数极客首页

数据的价值是提升业务而不仅仅是用户画像

2016年客户开端
拥抱大数据,引入外部数据成为热点,市场上呈现
了各类数据提供商。运营商数据、航旅数据、银联数据、电商数据、物流数据等数据源曾经
构成
数据热点。企业猖獗
地跟随

外部数据源,引入外部数据成了大数据战略一个重点,外部数据成为企业数据应用的主题,客户画像成为数据应用的主要议题。

数据的应用场景可分为三类,一个是提升业务,一个是降低运营本钱
,另外一个是精密

化运营。用户画像仅仅是数据应用的一个过程,不是数据应用的目的。企业客户知道

了用户的个人属性、兴味
喜好

,消费偏好,行为标签等信息,丰厚
了企业对客户的了解

,了解

了过去不知道

到信息。仅仅是数据应用的一个过程,离企业的业务需求还有较大的距离

。数据应用需求
处置

的不只
仅是让企业重新认识客户(用户画像),还需求
处置

从数据到商业决策最终
一公里的问题。数据应用的目的是提升业务,辅佐

企业以较低的本钱
和较好的客户体验,完成
精准营销,提升业务收入。

金融客户具有
较为丰厚
的个人属性数据、资产数据、信誉
数据、买卖
数据。短少

客户在本金融企业之外的金融数据和个人行为数据。大的银行、券商、保险开端
对外引入和置办

客户的外部行为数据和金融数据,用于丰厚
标签和用户画像,但是细致

怎样
应用这些标签数据,怎样
权衡
数据价值,怎样
寻觅
数据应用场景,都在探求

之中。其实金融企业内部的人也不太分明

,也没有一个系统的方式办法

去寻觅
数据应用场景,大家都在探求

中。

市场上最好的数据是运营商数据和银联数据,运营商数据应用
DPI技术剖析

出客户网上行为,为客户打上一些行为标签,例如客户喜欢看的手机品牌、3C产品,客户点击阅读
的电商产品,客户阅读
的出国、留学、旅游、房产、汽车等网站或网页。目前电信的DPI标签集中在客户固网访问行为,也就是在PC上的阅读
标签,联通的DPI标签集中在移动

互联网的访问行为行为和标签,中国移动

的DPI标签还在挖掘

开发中。移动

、电信、联通掩盖
的移动

互联网用户比例分别为6:2:2,中国移动

占了大部分

,客户质量较高。另外能够

提供移动

互联网访问行为表标签的数据厂商是TakingData、极推、个推等第三方数据效劳
商。银联的数据集中在刷卡的消费和支出的分级信息,以卡、POS为单位,能够

用于风控和信誉
评价
,细致

个人的刷卡信息不能提供。短信效劳
商能够

应用
短信来加工一些客户的收入、转账、消费、分期、贷款等信息。误差比较

大,无法全面提示

客户收入、资产、消费信息,仅仅能够

作为参考。市场上还有一些公司能够

提供航旅信息,例如飞行次数、公里、总金额、头号
舱次数、经济舱次数,平均

票价等。这些信息具有强相关的金融消费属性,容易应用。

外部行为标签的确

给金融企业带来了新的信息源,但是怎样
运用
这些标签来推进
业务,来完成
精准营销,辅佐

金融企业销售产品,大家还在探求

中。目前这些标签主要用于用户画像,业务人员对这些数据标签的价值也持张望
态度,不愿意主动理论
。即便

是小范围理论
,假定

一旦效果呈现
动摇
,业务人员会有放大这个结果,狐疑

数据的价值。

数据在金融企业的应用很迂回
,数据部门同业务部门在数据应用效果和场景应用需求
长时间磨合。有的保险企业数据部门即便

将整理好的潜在客户名单发给业务部门,业务部门也不置信
,也不会打电话去尝试。有的证券企业,即便

外呼效果曾经
比原来盲呼效果好了十倍,但是没有抵达

业务部门的希冀
(追求20%以上的转化率),业务部门也会以影响客户体验为理由,拒绝

进一步的数据尝试。银行也遇到同样的问题,外部行为数据标签怎样
应用是一个难题,数据应用方式和数据应效果怎样
权衡
也是一个问题。假定

数据应用效果好,业绩是数据部门的还是业务部门的?业务提升是产品缘由
还是数据缘由
?外呼的价值高还是短信的价值高?这些都是数据价值应用的坑,需求
花时间去填上。

一第一方数据是金矿,先从剖析

第一方数据开端

从阅历

上来讲,金融行业生动

的客户在40%,有的企业可能更低。生动

客户没有明白
的定义,普通
以月度发作
过一次买卖
/查询以上的客户定义为生动

客户。金融企业的僵尸客户,能够

定义为是一年业务之内没有同金融企业发作
过任何买卖
的客户,普通
在30%左右,这里面也包含了羊毛党客户。另外的30%客户能够

定义为休眠/不生动

客户,这些客户一年之内偶而会同金融企业中止

买卖
,包括产品置办

和支付等。

金融企业具有典型的帕累托效应,就是20%致使

10%的客户具有
80%以上的资产和买卖
额,这些客户为金融企业贡献

了较大的收入和利润。另外潜在的高价值客户比例接近或超越
已有的高价值客户;休眠客户中至少30%能够

转化为生动

的客户;已有客户中,潜在的金融需求,金融企业只能了解

其中的30%。因而

第一方数据的剖析

和应用是金融行业数据应用的首要方向。

银行具有庞大的客户群体,单客价值提升的空间很大,银行无法对上百万的群体来打电话或者发短信,去举荐

信誉
卡或者销售理财富
品。一个缘由
是本钱
高,另外一个缘由
是效果差,用户体验不好。券商和保险也面临同样问题,怎样
精准定位客户?怎样
精准剖析

户需求?怎样
精准营销客户?能够

思索
第三方数据,但是最靠谱的最好用的还是第一方数据(由于有客户联络
方式)。

我们能够

剖析

一群客户,例如这些客户在2015年人均置办

理财富
品为50万,但是2016年人均置办

理财富
品低于一万。我们能够

定义其为流失的高价值客户,银行能够

为这些客户定制一些理财富
品,应用
短信向这些客户举荐

定制的产品,应用
良好的话术营销,将会取得

较高的业务提升。券商、信誉
卡、保险公司都能够

参考自身

数据,挖掘

出休眠的高价值客户,应用
短信方式中止

营销。

数据的价值是提升业务而不只仅是用户画像

很多金融企业会埋怨

是自己

的金融产品不好,构成

了客户不愿意置办

,但是数据剖析

显现
,中国具有专业理财学问
的人群不到理财人群的10%,理财客户中90%的人还是被动接受

金融效劳
,理财营销推行
还是能够

带来较大的业务提升的。特别是中国一些高价值客户,其资产很高,但是忙于自己

事业,无法顾及金融理财,因而

对金融企业的营销依赖还是很大的。

第一方数据经过数据剖析

之后,还能够

找到很多数据应用场景,例如休眠客户唤醒,分期客户寻觅
,高净值客户寻觅
,流失客户挽留,高频买卖
客户激活、关联产品举荐

、理财富
品定位、客户分群营销等。普通
非精准营销的短信转化率在千分之二左右,但是精准营销的短信转化率在百分之二到百分之五,有的能够

抵达

百分之六。客户分群的精准营销短信,其转化率为非精准营销的十倍以上,本钱
为十分

之一,营销周期能够

为缩短十倍。

数据的价值是提升业务而不只仅是用户画像

针对第一方数据的精准剖析

和客户分群,以及精准营销能够

带来较大的业务提升和降低运营本钱

二置信
机器学习和数学模型的力气

金融企业仅具有
自身

的数据,短少

客户在外部的行为数据。客户在外部的行为数据,能够

分为搜索数据,点击阅读
数据,位置数据,社交数据。其中搜索数据代表人的内心需求
,我们叫做intention数据。社交数据代表人的观念
,我们叫做comments数据,点击阅读
数据是interest数据,代表人的喜好

和兴味
。位置数据比较

特殊,记载
了人的线下行为轨迹,代表一个人在社会的角色,能够

以为
是社会角色role数据。

数据的价值是提升业务而不只仅是用户画像

机器学习的魔力在于能够

剖析

出同客户金融需求高度相关的数据维度,经过
已有的种子中止

学习,应用
行为数据作为输入,从海量数据中找到同种子客户相近的人群。其中位置数据、点击阅读
数据是一个重要数据维度,相似

的人群具有相似

的社会角色和相似

的兴味
喜好

。向这些相似

人群营销同样的产品,其转化率也会很高。

Lookalike算法作为一个分类算法,能够

找出与目的
群体的相似

度较高的对象。以目的
群体为正样本,候选对象为负样本,锻炼
分类模型,然后用模型对一切
候选对象中止

选择

。Facebook、腾讯、阿里、TalkingData都在应用
这个算法来找到潜在客户。这个潜在客户能够

是潜在高价值客户,也能够

是某个理财富
品的潜在置办

客户。TalkingData的lookalike算法能够

在10亿设备中,从百万维度,寻觅
潜在目的
客户,其计算时间在10秒左右。

普通
的短信营销的客户响应率低于千分之一到千分之三,TalkingData在一些金融客户实施

的案例中,应用
数学模型和机器学习之后,其短信的营销响应率最低是1%,最高是10%。平均

在2%到6%之间。特别是参与

了客户移动

互联网行为数据之后,其提升效果愈加
显然
,比原有模型效果提升了十倍还多。这里的营销响应率是指,客户翻开
短信链接置办

产品的比率。我们曾经在一个金融客户案例中,应用
机器学习和数学模型,仅仅经过
短信营销,20天内在App上销售出20亿理财富
品,短信的响应率最高抵达

了10%,人均置办

理财富
品20万,最高单人置办

额度超越
了100万,产品没有任何变化,还是银行的正常销售的理财富
品。从这个案例能够

看出,金融客户理财需求没有被充沛

挖掘

数据的价值是提升业务而不只仅是用户画像

数据的价值是提升业务而不只仅是用户画像

数学模型例如TDA拓扑剖析

,在风控方面也有较好的作用,TalkingData应用
TDA拓扑剖析

,树立
了一个客户违约模型,仅仅应用
3千个种子,辅助十次随机森林树折叠(RF),取得

了82%违约客户精确

辨认

率。另外一个金融客户的案例,TalkingData应用
LR在预测高价值客户时,抵达

了90%的精确

率。客户正在应用
这个模型结果中止

精准营销,效果十分

显然

数学模型提示

了海量数据背后相似

人群的特征,同时为金融企业的精准营销翻开
了一扇大门。仅仅依托
数据标签和用户画像无法直接辅佐

金融企业辨认

出客户的需求,无法辅佐

金融完成
业务的提升和产品销售的提升。

外部的数据标签仅仅是客户金融需求的一个维度,假定

外部上网行为标签不包括时间维度(数据新颖
感和趋向
),其在金融企业内部应用价值不高。例如我们拿到一个用户点击汽车网页的标签,知道

其点击了汽车商品,但是不知道

其发作
的频率和趋向
,以及发作
点击的开端
时间。无法判别
这个用户是汽车喜好

者,还是偶而点了这个网页,还是近期有置办

汽车的需求。同样道理购房、旅游、留学、消费分期等需求也无法简单地从客户阅读
标签上发现。外部的上网行为标签,同客户的金融产品需求还有一段距离

要走,短少

最终
一公里的打通。

这个时分
,对用户历史上网行为数据的趋向
和频率剖析

就起作用了。例如假定

客户在过去很长一段时间,没有阅读
过汽车网站,但是忽然

在近期(一周之内)高频阅读
汽车网站,并且持续时间和频次较高,依托
这些信息,能够

愈加
精确

地预测出客户未来

对车贷的需求。同样道理,购房需求、出国需求、旅游需求、消费金融需求都能够

从客户阅读
/点击各类App的起使时间、频率、趋向
来推测

和判别

数据的价值是提升业务而不只仅是用户画像

我们从多个客户案例中发现,金融企业内部的数据价值庞大

,经过一定剖析

之后,能够

辅佐

企业提升产品销售和业务。假定

金融行业内部买卖
和资产数据分别

外部行为数据,特别是移动

互联网行为和位置数据,应用
数学模型/机器学习将会更大水平

上辅佐

金融企业找到相似

人群,销售出更多的金融产品,提升营销效果,取得

业务提升。

行为数据和数学模型正在成为数据价值应用的两大法宝。

发表评论

评论已关闭。

相关文章