
金融行業(yè)大數(shù)據(jù)用戶畫像實(shí)踐
金融消費(fèi)者逐漸年輕化,80、90后成為客戶主力,所有金融行業(yè)面對的最大挑戰(zhàn)是消費(fèi)者的消費(fèi)行為和消費(fèi)需求的轉(zhuǎn)變,金融企業(yè)迫切需要為產(chǎn)品尋找目標(biāo)客戶和為客戶定制產(chǎn)品。
一、用戶畫像背后的原因
1、金融消費(fèi)行為的改變,企業(yè)無法接觸到客戶
80后、90后總計(jì)共有3.4億人口,并日益成為金融企業(yè)主要的消費(fèi)者。年輕人將主要的時(shí)間都消費(fèi)在移動(dòng)互聯(lián)網(wǎng),消費(fèi)在智能手機(jī)上。移動(dòng)APP也成為所有金融企業(yè)的客戶入口、服務(wù)入口、消費(fèi)入口、數(shù)據(jù)入口。
金融企業(yè)越來越難面對面接觸到年輕人,了解年輕人金融產(chǎn)品的需求。
2、消費(fèi)者需求出現(xiàn)分化,需要尋找目標(biāo)客戶
客戶群體正在出現(xiàn)分化,市場上很少有一種產(chǎn)品和一種金融服務(wù)可以滿足所有用戶的需求。金融產(chǎn)品也需要進(jìn)行細(xì)化,為不同客戶提供不同產(chǎn)品。
金融企業(yè)需要借助于戶畫像,來了解客戶,找到目標(biāo)客戶,觸達(dá)客戶。
二、用戶畫像的目的
用戶畫像是在了解客戶需求和消費(fèi)能力,以及客戶信用額度的基礎(chǔ)上,尋找潛在產(chǎn)品的目標(biāo)客戶,并利用畫像信息為客戶開發(fā)產(chǎn)品。
三、用戶畫像工作堅(jiān)持的原則
用戶畫像涉及數(shù)據(jù)的緯度需要業(yè)務(wù)場景結(jié)合,既要簡單干練又要和業(yè)務(wù)強(qiáng)相關(guān),既要篩選便捷又要方便進(jìn)一步操作。用戶畫像需要堅(jiān)持三個(gè)原則。
1、信用信息和人口屬性為主
信用信息是描述一個(gè)人在社會(huì)中的消費(fèi)能力信息。信用信息可以直接證明客戶的消費(fèi)能力,是用戶畫像中最重要和基礎(chǔ)的信息。包含消費(fèi)者工作、收入、學(xué)歷、財(cái)產(chǎn)等信息。
定位完目標(biāo)客戶之后,金融企業(yè)需要觸達(dá)客戶,人口屬性信息就是起到觸達(dá)客戶的作用,人口屬性信息包含姓名、性別,電話號碼,郵件地址,家庭住址等信息。這些信息可以幫助金融企業(yè)聯(lián)系客戶,將產(chǎn)品和服務(wù)推銷給客戶。
2、采用強(qiáng)相關(guān)信息,忽略弱相關(guān)信息
強(qiáng)相關(guān)信息就是同場景需求直接相關(guān)的信息,其可以是因果信息,也可以是相關(guān)程度很高的信息。
例如在其他條件相同的前提下,35歲左右人的平均工資高于平均年齡為30歲的人,計(jì)算機(jī)專業(yè)畢業(yè)的學(xué)生平均工資高于哲學(xué)專業(yè)學(xué)生,從事金融行業(yè)工作的平均工資高于從事紡織行業(yè)的平均工資。從這些信息可以看出來人的年齡、學(xué)歷、職業(yè)對收入的影響較大,同收入高低是強(qiáng)相關(guān)關(guān)系。簡單的講,對信用信息影響較大的信息就是強(qiáng)相關(guān)信息,反之則是弱相關(guān)信息。
用戶其他的信息,例如用戶的身高、體重、姓名、星座等信息,很難從概率上分析出其對消費(fèi)能力的影響,這些弱相關(guān)信息,這些信息就不應(yīng)該放到用戶畫像中進(jìn)行分析,對用戶的信用消費(fèi)能力影響很小。
3、將定量的信息歸類為定性的信息
畫像的目的是為產(chǎn)品篩選出目標(biāo)客戶,定量的信息不利于對客戶進(jìn)行篩選,需要將定量信息轉(zhuǎn)化為定性信息,通過信息類別來篩選人群。
例如可以將年齡段對客戶進(jìn)行劃分,18歲-25歲定義為年輕人,25歲-35歲定義為中青年,36-45定義為中年人等??梢詤⒖紓€(gè)人收入信息,將人群定義為高收入人群,中等收入人群,低收入人群。參考資產(chǎn)信息也可以將客戶定義為高、中、低級別。定性信息的類別和方式方法,金融可以從自身業(yè)務(wù)出發(fā),沒有固定的模式。
將金融企業(yè)各類定量信息,集中在一起,對定性信息進(jìn)行分類,并進(jìn)行定性化,有利與對用戶進(jìn)行篩選,快速定位目標(biāo)客戶。
四、用戶畫像的方法介紹
金融企業(yè)需要結(jié)合業(yè)務(wù)需求進(jìn)行用戶畫像,從實(shí)用角度出發(fā),我們可以將用戶畫像信息分成五類信息。分別是人口屬性,信用屬性,消費(fèi)特征,興趣愛好,社交屬性。它們基本覆蓋了業(yè)務(wù)需求所需要的強(qiáng)相關(guān)信息,結(jié)合外部場景數(shù)據(jù)將會(huì)產(chǎn)生巨大的商業(yè)價(jià)值。
1、人口屬性:
用于描述一個(gè)人基本特征的信息,主要作用是幫助金融企業(yè)知道客戶是誰,如何觸達(dá)用戶。姓名,性別,年齡,電話號碼,郵箱,家庭住址都屬于人口屬性信息。
2、信用屬性:
用于描述用戶收入潛力和收入情況,支付能力。幫助企業(yè)了解客戶資產(chǎn)情況和信用情況,有利于定位目標(biāo)客戶??蛻袈殬I(yè)、收入、資產(chǎn)、負(fù)債、學(xué)歷、信用評分等都屬于信用信息。
3、消費(fèi)特征:
用于描述客戶主要消費(fèi)習(xí)慣和消費(fèi)偏好,用于尋找高頻和高價(jià)值客戶。幫助企業(yè)依據(jù)客戶消費(fèi)特點(diǎn)推薦相關(guān)金融產(chǎn)品和服務(wù),轉(zhuǎn)化率將非常高。為了便于篩選客戶,可以參考客戶的消費(fèi)記錄將客戶直接定性為某些消費(fèi)特征人群,例如差旅人群,境外游人群,旅游人群,餐飲用戶,汽車用戶,母嬰用戶,理財(cái)人群等。
4、興趣愛好:
幫助企業(yè)了解客戶興趣和消費(fèi)傾向,定向進(jìn)行活動(dòng)營銷。興趣愛好的信息可能會(huì)和消費(fèi)特征中部分信息有重復(fù),區(qū)別在于數(shù)據(jù)來源不同。消費(fèi)特征來源于已有的消費(fèi)記錄,但是購買的物品和服務(wù)不一定是自己享用,但是興趣愛好代表本人的真實(shí)興趣。例如戶外運(yùn)動(dòng)愛好者,旅游愛好者,電影愛好者,科技發(fā)燒友,健身愛好者,奢侈品愛好者等。興趣愛好的信息可能來源于社交信息和客戶位置信息。
5、社交信息:
用于描述用戶在社交媒體的評論,這些信息往往代表用戶內(nèi)心的想法和需求,具有實(shí)時(shí)性高,轉(zhuǎn)化率高的特點(diǎn)。例如客戶詢問上海哪里好玩?房屋貸款哪家優(yōu)惠多?那個(gè)理財(cái)產(chǎn)品好?這些社交信息都是代表客戶多需求,如果企業(yè)可以及時(shí)了解到,將會(huì)有助于產(chǎn)品推廣。
五、金融企業(yè)用戶畫像的基本步驟
參考金融企業(yè)的數(shù)據(jù)類型和業(yè)務(wù)需求,可以將金融企業(yè)用戶畫像工作進(jìn)行細(xì)化。基本上從數(shù)據(jù)集中到數(shù)據(jù)處理,從強(qiáng)相關(guān)數(shù)據(jù)到定性分類數(shù)據(jù),從引入外部數(shù)據(jù)到依據(jù)業(yè)務(wù)場景進(jìn)行篩選目標(biāo)用戶。
1)畫像相關(guān)數(shù)據(jù)的整理和集中
金融企業(yè)內(nèi)部的信息分布在不同的系統(tǒng)中,一般情況下,人口屬性信息主要集中在客戶關(guān)系管理系統(tǒng),信用信息主要集中在交易系統(tǒng)和產(chǎn)品系統(tǒng)之中,也集中在客戶關(guān)系管理系統(tǒng)中,消費(fèi)特征主要集中在渠道和產(chǎn)品系統(tǒng)中。
2)找到同業(yè)務(wù)場景強(qiáng)相關(guān)數(shù)據(jù)
金融企業(yè)內(nèi)部信息較多,在用戶畫像階段不需要對所有信息都采用,只需要采用同業(yè)務(wù)場景和目標(biāo)客戶強(qiáng)相關(guān)的信息即可,這樣有助于提高產(chǎn)品轉(zhuǎn)化率,降低ROI,有利于簡單找到業(yè)務(wù)應(yīng)用場景,在數(shù)據(jù)變現(xiàn)過程中也容易實(shí)現(xiàn)。
3)對數(shù)據(jù)進(jìn)行分類和標(biāo)簽化(定量to定性)
金融企業(yè)集中了所有信息之后,依據(jù)業(yè)務(wù)需求,對信息進(jìn)行加工整理,需要對定量的信息進(jìn)行定性,方便信息分類和篩選。
六、金融行業(yè)用戶畫像實(shí)踐
1)銀行用戶畫像實(shí)踐介紹
銀行具有豐富的交易數(shù)據(jù)、個(gè)人屬性數(shù)據(jù)、消費(fèi)數(shù)據(jù)、信用數(shù)據(jù)和客戶數(shù)據(jù),用戶畫像的需求較大。但是缺少社交信息和興趣愛好信息。
銀行的主要業(yè)務(wù)需求集中在消費(fèi)金融、財(cái)富管理、融資服務(wù),用戶畫像要從這幾個(gè)角度出發(fā),尋找目標(biāo)客戶。 銀行的客戶數(shù)據(jù)很豐富,數(shù)據(jù)類型和總量較多,系統(tǒng)也很多??梢試?yán)格遵循用戶畫像的五大步驟。先利用數(shù)據(jù)倉庫進(jìn)行數(shù)據(jù)集中,篩選出強(qiáng)相關(guān)信息,對定量信息定性化,生成DMP需要的數(shù)據(jù)。利用DMP進(jìn)行基礎(chǔ)標(biāo)簽和應(yīng)用定制,結(jié)合業(yè)務(wù)場景需求,進(jìn)行目標(biāo)客戶篩選或?qū)τ脩暨M(jìn)行深度分析。同時(shí)利用DMP引入外部數(shù)據(jù),完善數(shù)據(jù)場景設(shè)計(jì),提高目標(biāo)客戶精準(zhǔn)度。找到觸達(dá)客戶的方式,對客戶進(jìn)行營銷,并對營銷效果進(jìn)行反饋,衡量數(shù)據(jù)產(chǎn)品的商業(yè)價(jià)值。利用反饋數(shù)據(jù)來修正營銷活動(dòng)和提高ROI。形成市場營銷的閉環(huán),實(shí)現(xiàn)數(shù)據(jù)商業(yè)價(jià)值變現(xiàn)的閉環(huán)。
2)保險(xiǎn)行業(yè)用戶畫像實(shí)踐
保險(xiǎn)行業(yè)的產(chǎn)品是一個(gè)長周期產(chǎn)品,保險(xiǎn)客戶再次購買保險(xiǎn)產(chǎn)品的轉(zhuǎn)化率很高,經(jīng)營好老客戶是保險(xiǎn)公司一項(xiàng)重要任務(wù)。保險(xiǎn)公司內(nèi)部的交易系統(tǒng)不多,交易方式不是很復(fù)雜,數(shù)據(jù)主要集中在產(chǎn)品系統(tǒng)和交易系統(tǒng)之中,客戶關(guān)系管理系統(tǒng)中也包含豐富了信息,但是數(shù)據(jù)集中在很多保險(xiǎn)公司還沒有完成,數(shù)據(jù)倉庫建設(shè)可能需要在用戶畫像建設(shè)前完成。
七、移動(dòng)大數(shù)據(jù)的商業(yè)價(jià)值
在中國,移動(dòng)大數(shù)據(jù)的商業(yè)應(yīng)用剛剛開始,在房地產(chǎn)業(yè)、零售行業(yè)、金融行業(yè)、市場分析等領(lǐng)域取得了一些效果。目前主要的應(yīng)用在互聯(lián)網(wǎng)金融的反欺詐領(lǐng)域。
線上的欺詐行為具有較高的隱蔽性,很難識(shí)別和偵測。P2P貸款用戶很大一部分來源于線上,因此惡意欺詐事件發(fā)生在線上的風(fēng)險(xiǎn)遠(yuǎn)遠(yuǎn)大于線下。中國的很多數(shù)據(jù)處于封閉狀態(tài),P2P公司在客戶真實(shí)信息驗(yàn)證方面面臨較大的挑戰(zhàn)。
移動(dòng)大數(shù)據(jù)可以驗(yàn)證P2P客戶的居住地點(diǎn),例如某個(gè)客戶在利用手機(jī)申請貸款時(shí),填寫自己居住地是上海。但是P2P企業(yè)依據(jù)其提供的手機(jī)設(shè)備信息,發(fā)現(xiàn)其過去三個(gè)月從來沒有居住在上海,這個(gè)人提交的信息可能是假信息,發(fā)生惡意欺詐的風(fēng)險(xiǎn)較高。
P2P企業(yè)可以利用移動(dòng)設(shè)備的位置信息,了解過去3個(gè)月用戶的行為軌跡。如果某個(gè)用戶經(jīng)常在半夜2點(diǎn)出現(xiàn)在酒吧等危險(xiǎn)區(qū)域,并且經(jīng)常有飆車行為,這個(gè)客戶定義成高風(fēng)險(xiǎn)客戶的概率就較高。移動(dòng)App的使用習(xí)慣和某些高風(fēng)險(xiǎn)App也可以幫助P2P企業(yè)識(shí)別出用戶的高風(fēng)險(xiǎn)行為。如果用戶經(jīng)常在半夜2點(diǎn)頻繁使用App,其成為高風(fēng)險(xiǎn)客戶的概率就較大。
移動(dòng)大數(shù)據(jù)在預(yù)防互聯(lián)網(wǎng)惡意欺詐和高風(fēng)險(xiǎn)客戶識(shí)別方面,已經(jīng)有了成熟的應(yīng)用場景。通付盾自2011年起,就開始利用自身不斷完善的網(wǎng)籍庫和海量風(fēng)險(xiǎn)數(shù)據(jù),預(yù)防互聯(lián)網(wǎng)惡意欺詐和識(shí)別高風(fēng)險(xiǎn)客戶,并取得了較好的效果。移動(dòng)大數(shù)據(jù)應(yīng)用場景正在被逐步挖掘出來,未來移動(dòng)大數(shù)商業(yè)應(yīng)用將更加廣闊。
用戶畫像是大數(shù)據(jù)商業(yè)應(yīng)用的重要領(lǐng)域,其實(shí)并沒有多么復(fù)雜,只要掌握用戶畫像的原則和方法,以及實(shí)施步驟。結(jié)合金融企業(yè)的業(yè)務(wù)場景,用戶畫像可以幫助金融企業(yè)創(chuàng)造商業(yè)價(jià)值,實(shí)現(xiàn)大數(shù)據(jù)直接變現(xiàn)。
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
SQL Server 中 CONVERT 函數(shù)的日期轉(zhuǎn)換:從基礎(chǔ)用法到實(shí)戰(zhàn)優(yōu)化 在 SQL Server 的數(shù)據(jù)處理中,日期格式轉(zhuǎn)換是高頻需求 —— 無論 ...
2025-09-18MySQL 大表拆分與關(guān)聯(lián)查詢效率:打破 “拆分必慢” 的認(rèn)知誤區(qū) 在 MySQL 數(shù)據(jù)庫管理中,“大表” 始終是性能優(yōu)化繞不開的話題。 ...
2025-09-18CDA 數(shù)據(jù)分析師:表結(jié)構(gòu)數(shù)據(jù) “獲取 - 加工 - 使用” 全流程的賦能者 表結(jié)構(gòu)數(shù)據(jù)(如數(shù)據(jù)庫表、Excel 表、CSV 文件)是企業(yè)數(shù)字 ...
2025-09-18DSGE 模型中的 Et:理性預(yù)期算子的內(nèi)涵、作用與應(yīng)用解析 動(dòng)態(tài)隨機(jī)一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開始提取前,需先判斷 TIF 文件的類型 —— ...
2025-09-17CDA 數(shù)據(jù)分析師:解鎖表結(jié)構(gòu)數(shù)據(jù)特征價(jià)值的專業(yè)核心 表結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 規(guī)范存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù),如數(shù)據(jù)庫表、Excel 表、 ...
2025-09-17Excel 導(dǎo)入數(shù)據(jù)含缺失值?詳解 dropna 函數(shù)的功能與實(shí)戰(zhàn)應(yīng)用 在用 Python(如 pandas 庫)處理 Excel 數(shù)據(jù)時(shí),“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗(yàn)與 t 檢驗(yàn):差異、適用場景與實(shí)踐應(yīng)用 在數(shù)據(jù)分析與統(tǒng)計(jì)學(xué)領(lǐng)域,假設(shè)檢驗(yàn)是驗(yàn)證研究假設(shè)、判斷數(shù)據(jù)差異是否 “ ...
2025-09-16CDA 數(shù)據(jù)分析師:掌控表格結(jié)構(gòu)數(shù)據(jù)全功能周期的專業(yè)操盤手 表格結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù),如 Excel 表、數(shù)據(jù) ...
2025-09-16MySQL 執(zhí)行計(jì)劃中 rows 數(shù)量的準(zhǔn)確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調(diào)優(yōu)中,EXPLAIN執(zhí)行計(jì)劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對象的 text 與 content:區(qū)別、場景與實(shí)踐指南 在 Python 進(jìn)行 HTTP 網(wǎng)絡(luò)請求開發(fā)時(shí)(如使用requests ...
2025-09-15CDA 數(shù)據(jù)分析師:激活表格結(jié)構(gòu)數(shù)據(jù)價(jià)值的核心操盤手 表格結(jié)構(gòu)數(shù)據(jù)(如 Excel 表格、數(shù)據(jù)庫表)是企業(yè)最基礎(chǔ)、最核心的數(shù)據(jù)形態(tài) ...
2025-09-15Python HTTP 請求工具對比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請求(如接口調(diào)用、數(shù)據(jù)爬取 ...
2025-09-12解決 pd.read_csv 讀取長浮點(diǎn)數(shù)據(jù)的科學(xué)計(jì)數(shù)法問題 為幫助 Python 數(shù)據(jù)從業(yè)者解決pd.read_csv讀取長浮點(diǎn)數(shù)據(jù)時(shí)的科學(xué)計(jì)數(shù)法問題 ...
2025-09-12CDA 數(shù)據(jù)分析師:業(yè)務(wù)數(shù)據(jù)分析步驟的落地者與價(jià)值優(yōu)化者 業(yè)務(wù)數(shù)據(jù)分析是企業(yè)解決日常運(yùn)營問題、提升執(zhí)行效率的核心手段,其價(jià)值 ...
2025-09-12用 SQL 驗(yàn)證業(yè)務(wù)邏輯:從規(guī)則拆解到數(shù)據(jù)把關(guān)的實(shí)戰(zhàn)指南 在業(yè)務(wù)系統(tǒng)落地過程中,“業(yè)務(wù)邏輯” 是連接 “需求設(shè)計(jì)” 與 “用戶體驗(yàn) ...
2025-09-11塔吉特百貨孕婦營銷案例:數(shù)據(jù)驅(qū)動(dòng)下的精準(zhǔn)零售革命與啟示 在零售行業(yè) “流量紅利見頂” 的當(dāng)下,精準(zhǔn)營銷成為企業(yè)突圍的核心方 ...
2025-09-11CDA 數(shù)據(jù)分析師與戰(zhàn)略 / 業(yè)務(wù)數(shù)據(jù)分析:概念辨析與協(xié)同價(jià)值 在數(shù)據(jù)驅(qū)動(dòng)決策的體系中,“戰(zhàn)略數(shù)據(jù)分析”“業(yè)務(wù)數(shù)據(jù)分析” 是企業(yè) ...
2025-09-11Excel 數(shù)據(jù)聚類分析:從操作實(shí)踐到業(yè)務(wù)價(jià)值挖掘 在數(shù)據(jù)分析場景中,聚類分析作為 “無監(jiān)督分組” 的核心工具,能從雜亂數(shù)據(jù)中挖 ...
2025-09-10統(tǒng)計(jì)模型的核心目的:從數(shù)據(jù)解讀到?jīng)Q策支撐的價(jià)值導(dǎo)向 統(tǒng)計(jì)模型作為數(shù)據(jù)分析的核心工具,并非簡單的 “公式堆砌”,而是圍繞特定 ...
2025-09-10