ASSZ2015劉譯Z大數(shù)據(jù)驅動的金融業(yè)務創(chuàng)新43

1、引子：高價值潛在客戶挖掘 (出國金融 業(yè)務目標 通過大數(shù)據(jù)分析，找到存量客戶中潛在的出國金融產(chǎn)品客戶（高價值客戶）， 達到潛在客戶轉化為真正客群的目的。 解決方案 數(shù)據(jù)準備與匹配 數(shù)據(jù)準備 找到高價值潛在客戶 找到精準營銷切入點 營銷方案制定與執(zhí)行 歷史用戶 指標分析 樣本客戶選擇 目標客戶分類 特征變量選擇 目標客戶選擇 營銷方案執(zhí)行 數(shù)據(jù)匹配 探索性數(shù)據(jù)分析 用戶行為分析 制定營銷方案 營銷效果分析 引子：高價值潛在客戶挖掘 (出國金融 解決方案 數(shù)據(jù)準備與匹配 找到高價值潛在客戶 找到精準營銷切入點 營銷方案制定與執(zhí)行 對出國留學金融客戶群 進行分析，發(fā)現(xiàn)： 1. 出國前6-10個月，出

2、 國金融客戶較為關注 經(jīng)常逛留學社區(qū)論壇； 2. 出國前3-6個月，出國 金融客戶的注意力會 1. 將A銀行北京分行 1. 選擇出國留學類金融 的客戶與百分點 數(shù)據(jù)進行匹配， 得到公共用戶； 產(chǎn)品進行分析； 2. 對A銀行北京分行從 2013年6月至2014年 1. 進一步對客戶群進行 洞察和細分，了解同 類用戶的需求和關注 重點； 定營銷短名單，以定 制短信廣告和柜面人 工詢問（短名單提前 2. 剔除公共用戶媒 體關注類標簽過 少的用戶； 3. 將剩余用戶作為 6月進行出國金融客戶 通過生存分析模型， 發(fā)現(xiàn)91%的客戶在申 請學校之前就已是A行 學校所在目的地國家， 2. 與業(yè)務人員討論，確

3、 分析基礎。 客戶； 3. 需要在用戶申請學校 之前先聯(lián)系到客戶。 偏向簽證、機票等。 收工錄入）的方式進 行營銷。 用戶標簽層次 基于全網(wǎng)海量異構的用戶數(shù)據(jù)，采用 統(tǒng)計（SUM、Top N、）、算法（AR、PageRank、）、 建模（CLV、RFM、Cox）等方法，生成用戶標簽及標簽值 用戶數(shù)據(jù) 預測 人口屬性 人群屬性 消費能力 模型預測 消費意圖 商品（內容）數(shù)據(jù) 產(chǎn)品手中 網(wǎng)站受眾 產(chǎn)品定價 模型預測 影響力 商品畫像 類目模型 建 上網(wǎng)行為 商品信息 標簽模型 模 模型 用戶價值 人口屬性 活躍度 人群屬性 忠誠度 消費能力 建 模 消費偏好 上網(wǎng)偏好 事實 人口屬性 會員信息 購物行為 類目信息 標簽信息 文本分析 統(tǒng)計分析 原始 網(wǎng)站行為 會員信息 消費行為 DSP行為 HTML 分類信息 商品信息 用戶畫像技術架構 大數(shù)據(jù)技術平臺Lambda架構 數(shù)據(jù)采集 業(yè)務系統(tǒng)數(shù)據(jù) （數(shù)據(jù)橋接） 系統(tǒng)日志數(shù)據(jù) （Flume） 用戶實時 線上行為數(shù)據(jù) （數(shù)據(jù)探頭） 互聯(lián)網(wǎng)數(shù)據(jù) （數(shù)據(jù)爬取） 離線數(shù)據(jù) 數(shù)據(jù)分發(fā) FTP 消息系統(tǒng) （Kafka） 實時數(shù)據(jù)處理 Storm 數(shù)據(jù)存儲 Redis 集群 MongoDB 集群 HDFS MySQL 集群 E