大数据破解直销银行痛点 助力商业银行转型

大数据的商业银行应用仍然存在较大的不确定性，对于大数据应用存在疑虑。牵一发而动全身，对于银行而言，大数据应用的部署需要在缜密的步骤下有序进行，真正利用大数据创造价值。

本文从大数据在直销银行中实际应用出发，希望通过部分大数据方案的实际应用，引导、发掘、扩充更多的大数据金融应用。

　　 一、大数据破解直销银行痛点

1、国内直销银行前景广阔但发展受限

直销银行诞生于20世纪九十年代末北美及欧洲等经济发达国家，因其业务拓展大多脱离实体网点和物理柜台，相应降低业务成本，从而为顾客提供比传统银行更优惠的金融服务受到欢迎。部分国家直销银行业的市场份额已达9%-10%，且占比仍在不断扩大。

商业银行一直受到移动互联网浪潮的冲击，直销银行是传统商业银行主动拥抱互联网金融的创新尝试，是应对客户、技术和行业发展趋势的主动出击和必然选择。自2013年首家直销银行上线以来，多家商业银行先后推出了自己的直销银行服务。截止到2016年3月底，共有55家银行推出直销银行服务，而12家全国性股份制银行中，已有10家上线直销银行业务。

但由于监管原因，国内直销银行还无法提供多种业务，而且只作为银行其中一个业务补充渠道进行经营，并非作为独立实体以市场化的利率和手段与传统银行进行竞争，因此还不能称之为纯粹的直销银行。国内直销银行其产品集中于货币基金、银行理财及存款业务等，同质化现象较为严重，但部分商业银行依托良好的运营、服务及自身信誉背书，推出的产品仍是受到了市场的热捧。

2、直销银行面临的实际问题

在产品相对同质化的背景下，营销及服务的重要性凸显。但传统的广撒网模式并不适合当前形势，找准适合的人群进行精准营销才可能脱颖而出。但目前来看，直销银行的营销仍然面临较大难题。

（1）缺乏客户交互触点

大部分直销银行并未设立实体网点，缺乏与客户接触的渠道，营销机会较少，对线上的依赖较大。但互联网理财业务往往属于相对低频的需求，商业银行本身没有如支付宝之类的高频工具类应用，缺乏有效的流量导入，依靠传统的广告营销成本高且作用十分有限。如何创新营销手段，以相对低廉的成本获取用户转化，是目前亟待解决的难题。

（2）大量客户缺少数据积累，对用户的了解十分有限

目前直销银行客户主要来自两类人群。一是行内用户的转化；二是通过第三方合作渠道进行客户导入。

对于第二类客户，商业银行对用户则极其有限；而对于第一类客户，商业银行虽然积累了用户基础属性、行内的历史交易行为等相关数据，但仍然无法发掘用户的现实金融需求。导致直销银行的产品设计、营销策划等运营工作无法摆脱固有的低效状态。

（3）缺乏业务协同抓手

国内直销银行仍然较大程度上依附于银行本身，更大程度上是作为渠道补充。在这个前提下，直销银行被赋予了与传统零售业务协同的使命，即通过适当的营销手段，将直销银行的二类账户转化为本行的一类客户。但二类用户来源广泛，成分复杂，在用户信息不充足的情况下，难以找到相应的方式促进用户转化。

3、大数据的特性能够有效帮助解决实际困难

大数据从多方位收集用户数据，全面采集用户行为信息，能够有效解决直销银行的现实问题。

（1）补充：补全用户画像

参考国外直销银行的发展经验，直销银行应该有不同于传统银行的客户定位，即专注服务于特定客户群，因此，建立客户画像至关重要。对于前述第一类客群，将内外部数据结合，可以勾勒出完整的用户画像；对于第二类客群，外部数据的补充则能有效弥补人群信息的不足。

（2）关联：进行场景化营销

在移动互联的大趋势下，将自身的金融产品和消费场景结合成为趋势，营造场景、抓住场景，依据场景改善产品，变场景为入口，能够增强产品导入用户的能力和效率。但实际上，用户虽然会面临大量的场景，但能与理财需求进行对接的场景可能并不太多，尤其是与理财有比较强的相关性的场景，需要能够精准匹配相应人群的需求，才能真正将场景变为机会。

相比旅游、电商、社交等互联网平台，商业银行在场景化方面并不具备优势，缺乏洞悉用户消费需求的能力和手段，无法针对客户进行精准营销。通过大数据合作，直销银行可采集并整理多个行业相关数据，发掘客户的实时需求，把金融服务快捷便利地传播给广大的消费者，将消费场景可以转化成自己的营销场景。

（3）预测：客户价值判定

重要的营销资源要投入到最重要的市场。面对分散的客户群，二八法则的运用相对困难。资产价值高的重点客户数量大幅增加，且分布区域更加扩散。

识别重点客户是直销银行突破创新的重要路径。银行内部数据能够识别一部分重要客户，但在潜在重要客户的判别上存在局限性。外部数据的补充可以将用户的外延信息补全，全方位判别用户在其他银行及金融市场的行为，并通过深度学习模型，建立起重要客户的判别模型，预测用户多元化的金融需求，也能够根据客户在行内外的行为进行综合分析，对用户潜在的流失风险进行预警。

（4）增值：优化产品设计，促进交叉营销

银行为争夺客户所采用的促销手段不断升级。但是通过促销获取客户的方法使银行获得及维持客户的成本不断攀升，也不能有效培养客户对银行的忠诚度，甚至有可能造成一定程度的恶性循环。一旦遇到其他银行有更优惠的促销手段，现有客户就可能转向其他银行。

在互联网不断普及的今天，“羊毛出在猪身上”的理念广为传播和实践。市场领先地位的产品通过不断提升用户体验巩固自身地位，在保持流量的同时销售理财、保险、贷款等相关产品，获得利润。

商业银行脱媒趋势明显，为应对这一情况，通过大数据手段，完善用户的管理系统，发掘用户的真实需求，并根据相关需求重新设计金融产品，使用户不同金融需要能够及时得到满足，增强用户的黏性及品牌忠诚度。

　 二、某股份制银行直销银行的实践

集奥聚合作为行业领先的第三方数据整合和场景化应用平台，整合了多维数据源，覆盖7亿互联网用户，深度解析多个行业主流网站及APP访问规则，实时监控用户互联网行为，每天可产生100亿+条用户画像标签，能够进行包括人口属性、家庭特征、兴趣偏好、需求特征等多维度的精准用户画像。

在金融大数据服务具备大量经验，其数据服务团队对银行内部运作有充分认知，积累了大量金融行业场景营销模型，在此基础上推出了基于私有云的方舟智能应用平台，全方位帮助银行部署大数据相关应用。

数据对接

私有云对接，直接行内部署，将第三方数据直接导入银行内部，解决数据安全问题。

深入人群画像

将银行数据与第三方数据匹配，进行用户数据的补充。该银行选取了百万量级用户与集奥数据进行匹配，匹配率达到60%，共沉淀集奥聚合标签数据1.4亿条。

在有效匹配基础上，对人群的人群属性、兴趣爱好进行了统计，深入分析了用户的电子银行、支付、理财、贷款、保险、信用卡等方面的行为，按照多类维度进行了对客户人群进行对比分析，同时结合行内数据对比得出后期的策略建议。

策略实施

1、场景化权益营销

在数据有效匹配的基础上，结合直销银行的协同目标，与行方开展了场景化权益营销测试。

（1）营销测试概要

合作银行本有生鲜类合作网站的营销权益，客户下载并激活手机银行即可获得该权益。根据集奥的大数据标签监测用户行为，通过相应标签筛选出潜在客群，通过短信方式进行活动推荐。通过设置实验组与对照组，根据最终转化效果验证外部数据的有效性。

（2）营销测试过程

测试共分两轮进行。

第一轮：

实验组目标客户筛选

本次营销权益为生鲜电商产品，对应的客户群体应该为对健康有所偏好，同时有一定电商、支付行为的群体。

通过大数据，筛选出在相关方面有较高访问频次的人群，行方从AUM等资产维度进行合作建模，第一轮测试共有近6万客户符合实验组条件。

对照组目标客户筛选

行方客户中随机挑选5000人

首轮结果对比

筛选出相关人群后，通过短信将活动通知到客户。最终结果如下：

测试组：5日内促活率0.73%

对照组：5日内促活率不到0.07%

首轮即提升10倍以上效果，初步验证数据的有效性。

第二轮：

测试组A

我方通过第一轮测试结果对模型进行优化，保留一次原有策略中优质部分；同时根据样本营销前一个月的外部数据网络行为进行优化，利用机器学习引擎进行调优。再次选择近8万人作为测试组A。

测试组B

为了验证效果的有效性，增加了行内现有的精准营销模型筛选的10000客户作为测试组B。

测试组C

仅使用行内的数据筛选维度，不使用集奥的第三方数据选择10000客户作为对照组。

第二轮结果对比

测试组A：3日内促活率0.84%

测试组B：3日内促活率0.70%

测试组C：3日内促活率0.23%

从效果方面对比：二次测试（3天观测期）对比首次测试（5天观测期），在接近一半的时间内取得了更加显著的效果，增幅16%。在同等行内维度下，外部数据直接提升效果近4倍，高于行内模型效果20%。

从覆盖广度对比：符合行内精准营销模型人群仅占5.3%，而集奥方舟模型合格人群占14.4，同时，二者的名单重合率为零，两者共同进行将极大提升营销覆盖人群。

后续方向探索

1、价值客户细分

在场景化营销效果得到肯定的情况下，后续将人群属性进行二维象限划分，将用户的行内属性与行外行为进行匹配，构造价值矩阵，区分不同人群。

第一类（鸡肋客户：行内外业务活跃度都低）

第二类（忠诚客户：行内业务活跃度高，行外活跃度低）

第三类（挖潜客户：行内活跃度低，行外活跃度高）

第四类（重要客户：行内外业务活跃度都高）

将着重对挖潜客户进行营销，采取与之相匹配的权益，进行更多营销尝试。

2、补足业务短板

在人群的画像过程中，分析师发现微信支付、支付宝支付用户的互联网活跃度高，对于理财产品的接受度也高。但该行目前的支付绑卡并不乐观。

后续将对人群进行深入分析，选择收到支付用户欢迎的权益、使用前述场景化营销的模式来促进微信绑卡。

☞点此进入 GEO集奥聚合数据 在数据观的企业栏目>>>

 

责任编辑：陈近梅