午啪啪夜福利无码亚洲,亚洲欧美suv精品,欧洲尺码日本尺码专线美国,老狼影院成年女人大片

1、發掘數據價值 優化客戶關系 促進業務發展 大數據精準營銷推薦系統 2014年10月 行業背景 數據規模5年將增長7倍 微型企業貸款逐漸被侵蝕 銀行與零售客戶越來越遠 目前，中國電子商務約占中國零售額的10%，Celent預計2020年將達到50%。這個趨勢對于銀行來說是非常不利的，銀行處于電子商務產業的最末端，正在逐漸被邊緣化。銀行業面臨的大數據帶來的業務挑戰 行業背景 同業銀行的應對案例 中信銀行信用卡中心：實時營銷 光大銀行：社交網絡信息數據庫 例：您剛消費了X元，如您再消費一筆超過Y元,即可在樓上的商戶享受一次五折優惠。把社交網絡上的用戶跟光大銀行用戶匹配起來,實現對應,以便于進行針對某2、個客戶群的營銷。把用戶在社交網絡上的言論捕捉下來,并進行相關的營銷活動,目前,進展并不順利。抓取客戶的各方面信息,包括:基本信息、愛好信息、行為信息、地理信息、電話、語音、網絡的監控錄像和在線交易信息等。招商銀行：小微貸款 分析交易記錄：招商銀行可以根據客戶交易記錄分析,有效地識別小微企業客戶,然后用遠程銀行來實施交叉銷售。2012年,有1.6 萬筆貸款就是通過這種方式實現的。跟蹤搜索記錄：招商銀行還根據客戶搜索記錄,發布營銷信息。2012 年,招商銀行憑這個辦理小微企業業務將近3萬筆。客戶細分：招行銀行通過分析客戶信息來細分客戶,這些客戶數據包括:行為數據、財務數據、區域地理信息、瀏覽內容信3、息。大數據時代的精準化營銷 多渠道多渠道/接觸點營銷營銷接觸點營銷營銷 事件式營銷事件式營銷 交互式營銷交互式營銷 目標目標/細分營銷細分營銷 大眾營銷大眾營銷 (Mass Marketing)21-62%18-34%8.2-14.6%2.0-4.9%0.2-3.1%響應率 模型觸發式營銷 大數據預測營銷 清單篩選式營銷 平臺 模型篩選 客戶清單 規則庫 模型篩選 事件觸發 潛力挖掘 事前營銷 客戶體驗 平臺 渠道 內容 大數據平臺 數據倉庫平臺 營銷管理平臺 物理網點 電子銀行 移動終端 微博微信 電子商務 金融產品、服務 金融資訊 消費資訊 賬戶服務 結算平臺 貫穿消費者行為始終的主體參與4、者 大數據精準營銷推薦系統產品介紹 產品產品 關系關系 模型庫模型庫 標簽庫標簽庫 客戶客戶 算法庫算法庫 推薦時機 推薦內容 推薦渠道 規則庫規則庫 事件 場景化 量化 精準 實時 客戶畫像 營銷方案 特點 平臺 引擎 產品目標 發掘銀行產品潛在客戶，實現交叉銷售 完成銀行產品營銷場景的多渠道協同 完善個人銀行客戶畫像 促進個人銀行業務的發展 外部數據 根據客戶畫像特征，識別并分析客戶特征，決策產品推薦和營銷活動 告知客戶經理該客戶適合的營銷產品和活動 咖啡廳 碎片化時間 運營商 平臺 爬蟲系統 網點大堂 1 互聯網 得到他行產品信息 得到金融或投資機構的分析資訊 得到線上的投資輿情 客戶經5、理 自然屬性 社會屬性 價值屬性 行為體系 客戶畫像 排隊機 2 實時識別客戶，并推送個性化產品和資訊 通過微信、短信等渠道發布、或者推送營銷產品和活動 移動營銷 3 外呼營銷 4 產品應用范圍 金融 消費 營銷 資訊 信用 風險-客戶畫像-渠道協同-營銷閉環-精準營銷-金融資訊-宏觀經濟-政策法規-消費資訊-行業動態-網絡輿情-個人信用-企業信用-信用評估-授信體系-信用風險-市場風險-操作風險-流動性風險-零售業務/個人銀行業務-銀行卡業務-電子渠道業務 買家-消費結構-消費金額-支付行為 賣家-銷售量-資金流水-融資貸款行為 產品價值 大數據平臺架構 為進一步優化客戶關系、促進其他業務發6、展打下堅實平臺基礎 相對低廉的成本極具推廣價值 Structured Data Non-Structured Data Semi-Structured Data Hadoop Ecosystem HDFS Hbase+Hive Mahout/R MapReduce Pig/Sqoop Zookeeper Oozie MongoDB Pre System/App System Apache Storm Real Data interface interface interface interface PC Mobile Numbering machine Apache Spark 爬蟲系統 In7、ternet 產品價值 多渠道協同閉環營銷 有效利用分行營銷渠道，構建客戶營銷閉環 逐步完善、整合總分行渠道協同，增加多種新技術體驗渠道，全方位提升客戶感知體驗 總 行 渠 道 分 行 渠 道 電話銀行 微信平臺 短信平臺 郵件系統 手機銀行 柜臺/ATM 叫號機 短信平臺 Wifi/LBS 網上銀行 產品研發 市場細分 目標定位 市場營銷 行為搜集 客戶評價 Hadoop 數據倉庫 大數據 平臺 Mahout 推薦系統 交叉銷售管理系統 總行 爬蟲系統 BANCS 核心數據 信用卡集中平臺數據 產品價值 多維度立體客戶畫像 客戶統一視圖 基本信息 聯系信息 關系信息 合約信息 事件信息 資源8、信息 信用風險 評價信息 Mahout/R 數據挖掘系統 客戶畫像 行為體系 能力評估 偏好分析 自然屬性 社會屬性 價值屬性 態度分析 評價信息 互聯網生活行為信息 線下生活行為信息 產品、服務、資訊、活動 時間 地點 渠道 充分利用現有數據，計算客戶指標體系，完善客戶統一視圖 不斷吸納行外客戶行為信息，包括線上、線下行為信息，發現新的客戶特征，發掘潛在客戶，構建多維度立體客戶畫像 逐步積累、優化數據挖掘模型，不斷清晰化客戶畫像 為個性化產品推薦、事件營銷提供決策依據 行為/事件 應用場景 客戶評價 產品價值 CRISP-DM 數據挖掘模型建設流程 客戶畫像 個性化的精準營銷推薦 Mahou9、t/R 推薦系統 客戶 統一視圖 模型 指標體系 Mahout/R 數據挖掘系統 瀏覽 喜歡 購買 不喜歡 點評 分享 個性化推薦 遵循CRISP-DM數據挖掘模型建設流程，提高模型的有效性 個性化的行為和個性化的社會關系，決定了營銷方案的個性化 個性化推薦能增強客戶體驗，提高客戶忠誠度 推薦系統，能有效激發潛在客戶，提高交叉銷售的規模 產品信息 產品邏輯體系架構 客戶統一視圖 產品統一視圖 外部采集數據 反饋評價數據 相關性算法 聚類算法 判別算法 預測算法 客戶畫像 指標體系 客戶標簽庫 產品標簽庫 判別規則庫 主體推薦算法 補足推薦算法 過度推薦控制 過濾排序控制 參數傳入接口 數據輸出10、接口 實時信息接口 推薦客戶清單 推薦時機 推薦渠道 推薦內容 應用場景庫 推薦交互&反饋優化 數據層 后臺算法層 算法模型層 前臺算法層 接口層 應用層 產品算法模型庫 協同過濾 協同過濾推薦算法 協同過濾推薦（Collaborative Filtering recommendation）是在信息過濾和信息系統中正迅速成為一項很受歡迎的技術。與傳統的基于內容過濾直接分析內容進行推薦不同，協同過濾分析用戶興趣，在用戶群中找到指定用戶的相似（興趣）用戶，綜合這些相似用戶對某一信息的評價，形成系統對該指定用戶對此信息的喜好程度預測。用戶相似度 其中，u、v表示用戶u、用戶v N(u)表示用戶u曾經11、有過正反饋的物品集合 用戶產品興趣度 其中，u表示用戶，i表示產品 S(u,K)包含和用戶u興趣最接近的K個用戶 N(i)表示對產品i有過行為的用戶集合 表示用戶v對產品i的興趣，一般令 =1 Wuv=|N(u)N(v)|N(u)|N(v)p(u,i)=WuvrvivS(u,K)N(i)rvirvi產品算法模型庫 協同過濾 案例：性別：男 年齡：30 資產：30w 簽約：a1、a2、a3 性別：男 年齡：25 資產：10w 簽約：a1 性別：男 年齡：35 資產：50w 簽約：a2、a3 性別：女 年齡：28 資產：20w 簽約：a1、a2 產品興趣度 78 34 85 80 用戶相似度 9012、 25 75 50 性別：男 年齡：32 資產：40w 簽約：a1、a2、a3 產品興趣度：82 案例：某行貴金屬營銷目標客戶 建模建模 評估評估 部署部署 數據數據 理解理解 數據數據 準備準備 數據挖掘全過程 商業商業 理解理解 1 2 3 4 5 6 1、貴金屬的產品特征有哪些？2、貴金屬投資者的特征有哪些？投資門檻低 交易成本低 交易時間長 當天多次交易 受政治經濟影響大 年齡特征 學歷特征 資產特征 投資偏好特征 其他金融行為 特征 消費特征 時間特征 評級特征 案例：某行貴金屬營銷目標客戶 建模建模 評估評估 部署部署 數據數據 理解理解 數據數據 準備準備 數據挖掘全過程 商業商13、業 理解理解 1 2 3 4 5 6 1、哪些系統可以提供數據？2、能提供哪些相關數據？3、數據是否完備？4、數據質量是否好？5、總行是否可以補充提供數據？6、互聯網上是否可以補充提供數據？1、數據源如何提供？2、數據格式怎樣？3、是否需要清洗？4、映射、計算規則如何？5、應用平臺如何使用數據？案例：某行貴金屬營銷目標客戶 建模建模 評估評估 部署部署 數據數據 理解理解 數據數據 準備準備 數據挖掘全過程 商業商業 理解理解 1 2 3 4 5 6 1、如何做變量篩選？2、如何做變量標準化？3、如何做影響分析，確定權重？4、如何做客戶聚類？5、如何做客戶判別？6、如何計算客戶相似度？7、如何14、計算客戶投資興趣度？8、通過對用戶屬性、行為的分析和聚類，描述用戶畫像 1、政治事件對貴金屬投資是否有影響？2、宏觀經濟對貴金屬投資是否有影響？3、貴金屬投資是否存在周期性因素？4、如何評估挖掘模型對營銷是有促進效果的？案例：數據挖掘過程 客戶 客戶 最近幾年是否最近幾年是否買過紀念幣 買過紀念幣 是否買過貴是否買過貴金屬 金屬 是否買過理是否買過理財產品 財產品 年齡是否年齡是否3045 是否是否VIP客客戶 戶 鉑金卡客戶 鉑金卡客戶 A 0 1 1 1 1 1 B 1 0 1 1 1 1 C 0 0 1 1 0 1 D 1 1 1 0 0 0 E 0 0 0 1 1 0 F 0 0 1 15、1 0 0 A B C D E F A B =0.8 C =0.77 =0.77 D =0.51 =0.51 =0.33 E =0.63 =0.63 =0.41 =0 F =0.63 =0.63 =0.81 =0.41 =0.5 變量篩選（略）客戶畫像 相似度矩陣 根據客戶統一視圖構建多元邏輯回歸方程，通過向后剔除法判斷和篩選顯著變量 425315215210210315215210210191626061614過程有諸多簡化。案例：數據挖掘過程 客戶 客戶 紀念幣 紀念幣 貴金屬 貴金屬 理財產品 理財產品 A 0.8-B-0.8-C 0.77 0.77-D-E 0.63 0.63 0.6316、 F 0.63 0.63-興趣度矩陣 K 準確率 準確率 召回率 召回率 覆蓋率 覆蓋率 流行度 流行度 3 16.99%8.21%51.33%6.81 10 20.59%9.95%41.49%6.97 20 22.99%11.11%33.17%7.10 40 24.50%11.83%25.87%7.20 80 25.20%12.17%20.29%7.28 160 24.90%12.03%15.21%7.36 K均值最佳性能 令K1 過程有諸多簡化。案例：客戶畫像指標體系 基本信息 性別 年齡 生肖 星座 學歷 婚姻 職業 職級 關系信息 人人關系 關系類型 交易類型 交易頻度 人商關系 商戶17、類型 交易頻度 交易額度 商商關系 商戶類型 貴金屬類型 交易頻度 合約信息 借記卡開戶歷史 貸記卡開戶歷史 第三方存管RFM信息 基金業務RFM信息 理財業務RFM信息 國債業務RFM信息 網上銀行開戶歷史 手機銀行開戶歷史 結售匯業務RFM信息 貴金屬RFM信息 紙黃金RFM信息 事件信息 單比轉賬 單比借記卡消費 單比貸記卡消費 貴金屬交易價格 貴金屬交易類型 評價信息 VIP等級 ECIF等級 卡片等級 信用額度 五大類、180個變量 相關性分析 老客戶交叉銷售 社會化協同過濾 案例：解讀客戶畫像 變量相關性 用相關性分析判斷變量的相關性系數 用主成分分析消除變量間的多重共線性 客戶等18、級的高低不同，會影響到貴金屬的消費 1貴金屬購買的歷史行為，會影響到貴金屬的消費 2客戶黏度，包括客戶的投資理財行為，會影響到貴金屬的消費 3客戶的忠誠度、賬齡，會影響到貴金屬的消費 4客戶的生命周期，會影響到貴金屬的消費 5案例：解讀客戶畫像 客戶生命周期 客戶數 交易次數 19歲以下 1924歲 2453歲 5464歲 64歲以上 916歲 貴金屬的目前的消費主題是年輕人和中年人 未成年人對貴金屬熱度非常高，體現出父母的對子女的喜愛或鼓勵；未成年人的消費潛力巨大 案例：解讀客戶畫像 賬齡黏度（忠誠度）0 1 2 3 4 5 6 7 8 1 25 50 75 100 125 150 175 19、210 購買概率加權平均 結論：黏度越高，購買概率更大 黏度比賬齡，對購買概率的影響更大 案例：解讀客戶畫像 購買時機 1季度 2季度 3季度 4季度 女性 男性 結論：1、2、5月份購買人群較多，尤其是1月底、2月初 佩戴品 投資品 紀念品 藝術品 案例：解讀客戶畫像 消費行為 265個商戶類型與貴金屬消費的相關性 MCC 商戶類型 相關性系數 0000 婚慶 7.02 4722 旅行社 8.70 5094 貴重珠寶、首飾，鐘表零售 8.09 5271 活動房車經銷商 8.03 5441 糖果及堅果商店 8.30 5933 當鋪 10.89 5945 玩具、游戲店 8.11 5946 照相器20、材商店 8.12 5947 禮品、卡片、裝飾品、紀念品 8.06 5992 花店 6.93 7230 美容理發店 8.83 8021 牙科醫生 8.75 8351 兒童保育服務（含學前教育）8.11 9402 國家郵政服務 9.01 相關性較高的商戶類型 案例：解讀客戶畫像 社會關系 123未成年人關系 夫妻情人關系 父子母子關系 篩選條件：年齡=3，and，雙方性別不同，and，年齡相差10歲以內篩選條件：信用卡存在主副卡，and，雙方性別不同，and，年齡相差10歲以內 輸出：客戶號、年齡、性別、是否貴金屬客戶，對方客戶號、年齡、性別、是否貴金屬客戶 篩選條件：自動轉帳業務，and，年齡相21、差2540歲 篩選條件：備注信息匹配“贍養費”輸出：轉入人客戶號、年齡、性別，轉出人客戶號、年齡、性別，轉賬備注，轉入人是否貴金屬客戶，轉出人是否貴金屬客戶 篩選條件：信用卡還款業務次數=3，and，年齡相差2540歲 篩選條件：信用卡存在主副卡，and，年齡相差2540歲 輸出：客戶號、年齡、性別、是否貴金屬客戶，對方客戶號、年齡、性別、是否貴金屬客戶 自動轉賬 1自動還款 2主副卡 3案例：解讀客戶畫像 客戶分群 案例：客戶興趣度反饋 客戶號 客戶號 客戶姓名 客戶姓名 聯系方式 聯系方式 興趣度反饋 興趣度反饋 溝通日期 溝通日期 1 XXX xxx 強烈感興趣 有一點興趣 不太感興趣 厭惡 2 XXX xxx 強烈感興趣 有一點興趣 不太感興趣 厭惡 3 XXX xxx 強烈感興趣 有一點興趣 不太感興趣 厭惡 興趣度說明：強烈感興趣：-確定近期有購買計劃，想了解更多產品信息 有一點興趣：-近期無購買計劃、或者沒有表示購買意愿，但想了解一些產品信息 不太感興趣：-近期無購買計劃，也沒有意愿了解產品信息 厭惡：-拒絕了解產品信息 案例：營銷評估 召回率 覆蓋率 準確率 0%30%100%0%100%0%100%80%40%準確率 召回率 覆蓋率