作者：陈新河
出版社：电子工业出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
赢在大数据：金融电信媒体医疗旅游数据市场行业大数据应用典型案例试读：
前言
DT驱动中国新世纪DT时代已经扑面而来！2017年春晚，CCTV主持人董卿称“利用大数据，统计目前总共有1.04亿位观众观看了2017年春节联欢晚会，而移动端用户所占比例超过70%”。估计不少电视机前的观众听后，肃然起敬，内心不懂也不好意思多问边上的人，就把大数据当作20世纪80年代媒体上到处出现的电脑一样的高科技家族！很明显，大数据在此得到了运用，不少模拟电视用户、单向广播式接收的数字电视用户数量还只能用小数据的方式进行统计和估算。
暂且不论1.04亿位观众数量的准确性，毫无疑问，大数据已经与我们如影随形、时时相伴，与我们每个人的吃喝玩乐娱住行分不开了。当你打开微信，微信页面底部的广告条内容是基于大数据营销推荐引擎的；当你打开电脑浏览器浏览网页时，嵌入页面的广告内容是基于大数据推荐的，它会根据你过去一段时间的浏览记录在浏览器中的Cookie信息来向你推荐零食、服装或智能手机；出门叫个专车，看似简单的一个匹配，其实后面也蕴含着复杂的模型和算法，大数据在位置、距离、评分、拼车等多个参数约束下不停地运算。3年之后的2019年，你的车辆保险费很可能与你的驾驶行为数据相关，如果你的日常驾驶行为数据显示你是“三急”（急转弯、急刹车、急加速）用户，那么你的保险费用可能比别人要高30%，甚至更多；2020年的某天你在王府井步行街漫步时，你看到的路边广告可能与别人不同，广告系统能够自动捕捉你随身携带手机的硬件标识信息，然后根据该硬件标识信息，结合后台的大数据画像系统，从而显示你最关心的内容。
从产业层面来看，善用数据者，将占领竞争的制高点。在“赢在大数据系列丛书”房地产大数据应用案例篇，一家房地产企业通过利用大数据和不用进行对比，效果相差明显。其中，来电效果是2.5∶1，到访效果是3∶1，成交效果是3∶0。效果对比后，客户立即决定2017年加大DT投入预算。从宏观层面来看，大数据已成为国家基础性战略资源，正日益对全球生产、流通、分配、消费活动，以及经济运行机制、社会活动方式和国家治理能力等产生重要影响。党的十八届五中全会明确提出要实施“国家大数据战略”，标志着大数据战略正式上升为中国的国家战略，政府和企业将利用大数据共同推进产业全面改革和升级。
大数据是什么？大数据是物理世界在网络世界的客观映射，是物理世界的DNA。如果说过去几千年是人类生活的模拟世界，那么DT时代的到来，人类开始进入数据世界。大数据给予人类重新认识自我、认知世界、改造世界的新理念、新思想和新方法。小而言之，生活离不开大数据；大而言之，大数据重构产业，进而重塑世界新格局。
如果说过去百年中国在追赶欧美日工业强国的道路上，受困于既有路径难以超越，以及人均矿产、石油等不可再生资源的稀缺，那么毫无疑问，DT时代，中国有望在东方崛起，成就中国新世纪。数据成为一种新的战略资源，永不磨灭；13亿人无时无刻不在产生数据，从人口多的劣势转变为数据优势；中国人的数学智慧在数据科学领域的数据能力有望超越在工业时代中国因后发劣势所导致的材料科学、制造工艺等工业能力的不足。
当前，中国大数据产业仅数据营销领域产值每年已超过1 000亿元，但整体而言仍处初级发展阶段，大数据应用的行业不断拓宽，深度日益加强，应用的重心从数据营销向行业领域扩展，万亿元行业大数据应用市场已经拉开帷幕。相对于已发展10年左右的数据营销领域，行业大数据应用才刚刚起步，即使在国外也没有太多成熟的案例可借鉴，基于此，DT大数据产业创新研究院（DTiii）组织国内大数据创新创业企业、一线专家编写了这套“赢在大数据系列丛书”，丛书的编写汇集了近百家企业在18个行业领域的106个大数据最佳实践案例，在一定程度上反映了大数据在各行业的应用现状和发展趋势。撰写丛书的目的在于，梳理中国大数据应用现状及发展趋势，为行业用户、大数据创新创业企业、政府和从业人员提供参考和借鉴。
DT大数据产业创新研究院（DTiii），聚集了上百名产学研用各界知名大数据专家，专注于大数据生态体系研究，发布《DTiii版中国大数据产业地图》、《中国大数据发展蓝皮书》、《中国大数据创新企业TOP100》、《中国大数据应用最佳实践案例TOP50》、《中国大数据领军人物》等，全面深入洞察中国大数据技术、产品、市场、产业、人才、资本、政策、应用案例、创新创业等，深入研究国内外大数据最新发展动态，分享大数据最新发展模式，全面展示大数据应用最佳实践案例、创新创业企业风采，引领中国大数据产业发展方向，推进中国大数据生态建设。“赢在大数据系列丛书”力求全面总结大数据行业发展情况，反映新特点、分析新问题、提出新趋势。第一批“赢在大数据系列丛书”共计五册，分别为《大数据领导干部读本》（第二版）、《赢在大数据：中国大数据发展蓝皮书》、《赢在大数据：金融/电信/媒体/医疗/旅游/数据市场行业大数据应用典型案例》、《赢在大数据：营销/房地产/汽车/交通/体育/环境行业大数据应用典型案例》、《赢在大数据：政府/工业/农业/安全/教育/人才行业大数据应用典型案例》。五本书不仅从宏观的行业环境角度为读者提供了全面的视角，也从具体的实践案例角度为读者提供了可以借鉴的方法和手段，以便读者能真正把握大数据的脉搏。《大数据领导干部读本》（第二版）在第一版的基础上更新了一些案例，仍是强调对大数据内涵和外延的阐释，帮助读者深刻理解大数据的概念，以及大数据对经济社会方方面面的影响，着重强化了政府治理层面的大数据应用案例。考虑读者的多样性，也涉及了一些行业案例，在政府数据开放、信息安全方面也做了重要安排。从京东、当当网对该书评价来看，该书的特点是通俗易懂、图文并茂、案例丰富。第二版再次继承了这些特点。
尽管该书名曰“领导干部读本”，其实读者对象不仅局限于政府人士，也可作为各行各业大数据入门培训系统教材。从销售跟踪的数据来看，不少组织把该书作为大数据培训教材。因该书出版在前，为保持该书书名的连贯性，仍旧保持《大数据领导干部读本》原名，没有添加“赢在大数据系列丛书”统一前缀“赢在大数据”。《赢在大数据：中国大数据发展蓝皮书》是行业篇，主要从产业宏观发展和行业应用全貌进行分析和研究，力求产业描述全面、系统，行业覆盖广泛，行业各业务环节大数据应用深入。行业篇既有涵盖1 311家大数据企业的详细名单和产业地图，也有产业发展现状和趋势预测分析，同时也对投融资、人才、数据交易，以及存在的问题进行了深入的分析。在每个行业领域，从行业的痛点出发，总结了大数据在各行业应用的概貌，分析了利用大数据解决行业痛点的手段和方法，也介绍了各行业已经成熟的大数据技术框架和模型、应用现状、存在的问题及发展趋势，从大数据产业整体发展情况进行详细分析，并描述产业未来的发展蓝图。对数据营销、金融、电信、房地产、政府、制造、农业、医疗健康、零售、影视、旅游、教育、人才、体育等14个行业的整体发展进行了深入、系统、完整的分析。《赢在大数据：金融/电信/媒体/医疗/旅游/数据市场行业大数据应用典型案例》、《赢在大数据：营销/房地产/汽车/交通/体育/环境行业大数据应用典型案例》、《赢在大数据：政府/工业/农业/安全/教育/人才行业大数据应用典型案例》这三本书是翔实的案例分析，详细介绍了各行业如何结合行业及大数据的特点来解决行业痛点，如何形成具体的行业数据解决方案及这些方案所带来的优势等。大数据应用最早是从数据营销开始的，通过各种数据的收集形成客户画像，为数据营销和运营提供了最佳手段。目前，大数据已经在金融、电信、房地产、政府等行业得到了广泛的应用。例如，政府利用大数据来反恐，房地产企业利用大数据来拿地，工业方面利用大数据来进行设备的诊断，农业方面利用大数据来选种、培育作物等，城市管理方面利用大数据来进行城市规划、人口统计，媒体娱乐方面利用大数据来预测票房、推荐歌曲，教育方面利用大数据进行个性化的教学，等等。随着大数据在各行业中的运用，“大数据”这个词可能会消失，因为大数据可能逐渐成为各行业的“血液”，尽管你没有感觉到它的存在，实际上它却时时刻刻伴你左右。每个案例都按照统一的框架进行规范，内容基本依据行业痛点、大数据应用方式方法（技术原理、产品和实现方法）、大数据应用成效、重大意义未来前瞻、企业介绍等部分展开。
因出版时间限定，部分企业错过了这次案例提交的最后时间，没关系，“赢在大数据系列丛书”项目将持续进行，案例收集到一定数量便会结集出版，案例提交邮箱是Dtiiimail@126.com。
同时，DT大数据产业创新研究院（DTiii）还在准备一个在线交互的大数据产业地图，对不断增加的大数据创新创业企业进行更新。大数据产业地图更新每年进行一次，并提供PPT版下载，欢迎访问：www. DTiii.org。
尽管中国大数据呈现蓬勃生机，但大数据的发展和应用还存在一些问题。尽管大数据在各行业的深入应用逐渐形成了相应的产业链，但也面临着“数据意识不到位”、“信息化程度参差不齐”、“数据就绪化差”、“数据难以整合”、“缺乏行业标准和规范”、“数据安全意识薄弱”、“数据管理制度缺乏”、“政府数据开放程度低”等诸多瓶颈。目前，国家大数据发展战略已经形成，随着对大数据价值认识的不断提高、企业转型压力的加大、创新性大数据技术产品的不断推出、政府数据的逐步开放、制度的不断完善，大数据将迎来持续高速发展时期，万亿元大数据产业指日可待。“赢在大数据系列丛书”采用“众包”、“众智”、“众筹”、“众享”进行编辑出版，从2015年9月《大数据领导干部读本》出版发行时就开始筹划，直接参与的企业有190多家，参加编写的人员多达350人，因企业、人员太多，在此不再一一列出，特别是提供案例，但因各种原因最后没有成为本书作者的朋友们，真诚感谢大家的努力和支持。
由于我们的资料不全、深入实际调研不够、研究能力有限，“赢在大数据系列丛书”的内容与观点难免存在不全面、不准确等问题，敬请业内专家与广大企业提出批评和建议，共同推进中国大数据产业的发展。DT大数据产业创新研究院（DTiii）2017年1月31日致谢人员名单
感谢以下人员对本书提供的帮助（按姓氏笔画排列）：丁冬、丁军、于莹、于笑博、马可、马斋、马超、马景辉、王二虎、王乐、王伟、王波、王建民、王炼、王晨、王清波、王琳琳、王筱东、王鹏云、文建平、左磊、石鹏、石磊、龙明盛、龙凯、付永晖、付海鹏、冯一村、宁笑娟、成立立、朱铎先、乔云云、乔玉川、伍邵旭、任广杰、任永杰、华保健、刘东日、刘宇航、刘奇、刘岩、刘星、刘虹、刘彬、刘翔、齐红威、闫旭东、米维聪、汤灏、许冬琦、孙岚、孙盛峰、孙静博、苏江文、苏萌、李少娜、李丹丹、李伟、李纪洲、李青龙、李雪鹏、李献坤、李楠、李颖超、李馥岑、杨帆、杨伟伟、杨佼杨、杨柏、杨紫胜、杨斌、连冰玉、吴子明、吴轶伦、吴爱国、何香萍、余莉、汪德嘉、沈贝伦、沈立勤、宋仲伟、宋志远、宋神桥、张弓、张文、张伟佳、张宇、张军、张昆仑、张春猛、张继生、张琳琳、张敬亮、张鹏英、张韶峰、张赜、陆薇、陈传林、陈庆华、陈军、陈思恩、陈娟、陈露妃、武新、茅明睿、林永汉、林松涛、林莉、林强 、罗海英、金雅昭、周友鸿、周莉、郑林钢、郑颖尔、孟磊、赵龙、赵伟、赵华、赵博、赵婷、胡许冰、胡芳槐、胡嘉琪、饶翔、姜春玲、姚娟、贺群、骆飞、莫倩、贾信明、顾竹、钱家俊、倪时龙、徐连明、徐超、高岩、高瑞鑫、郭红岩、郭洁、郭尉、席强辉、唐日新、唐岳岚、陶涛、黄玉麟、黄东旭、黄代恒、黄岩、黄骞、盛尊阔、崔晓波、崔晓霞、崔晶晶、梁玫娟、梁笃国、彭作文、葛利鹏、韩正清、韩昱、韩涵、韩斌、谢鹏、蓝云鹏、赖星星、雷涛、詹俊、鲍忠铁、蔡劲松、廖常如、廖雅哲、熊薇、樊庆伟、魏晨曦。第1章金融大数据1.1 TalkingData：SmartDP推动金融行业转型升级
在全民创业、万众创新的时代，“大数据”“互联网+金融”成为未来最具潜力的行业，国家对“大数据”“互联网金融”以及背后驱动的巨大产业寄予了高度的重视与支持。从2012年至今，金融行业涌现了新的细分行业，如P2P网贷、互联网证券、直销银行，以及新兴的商业模式和创新的产品，传统金融行业面临巨大的转型压力。面对日益激烈的同质化竞争，对于传统银行、券商、保险行业的挑战的本质是对于客户的了解的挑战，也是数据的挑战。传统金融企业或者深化对于大数据的应用，或者被边缘化。企业需要更加主动地运营、获取客户数据，从而了解客户，获取优质的客户资源。
金融企业开展主动获客营销活动时，通过外部大数据的应用，收集和掌握更为广泛的客户数据，还可以引入外部的客户画像标签，以及客户在电子商务、社交媒体、多终端媒介等一切渗透到客户生活中的各类非结构化信息。基于这些信息，可以为客户构建崭新的360度画像，分析粒度将从原有客户群体分析精细化到每个客户的个体分析，及时获知客户行为，洞察客户情感与情绪，预测客户期待，并及时组织好匹配的产品与个性化服务，快速响应客户的需求。
TalkingData作为国内领先的独立第三方移动数据服务平台，自2011年成立以来，始终专注于数据服务，用专业的数据服务产品线为客户提供全方位的大数据解决方案。从数据收集到数据挖掘，从数学模型到深度学习，从分析工具到数据平台，在数据应用领域积累了丰富的经验及海量数据，TalkingData逐步打造了以SmartDP平台为核心的数据生态体。随着国家对大数据产业的支持，2016年度T11峰会也受到了包括银行、证券、保险、互联网金融、地产、零售等行业的关注，中央电视台也对此次峰会进行了报道。
1.1.1 金融行业的困惑
客户与传统金融企业进行数据交互，多数交易数据、日志、订单及客户交易行为（买卖、刷卡、查询、投诉等）通过企业内部的生产交易系统进行记录或“事后”进行收集结构化处理并存储在数据仓库，如图1-1所示，客户与企业的交易都发生在交易墙内，留下的忠诚客户通过购买产品和服务为企业创造了直接收益，价值客户后期通过向外传播为企业提供品牌和广告效益。图1-1 客户与传统金融
在客户与企业进行直接交易之前，我们可以称为交易墙外数据。洞察到获取客户过程中的数据特点是以用户与企业的各种交互数据为主，如图1-2所示。数据本身代表了客户的行为，如位置、点击、浏览、企业APP内的操作行为、企业线下实体内的行为（购物中心内的到店足迹）等。此类数据开始出现大量非结构化，流式数据等多种形态。这部分非结构化数据维度丰富（人口属性、地理位置、消费偏好等），数据占到客户整体交互数据的95%。传统企业如果需要收集并处理与客户交互的非结构化数据，需要花费极高的人力和资金成本。图1-2 数据交互
目前，传统金融行业的数据分析和数据挖掘都是“事后”收集客户与企业交易的一方数据，如券商沉睡客户的分析与唤醒，这部分客户是真的沉睡了还是离开了你的服务；又如传统商业银行根据历史资产峰值对高净值用户的营销。过去几年不论是银行还是券商，这类分析与营销思路实际上是基于一方交易数据和少量外部数据进行的所谓“数据库营销”。
从整个移动市场角度来看，庞大用户其本身往往并不直接与企业的业务相关，但是对这些数据的获取和分析可以在很大程度上辅助企业业务的开展和营销活动的推广，如移动APP的数据、社交数据、微信微博的舆情数据、品牌偏好数据、职住娱位置聚集和迁徙数据、区块内人群消费能力数据、观影偏好数据等。这类数据的获取不是盲目的，通常需要带有一定的问题域触发，即从解决某类业务问题触发来考虑，否则会陷入“数据的汪洋大海”，不知道收集什么数据。面对交易墙外的信息收集，面对客户互联网端的真实行为，使用传统手段是无法获取的，这是目前金融行业遇到的普遍问题。针对目前资产分散化的趋势，如何真正掌握哪个客户是核心高价值客户、客户的偏好又是什么，成为金融机构亟待解决的问题。
1.1.2 大数据对金融行业的价值
当企业面对种种疑惑，交易墙内的数据告诉企业这些客户在你的企业里面没有留下任何交易的线索，没有买任何产品与服务，这个时候线索或许在交易墙外的交互数据中。可以发现在一定时间段里，虽然交易墙内的数据类似，但是在交易墙外这些客户表现大不相同，他们停留在企业APP里的时长不一样，点击的次数也不一样。这些客户不断上线而且频繁地在他们手机里面做各种操作。从这些行为数据分析可以洞察到他们或许在使用你的金融产品或服务。如图1-3所示，沉睡客户手机装有多款金融类APP，通过客户在竞品中APP活跃行为的分析，结合竞品活动与产品分析，不仅可以发现沉睡的客户活跃在哪些竞品APP中，还可以洞察客户关注哪些竞品产品和活动。图1-3 互联网对传统金融行业的影响
互联网对传统金融行业的影响是全方位的。未来几年，互联网将不断推动金融行业向更加注重客户体验、以客户为中心转变。这种冲击和改变，既是挑战，也是机遇，一旦抓住了，就能为客户和行业创造更大的价值和更好的体验。因此，我们需要从更全面的渠道了解客户的需求，比如，了解客户在我们的平台之外是怎样的生活状态，有哪些诉求是我们可以帮助客户完成的，从而根据客户的特点打造千人千面的服务。这种对客户的深度了解和分析就需要借助大数据，甚至要借助第三方大数据的力量。大数据能够帮助我们快速地获取、处理和分析海量的、有价值的、多样化的交易和交互数据，定位不同客户群的行为特点和用户偏好，精准地提供产品和功能服务，有针对性地设计营销方案，形成客户运营的良好闭环。而第三方大数据，能够补齐我们一方数据中缺少的用户信息维度，辅助我们更深入地发掘用户的潜在特点和需求，分析他们的日常行为和品牌关注度，通过完成的用户画像与用户建立桥梁，主动根据用户的变化提供相应服务，调整和优化营销环节，从而影响用户消费倾向等商业效果。
可以说，大数据能够运用在用户分析和业务优化的各个环节。比如，很多用户现在都会在金融机构进行理财投资，但是随着不同金融产品的推出和互联网金融的兴起，用户的偏好、需求都会发生变化。曾经活跃的用户可能在一段时间之后活跃性下降，不再专注在同一个投资领域或平台；曾经的高净值用户也可能将投资撤出，转向其他的金融机构或产品。同时，不同年龄、地域或经济状况的客户对于金融产品和服务的诉求也会有所不同。如果这些变化不能被我们捕捉到，并通过数据处理和分析了解原因，进而及时调整产品和营销策略，则可能导致客户的流失或客户价值的降低的后果。
TalkingData作为国内领先的独立第三方移动数据服务平台，在数据应用领域积累了丰富的经验及海量数据，逐步打造了以SmartDP平台为核心的数据生态体，如图1-4所示。TalkingData SmartDP，强调从数据层、平台基础层及上层业务应用层三个层面构建企业的大数据生态平台，并结合数据、咨询的能力，形成一体化的大数据解决方案。图1-4 TalkingData SmartDP生态全景
基于移动大数据的大规模积累，可以建立起有关人群描摹的六大类基础标签，包括人口属性、设备属性、游戏特征、线上应用偏好、线下行为轨迹、消费兴趣。同时，也可以结合企业自身需求做定制化标签开发；以全样本数据为基础、人群标签体系为核心，全面构建商圈内消费人群的360度画像，实现更全面、更精准、更高效的人群描摹，助力金融机构深入了解客户群体，制定个性化的运营策略，提升客户满意度。
1.1.3 大数据在金融行业的创新应用
目前，国内不少金融机构已经开始尝试通过大数据来驱动业务运营，TalkingData在与金融机构的合作中，也进行了很多有意义的探索和尝试，包括精准营销、老客经营、用户唤醒、单客价值提升、产品优化及渠道投放策略等。
案例一：个性化营销策略
凭借对用户互联网行为特征的掌握，TalkingData帮助金融机构进行用户画像，了解其客户在互联网端的行为，基于此进行用户分群，如图1-5所示，并针对不同人群采取定制的营销策略去经营客户。在了解客户倾向之后，有针对性地提供相应的策略，如发现银行客户中存在大量“家庭主妇”型客户后，根据此分群人群偏好，提供打折券、积分兑换等功能，强化此类客户认识，满足此类用户偏好，增加客户黏性及满意度，保证客户资金不断沉淀，在有合适理财产品时，进行精准推荐，使其产生购买行为，最终形成银行利润。图1-5 客户分群结果（1）家庭主妇型：对金融理财偏保守，对母婴、幼儿教育感兴趣，有空闲时间看视频、听音乐，以家庭妇女为主。对优惠、儿童产品敏感，建议有针对性的推送“限时特惠”“优惠快讯”，开展亲子类活动等，增加黏性。（2）高端商务型：商旅出行是强需求，投资行为明显，经常使用可穿戴设备、智能家居，以高端商旅人群为主。建议通过高收益理财留住客户，思考如何让客户在商旅出行中享受贴心服务，思考与高科技产品的结合营销。（3）小资生活型：有一定的经济基础，对投资、科技均感兴趣，以白领上班族为主。属未来潜力股，建议通过朝朝盈、分期付款、信用卡额度提升等方式刺激客户消费，培养黏性。（4）保守稳重型：手机APP使用极其不活跃，互联网基因较弱，以老年人为主。建议挖掘高资产客户，因此类客户不习惯使用互联网产品，所以可通过电话等进行一对一服务，会有意想不到的效果。
案例二：休眠用户唤醒
互联网金融的飞速发展，导致资产分散化已经成为趋势。某券商机构在存量客户中发现存在相当多的客户没有进行交易，且其中有一定比例的用户从曾经的高资产用户转变为低资产用户，这种客户价值的降低意味着客户有极大的流失迹象。在这种客户行为发生变化后，该机构客户与TalkingData合作，通过大数据的支持，主动了解用户动态和可能存在的原因，并作出有效的运营策略进行客户挽留或唤醒。
TalkingData根据用户的流失时间把该用户群分为5组，并通过互联网行为数据对这些用户的线上行为进行了分析（见图1-6）。结果发现：3月至5月受竞争对手APP产品冲击明显，用户在这些平台的活跃性显著增加，而少数流失客户转向P2P网贷市场；6月市场状况不佳则是造成当月流失用户离开的主要原因；到7月，流失用户在P2P平台活跃性明显升高，同时受竞品运营推广的影响，部分用户转向了互联网理财产品。图1-6 沉睡用户潜在去向
此外，通过大数据分析发现这些用户都具有极强的金融理财标签：除证券之外，部分用户还有直销银行、财富管理、货币基金甚至期货标签，可见用户对于理财的需求是多样的，且可以依据需求的变化调整投资方向。将这些客户的偏好、流失原因整理，通过呼叫中心（Call Center）、短信和推送手段，触达这部分流失客户，了解他们对投资理财的需求、不同理财产品的看法，再根据客户的不同诉求为客户提供服务，并有方向性的优化线下业务。通过线上和线下的信息打通和运营配合，帮助客户经理有方向、有准备地触达高净值用户，降低客户经理寻找高价值客户的工作难度，建立其与客户有效沟通的桥梁，从而提高整体的工作效率和业务质量。同时，与好的竞品活动运营进行学习，不断完善自身产品、活动运营体系，发现客户需求，对防止客户再次流失是非常有裨益的。
案例三：扩大覆盖量及促进活跃
除用户分群外，TalkingData还帮助金融企业对其种子客群进行画像，了解其互联网端的偏好类型，“投其所好”地推出相应的运营活动，既可以促进存量客户的活跃，又可以在种子用户群中进行自传播，达到扩大覆盖量的目标。在与某金融机构合作的过程中，发现其年轻客群除社交属性外，还有很强烈的游戏属性，进一步分析是RPG类游戏。该金融机构选择与当时最流行的RPG类游戏——刀塔传奇及我叫MT进行合作，通过注册送积分、积分换礼包等形式推广活动，受到种子客户群体的欢迎，促进其活跃。同时，覆盖量随着种子群的自传播及推广，两个月内增长了34.5%，达到了很好的活动效果，如图1-7所示。图1-7 用户覆盖量分析
根据种子用户偏好，找到对应的异业合作资源进行营销活动的案例还有很多，如通过客户喜爱的互联网视频品牌，通过提供月卡等活动方式，提高其注册用户绑卡率等。目前，异业合作已经成为扩大流量、增加活跃、提高收入很好的手段之一。
案例四：高价值用户挖掘
帕累托法则，又名二八定律，描述的是社会上20%的人占有80%的社会财富。实际上，这个法则也适用于金融机构，即20%的人给企业机构带来80%的收入。TalkingData在与某银行合作的过程中发现，此比率非常小，极少的一部分人群贡献了几乎全部的收入，这说明可能由于资产的分散，还有大量高价值人群在此银行中并没有表现出来。
TalkingData提取其银行中资产大于10万元的6万名客户，作为高价值种子用户，基于APP应用信息、设备信息、位置信息，使用Lookalike算法（Lookalike算法：TalkingData独立开发出的新算法，主要方式是根据种子客户APP ，把使用和安装过APP的设备作为主样本，其他设备作为副样本，设计一个分类模型，这个模型本身就是目标APP相关程度和紧密程度的系数值，挑选一些分数比较高的应用就可以做相似的应用），发现安装其APP的高价值人群中还有4万人是潜在的高价值客户，将此数据返回给银行客户后进行TDID与手机号的匹配，匹配出2.5万个手机号，最后，使用短信进行推送，如图1-8所示。图1-8 高价值用户挖掘过程
根据客户本身的APP使用时间，选择客户经常使用APP的时间内进行短信推送，在短信推送一个月时间内，理财买入流水高达上亿元，理财转化用户上百名，人均购买理财产品数十万元，成功转化了大量的用户成为高价值客户，而其总成本不过千元。借助大数据技术，寻找高价值人群进行数据变现的方式已经成为现实。
后期我们对全量客户、种子客户、潜在高价值客户三类人群进行了对比分析，发现潜在高价值人群的金融属性非常明显，证明了Lookalike算法确实在人群扩大方面有较好的效用，如图1-9所示。图1-9 潜在高价值客户分析
实际上，除了单独使用Lookalike算法进行高价值人群扩大，在证券行业中，TalkingData也通过一、三方数据的联合建模定位高价值客户。因为除了较强的金融标签外，很多客户在机构交易墙内表现出来的行为信息（资讯点击、功能使用）、交易信息等也是衡量其价值属性非常重要的维度。TalkingData与某券商合作，在其分公司中针对高资产种子人群使用一、三方数据联合建立模型，发现大量潜在高价值客户，以线上产品为抓手，通过线上、线下联合的方式，触达高价值客户。
在进行转化的过程中，通过实验组（模型选取的高净值客户）和对比组（随机挑选的客户）进行对比验证，得出在资金净转入、资产增量、交易量、佣金四项指标上都远超对照组，说明模型是有效的。模型挑选出的潜在高净值客户经过分公司合理地推广营销，转化为高净值客户的概率较高，而随机挑选的客户，推广营销工作的成效较低。
案例五：网点选址
网点作为银行营销和服务的主要渠道，其作用将越来越重要，但同时也面临着严峻的挑战，如激烈的竞争、不断改变的客户偏好等。事实上，银行往往缺乏信息数据，分析工具也不够健全，那么如何采用科学的方法充分收集有关市场数据，并对网点进行合理的布局规划和选址，将成为银行提升自身形象、提高市场竞争力所面临的迫在眉睫的问题和重大的挑战。过去较多银行的机构设置和网点布局由于忽视了市场容量和市场属性，以及不能及时掌握和处理影响市场变动的大量其他数据，在某种程度上造成了网点分布及建设的盲目性，也造成了网点单产低、业务趋同，不能很好地适应经济发展水平的提高和客户个性化的需求。如何了解目标顾客的分布规律，他们在何处居住、工作和活动，有哪些银行使用习惯和偏好也成了选址前重要的评估方面，而TalkingData有着巨大的移动设备覆盖量及POI信息，恰好可以满足上述需求。
如图1-10所示，某银行有三个可供新建网点的地址。TalkingData首先了解该银行目前人群的特征，并在三个位置设置经纬度和半径（设定500米），选择相关公共设施标签；将得到数以万计的POI数据信息，利用围栏技术，圈出某月出现在围栏内数以万计的设备信息；再将设备信息与TalkingData大数据库进行TDID匹配，这样就可以清晰地洞察到三个位置围栏内人群的基础特征，包括其人口数、年龄分布、竞争银行用户群体分布；再对不同时段的人群情况进行分析，最终帮助该银行确定选址位置。实际上，除了网点选址外，大数据还可以根据目标人群出现的时间、地点的聚集情况，进行线下的营销活动，更大范围的接触目标客群，降低运营成本，达到较好的效果。图1-10 网点选址（图片来源：http://heatmap.talkingdata.com/?project=BHB。）
案例六：羊毛党识别
从企业生命周期角度来看，羊毛党对于平台的影响不尽相同。绝大多数互联网金融企业（非传统转型），基本处于成长期与成熟期。对于成长期的平台，其核心是用户规模的发展，并兼顾平台风险可控。因此，在能够较为有效防止恶性羊毛党用户的情况下，其面向良性羊毛党群体的开口可适当放大。但对于已经具有相当规模的成熟期平台，为控制平台运营成本，降低流动性风险，需要平台有效利用运营成本提升转化价值。在该阶段，平台内控加强，需要有效的体系防治羊毛党，降低运营成本的无效损耗。
羊毛党群体除了有聚集、集中等行为，设备之间的关联关系也是一个重要的判别依据，TalkingData通过设备之间的关联关系，进行数据预处理后，建立关系图谱，对用户的行为进行特征识别与关联，并结合与一方数据做交叉验证，形成识别欺诈型用户的规则体系，如图1-11所示。
基于规则体系，建立用户分群模式。其中，黑名单将以账户、手机号、设备指纹为标识（触发相关关联账户、关联设备号、关联手机的黑名单新用户，将限制其操作），禁止其参与平台一切补贴返现的营销活动，当用户进行活动参与时，予以提示。允许灰名单用户参与营销活动，但需实时监测该用户是否由灰名单进入黑名单，不限制其进行理财产品购买，进行中长期产品推荐（捆绑活动）。根据不同羊毛党用户分群建立差异化的运营手段，挖掘存量用户中的潜在价值客户，为平台更好的识别与经营核心用户，提升平台资金流稳定性。图1-11 羊毛党识别
1.1.4 展望未来
总的来看，大数据在金融行业的应用起步比互联网行业稍晚，其应用深度和广度还有很大的扩展空间。金融行业的大数据应用依然有很多的障碍需要克服，比如，在金融机构交易墙内，各业务的数据孤岛效应严重、大数据人才相对缺乏，以及缺乏金融之外的外部数据的整合等问题。但可喜的是，像TalkingData这样的大数据企业已经能够真正地做到以金融行业的业务为根本，以价值创造为目的，以大数据为切入点，结合金融行业的实际需求，提供全面的大数据解决方案，并在多个行业获得了实际应用和价值收益，越来越多的行业客户看到了大数据在行业内的价值体现。相信在未来的两三年内，在互联网和移动互联网的驱动下，金融行业的大数据应用将迎来突破性的发展。
1.1.5 企业介绍
TalkingData成立于2011年，致力于用数据改变企业做决策的方式，改善人类自身和环境。TalkingData是中国领先的独立第三方数据服务提供商，在全球开设多个分支机构。它融合了互联网“开放精神”和传统IT“严谨服务”的企业文化，为客户提供独树一帜、融创新与严谨为一体、全方位智能的数据解决方案。业内独一无二的TalkingData智能数据平台，集海量数据、极致的技术和专业的咨询服务为一体，逐步打造开放的数据生态，为客户带来独特的数据价值。目前，TalkingData智能数据平台覆盖超过每月6.5亿的活跃独立智能设备，其客户既包括像Google、腾讯、滴滴出行等互联网企业，也包括中国银联、招商银行、国泰君安、兴业银行、欧时力、碧桂园等传统行业巨头。1.2 数聚股份：大数据助力银行精准营销
商业银行为了取得更大的竞争优势，正在将市场营销理念从“ 产品导向”转变为“客户导向”。金融产品精准营销可通过向客户提供一整套产品或服务的解决方案，达到降低营销成本、扩大销售业绩、增加企业利润、增强客户忠诚度的目的。但是，由于金融领域的数据分析具有量大、不确定因素多等特点，导致当前的精准营销策略大多是在缺乏对客户和产品进行科学分析的情况下制定的，缺乏针对性，实际应用投入产出效率较低，用户体验较差。商业银行普遍认识到有必要进行有效的精准营销，通过对客户全面数据的采集和科学分类，分析各种类型客户的消费特点、联结客户、产品和渠道，以最有效的方式将合适的产品，通过合适的渠道推荐给合适的客户，实现价值的精准传递。银行通过研究识别客户价值，优化营销模式，更好地服务、吸引和挖掘客户，提升客户贡献度、黏性和归属感，实现客户、银行双赢。
上海数聚股份有限公司（简称“数聚股份”）成立于2008年，专注于商务智能和大数据行业应用，其将大数据技术引入到金融服务领域，为银行提供客户大数据分析和精准营销解决方案和服务，数聚股份实施的某国有商业银行个人客户数据分析与应用系统获得“亚洲银行家”大奖。
1.2.1 银行业实施个人客户精准营销的必要性
随着国内银行个人银行业务的快速发展，个人客户规模的逐步扩大，产品体系的日趋丰富，营销方案的推陈出新，目前仅靠有限的固定报表展现模式已无法满足多变的、复杂的数据对营销支持的需求，导致银行不能针对客户的特点提供个性化的营销方案，营销活动投入成本巨大，但效率低下，客户体验较差。因此，需要尽快建立起一套灵活的、完善的、强大的数据分析系统，以支撑银行个人业务的快速发展，更好地应对快速变化的市场环境和同业竞争，通过提高精细化客户管理水平，增强精准化营销能力，不断改善客户服务体验，准确度量营销活动效果，从而提升个人银行业务竞争力，塑造自身服务品牌和销售能力。
1.2.2 银行大数据精准营销解决方案
个人客户分析应用的建设目标是为“个人客户经营”与“个人客户精准营销”提供有效的数据分析手段与决策依据。个人客户经营的工作重心主要集中在做大客户规模、提升客户价值以及降低客户流失，精准营销则是将个人客户经营的分析成果转化为营销活动的目标客户，通过与营销系统的接口分派给各个渠道执行营销活动。客户分析流程，如图1-12所示。图1-12 客户分析流程
该应用需求将围绕个人客户业务分析主题，并利用分析成果筛选目标客户来展开。客户获取的需求目标是分析存量客户的行为特征、产品偏好，挖掘各类产品的潜在客户特征，从而引导分支机构的营销人员更高效地获取优质的潜在客户。客户提升的需求的目标是分析存量客户的产品签约、持有金额等历史数据，针对产品偏好的客户细分群体，进行产品持有关联分析，为目标客户在交叉销售、追加销售等营销战术上提供分析决策。客户挽留的需求目标是分析客户的跨行转账、资金异常变动等行为，挖掘资金流向、预测客户资产流失，并根据流失原因制定相应的措施来稳定客户的金融资产。经过数据探索以及分析挖掘，最终的分析成果将转化为针对客户获取、客户提升、客户挽留的目标客户的列表，通过与营销系统对接，实现多渠道营销任务分派功能，有效利用相关分析成果，提升银行营销能力。
1.2.3 银行大数据精准营销创新
1.客户全面数据的采集与客户洞察分析
系统全面采集银行客户相关数据，结合客户生命周期经营，实现业务模型和客户标签的有机融合，完善客户洞察分析流程及方法论，搭建完成全行客户分析生态环境及客户分析地图，为各类精准营销及客户高级分析提供数据支撑及决策支持，全方位提高业务人员的客户分析洞察能力，提升全行客户关系管理水平和品牌价值。
客户数据集市构建，如图1-13所示。图1-13 客户数据集市构建
2.客户数据挖掘模型实现精准个性化营销建议
银行大数据精准营销系统，从对细分客户群分析洞察开始，建立数据挖掘模型，如图1-14所示，数据挖掘模型采用了决策树、逻辑回归、聚类等挖掘手段，通过大量历史数据的模型开发和变量衍生、变量转换、变量选择等合理的数据转换，提升了模型挖掘信息的效果。图1-14 客户数据挖掘模型
如某理财产品响应预测模型，系统通过对多个模型提升效果的比较，选择出了决策树模型效果最好的，再经过决策树模型的参数优化，得到的模型结果，如图1-15所示。图1-15 某理财产品响应预测模型
从上图可以看出，用户购买响应率从1.2%提升到45.5%， 效果非常显著。
3.实现可持续完善的客户经营闭环
通过驱动枢纽系统及渠道执行，形成客户经营从分析到策略制定并执行，结果评估后再优化分析的完整的客户经营闭环，如图1-16所示，从而完善客户分层分类管理体系；实现营销策划设计、营销执行管理和营销评估的闭环营销管理功能；规范客户经理工作流程和营销过程管理，支持事件驱动式的营销以及公私联动、交叉销售、差异化经营等要求，实现跨条线、跨业务的客户营销和管理要求。图1-16 客户经营闭环
1.2.4 助力银行“用户体验”和“运营效率”的提升
银行是大数据应用重点行业，也是最为成熟的行业之一，具有海量及高质量的数据基础，客户数据更是银行核心的资产，部分具有前瞻性的银行正在进行，甚至已经完成了客户大数据精准营销系统方面的建设，它将会极大地提升工作效率与客户服务的能力，更重要的是让用户有更好的体验，让银行能够更好地实现价值交付。
1.运营效率提升
客户大数据精准营销系统的建设，改变了传统的只靠经验与人力进行客户管理的模式，多种数据分析和挖掘模型的应用，能够让银行营销或市场部门及时获取客户全面信息与洞察，将以往大量花费在数据处理和分析上的人力应用到更有效的客户服务上。同时，精准的营销名单建议避免了银行低效的全面营销模式，让有限的营销资源更精准的发挥作用，产生更有效的价值。
2.客户体验提升
客户大数据精准营销系统让银行对比客户更具有洞察，从而针对客户的偏好和特点采取相应的营销策略，让客户适时、适地得到合适的产品和服务，从而更好地实现客户生命周期的管理，增加客户的价值。
1.2.5 展望未来：推动银行业数字化转型
随着互联网金融和大数据时代的到来，商业银行每天都会产生海量的结构化和非结构化的数据信息。无疑，这些海量数据信息的背后蕴藏着巨大的商业机会。然而，目前很多商业银行对系统数据的开发与利用还十分不够。因此，在大数据时代，谁能及早地唤醒沉睡的“大数据”，谁就将在未来激烈的金融同业竞争中立于不败之地。由此可见，数据信息的挖掘能力将成为商业银行的核心竞争力，可以预见不久的将来，银行最重要的业务将是经营“数据”， 类似阿里巴巴的网商银行，已经没有银行柜台，完全通过数据来运营业务。今后，银行的数字化能力将成为银行竞争能力的直接体现。
客户大数据将是银行最核心的资产，是银行数字化转型的必须途径：
·根据大数据分析技术，来预测分析客户行为，销售产品和服务；
·完善金融渠道，开发与时俱进的金融服务平台，如互联网金融；
试读结束[说明：试读内容隐藏了图片]