人在 18 个月后可能成为顶级交易者。他表示，入金规模反映能力但不代表意图，这两者常被混淆。Bhudia 最后指出，大额首次入金能说明一个人“能做什么”，但不能说明他“将会做什么”。
AI 落地需要重构流程
Bhudia 承认，AI 能帮助部分经纪商提升漏斗质量，但行业大多数仍依赖按地域、入金等级和获客渠道进行的静态分层。他表示，领先的经纪商正在用 AI 实时服务客户，而不仅仅是给客户贴标签。Deriv 的个性化层会生成 AI 个性化邮件，其效果是通用活动的 2 到 2.5 倍。公司支持代理 Amy 在 Deriv 从头重建工作流程后，承担了大量的全球客户互动，而非简单自动化旧脚本。Bhudia 表示，要实现这一点需要巨大努力，因为纸面上有效的方法在实际中可能会失败。他认为技术已然存在，但关键差距在于：企业是否会围绕 AI 能做什么来重建流程，而非将 AI 简单叠加到尚未使用 AI 的旧系统上。
Devexperts 将客户质量与留存挂钩，而非获客量
Devexperts 的数据科学团队负责人 Ivan Kunyankin 告诉 Finance Feeds，经纪商一直专注于吸引并留住交易者，但竞争日益激烈。他表示，疫情增加了人们在家时间，推动了零售交易的增长，而技术与 AI 的进步也让传统经纪商更难与新产品竞争。Kunyankin 说，这些因素促成了明显的转变：建立更长期的关系，维持高价值客户群。他指出，像 Devexperts 的 DXtrade 用户画像这样的 AI 驱动工具，会利用真实数据，在用户加入后不久相对准确地判断客户信息。Kunyankin 解释称，判断时机取决于交易活动量，而非日历时间：系统可以在达到一定交易次数后开始构建客户画像。他表示，几笔交易即可开始塑造画像，但更长的观察周期会提高预测的准确性。
突发的活动变化提示流失风险
Kunyankin 说，不同经纪商会根据自身产品、目标、地理位置和监管环境，对“预测性客户行为”有不同定义。Devexperts 发现，行为的快速变化是流失的强信号。例如，一个原本沉睡的交易者突然变得非常活跃、频繁登录并卖出持仓，这些都可能是离开的预警信号。他表示，从一开始就保持稳定、持续的交易，或采取更为克制、均衡的行为，通常更能预测长期价值。Kunyankin 指出，静态过滤器和启发式方法无法有效区分高意图潜在客户与随意或奖金驱动的用户，并警告不要过度解读早期入金行为。他强调，经纪商需要更先进的解决方案，利用行为数据在用户旅程早期基于交易者的行动和习惯做出准确细致的判断。Kunyankin 还指出，利用 AI 框架分析大量交易者数据，在预测方面可能极为高效。
