大數(shù)據(jù)在信貸行業(yè)的營銷與模型應(yīng)用案例

隨著移動端增長紅利趨于減少，各媒體、搜索引擎的在線流量競價不斷走高?，F(xiàn)如今，單純的在線展示廣告獲客成本愈發(fā)透明，效果增長乏力。隨著大數(shù)據(jù)的興起與機(jī)器學(xué)習(xí)技術(shù)的不斷提升，集奧聚合通過自身豐富的客戶畫像標(biāo)簽體系，結(jié)合業(yè)界先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)，突破傳統(tǒng)廣告的局限性（僅通過人為主觀精心設(shè)計的統(tǒng)一廣告頁來吸引客戶），實現(xiàn)多元優(yōu)化及精準(zhǔn)需求預(yù)測，提升各流轉(zhuǎn)環(huán)節(jié)，達(dá)到精準(zhǔn)營銷。本文詣在通過真實營銷項目案例與大家共同探討學(xué)習(xí)。

項目背景

如果說2013年是互聯(lián)網(wǎng)金融元年的話，那么2016年無疑是普惠金融的爆發(fā)年，伴隨著大數(shù)據(jù)行業(yè)的逐步發(fā)展，F(xiàn)INTECH 技術(shù)的日趨完善，普惠金融的競爭也愈演愈烈。這種競爭最終直接演變?yōu)榱烁骷夜精@客能力及風(fēng)控能力的全面比拼。集奧聚合作為一家大數(shù)據(jù)創(chuàng)新應(yīng)用服務(wù)公司，對于如何利用大數(shù)據(jù)技術(shù)以及多年積累的運營經(jīng)驗，幫助企業(yè)對于其目標(biāo)客群進(jìn)行挖掘及營銷有著自己獨特的理解和實踐。

在本文介紹的案例中，取得的效果為：預(yù)約率提升為其他渠道的2.5倍左右，投資回報率較其他方式提升64%。

項目流程

1、雙方基于業(yè)務(wù)需求進(jìn)行客戶匹配，返回脫敏客戶標(biāo)識到集奧聚合進(jìn)行數(shù)據(jù)貼標(biāo)；

2、通過分析信貸類產(chǎn)品的客戶畫像對客戶進(jìn)行需求&價值分析，篩選出高需求高價值客戶，給到合作企業(yè)進(jìn)行客戶需求調(diào)研（可根據(jù)不同層級客戶匹配不同觸達(dá)方式及權(quán)益等營銷方案設(shè)計）；

3、根據(jù)合作企業(yè)實時性數(shù)據(jù)反饋，進(jìn)行篩選維度調(diào)整，不斷優(yōu)化迭代模型，提升各環(huán)節(jié)轉(zhuǎn)化率。

如圖：

需求預(yù)測模型介紹

集奧聚合通過標(biāo)簽數(shù)據(jù)與模型相結(jié)合，篩選出最優(yōu)質(zhì)客戶幫助企業(yè)進(jìn)行觸達(dá)，在提升響應(yīng)率前提下，達(dá)到提升業(yè)務(wù)收入同時節(jié)約合作企業(yè)各項成本的目標(biāo)。

1、基于標(biāo)簽數(shù)據(jù)的觸發(fā)推薦

提取有對應(yīng)信貸產(chǎn)品標(biāo)簽訪問的客戶作為觸發(fā)推薦基礎(chǔ)目標(biāo)客戶，根據(jù)需求強(qiáng)度不同（本品->競品->關(guān)鍵詞->相關(guān)衍生品）逐步擴(kuò)大觸發(fā)人群基礎(chǔ)規(guī)模。同時根據(jù)不斷反饋迭代，擴(kuò)充相似高轉(zhuǎn)化標(biāo)簽，去除低轉(zhuǎn)化標(biāo)簽，優(yōu)化觸發(fā)規(guī)則。

2、基于客戶相似度的模型排序推薦

本項目詣在預(yù)測客戶對借貸產(chǎn)品的需求程度從而進(jìn)行個性化營銷推薦

（1）模型選擇

目標(biāo)變量的樣本反饋為真實的有無借款需求，即二分類問題。本項目通過不斷嘗試，最終選擇深度學(xué)習(xí)技術(shù)進(jìn)行模型發(fā)現(xiàn)。

（2）特征變量選取及相關(guān)算法

機(jī)器學(xué)習(xí)中，首要就是找出相關(guān)特征（特征選擇與特征提?。?。業(yè)界流傳名句之一：數(shù)據(jù)和特征決定了機(jī)器學(xué)習(xí)的上限，而模型和算法調(diào)整只是為了無限逼近這個上限而已。故此，數(shù)據(jù)與特征工程是機(jī)器學(xué)習(xí)中的重中之重一環(huán)。由于集奧聚合億級標(biāo)簽數(shù)據(jù)的高維度、稀疏性等特性，在工程上選用了大約2.5萬個特征變量作為輸入進(jìn)入模型。

（3）模型效果檢驗

為有效檢驗?zāi)Ｐ托Ч?，并兼顧模型泛化、防?a href='/map/guonihe/' style='color:#000;font-size:inherit;'>過擬合，將樣本數(shù)據(jù)進(jìn)行分割，分為訓(xùn)練集和測試集，比例為7:3。

效果檢驗指標(biāo)采用訓(xùn)練集及測試集 AUC（Area under ROC）。

以下三圖分別為：欠擬合，適度擬合及過度擬合效果示意圖。欠擬合會出現(xiàn)訓(xùn)練集及測試集效果均不佳的表現(xiàn)；過度擬合模型結(jié)果泛化性差，容易出現(xiàn)訓(xùn)練集結(jié)果好，測試集結(jié)果差的情況出現(xiàn)。

營銷效果

1、根據(jù)某信貸機(jī)構(gòu)反饋數(shù)據(jù)新定制化借貸需求預(yù)測模型結(jié)果訓(xùn)練集 AUC 為0.82，測試集0.75。原有貸款模型 AUC 為0.63，定制化后效果提升 AUC 為之前的1.19倍；

2、客戶預(yù)約率為其他渠道的2.5倍左右；

3、通過有效的觸達(dá)方式，核算成按 CPS 方式，運營成本較其他項目下降節(jié)省39%。

大數(shù)據(jù)與機(jī)器學(xué)習(xí)緊密相連，但是大數(shù)據(jù)并不等同于機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)也不完全等同于大數(shù)據(jù)。隨著數(shù)據(jù)量的提升，大數(shù)據(jù)中包含分布式計算、內(nèi)存數(shù)據(jù)庫、多維分析等多種技術(shù)。機(jī)器學(xué)習(xí)只是大數(shù)據(jù)分析中的一種而已。但機(jī)器學(xué)習(xí)與大數(shù)據(jù)的深度結(jié)合使數(shù)據(jù)可以產(chǎn)生更大的價值?；谪S富的數(shù)據(jù)以及機(jī)器學(xué)習(xí)技術(shù)兩方面才能更加精確的進(jìn)行數(shù)據(jù)“預(yù)測”。兩者相乘才能發(fā)揮出數(shù)據(jù)的更多價值。

對知識的深刻理解一定是建立在真正應(yīng)用時。通過實踐才可以對機(jī)器學(xué)習(xí)理解更近一層。成功的機(jī)器學(xué)習(xí)應(yīng)用不是擁有最好的算法，而是擁有更多的數(shù)據(jù)！所以，歡迎各位希望證實自己研究價值的有志之士加入集奧聚合，一起在數(shù)據(jù)的海洋中探索技術(shù)與數(shù)據(jù)相結(jié)合的價值之美。