首页 > 数据分析 > 金融行业数据分析-推荐

金融行业数据分析-推荐

2019年3月5日 发表评论 阅读评论

听了一个Talkingdata的首席金融行业专家鲍忠铁老师的分享,收益良多,把讲的一些笔记写下来了~以后分析可以提供一些思路~要学的东西是在太多。。。感觉我要看的书都可以堆个20本。。。时间不够用555555555555555

一、金融行业数据分析思路

数字化运营、精准营销、数据风控(以前银行对于大的企业,有政府信用担保就可以贷款,目前银行平均坏账率接近2个点,1.5万亿利润)

1.  了解业务目标(KPI)和需要解决的问题,将业务问题分解成数据分析工作和任务(数据采集、数据整理、渠道运营、竞品分析、用户运营、统计报表、产品优化、业务模型)

2.  调研企业内外部数据,找到分析需要的数据,将其汇聚到一个特定的区域,利用数据仓库(交易系统、CRM系统、渠道系统、微信系统、产品系统)探索性进行分析,数据场景化标签(标签与业务相关,例如找到收入在10000左右,没月信用卡消费在8000左右的人群,贴上可能有分期的标签,精准营销)和人群为关键点。

3.  业务目标转化为运营工作

1.人均资产                    老客户经营

2.高净值用户                 相似客户营销

资产  转化   3.客户流失     运营          客户挽留和唤醒

4.热销产品                     产品优化

 

1.客户价值                   激活客户

2.收入分布                   产品营销

收入         3.目标客户                   客户导流

4.产品搭配                   app设计优化

 

1.分布情况                   红包运营

2.客户活跃                   活动运营

手续费        3.交易习惯                   渠道运营

4.热销产品                   产品优化

 

1.年龄分布                   数据场景

2.地域分布                   客户经营

用户         3.客户画像                   产品优化

4.渠道来源                   渠道运营

4.数据商业化思维

开源(增加收入、增加资产、增加客户、客户活跃、客户价值)节流(降低运营、精准营销、跨界引流、活动促销、定向营销)

 

二、金融行业获得客户方式和ROI分析

线上获客、线下获客,获客成本、有效客户比例、客户价值

ROI=客户价值/(获客成本/有效客户比例)  如果低于行业平均,则要找到渠道薄弱环节以及控制成本

线上获客是趋势

获客成本=客户价值/ROI*有效客户比例

金融行业获客方式优先次序建议:微信(品牌导入与展示的场所)—跨界(有客户交叉的企业合作,互相引流,降低费用提高产品活跃度)—活动(红包、时间等激活客户活跃率)—短信、邮件—线下—广告

三、如何提高移动互联网侧业务收入

财富的主体转向了80、90后,移动互联网侧的业务收入是重点。业务收入=有效客户*客户活跃度*客单收入,从这三块入手提高收入。

有效客户=客户总规模*有效客户比例。客户总规模:通过广告获客、运营获客。有效客户比例:精准营销。

客户活跃=日活/周活/月活。提高日活方法:提高年轻客户比例、重视年轻客户体验、营销活动(红包激励)、产品丰富(支付产品、理财产品、黄金产品)、跨界合作(游戏、机器、酒店、零售等)   向竞争对手学习是提高的最快途径

客单收入=资金交易量大(增加20%高端客户比例)+交易频繁(运营活动、用户体验)+理财产品购买多(增加理财产品、精准推送客户、运营活动)

四、数据在金融行业的场景化应用

1.高价值客户挖掘模型

金融企业客户具有典型的帕累托效应,20%的客户贡献了80%的业务收入。通过机器学习looklike算法,以客户交易数据和行为数据作为输入,以已有的高价值客户作为种子,从已有的几百万客户中,计算出了几万左右潜在高价值客户。通过数据营销和红包激励,将其中15%转化为高价值客户。

2.客户营销响应模型

银行每年都会投入巨大的影响费用,包括投向所有客户的红包激励,但银行发现客户的转化率很低。此时可以利用得到响应的客户作为种子客户,在大库中进行机器学习(聚类、logit回归、决策树,测完后看哪个模型效果好),从百万设备中,找到同这些种子相似的设备信息,从而定位潜在利用红包购买理财产品的人。

3.客户流失预警模型

银行发现很多客户在理财产品到期后,不再购买理财产品而是将理财产品赎回,转成银行账户。通过可以识别出转走自己的客户在移动互联网的行为特征,并为这些客户打上标签,银行利用DMP可以识别出互联网理财客户,针对这些客户发送利率较高理财产品,提高客户购买率,另外DMP可以再客户理财产品到期前一周进行精准营销,依据客户需求,提供适合客户的理财产品,降低客户流失率,提高产品销售额。

同时DMP参考已有流失客户,利用其作为种子进行机器学习(Looklie机器学习方法效率最高),寻找相似客户,对这些潜在流失客户进行行销。

4.休眠客户唤醒模型

银行30%以上的流失客户和休眠客户都是高净值客户。依据客户设备活跃时间、理财收益、资产数值,高净值客户等,利用机器学习,从几百万的客户中计算出已经休眠的高净值客户,每月运行一次,筛选出已经处于休眠状态的高净值客户,利用DMP的营销模块,发送专属激励红包唤醒休眠客户。

5.购物篮分析

利用关联分析,找到相关度较高理财产品,将其作为捆绑销售产品或者在各自的交易页面进行导流,引导客户在选择某种理财产品的过程中,点击另外的理财产品,实现协同销售。

来自:https://www.cnblogs.com/fionacai/p/5769193.html

分类: 数据分析 标签:
  1. 本文目前尚无任何评论.
  1. 本文目前尚无任何 trackbacks 和 pingbacks.