܄

GEO集奥聚合COO吴海斌:大数据如何助力智慧金融

【数据猿导读】 GEO集奥聚合定位于中国第三方数据整合和场景化应用平台。聚焦互联网营销、金融、汽车等行业,拥有海量线上、线下数据和行业大数据应用产品,深度挖掘大数据的商业价值

GEO集奥聚合COO吴海斌:大数据如何助力智慧金融

吴海斌先生在计量模型、数据分析和风控管理领域拥有丰富经验,专注于数据分析和应用、金融产品设计以及数据库营销。曾服务于通用电气个人金融、渣打银行、海尔消费金融等金融企业。在担任GEO集奥聚合集团高管期间,吴海斌先生协助研发一系列大数据金融产品,如:金融雷达平台,风控评分平台等,市场认可度非常之高,已经与多家知名金融机构成功达成了战略合作。

GEO集奥聚合定位于中国第三方数据整合和场景化应用平台。聚焦互联网营销、金融、汽车等行业,拥有海量线上、线下数据和行业大数据应用产品,深度挖掘大数据的商业价值。

我主要分享一下目前集奥聚合在和金融机构,特别是银行之间是怎样合作的,以及用什么样的解决方案进行合作,希望能给大家带来一些启发或者是对业务的帮助。

金融客户面临的实际问题

 

金融机构目前面临的问题实际上是共性的。因为金融机构的分类很多,我们今天的分享基本上以银行,特别是零售银行作为讨论的主体。集奥聚合现在接触的银行基本上是股份制的,前top20的银行机构,有4-5个亿的客群。其中40%-50%的客群,他们其实是不活跃的,叫做“静止客户”,即没有任何交易,没有信用卡,只有一点点存款,AUM平均下来低于50元。对于银行来说,这些客户实际上已经没什么价值了。但是这些客户在你这里没有价值,是不是代表他在其他银行也这样呢?

其实很多银行都在探讨“到底这40%-50%的客户是不是有价值的?我是不是应该把他们找回来?什么样的人我该找回来?通过什么渠道找回来?我该如何评估价值?我做的这些行为是不是能对我的业务带来本质上的提升?”那么,我们作为大数据服务商,就是来帮助他们解决这些问题的。通过数据的匹配和分析,来解答这些问题。

金融机构能够看到的东西无非就是客户在银行里面所做的交易、拥有的产品、卡片等等信息,但是很多行为银行实际上是不了解的,他们对于客户的了解非常片面。

案例一:目标人群用户兴趣偏好分析

这个案例,银行想知道目标人群和其他的非目标人群之间的行为差异。对这种行为差异的分析,其实在银行内部的数据部门是很难完成的。比如上面这张图显示了客群对金融产品、出行、新闻、外卖等等行为的偏好,目标人群与普通人群有很明显的差异,这种差异往往会帮助金融机构设计金融产品,通过对不同人群的网络行为区分,来吸引他们。这是我们在客群分析和产品设计上用到的比较广泛的一点。

案例二:目标人群中女性对稳健型银行理财产品更为信赖

从上图银行可以很清楚地知道男性和女性客户购买理财产品的比例。比如在这个案例中,女性占三分之二,男性占三分之一,女性比男性高一倍。但是,是不是说男性对理财就不感兴趣呢?其实我们通过他们的网络行为来看,男性的关注度实际上比女性要高。这说明男性客群更容易在网上进行理财产品的搜索和判断,但是最后下单的人是女性偏多。还有一个原因,可能女性在家里面充当了一个主导理财的角色。这个结论能够告诉银行,并不是只有女性愿意去理财的,其实男性更关注它,但是最后落单的可能是女性。

案例三:不同人群的网络活跃期有显著不同

这是不同人群的网络活跃期,我们可以看到目标人群是在下午12点以后的活跃度明显要比非目标人群要高。对于银行来说,我应该在什么时间,通过网络进行信息的传达,能够帮助银行激活目标人群,以及进行产品的销售,这些信息对它来说是非常有价值的。

案例四:目标人群网站偏好更为明显

这是目标人群网站偏好的数据,从它可以明显地看出目标人群和非目标人群的兴趣点差异,了解到有多少人喜欢使用淘宝、百度、美团等。知道这些信息后,就可以和这些机构进行更广度的合作,这对于推广目标客户是非常有价值的。

案例五: 消费贷款最受目标人群关注

 

同时,我们还可以通过外部行为来了解目标人群对于消费贷款、车贷、房贷、经营贷款的关注程度,这样对于目标人群的行为分析就可以一目了然。我说的关注并不仅仅是有这个需求,而是目标人群在过去对于这些信贷产品有过点击、搜索和查询。

大数据架构体系:从数据源到数据应用

有了上述这些例子,就能说明一个问题。当一个银行没有很多资源,却想了解它的客户时,外部数据对于他们来说是一个非常好的渠道。对于一家大数据公司来说,我们怎样做到这一点呢?上面这张图片展示了集奥聚合如何从底层往上走来满足客户的需求。

首先,红颜色的 “ID-mapping” 是最关键的。 大数据公司最头痛的其实并不是有多少数据,而是如何将数据整合在一起。 我们通过不同的ID将数据整合在一起的时候,就形成了 “多维度价值数据源的整合” ,通过它可以做两类行为标签。一类是 基础行为标签 ,即我们根据他实际发生的行为做的标签,比如:客户过去几天对房产、信贷、信用卡等有关注,这样我们就可以建立客户行为的标签库。另外一类就是 基础用户画像 ,通过客户的点击行为,我们可以判断一个人的性别、年龄段、是不是有孩子、有车或者是有房子等。

第三步就到了 场景化的用户画像 ,比如当用户对信贷消费感兴趣的时候,他去看车、看房等,他下一步很可能会去申请信用贷款,这个贷款向谁申请,就看你和谁是合作方。相关的人群就可以和合作方进行绑定。这是我们形成的场景画像。当我们有了这些信息以后,我们基本上就可以知道“用户是谁 ?哪些用户有价值?他们需要什么?对哪些产品感兴趣?如何选择沟通媒介?”有了这一套体系化的数据以后,当你和金融机构沟通的时候,就可以告诉他们客户未来的行为或者需求,并建议他们通过某种渠道,例如:银行的短信等,和用户沟通他们需要的产品或者服务。

Zero Moment of Truth (ZMOT)

“零”关键时刻

我所讲的这些和银行机构数据合作的内容,其实是基于“Zero Moment of Truth (ZMOT)”的理念,这是谷歌当年提出的概念。ZMOT的概念就是当你在进行一项服务或者是产品采购的时候,你最先想通过什么渠道对它进行了解。在以前,我们采购产品的时候是通过问朋友、同事、家人或者是采购这些产品的人,他们的感受是什么样的。但是现在,我们有了互联网,其实我们在做任何事情之前,我们都会到网上去搜索,进行一些信息的采集。这些点点滴滴的网络行为就形成了你的行为链。我们对这种基于网络的行为链是非常关注的,而且随着移动互联网越来越普及,使用率越来越高,这种 网络行为的数据分析会有非常大的市场前景。

丰富的网络行为构成深度挖掘的基础

丰富的网络行为构成了深度挖掘的基础。比如通过看金融,你会发现很多金融范围内的问题都可以进行分析,例如:用户喜欢什么样的保险、信用卡,买过什么样的基金等等。还包括商旅、生活娱乐、汽车、教育培训。在我们的场景里面,实际上金融机构并不只关注金融属性,另外还非常关注一个人的生活以及兴趣偏好,比如一个人十分喜欢旅游,银行就特别喜欢这种人,因为用户的信用卡、信贷、储蓄产品等都可能会产生应景的绑定。

我们通过“ID-mapping”整合了行为数据以后,其实可以做两大类预测:

第一、基于行为的用户偏好预测

用户到底喜欢什么样的东西,刚才说的旅游、教育就是属于偏好类的。

第二、基于行为的用户需求预测

用户在下个星期或者是下个月会有什么样的需求,是有信用卡的需求还是有车险的需求等等。这些对于营销和客户管理场景非常有价值。

存量客户透视与价值提升

上面是我们和银行之间所做的一个信息匹配的模式。银行里面有大量的内部数据,这些内部数据有很多关键信息,包括银行金融信息数据、社会属性数据等,这些数据很准确。但是, 银行缺的是对用户的熟知和用户在银行之外的行为数据 。当我们补充了这些数据以后,银行对于客户的理解就接近360度了。对客户理解以后,就可以做图中的4件事情:

1、客户聚类

我们以前在银行做的客户聚类,全部都是用银行的内部数据做的,没有加入任何的外部行为数据。这样做出来的客户聚类实际上是有偏差的,这两个人可能在银行买过两种同类产品,那么这两个人就放在一起了。其实这两个人的年龄、喜好都不一样,放在一起是有问题的。通过对用户的重新聚类,你可以更加自然的将客户进行分类,即使他在银行买了同类产品,我也可以告诉你这两个人是不一样的。一个人就是喜欢旅游,另外一个人就是喜欢看书,但是他们都买了你的理财产品。不同的分类出来以后,你对他们的管理就必须要有定制化。

2、交叉营销

交叉营销是目前零售银行用来做营销的一个很重要的手段。一个公司或者是银行的交叉营销做得好,它的盈利水平一定很高。大家都知道现在的招商银行和平安银行的零售做得非常好,他们是靠大量的交叉营销来做的。但是有一个问题,如果银行里面的40%-50%的客户都是静止客户,我们不知道这一半的客户到底在干什么,喜欢什么,我怎么去做营销呢?最后只能盲打、盲发,随机去发一些短信。当我告诉你存量客户在你的银行里面的存款是零,已经维持6个月了,然后我告诉你这位客户在过去3个月经常关注大量的出国旅游信息。这时候,作为一家银行在知道这些信息以后,就可以向该客户推送你的信用卡产品、外币产品等,这样被接受的概率就会大幅度提高。这就是银行一直想得到的信息。

3、流失预警

流失预警是一件非常头痛的事情,刚才产生的40%-50%的静止客户就是每个月流失的。以前在银行里面,完全可以建一套用户的流失体系。但现在,我会给到银行更多的数据和线索,告诉他哪些客户可能会流失。

4、沉默激活

沉默激活就是如何将刚刚所说的那些客户留存下来。如何通过产品或者服务来满足这些用户的需求,从而将他们拉回来。也许以前的盲打、盲发的沉默激活率只有千分之一,如果现在通过这种方式变成百分之一以后,对于银行的价值就非常大。

GEO方舟:金融领域一体化解决方案

集奥聚合通过方舟平台和金融机构对接,保证了平台的数据稳定性和传输安全性,形成了一套完整的解决方案。我们将这个平台布局在银行内部,作为一个第三方的数据源,当然我的数据源同时可以整合第一方数据,包括金融属性数据、业务数据等等。我们可以 打造一个统一的平台,这个平台涵盖了第一方和第三方的数据源 ,同时我可以将里面的标签全部进行标准化。这样通过相应的一些管理制度,我们在里面会做一套机器学习的平台,帮助前端的业务人员通过最简单、傻瓜式的方式优化每次做活动和筛选的条件。这是我们整个解决方案的思路。当然,银行也可以每天来我的数据库匹配数据,但是这些数据对于他们来说是一个“黑盒子”,如果不是他的客户,那么是拿不到数据的。而且我们每天会通过我们的数据库和银行内部数据库进行交互。这样,银行每天也可以获得比较新的数据。

这张图描述的是方舟平台的两大功能,一个是新客获取,另一个是存量客户管理。

这是标签筛选的模块,方舟平台一共有20大类的标签,这些大类里面又会有小标签。你可以根据需求来点选,选完以后点击下一步,就能自动生成客户名单。

客户名单生成以后,就会对刚才筛选的客群做一个社会化属性的分析,包括年龄段、性别、区域分布、喜欢的手机品牌等信息,这样就可以让你知道客群大体上长什么样子。

后台是直接对接银行内部的沟通渠道,比如我们可以对接银行内部的SMS平台、EDM平台,包括外汇平台等都可以对接进去。

上面这个图表是平台的统计功能。这些工作在银行里面需要大量的人工去收集数据,再通过Excel表去做,最后提交到领导那里。而这个平台帮助你解放了大量的手工劳动,形成你的高效机制。这个平台带来的好处有以下几点:

第一、解决了银行数据的安全性和合规性问题;

第二、解放存量客户管理和新客户获取的能力;

第三、解放原来需要通过手工去做的工作,提高效率;

第四、帮助你实现以前不做的活动解析和分析的工作。

大数据产品服务目前的一些困境和解决方案

下面给大家分享一下,大数据公司进入银行里面常提的一些问题和困难:

1、大数据使用的合规性问题

确保数据源的合规性

确保数据输出时的保护措施

确保获得数据是脱敏后的数据

2、数据匹配率的问题

大数据有天然的匹配率问题,这和匹配的主键有直接关系

匹配度低于30%,数据可以作为大体量样本来对待。分析匹配客户的行为,进行产品、客户沟通,并覆盖全部客户

通过LOOK-LIKE的方式进行不匹配客户的行为预测

3、如何评估大数据的效果和价值

要有正确的预期,不能认为大数据可以解决所有问题、给业务带来飞跃

每次大数据测试,要设计非常科学的KPI 和测试指标,这样可以把大数据带来的额外价值体现出来

通过大数据带来的实际附加收入、效率提升、人员减少带来的成本节省等,来综合评估大数据采购的经济意义


来源:拓扑社

声明:数据猿尊重媒体行业规范,相关内容都会注明来源与作者;转载我们原创内容时,也请务必注明“来源:数据猿”与作者名称,否则将会受到数据猿追责。

刷新相关文章

大数据投融资周报(4月5日——4月7日,共9起)
大数据投融资周报(4月5日——4月7日,共9起)
大数据周周看:今日头条近10亿美元融资入账,Adobe推出体验云平台Experience Cloud
大数据周周看:今日头条近10亿美元融资入账,Adobe推出体验云...
【独家首发】数之联完成A轮数千万元融资,大数据分析挖掘领跑者获资本青睐
【独家首发】数之联完成A轮数千万元融资,大数据分析挖掘领跑...

我要评论

精品栏目

[2016/10/10]

大数据24小时

More>

[2016/09/26-7]

大数据周周看

More>

[2016/09/01-30]

大数据投融资

More>

[2016/11/28-2]

大咖周语录

More>

[2016/11/29-6]

大数据周聘汇

More>

[2016/12/06-13]

每周一本书

More>

返回顶部