2019-09-20 16:48:33 weixin_45359996 阅读数 67
  • 大数据分析实战视频课程[FineBI干货]-零售行业

    【FineBI零售行业大数据分析实战视频课程[干货分享]】是大数据分析工具FineBI的应用实践课程,通过对零售行业的部分业务进行整理、然后通过FineBI大数据分析工具来梳理、准备数据,构建多维数据库,然后按业务需求来分析数据,终以多样、丰富的形式来展示数据。 产品下载:http://www.finebi.com/resources/pc-download/

    7422 人正在学习 去看看 张思宇

如今大数据已经从概念期过渡到应用期,各行各业都在拥抱大数据,汽车行业更是如此。大数据正在颠覆着汽车行业传统的管理方式、运营思维和商业模式。

一、打破传统,寻求变革

汽车行业属于传统制造业范畴,是国民经济的重要支柱产业。由于汽车行业产业链长、关联度高、就业面广、消费拉动力大的特点和作用,大数据在汽车行业上的应用也必将发挥巨大的价值。

对汽车行业大数据应用的战略意义不仅在于是否掌握了庞大的汽车行业数据信息,更在于如何对这些具有意义的汽车数据进行专业化处理,并为相应的决策服务,实现信息资产向收益资产的转移。

在以往传统情况下,数据的收集主要来自于统计年鉴、行业管理部门数据、相关行业报告、行业专家意见及市场调查等,这些数据多存在样本量不足,时间滞后和准确度低等缺陷,信息量非常有限,信息的应用上主观判断的成分相对较大,更容易出现分析偏差,导致决策失误。

而目前的汽车产业,不仅定义为传统产业,更在此基础上,通过自身的科技研发、通过跨界与互联网公司的合作,已经逐步向一个兼顾汽车制造和汽车服务的综合性运营商的身份转变。在汽车行业不断转变的过程中,汽车大数据的应用必不可少。

在这里插入图片描述

二、大数据帮助企业了解市场和用户

汽车企业需要架构大数据战略,拓宽汽车行业调研数据的广度和深度,从大数据中了解汽车行业市场构成、细分市场特征、消费者需求、消费者驾驶习惯和竞争者状况等众多因素。

1.有助于精确企业的市场定位。对于进入或开拓某一区域汽车市场来说,可以从中了解和分析这个区域人口情况、消费水平情况、消费习惯、市场对产品的认知度、当前的市场供需情况等,以保证企业品牌市场定位精准且独具个性化,提高企业品牌市场定位的行业接受度。

2.有助于开发出适合市场需求的产品。根据消费者对汽车产品故障的态度以及对汽车产品满意或不满意的诉求(包括整车诉求、功能诉求和零部件诉求),将这些一手资料作为产品研发阶段的信息导人,从而在下一代产品或者在现有产品的选装配件方面予以体现,从而使产品更具竞争力。此外,对汽车产业大规模定制化产品的出现也打下了基础。定制化汽车产品将是未来汽车生态链中的重要盈利因素。

3.帮助企业营销。在大平台上,聚焦汽车潜在消费者或者客户的言论及关注点,可以涉及经济、生活、工作等多方面,整理并归纳出消费者普遍感兴趣的话题,帮助企业精准营销。例如:祥运网已将移动端全网用户数据进行标签化、定制化整合,从而建立用户画像。把建立好的用户群画像及数据,导入自主研发的精准营销CRM平台,从而可以使企业客户进行精准营销、高效获客,并通过外呼平台与精准用户建立直通交流渠道,做到一站式精准营销服务。

4.寻找新的业务增长点。将汽车产品的潜在消费者以及客户的抱怨、不满等做深入的可行性分析,既可以改善现有产品或者服务,还可以从中挖掘新的商机,或者新的服务模式、细分市场和商业模式。尤其是在共享经济开始试水,并普遍被广大消费者,尤其是85后的消费新生代所普遍接受的背景下,新的商业模式层出不穷,汽车企业可以据此分析汽车共享的热衷程度,并对未来汽车产业市场销量、汽车租赁以及二手车等领域的运作重新规划,以把握商机。甚至于可以挖掘汽车与其他行业的内在关联,为企业的跨界经营以及多元化经营开拓市场。

在这里插入图片描述

三、完善汽车产业的售后服务市场

汽车产品的特殊性决定了其在全生命周期范围内的保养和维护会占据消费者支出的一定份额,并且可能直接影响着消费者购买环节的决策。汽车企业在此功能上为主导方,通过整合汽车产品、各分销体系(如4s店)等的大数据资料,自主独立地建立售后服务环节的大数据分析体系,通过分析消费者对车的各类使用习惯,设计一定的频率及算法确定汽车产品各零部件的损耗情况,结合消费者的驾驶个性偏好,做保养、维修、保险、定位、救援等方面的友善提醒或方案设计,并加大此类信息的透视化,为消费者提供个性化的售后服务。在互为竞争车型的汽车产品的同质化竞争中,售后服务的差异化将是竞争中的新亮点。

在汽车大数据产业时代,以数据驱动的互联、互动为核心的智能制造体系即工业4.0,将覆盖汽车生产制造全领域,厂商将从集中式生产转变为分散式生产,从只有产品转变为“产品+数据”,从生产驱动价值转变为数据驱动价值,产业结构发生重大转移。

2018-07-13 04:55:13 valada 阅读数 1040
  • 大数据分析实战视频课程[FineBI干货]-零售行业

    【FineBI零售行业大数据分析实战视频课程[干货分享]】是大数据分析工具FineBI的应用实践课程,通过对零售行业的部分业务进行整理、然后通过FineBI大数据分析工具来梳理、准备数据,构建多维数据库,然后按业务需求来分析数据,终以多样、丰富的形式来展示数据。 产品下载:http://www.finebi.com/resources/pc-download/

    7422 人正在学习 去看看 张思宇

适合的读者:

正在思考或者想引入大数据/AI的中小企业的【管理者】或者【大数据部Leader】。当然,其他人也可能能够在这篇文章得到一些收益。

包含的主题:

  1. 价值落地之前,大数据/AI 建设需要跨越的三座大山
  2. 实现价值落地:赋能与创新;实现方式:All in AI。 Why and How.
  3. 分析整个大数据行业发展的三个阶段,以及现在处于什么阶段。(验证了我三年前的一篇文章)

额外的话:

这篇文章不会像之前那样是一个万字长文,更多的是自己在做大数据/AI的一个心得体会,希望能够对正在尝试的人们有些许帮助。

大数据/AI建设的三座大山

数据团队要发挥价值,需要跨越三座大山:

  1. 团队(现在数据/AI 人才本来就比较紧缺,而且已有的基本被 BAT 以及滴滴、美团、小米、海康等等互联网公司垄断),很多部门连团队构建都磕磕盼盼,勉强能前行。
  2. 数据平台 ,虽然发展了这么多年,有个真正能提效的数据平台,让数据顺畅的流转其实是非常困难的。大部分部门仅仅走到这一步。
  3. AI 平台 ,目前仅仅到框架级别,这是远远不够的。

数据团队在走完这三步之前都是烧钱的,属于成本部门,价值产生的很少。之后才能进入 AI 落地阶段,持续产生超过自身成本的价值。

所以自建大数据和 AI 团队,在我看来,对一般中小型公司的业务(包括商业)而言,短期内性价比是非常低的,带来的收益也是有限的,除非该公司就是大数据和 AI 驱动的或者行业属性比较特殊的,这个另当别论。

AI 落地,厚积薄发

大数据部门的常见能力如下:

  1. 报表统计
  2. 算力/存储输出
  3. 推荐/搜索/精准营销等传统产品形态

通常,大数据部门会花费很大的力气构建数据平台,而这个数据平台除了能让研发,算法,分析师等角色爽一些,从宏观角度很大的节省部门人力成本,提高效率以外,似乎对公司/其他业务部门并无一个直接的输出。这也是很多大数据部门领导非常焦虑的地方。

事实上,真正能帮助业务提高效能,提供创新产品的必然是 AI,AI 是一种模式的输出。其价值点,第一个是可以给业务每个环节赋能,比如反垃圾可以减少审核同学的工作量,智能邀请可以减轻运营同学的工作压力;第二个是创新产品,高一点的有比较常见有无人驾驶,智能语音产品,医疗诊断等,低一点的,则可能是某个具体的功能模块对外输出,比如知识图谱。

从上面我们可以看到,数据部门的最大价值,最终会通过AI来进行落地,并且还会给部门/公司提供了极为丰富的想象空间。所以我们需要提出一个“All In AI”的战略。值得注意的是,这个战略是建立在翻越了前面三座大山的前提下。

我们再来总结下:

AI 落地核心体现在哪里呢?其实就是用AI进行赋能和创新,赋谁的能?赋公司内外的能。创什么新?创技术红利的新。所以 AI 落地本质是技术红利+行业所释放出来的增量红利。

赋能的基本手段就是提供“API 服务集市”,这些 API 相较于传统 API 的区别是由 AI 加持。通过 API 服务集市可以充分发挥业务的主观能动性,让他们去发现和组织多个 API 完成一项以前可能不能完成的任务。这样能够让 AI 服务于业务每一个环节。当然,这些 API 依然需要我们去更加深入理解和抽象业务的诉求才能产生。

创新的基本手段则是使用当前较为前沿的技术,比如聊天机器人,比如语音等等,基于这些,我们能够做一些创新产品,而这种产品,可能是业务团队原先比较难以完成的。

那么最核心的问题来了,单单是“API 服务集市”就是一个庞大的工程。我们应该如何才能实现这个“All In AI”的战略,继而实现我们的赋能和创新?

对于这件事情,我们要仔细研究一个核心的东西: 资源。

资源我们又分为:

  1. 平台资源,如果你还在刀耕火种阶段做开发,做算法,那么咱也别谈什么 All in AI 了。
  2. 人力资源,一场大型战争,核心还是在于看能动员的人力资源,但面对海量需求,你是否有足够的人力去应付?
  3. 组织资源,合理的组织是能够极大的释放生产力的。

经过这么多年的发展,平台已经很成熟了。我们知道,AI 平台是基于数据平台的之上的,其结构是一个金字塔形状的。所以第一步你需要有一个良好的数据平台,其次你还需要有一个 AI 平台,让单一算法落地变得容易。

人力资源的问题是个大问题,算法团队再大,也就是大数据部门一个子部门/组。如何在保持现有成本的情况下,扩大人力呢? AI 平台对单一算法(后面我会解释什么是单一算法)问题是非常友好的,可能一个普通的工程师(甚至运营、分析师)都可以完成的。这样,部门所有的人都具备了成为 AI 人力的潜能。我们通过一定的培训和锻炼,可以使得研发,分析等都具备成为 AI 人才的潜力。需要的时候,我们提纯下即可。

回过头来看看,什么是单一算法。所谓单一算法就是具体的某个算法问题,比如对于帖子的情感分类,就是一个标准的文本分类问题。通常一个足够细化的问题,我们可以很容易将其转化为一个分类,回归,排序,规则类算法问题。现阶段,按我的了解,AI 平台通常只能做到针对单一算法的自助化。那么为了让组织更加合理高效,重构数据部门团队就很有必要了。

算法部门需要切分成三个子团队,一个是偏研究性质的,一个是偏业务性质的,还有一个则是 AI 平台和工具团队。业务性质的团队常常需要用到研究性质团队的副产品以及基于 AI 平台和工具团队的产品之上进行工作,同时向他们反馈自己的诉求和问题。

业务算法团队,通常也需要分成两个层级, 一个是解决方案设计者,该角色是将一个实际的业务问题分拆成 N 个算法和工程问题(关于这个角色,还可以参考我早期的一个专题机器学习团队思考)。一个是算法实施者,该角色只是针对单一算法问题的,可以在 AI 平台上很快的解决对应问题的。

研究性质的团队,可以分成三个部分,一个是读 Paper,试图将学术论文转化为工业实践的,一个是算法基础构建,维护比如知识图谱这种非常底层的系统,一个是创新产品,他的目标是利用现有的算法,是否能抽象出新产品。

通过如上方法,有了很好的平台能力,很好的人员基础,加上合理的组织,All In AI 或许变得可能。

大数据三重门,现在是第几重

我三年前写过一篇文章大数据三重门,把大数据/AI 的发展分成了三个阶段:

大数据第一重

这是大数据的第一阶段,也是大数据当前所处的阶段。这个阶段的表象是:

  • 大数据部门在大部分公司遍地开花
  • 大家一拥而上

这一阶段的必然结果是:

  • 大家发现耗费了大量人力物力
  • 终究是收效有限

虽然大部分企业的消耗了大量的资金,却没有带来应有的价值,但带来的一个副产品是

  • 企业花的钱给工业界和学术界
  • 积累了大量的大数据人才

这些人才会在第二重阶段时产生巨大的价值。

为什么我会做出上面的结论?我先说个例子吧,光是搭建一个像样子的数据平台,就需要 5-6 个熟练的大数据工程师折腾大半年,还不包括真正基于之上的多维分析,机器学习(预测)等产品,而这些产品的难度也是很大的,需要大量的人力,关键是还不一定能做好。要达到高效的计算,以及系统的稳定,机器的数量也有不少要求,因为大部分大数据组件都是分布式的。

与此同时,很多人已经意识到了大数据的实施难度,一些专门服务于大数据产业的公司也开始慢慢诞生成长,这些公司覆盖了从大数据组件开发,到大数据平台构建,再到基于大数据平台的上层解决方案,并且在各个行业慢慢伸出了自己的触角。

譬如:当前比较火热的互联网金融,其实就是依托于大数据,做各种原先金融行业很看重的信征,欺诈检测,自动放贷等。这些基于大数据而带来的技术变革大大提高了金融行业的效率,为资金更快的流转提供了基础,从而对所有行业都会产生深远影响。

然而这些公司在当前阶段还没有形成主流,各个公司依然是偏向于选择自建数据平台。

大数据第二重

进入到第二重时,会有明显的四个特征:

  1. 在大量的中小企业碰壁之后,他们意识到,自己做大数据并不是最明智的选择,转而寻方案解决提供商。
  2. 大量的大数据服务公司开始已经做好原始积累。在技术和行业经验上得到充分的发展,并且在行业形成较好的口碑,其行业触角也已经覆盖大部分产业
  3. 大公司发现毕竟自己的主业不是去做大数据,而是基于大数据的结果更好的帮助自己已有的产品或者导向做好新的产品。这个时候大公司本身也开始慢慢寻求一些第三方大数据公司的支持。
  4. 更好的数据法规支持,保证行业内的数据隐私,安全等(很重要)

此时,整个大数据行业开始慢慢恢复到理性成熟阶段,大家各司其职。BAT 依然会以自己的主业为主,大数据虽然是一个产生变革的技术,然而终究是为了产品服务的,应该让拥有大数据基因的公司去做更好些。这也是人类分工体系下必然产生的。

这个时候由于有了第一重阶段的人才积累,很多人会出来创业,大数据创业会成为潮流,并且枝繁叶茂,渐渐覆盖各个行业的各个领域。随着时间推移,一些公司在各自的领域深耕,渐渐形成一些领域内的重量级解决方案公司,而不管是中小型企业,还是大企业,慢慢都会将大数据业务慢慢转移到更专业的大数据公司。

此阶段,可能私有部署依然是主流。

大数据第三重

到第三重的时候,也会有几个特点:

  1. 大数据企业也会形成三极,类似现在的 BAT,拥有了产业里的哥斯拉
  2. 云计算的发展已经到了
    • 中小型公司,绝大多数都已经在云端
    • 大型公司,已经完全普及混合云架构

这个时候,大数据领域的几家巨头公司,慢慢将自己的业务场景抽象和覆盖的差不多,慢慢成为了大数据云服务公司。

此时可能会产生如下的几个有意思的情况:

  1. 这几家大数据公司会在几家主流云平台搭建各自的大数据平台,方便企业的数据接入
  2. 大部分企业内部可能只有分析师,不再有数据平台架构师,算法工程师等。具体情形和现在使用公有云相似,一些做基础运维的岗位慢慢都被淘汰。
  3. 对应的大数据公司,产生的效益应该要远远好于用户自己搞,因为他们积累的大量的行业共通经验。应该可以节约了大量的企业和社会成本。

显然,经过这三年,已经大致到第二阶段了,很多公司发现“大家发现耗费了大量人力物力,终究是收效有限 ”,所以会开始自建和使用第三方服务相结合的方式。

总结

前面说了那么多,我们再来总结下:

  1. 要想让 AI 落地,至少要搞定团队,数据平台,AI 平台三件事。
  2. AI 落地的基本战略是“All In AI”,赋能和创新。基本形态是提供 AI 加持的 API 服务集市,以及基于前沿技术的构建的产品如聊天机器人,图像识别。
  3. 为了实现“All In AI”需要对各种资源进行有效利用(平台、人力、组织)。
  4. 大数据/AI 正处于第二阶段,有效利用外部力量对某些公司也是一个不错的选择。

本文首发于GitChat,未经授权不得转载,转载需与GitChat联系。

阅读全文: http://gitbook.cn/gitchat/activity/5b42c2432e407d42240eeff5

您还可以下载 CSDN 旗下精品原创内容社区 GitChat App ,阅读更多 GitChat 专享技术内容哦。

FtooAtPSkEJwnW-9xkCLqSTRpBKX

2017-11-15 17:42:25 hanruikai 阅读数 652
  • 大数据分析实战视频课程[FineBI干货]-零售行业

    【FineBI零售行业大数据分析实战视频课程[干货分享]】是大数据分析工具FineBI的应用实践课程,通过对零售行业的部分业务进行整理、然后通过FineBI大数据分析工具来梳理、准备数据,构建多维数据库,然后按业务需求来分析数据,终以多样、丰富的形式来展示数据。 产品下载:http://www.finebi.com/resources/pc-download/

    7422 人正在学习 去看看 张思宇

1. 为什么


当业务量,数据量日益增加时,传统的单个数据库无法承载系统的性能,这个时候就需要分库分表。


如果分库分表,传统的读写分离架构能减轻系统负担,但是每个DB都是数据的全集,而且无法从根本上解析系统写的性能瓶颈。


所以我们引入数据库中间件



如果执行sql      select * from tablename where  id=1, 则会路由到DB1 进行查询。


2. 常见数据库中间件



2016-08-23 23:38:52 whbo 阅读数 553
  • 大数据分析实战视频课程[FineBI干货]-零售行业

    【FineBI零售行业大数据分析实战视频课程[干货分享]】是大数据分析工具FineBI的应用实践课程,通过对零售行业的部分业务进行整理、然后通过FineBI大数据分析工具来梳理、准备数据,构建多维数据库,然后按业务需求来分析数据,终以多样、丰富的形式来展示数据。 产品下载:http://www.finebi.com/resources/pc-download/

    7422 人正在学习 去看看 张思宇

title: 大数据行业现状
summary:
每个人都在讲大数据,就连我们的父母辈都知道这些词汇,可是有几个人真正了解这个行业?每次的大数据会议都有成百上前人参加,可是里面有几个能称为专家?这么多人趋之若鹜的行业,为什么参加几百次会议也入不了门?
tags:
- 决策论
- 思维方式

大数据行业现状

这是大数据的时代,是最好的时代,也是最坏的时代。

我们每个人都有机会加入这个风口领域,我们每个人都很难找到通往领域的这扇大门。

这个时代大家挤破头想进入大数据,这个时代大数据专家始终屈指可数。

有人以为参加大会多交流就能找到机会,可事实上参加大会的90%以上的人都是在大数据门外徘徊。

有人觉得掌握SQL统计数据就是在做大数据,

有人使用可视化工具制作图表就称为专家,

还有人觉得解了方程就是在做数据挖掘,在做机器学习……

可是数据从文件系统到现在这么多年,数据领域总是有专家的。

当然!

不过这些专家可能很寂寞,专业的只是即便是在大数据时代也找不到几个可以交流的人,怎能不寂寞?

这些专家可能还很忙,因为能帮他们一起做事的人太少,好多事情都要自己一个人干……

2019-07-05 20:59:54 dsdaasaaa 阅读数 3110
  • 大数据分析实战视频课程[FineBI干货]-零售行业

    【FineBI零售行业大数据分析实战视频课程[干货分享]】是大数据分析工具FineBI的应用实践课程,通过对零售行业的部分业务进行整理、然后通过FineBI大数据分析工具来梳理、准备数据,构建多维数据库,然后按业务需求来分析数据,终以多样、丰富的形式来展示数据。 产品下载:http://www.finebi.com/resources/pc-download/

    7422 人正在学习 去看看 张思宇

如果能够引入外部数据,还可以进一步加快数据价值的变现。外部数据中比较好的有社交数据、电商交易数据、移动大数据、运营商数据、工商司法数据、公安数据、教育数据和银联交易数据等。

大数据在金融行业的应用范围较广,典型的案例有花旗银行利用 IBM 沃森电脑为财富管理客户推荐产品,并预测未来计算机推荐理财的市场将超过银行专业理财师;摩根大通银行利用决策树技术,降低了不良贷款率,转化了提前还款客户,一年为摩根大通银行增加了 6 亿美金的利润。

从投资结构上来看,银行将会成为金融类企业中的重要部分,证券和保险分列第二和第三位,如图 1 所示。下面将分别介绍银行、证券和保险行业的大数据应用情况。

中国金融行业大数据应用投资结构
图 1  中国金融行业大数据应用投资结构

银行大数据应用场景

比较典型的银行的大数据应用场景集中在数据库营销、用户经营、数据风控、产品设计和决策支持等。目前来讲,大数据在银行的商业应用还是以其自身的交易数据和客户数据为主,外部数据为辅以描述性数据分析为主,预测性数据建模为辅,以经营客户为主,经营产品为辅。

银行的数据按类型可以分为交易数据、客户数据、信用数据、资产数据等 4 大类。银行数据大部分是结构化数据,具有很强的金融属性,都存储在传统关系型数据库和数据仓库中,通过数据挖掘可分析出其中的一些具有商业价值的隐藏在交易数据之中的知识。

国内不少银行已经开始尝试通过大数据来驱动业务运营,如中信银行信用卡中心使用大数据技术实现了实时营销,光大银行建立了社交网络信息数据库,招商银行则利用大数据发展小微贷款。如图 2 所示,银行大数据应用可以分为 4 大方面:客户画像、精准营销、风险管控、运营优化。

银行大数据应用的 4 大方面
图 2  银行大数据应用的 4 大方面

1)客户画像

客户画像应用主要分为个人客户画像和企业客户画像。个人客户画像包括人口统计学特征、消费能力、兴趣、风险偏好等数据;企业客户画像包括企业的生产、流通、运营、财务、销售和客户数据,以及相关产业链的上下游等数据。需要指出银行拥有的客户信息并不全面,基于银行自身拥有的数据有时候难以得出理想的结果,甚至可能得出错误的结论。

例如,如果某位信用卡客户月均刷卡 8 次,平均每次刷卡金额 800 元,平均每年打 4 次客服电话,从未有过投诉,如果按照传统的数据分析,该客户是一位满意度较高,流失风险较低的客户,但是,如果看到该客户的微博,得到的真实情况是,工资卡和信用卡不在同一家银行,还款不方便,好几次打客服电话没接通,客户多次在微博上抱怨,该客户的流失风险较高。所以银行不仅仅要考虑银行自身业务所采集到的数据,更应整合外部更多的数据,以扩展对客户的了解。

① 客户在社交媒体上的行为数据

通过打通银行内部数据和外部社会化的数据,可以获得更为完整的客户画像,从而进行更为精准的营销和管理,例如,光大银行建立了社交网络信息数据库。

② 客户在电商网站的交易数据

通过客户在电商网站上的交易数据就可以了解客户的购买能力和购买习惯,从而帮助银行评判客户的信贷能力。例如,建设银行将自己的电子商务平台和信贷业务结合起来,阿里金融根据用户过去的信用即可为阿里巴巴用户提供无抵押贷款。

③ 企业客户的产业链的上下游的数据

如果银行掌握了企业所在的产业链的上下游的数据,则可以更好地掌握企业的外部环境发展情况,从而预测企业未来的状况。

④ 其他有利于扩展银行对客户兴趣爱好的数据

还有其他有利于扩展银行对客户兴趣爱好的数据,如网络广告界目前正在兴起的 DMP 数据平台的互联网用户行为数据。

2)精准营销

在客户画像的基础上,银行可以有效地开展精准营销

① 实时营销

实时营销是根据客户的实时状态来进行营销的,例如,根据客户当时的所在地、客户最近一次消费等信息有针对性地进行营销。当某客户采用信用卡采购孕妇用品时,可以通过建模推测怀孕的概率,并推荐孕妇类喜欢的业务。也可以将客户改变生活状态的事件(换工作、改变婚姻状况、置居等)视为营销机会。

② 交叉营销

交叉营销就是进行不同业务或产品的交叉推荐,例如,招商银行可以根据客户交易记录进行分析,有效地识别小微企业客户,然后用远程银行来实施交叉销售。

③ 个性化推荐

银行可以根据客户的喜好进行服务或者银行产品的个性化推荐,例如,根据客户的年龄、资产规模、理财偏好等,对客户群进行精准定位,分析出其潜在的金融服务需求,进而有针对性地营销推广。

④ 客户生命周期管理

客户生命周期管理包括新客户获取、客户防流失和客户赢回等。例如,招商银行通过构建客户流失预警模型,对流失率等级前 20% 的客户发售高收益理财产品予以挽留,使得金卡和金葵花卡客户流失率分别降低了 15 个和 7 个百分点。

现代化的商业银行正在从经营产品转向经营客户,因此目标客户的寻找,已经成为银行数据商业应用的主要方向。通过数据挖掘和分析,发现高端财富管理和理财客户成为吸收存款和理财产品销售的主要应用领域。

① 利用数据库营销,挖掘高端财富客户

利用数据库营销是一种挖掘高端财富客户的有效方法。银行可以从物业费代缴服务中寻找高端理财客户。通过帮助一些物业公司,特别是包含较多高档楼盘的物业公司,进行物业费的代扣代缴,银行可以依据物业费的多少,来识别高档住宅的业主。

例如,银行可以从数据库中发现物业费代扣金额超过 4000 元的客户,然后结合其在本行的资产余额,进行针对性的分析,从而可以帮助银行找到一些主要资产不在本行的高端用户,为这些用户提供理财服务和资产管理服务。某家股份制商业银行曾经利用该营销方法,在两个月内吸引到十多亿的存款。

② 利用刷卡记录来寻找财富管理人群

高端财富人群是所有银行财富管理重点发展的人群。中国具有上百万的高端财富人群,他们平均可支配的金融资产在一千万人民币。高端财富人群具有典型的高端消费习惯,覆盖奢侈品、游艇、豪车、手表、高尔夫、古玩、字画等消费场景。银行可以参考 POS 机的消费记录,结合移动设备的位置数据识别出这些高端财富管理人群,为其提供定制的财富管理方案,吸收其成为财富管理客户,增加存款和理财产品销售。

③ 利用外部数据找到白金卡用户

白金信用卡主要面对高端消费人群,是信用卡公司希望获得的高价值用户。尽管这些人群很难通过线下的方式进行接触,但是银行可以通过参考客户乘坐头等舱的次数、出境游消费金额、境外数据漫游费用等来发现这些潜在的白金卡客户。通过与其他行业的消费信息进行关联分析发现潜在客户是典型的大数据关联应用消费场景。

3)风险管控

利用大数据技术可以进行对中小企业贷款风险的评估和对欺诈交易的识别,从而帮助银行降低风险。

① 中小企业贷款风险评估

信贷险一直是金融机构需要努力化解的一个重要问题。为数众多的中小企业是金融机构不可忽视的客户群体,市场潜力巨大。但是,中小企业贷款偿还能力差,财务制度普遍不健全,难以有效评估其真实经营状况,生存能力相对比较低,信用度低。

据测算,对中小企业贷款的平均管理成本是大型企业的 5 倍左右,而风险成本却高很多。这种成本、收益和险的不对称导致金融机构不愿意向中小企业全面敞开大门。

现在,通过使用大数据分析技术,银行可通过将企业的生产、流通、销售、财务等相关信息与大数据挖掘方法相结合的方式进行贷款风险分析,从而量化企业的信用额度,更有效地开展中小企业贷款。例如,“阿里小贷”依据会员在阿里巴巴平台上的网络活跃度、交易量、网上信用评价等,结合企业自身经营的财务健康状况进行贷款决定。

“阿里小贷”首先通过阿里巴巴 B2B、淘宝、天猫、支付宝等电子商务平台,收集客户积累的信用数据,包括客户评价数据、货运数据、口碑评价等,同时引入海关、税务、电力等外部数据加以匹配,建立数据模。

其次,通过交叉检验技术辅以第三方验证确认客户的真实性,将客户在电子商务平台上的行为数据映射为企业和个人的信用评价,并通过评分卡体系、微贷通用规则决策引擎、风险定量化分析等技术,对地区客户进行评级分层。

最后,在风险监管方面,开发了网络人际爬虫系统,可获取和整合相关人际关系信息,并通过设计规则及其关联性分析得到风险评估结论,再通过与贷前评级系统的交叉验证,构成风险控制的双保险。

② 欺诈交易识别

银行可以利用持卡人基本信息、卡基本信息、交易历史、客户历史行为模式、正在发生行为模式等,结合智能规则引擎进行实时的交易反欺诈分析,例如,IBM 金融犯罪管理解决方案帮助银行利用大数据有效地预防与管理金融犯罪;摩根大通银行利用大数据技术追踪盗取客户账号或侵入自动柜员机(ATM)系统的罪犯。

4)运营优化

大数据分析方法可以改善经营决策,为管理层提供可靠的数据支撑,使经营决策更加高效、敏捷,精确性更高。

① 市场和渠道分析优化

通过大数据,银行可以监控不同市场推广渠道尤其是网络渠道推广的质量,从而进行合作渠道的调整和优化,同时,银行也可以分析哪些渠道更适合推广哪类银行产品或者服务,从而进行渠道推广策略的优化。

② 产品和服务优化

银行可以将客户行为转化为信息流,并从中分析客户的个性特征和风险偏好,更深层次地理解客户的习惯,智能化分析和预测客户需求,从而进行产品创新和服务优化。例如,兴业银行通过对还款数据的挖掘来比较区分优质客户,根据客户还款数额的差别,提供差异化的金融产品和服务方式。

③ 舆情分析

银行可以通过爬虫技术,抓取社区、论坛和微博上关于银行以及银行产品和服务的相关信息,并通过自然语言处理技术进行正负面判断,尤其是及时掌握银行以及银行产品和服务的负面信息,及时发现和处理问题;对于正面信息,可以加以总结并继续强化。同时,银行也可以抓取同行业的正负面信息,及时了解同行做得好的方面,以作为自身业务优化的借鉴。

证券行业数据应用场景

证券行业的主要收入来源于经纪业务、资产管理、投融资服务和自由资金投资等。外部数据的分析,特别是行业数据的分析有助于其投融资服务和投资业务。

证券行业拥有的数据类型有个人属性信息(如用户名称、手机号码、家庭地址、邮件地址等)、交易用户的资产和交易纪录、用户收益数据。证券公司可以利用这些数据和外部数据来建立业务场景,筛选目标客户,为用户提供适合的产品,提高单个客户收入。

证券行业需要通过数据挖掘和分析找到高频交易客户、资产较高的客户和理财客户。借助于数据分析的结果,证券公司就可以根据客户的特点进行精准营销,推荐针对性服务。

如果客户平均年收益低于 5%,交易频率很低,就可以建议其购买证券公司提供的理财产品。如果客户交易比较频繁,收益也比较高,那么就可以主动推送融资服务。如果客户交易不频繁,但是资金量较大,就可以为客户提供投资咨询服务,激活客户的交易兴趣。客户交易的频率、客户的资产规模和客户交易量都是证券公司的主要收入来源,通过对客户交易习惯和行为的分析,可以帮助证券公司获得更多的收益。

除了利用企业财务数据来判断企业经营情况以外,证券公司还可以利用外部数据来分析企业的经营情况,为投融资以及自身投资业务提供有力支持。

例如,利用移动 App 的活跃和覆盖率来判断移动互联网企业的经营情况,电商、手游、旅游等行业的 App 活跃情况完全可以说明企业的运营情况。另外,海关数据、物流数据、电力数据、交通数据、社交舆情、邮件服务器容量等数据可以说明企业经营情况,为投资提供重要参考。

目前,国内外证券行业的大数据应用大致有以下 3 个方向:股价预测,客户关系管理和投资景气指数预测。

1)股价预测

2011 年 5 月,英国对冲基金 Derwent Capital Markets 建立了规模为 4 000 美金的对冲基金。该基金是基于社交网络的对冲基金,通过分析 Twitter 的数据内容来感知市场情绪,从而指导进行投资,并在首月的交易中实现盈利,其以 1.85% 的收益率,让平均数只有 0.76% 的其他对冲基金相形见绌。

麻省理工学院的学者,根据情绪词将 Twitter 内容标定为正面或负面情绪。结果发现,无论是如“希望”的正面情绪,还是如“害怕”“担心”的负面情绪,其占总 Twitter 内容数的比例,都预示着道琼斯指数、标准普尔 500 指数、纳斯达克指数的下跌。

美国佩斯大学的一位博士则采用了另外一种思路,他追踪了星巴克、可口可乐和耐克三家公司在社交媒体上的受欢迎程度,同时比较它们的股价。他发现,Facebook 上的粉丝数、Twitter 上的听众数和 Youtube 上的观看人数都和股价密切相关。另外,根据品牌的受欢迎程度,还能预测股价在 10 天、30 天之后的上涨情况。

2)客户关系管理

① 客户细分

客户细分是指通过分析客户的账户状态(类型、生命周期、投资时间)、账户价值(资产峰值、资产均值、交易量、佣金贡献和成本等)、一交易习惯(周转率、市场关注度、仓位、平均持股市值、平均持股时间、单笔交易均值和日均成交量等)、投资偏好(偏好品种、下单渠道和是否申购)及投资收益(本期相对和收益、今年相对和收益和投资能力等),来进行客户聚类和细分,从而发现客户交易模式类型,找岀最有价值和盈利潜力的客户群,以及他们最需要的服务,更好地配置资源和政策,改进服务,抓住最有价值的客户。

② 流失客户预测

券商可根据客户历史交易行为和流失情况来建模,从而预测客户流失的概率。例如,2012 年海通证券自主开发的“给予数据挖掘算法的证券客户行为特征分析技术”主要应用在客户深度画像及基于画像的用户流失概率预测中。

通过对海通 100 多万样本客户、半年交易记录的海量信息分析,建立了客户分类、客户偏好、客户流失概率的模型。该项技术通过客户行为的量化分析来测算客户将来可能流失的概率。

3)投资景气指数预测

2012 年,国泰君安推出了“个人投资者投资景气指数”(简称“31指数”),其通过一个独特的视角传递个人投资者对市场的预期、当期的风险偏好等信息。国泰君安研究所通过对海量个人投资者样本进行持续性跟踪监测,对账本投资收益率、持仓率、资金流动情况等一系列指标进行统计、加权汇总后,得到了综合性投资景气指数。

“31 指数”通过对海量个人投资者真实投资交易信息的深入挖掘分析,来了解交易个人投资者交易行为的变化、投资信心的状态与发展趋势、对市场的预期及当前的风险偏好等信息。在样本选择上,国泰君安研究所选择了资金在 100 万元以下、投资年限在 5 年以上的中小投资者,样本规模高达 10 万,覆盖全国不同地区,所以,这个指数较为有代表性,在参数方面,主要根据中小投资者持仓率的高低、是否追加资金、是否盈利这几个指标,来看投资者对市场是乐观还是悲观。

“31 指数”每月发布一次,以 100 为中间值,100~120 属于正常区间,120 以上表示趋热,100 以下则是趋冷。从实验数据看,从 2007 年至今,“31 指数”的涨跌波动与上证指数走势的拟合度相当高。

保险行业数据应用场景

保险行业主要通过保险代理人与保险客户进行连接,对客户的基本信息和需求掌握很少,因此极端依赖外部保险代理人和渠道(银行)。在竞争不激烈的情况下,这种连接客户的方式是可行的。但是随着互联网保险的兴起,用户会被分流到互联网渠道,特别是年轻人会更加喜欢通过互联网这个渠道来满足自己的需求。未来线上客户将成为保险公司客户的重要来源。

保险行业的产品是一个长周期性产品,保险客户再次购买保险产品的转化率很高,所以,经营好老客户是保险公司的一项重要任务。保险公司内部的交易系统不多,交易方式比较简单,数据主要集中在产品系统和交易系统之中。保险公司的主要数据有人口属性信息、信用信息、产品销售信息和客户家人信息等,但是缺少客户兴趣爱好、消费特征、社交等信息。

保险行业的数据业务场景是围绕保险产品和保险客户进行的,典型的数据应用有,利用用户行为数据来制定车险价格,利用客户外部行为数据来了解客户需求,向目标用户推荐产品等。

例如,依据个人属性和外部养车 App 的活跃情况,为保险公司找到车险客户;依据个人属性和移动设备位置信息,为保险企业找到商旅人群,推销意外险和保障险等;依据家人数据和人生阶段信息,为用户推荐理财保险,寿险,保障保险,养老险,教育险等;依据自身数据和外部数据,为高端人士提供财产险和寿险等;利用外部数据,提升保险产品的精算水平,提高利润水平和投资收益。

保险公司也需要同外部渠道进行合作,以开发出适合不同业务场景的保险产品,如航班延误险、旅游天气险、手机被盗险等新的险种。目的不仅仅是靠这些险种盈利,还是找到潜在客户,为客户提供其他保险产品。另外,保险公司应该借助于移动互联网连接客户,利用数据分析来了解客户,降低对外部渠道的依赖,降低保险营销费用,提高直销渠道投入和直销销售比。

总而言之,保险行业的大数据应用可以分为 3 大方面:客户细分及精细化营销、欺诈行为分析和精细化运营。如图 1 所示。

保险行业的大数据应用
图 1  保险行业的大数据应用

1)客户细分和精细化营销

① 客户细分和差异化服务

风险偏好是确定保险需求的关键。风险喜好者、风险中立者和风险厌恶者对于保险需求有不同的态度。一般来讲,风险厌恶者有更大的保险需求。在进行客户细分时,除了利用风险偏好数据外,还要结合客户职业、爱好、习惯、家庭结构、消费方式偏好数据,利用机器学习算法来对客户进行分类,并针对分类后的客户提供不同的产品和服务策略。

② 潜在客户挖掘及流失用户预测

保险公司可通过大数据整合客户线上和线下的相关行为,通过数据挖掘手段对潜在客户进行分类,细化销售重点。保险公司通过大数据进行挖掘时,可综合考虑客户的信息、险种信息、既往出险情况、销售人员信息等,筛选出影响客户退保或续期的关键因素,并通过这些因素和建立的模型“对客户的退保概率或续期概率进行估计,找出高风险流失客户,及时预警,制定挽留策略,提高保单续保率。

③ 客户关联销售

保险公司可以通过关联规则找出较佳的险种销售组合,利用时序规则找出顾客生命周期中购买保险的时间顺序,从而把握保户提高保额的时机,建立既有保户再销售清单与规则,促进保单的销售。借助大数据,保险业还可以直接锁定客户需求。

以淘宝运费退货险为例,据统计,淘宝用户运费险索赔率在50%以上,该产品给保险公司带来的利润只有5%左右。但是客户购买运费险后,保险公司就可以获得该客户的个人基本信息,包括手机号和银行账户信息等,并能够了解该客户购买的产品信息,从而实现精准推送。假设该客户购买并退货的是婴儿奶粉,我们就可以估计该客户家里有小孩,可以向其推荐儿童疾病险、教育险等利润率更高的产品。

④ 客户精准营销

在网络营销领域,保险公司可以通过收集互联网用户的各类数据,如地域分布等属性数据,搜索关键词等即时数据,购物行为、浏览行为等行为数据,以及兴趣爱好、人脉关系等社交数据,在广告推送中实现地域定向、需求定向、偏好定向、关系定向等定向方式,实现精准营销。

2)欺诈行为分析

欺诈行为分析是指基于企业内外部交易和历史数据,实时或准实时预测和分析欺诈等非法行为,包括医疗保险欺诈与滥用分析,以及车险欺诈分析等。

① 医疗保险欺诈与滥用分析

医疗保险欺诈与滥用通常可分为两种:一种是非法骗取保险金,即保险欺诈;另一种则是在保额限度內重复就医、浮报理赔金额等,即医疗保险滥用。保险公司能够利用过去数据,寻找影响保险欺诈的更为显著的因素及这些因素的取值区间,建立预测模型,并通过自动化计分功能,快速将理赔案件依照滥用欺诈可能性进行分类处理。

② 车险欺诈分析

保险公司能够利用过去的欺诈事件建立预测模型,将理赔申请分级处理,可以很大程度上解决车险欺诈问题,包括车险理赔申请欺诈侦测、业务员及修车厂勾结欺诈侦测等。

3)精细化运营

① 产品优化

过去保险公司把很多人都放在同一风险水平之上,客户的保单并没有完全解决客户的各种风险问题。使用精细化的数据分析,保险公司可以通过自有数据及客户在社交网络的数据,解决现有的风险控制问题,为客户制定个性化的保单,获得更准确及更高利润率的保单模型,给每一位顾客提供个性化的解决方案。

② 运营分析

运营分析是指基于企业内外部运营、管理和交互数据分析,借助大数据平台,全方位统计和预测企业经营和管理绩效,基于保险保单和客户交互数据进行建模,借助大数据平台快速分析和预测再次发生的或新的市场风险、操作风险等。

③ 保险销售人员甄选

保险销售人员甄选是指根据保险销售人员业绩数据、性别、年龄、入司前工作年限、其他保险公司经验和代理人人员思维性向测试等,找出销售业绩相对较好的销售人员的特征,优选高潜力销售人员。

推荐学习目录:大数据在金融行业的应用

引入数据库

阅读数 181

没有更多推荐了,返回首页