大数据时代,银行如何精准营销
2019-03-28
来源:转载
浏览量:1100

面对日趋激烈的行业内部竞争及互联网金融带来的冲击,传统的上门营销、电话营销,甚至是扫街营销等方式跟不上时代的节奏。利用精准营销可节约大量的人力物力、提高营销精准程度,并减少业务环节,无形中为商业银行节约了大量的营销成本。


在充分了解客户信息的基础上,通过对数据的分析,针对不同客户的不同特性,制定精确的营销策略,可提高营销活动响应率,从而提升企业的利润。


企业精准营销是指企业按照营销系统设定的方案,在对企业内外信息进行综合分析的基础上,找准目标客户、投入合适的营销资源、建立相应的营销渠道、实施针对性营销,以满足消费者差异化需求,甚至可以激发潜在需求。


精确营销体系由五个步骤组成:


1.企业数据管理

数据收集是企业实现精准营销的基础。通过POS机、观测设备、移动终端、互联网、智能终端等收集企业与客户的交互数据,同时在企业运营过程中重视对产品数据、销售数据、客户关系数据等交易数据的收集。另外,企业外部的数据如互联网数据、市场调查数据、专家意见、第三方机构数据等也可收集,并对数据进行清洗、重构、填补,保证数据质量,补充到数据库。根据企业的商业目标,对数据进行分类,将原始数据整理为目标数据集。


2.消费者分群及理解


消费者的消费行为,利用收集到的数据进行消费者分群,分析不同消费群体的特征、消费偏好,进行消费需求预测。


3.营销方案设计


企业首先设立营销目标,如增加销售10%、提升消费者忠诚度、提升消费者价值、扩大企业知名度等。总的来说,可描述为优化客户群、获取新客户、实现客户保留、实现交叉销售和增量销售,最终提升企业利润。通过营销活动,将以前低价值客户进行客户提升,并保持其忠诚度。


4.营销方案实施


利用数据分析选择最合适的营销方案实施渠道,并对营销活动进行活动效果跟踪。既需不断保证方案实施的灵活性,也要对实施过程中出现的意外情况保持警惕,才能在竞争对手发现其市场份额被抢占之后再发起反击之前,将营销活动的影响开展到尽可能大的局面。


5.营销结果反馈


通过对营销方案实施过程中的数据进行分析并总结经验,用于指导下一阶段的营销方案制定。对整个营销过程效果的评估可从营销成本、销售收入、企业知名度、消费者满意度等方面进行综合分析。


项目主要内容介绍:


项目阶段


需求梳理和业务调研,并在此基础上进行总体方案设计

整理银行内、外部数据,根据营销需求制定客户标签和设计文档,实施用户画像。

在用户画像的基础上,构建理财产品个性化推荐系统。

客户需求预测并对客户价值进行建模,并完善整合精准营销应用模型。

目标


针对不同的客户特征、产品特征和渠道特征,制定不同市场推广策略。为了完成以上任务,主要从以下几个方面构建精准营销系统:

1.用户画像:结合用户的历史行为和基本属性给用户打标签。


2.精准推荐系统:给用户推荐个性化理财产品,例如在微信银行中给每个客户推荐他喜欢的产品,帮客户找到其最适合的产品,增加产品的购买率。


3.需求预测和客户价值:新产品发售的时候,找到最有可能购买该产品的客户,进行短信营销,进而提高产品响应率。客户价值精准定位,根据客户价值水平制定不同的推荐策略。银行通过计算客户使用其产品与服务后所形成的实际业务收益,充分了解每一个客户的贡献度,为管理层提供决策支撑。


任务


(一)用户画像的建立


客户标签主要包含客户基本属性,客户等级标签,客户偏好标签,客户交易特征,客户流失特征,客户信用特征,客户终身价值标签,客户潜在需求标签。 

(二)精准推荐系统的建立

2.1业务问题转化为机器学习问题

银行理财产品个性化推荐给客户。例如在微信银行中给每个客户推荐此客户喜欢的产品,帮客户找到其最适合的产品,增加产品的购买率。

将业务问题转化为机器学习问题

理财产品种类繁多,产品迭代速度很快,客户在繁多的产品中不能快速找到适合自己的产品,因此有必要建立一个自动化推荐模型,建立客户理财偏好,给客户推荐最适合的产品。

将银行理财产品推荐业务问题转化为机器学习问题,进而利用人工智能技术提高推荐产品的点击率和购买率。例如在恰当的时间,通过用户偏好的渠道给用户推荐产品,推荐的结果为用户购买或者未购买。这个问题可以看作一个典型机器学习二分类问题:基于历史营销数据来训练模型,让模型自动学到客户购买的产品偏好,并预测客户下次购买理财产品的概率。对模型预测出所有客户对所有产品的响应概率进行排序,可选择客户购买概率最高的topN个产品推荐给客户。

2.2数据源准备

在建立的一个理财推荐模型之前,可以预见到相似的客户可能会喜好相似的产品(需要表征客户和产品的数据),同一个人的喜好可能具有连续性(购买历史交易数据,包括基金国债等),他的存款、贷款资金可能决定了他能购买什么档次的理财等等。因此,我们需要准备以下数据。

客户基本属性:客户性别,年龄,开户时间,评估的风险等级等等。

产品基本属性:产品的逾期收益率,产品周期,保本非保本,风险等级等。

客户购买理财产品的历史:在什么时候购买什么产品以及购买的金额。

客户的存款历史: 客户历史存款日均余额等。

客户的贷款历史: 客户历史贷款信息等。

客户工资:客户工资的多少也决定了客户购买理财的额度和偏好。

用户画像提取的特征:用户的AUM等级,贡献度,之前购买基金,国债的金额等。

2.3特征转换和抽取

有了这么多数据,但是有一部分特征是算法不能直接处理的,还有一部分数据是算法不能直接利用的。

特征转换

把不能处理的特征做一些转换,处理成算法容易处理的干净特征。举例如下:

开户日期。就时间属性本身来说,对模型来说不具有任何意义,需要把开户日期转变成到购买理财时的时间间隔。

产品特征。从理财产品信息表里面可以得到风险等级,起点金额等。但是并没有标志这款产品是否是新手专属,是否是忠诚客户专属。这就需要我们从产品名字抽取这款产品的上述特征。

客户交易的时间信息。同客户的开户日期,孤立时间点的交易信息不具有任何意义,我们可以把交易时间转变为距离上次购买的时间间隔。

特征抽取

还有一部分数据算法不能直接利用,例如客户存款信息,客户交易信息。我们需用从理财交易和存款表中抽取可能有用的信息。

用户存款信息:根据我们的经验,客户购买理财之前的存款变动信息更能表明客户购买理财的真实想法,因此我们需要从客户历史存款数据抽取客户近三个月,近一个月,近一周的日均余额,以体现客户存款变化。

客户交易信息:客户最近一次购买的产品、购买的金额、及其相关属性,最近一个月购买的产品、购买的金额及其相关属性等等。

2.4构造、划分训练和测试集

以上说明了如何抽取客户购买理财的相关特征,只是针对正样本的,即客户购买某种理财时候的特征。隐藏着的信息是,此客户当时没有购买其他在发售的产品。假设把客户购买了产品的标签设为1,没有购买的产品样本设为0。客户是否购买产品是我们在有监督训练的标签,也就是我们建立的是一个预测客户是否会购买产的模型。

2.5模型训练

根据提取的特征,组成样本宽表,输入到分类模型,同时我们还使用了特征的高阶交叉特性进行推荐的预测和分析。

2.6模型评估

评价推荐好坏的指标很多,比较常用的有

1.ROC曲线下面积(AUC)

2.logloss

3.推荐产品第一次命中rank的倒数(MRR)

4.TopN

针对银行的理财推荐实际业务,客户当天绝大多数是只购买了某一款理财,MRR(Mean Average Precision 的特殊情况)能反应这种情况下推荐的好坏。另一种直观的评价指标是TopN,假定我们只推荐N个模型认为客户最有可能购买的产品,并和真实情况比较,就能得到当天推荐的结果的混淆矩阵,TN,TP,FN,FP,recall,precision等。

2.7模型优化

1.上线之前的优化:特征提取,样本抽样,参数调参

2.上线之后的迭代,根据实际的A/B testing和业务人员的建议改进模型

(三)需求预测和客户价值


“顾客终生价值”(Customer Lifetime Value)指的是每个购买者在未来可能为企业带来的收益总和。研究表明,如同某种产品一样,顾客对于企业利润的贡献也可以分为导入期、快速增长期、成熟期和衰退期。

经典的客户终身价值建模的模型基于客户RFM模型。模型简单的把客户划分为几个状态,有一定意义但不一定准确,毕竟RFM模型用到的特征不全面,不能很好的表征客户的价值以及客户银行关系管理。

为了方便的对客户终身价值建模,有几个假定条件。其一把客户的购买价值近似为客户为企业带来的总收益,其二把未来时间定义在未来一个季度、半年或者一年。也就是我们通过预测客户在下一个时间段内的购买价值来定义客户的终身价值。因此,我们将预测的问题分为两个步骤:第一步预测这个客户在下一个阶段是否会发生购买(需求预测)。第二步对预测有购买行为的客户继续建模预测会购买多大产品价值。

3.1需求预测

提取客户定活期存款、pos机刷卡、渠道端查询历史等特征,以这些特征作为输入预测用户在当前时间节点是否有购买需求

对于老客户我们可以进一步提取他们的历史购买特征,预测他们在下一段时间内购买的产品价值(数量,金额等),对于新客户,可以进根据他的存款量预测其第一次购买的产品价值,把存款客户变成理财客户。通过分析客户存款变动于客户购买理财的关系,我们发现客户购买理财的前一段时间内定活期的增加的有不同的模式

3.2客户价值预测

进一步预测有购买需求的客户的购买价值高低。这是个回归问题,但是预测变量从二分类变量变为预测连续的金额值。训练的时候预测值取训练周期内(一个月或者季度)客户所购买的总金额。

算出客户的当前价值(即当前阶段购买的产品价值)和未来价值(预测的下一个阶段的客户价值)可以帮助我们鉴定客户处于流失阶段,或者上升阶段,或者是稳定阶段。当前价值取的是当前时间前三个月的交易量。对流失阶段高价值客户可以适当给予营销优惠,对于有购买意向的客户适当引导。如下图所示。

结果/效果


一是提高银行营销准确性。随着客户不断增加,理财产品也在不断推陈出新,在实时精准营销平台的帮助下,银行从以前盲目撒网式的营销方式转变到对不同客户精准触达,提高了理财产品的营销成功率,降低销售和运作成本。理财产品推荐的上线以来,产品推荐成功率比专家经验排序模型最高提升10倍。

二是增加银行获客数量。精准营销系统洞察客户潜在需求和偏好,提高了银行获取目标客户群的准确率。从数百万客户中,通过机器学习模型,找到最有可能购买产品的客户群,通过渠道营销,实现响应率提升。相比传统盲发模式,发送原38%的短信即可覆盖80%的客户。

通过构建基于大数据的精准营销方案,恒丰银行深入洞察客户行为、需求、偏好,帮助银行深入了解客户,并打造个性化推荐系统和建立客户价值预测模型,实现可持续的营销计划。


标  签: 精准营销

联系我们

010-84150507
售前服务
技术支持 Service@qeebu.cn
留言