大数据不背“杀熟”的锅!高科技公司掌握了你的个人信息,都干了些啥?

导读:本文和大家分享的是大数据在企业精细化运营方面的运用,主要的还是在银行、零售领域的应用。

首先大家对于“大数据杀熟”这件事怎么理解?“杀熟”是客户营销方面的标准操作吗?高科技公司掌握了我们的个人信息,难道只能用于诱骗客户进行过度消费吗?

回答这个问题之前,我们了解一个名词,叫做“价格歧视”。这个词很多人认为是贬义词,因为它与“垄断”这个词是伴生的。其实它是个中性词,如果一家企业能够利用科技手段实现价格歧视,那它必须获得客户认可,是一家可以获取超额收益的领先企业。价格歧视一般可以分为三级。

  • 一级价格歧视就是根据不同的市场制定不同的价格,比如iPhone在不同国家的定价策略;
  • 二级价格歧视是根据客户购买量的不同而形成价格差异,一般是量越大,价格越便宜;
  • 三级价格歧视是根据每个人需求的差异,进行针对性的定价。

价格歧视的等级越高,企业的超额利润就越大,对企业的能力要求也越高。第三级的价格歧视单纯靠市场力量是很难达不到的,但是做到二级价格歧视还是没问题的。

一般而言,粘性越高的客户,其服务成本就越低,客户得到的性价比就可以越高。企业或商家利用客户历史沉淀下的交易信息分析其需求偏好,从而以更高的效率提供性价比更高的服务。形成良性循环,最终成就“超级客户”战略。这便是商业上运用“大数据”的初衷。

01 数据分析在银行的应用演变

我们从最开始的获取客户的数据,到后来整合外部数据,到最后无时无刻不在采集数据。我们收集这么多数据的目的并不是想去压榨用户,而是想去了解用户。

我们希望通过对用户更好的了解,来改进我们的产品,增加用户粘性,提升客户体验。我们想把用户发展成我们的超级客户。

说道这里,大家可能就知道我要说什么了:价格歧视的是新客户,使用大数据是为了更好的回馈老客户。“杀熟”是蹩脚的业务运营人员搞出来的,这个锅大数据不背。

现今数据的确越来越多了,以下是某著名咨询公司总结的大数据在金融方面的主要应用。

最广泛的应用是营销领域,可以看到图中右上角的部分,包括精准营销、用户画像等等。而数据在银行中的作用,主要体现在以下四个方面。

上面的两个运用是针对客户的。目前传统的分类会分为客户智能、风险智能。客户智能就是了解我们的客户,进而开展营销和维护。风险智能用于避免客户将来发生违约。

为什么说这个比较传统?因为在流量枯竭的现在,客户和风险的分界线开始模糊。金融机构也不是像过去那样高高在上,风控不能像过去那样不考虑营销的疾苦。平安银行在客户运营的时候就用了一个比较贴切的词,叫交易对手。意思是客户和风险不应该分开,而是把它们放在一起,综合考虑如何去识别风险和满足客户需求。

下面的这两个运用是针对于组织机构的,即经营分析和财务分析。经营分析的IT应用分为大屏展示、固定报表、自助分析等。

以上是一个基于大数据做的经营分析。在企业里做这类经营分析的时候,无非就是要知道什么时间、地点,发生了什么事。过去我们做分析要分为6步:业务人员提需求、部门确认做调研,然后做数据需求,报表设计,最后呈现。而现在我们可以根据BI产品里提供的各种分析工具(比如排序分析、对比分析等),减少了很多流程,大大缩短了分析呈现的周期。

这是一个实时大屏的案例。刚才我们展示的是互动模式,一般都是T+1、T+2。大屏可以做到实时的、或是延迟5分钟的情况,对于我们进行监控比较有利。

02 商业银行的智能风控

下面我们讲讲风险问题。什么是风险?任何的不确定性就是风险,那归根到底是缺乏决策所依赖的信息。

过去风险还比较容易控制,因为银行当时只做大型企业,几个甚至十几个客户经理对接一家企业,企业的信息他们看的跟明镜一样,所以数据挖掘对他们没有多么重要。但是随着很多银行开始做小微客户,客户越来越下沉,客户经理越来越难以分析客户情况。这种情况下他们会发现面临的风险跟过去完全不一样了。

存在风险,主要是不了解客户。降低风险的第一步是要打通客户数据。解决方案其实很简单,就是把不同维度的数据打通。我们对企业越了解,它的不确定性就越少,所谓风险就可以被我们识别了。实现这种效果的第一个方案,就是把数据整合在一块儿,不论是内部还是外部的信息。我举个具体的例子。 这是利用工商注册信息,通过企业投资图谱建立联系。现在随便百度一个企业,都可以看到这些数据。

我们过去研究银行在做贷后管理的时候,他们说如果能够提前5天知道客户将违约,就是很大的受益了。对于银行来说,他们只要比兄弟银行早一天去收债,损失就会小很多。现在就有这方面的系统,能提前3个月知道哪些企业要出现问题。大家知道中国的企业关联性很强,有一家企业出现财务危机了,大概率情况下3个月内对其他关联企业也会产生影响。

03 如何应用客户智能进行精细化运营?

下面我们说客户智能。刚才提到我们是要做超级客户,不是做杀熟。我们要营销一个产品,最主要就是了解这个产品的特征,进而要寻找客户的标签。

这个标签是什么,标签就是引起客户在决策点形成差异性的一些变量。

1. 以汽车销售为例的用户标签

举个例子,现在有个卖车的网站,卖的是一手车,它的价格区间有10万以下,10万至15万,15万至30万,哪些标签会对价格决策点形成差异性?你需要考虑你的客户有什么标签

有人说是年收入,这个标签确实很好。客户的标签会影响这个决策点的产生、差异性。

接下来,如果同样是15至30万的档次的车,因为对于产品的标签,除了价格以外还可以再细分,比如汽车的油耗。这时候就该其他标签起作用了,比如所在地域是否定期健身等。

从上面的例子可以看出,我们做营销时,一方面要掌握产品的标签,可以描述出产品的特性、潜在人群。另一方面来自于客户的特质,这些标签可以透露其行为偏好

渠道会对我们的标签和决策点有什么影响?它主要起调节作用。我举个例子,比如说一个三十多岁的城市白领,整天在城市里,偶尔去郊区玩,开车主要是上上下班和接送孩子。有大概是15万到30万的预算,这个时候如果在网上买车,他是在冷静中做决策的情况下,一般会买一个普通的SUV。但是如果是在展销会上,有可能会被现场的场景所激发,买了一辆城市越野。

不同的信息接触点,也会对我们这样的偏好产生一定的影响,这就是渠道的作用。渠道并不单单指在购买那个点产生的影响,而是整个决策链条上,不同的信息技术渠道都会影响我们的决策。

2. 如何制作用户标签

现在商业企业都知道做标签的重要性了,而且不惜花大价钱请咨询公司来作标签体系,还要用到各种复杂的算法。其实一般情况下做最有价值的那些标签没什么难度,无非就是把我们能收集的关于客户数据堆在一块儿而已,有些叫360视图。

这些信息其实是原材料,堆完之后我们就开始动脑筋想办法做标签了。我们通过一些方法,比如客户的上下班驾车时间,看他是高峰期上下班,还是错峰上下班,这些都可以变成我们的标签。

举一个早在2013年某信用卡公司做“潜在高价值客户”这个标签的例子。所谓高价值客户就是每个月给信用卡中心贡献钱多的,无非就是有消费带来的钱,还有就是利息带来的钱。

以往获取高价值客户的思路是抢客户,寻找其他家的高价值客户,然后把他抢过来。这就造成了我们大部分公司都会产生的困境,就是相互PK,大家都不去培养潜在的高价值客户。

这家信用卡公司的思路很超前,希望自己培育客户,提前发现那些有潜质的客户,重点培育。但是在标签的时候遇到了困难,因为基本的客户属性标签和社会经济标签在这块用处并不大。

我们开始分析是什么样人会成为高价值客户。分析思路是这样的:曾经一个银行的柜员向我抱怨,她的一个同事特别爱拍马屁,别人都跟领导走的关系不近,而她管领导叫女神,女神干什么她干什么,衣食化妆品方面都在模仿她的那个女神。当然她的收入有限,消费的总额并不多。一年以后她成了大堂副经理。是不是因为女神喜欢她而提拔她?不是,因为女神走了之后她照样被提拔。

这个问题告诉我们什么?跟成功人士像的人是潜在的成功人士。所以,我们的做法就是看每个不同人的信用卡记录,就看他消费物品的种类。我们先统计既有的高价值客户购买的产品结构,然后再看非高价值客户中,哪些人购买的产品结构和目前的高价值客户相似。这叫做Lookalike策略,现在被广泛的用于数字化营销。

标签其实就是对客户进行洞察的结果,是一个归纳性的东西。基于客户标签就可以制定有针对性的营销策略。 以下是一个从客户标签,到客户需求推断,再到营销活动策略的示例。

最后,很多人关心标签是否准确,其实这一点并不重要。因为营销是看效果的,只要营销效果有提升,标签不准又如何?

而且标签的准确性依赖于数据。客户业务少,行为信息就少,标签准确性就差;客户被激活了,行为信息多,标签就准确性高了。我们不应该纠结于是先找好鸡蛋孵小鸡,还是先找好鸡下好蛋。只要方法论正确,效果就会在迭代中提升。

关于作者:常国珍,《Python数据科学:技术详解与商业实践》一书作者,数据科学专家和金融技术专家。北京大学会计学博士,中国大数据产业生态联盟专家委员会委员。2005年进入数据科学领域,先后在亚信、德勤等企业从事电信、金融行业数据挖掘工作,现就职于中银消费金融有限公司数据管理部。专注于消费金融领域的数据治理、客户智能与风险智能。

延伸阅读《Python数据科学》

转载请联系微信:togo-maruko

推荐语:这是一本以Python为工具,以商业实战为导向的数据科学家养成手册,从技术、业务、商业实战3个维度为有志成为数据科学家的读者提供了系统化的学习路径。

原文发布于微信公众号 - 大数据(hzdashuju)

原文发表时间:2018-08-05

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏灯塔大数据

AI正在改变你看电视的“姿势”

导读:上一期给大家全球人工智能领域的天使投资TOP排行榜,今天我们来了解一下,以电视为例,人工智能和AI对我们的日常生活和娱乐带来了哪些变化。(文末更多往期译文...

3437
来自专栏企鹅号快讯

IBM沈晓卫:预测未来最好的方式是去创造未来

预测未来最好的方式是去创造未来。今天与其我们来预测未来的技术,不如根据我们今天已经开始的创新,来谈谈未来的技术。套一句时髦的话,叫作未来已来。 ? 沈晓卫 IB...

2136
来自专栏AI研习社

品物 | 一篇文章告诉你,小米如何玩转“人工智能”

唯物按:2016年8月12、13日,雷锋网在深圳举办了盛况空前的“全球人工智能与机器人峰会(CCF-GAIR)”,来自中美加的全球最为顶尖的科研实验室、学术权威...

6057
来自专栏数据的力量

当我们谈到大数据时,大数据工程师们谈些什么?

1236
来自专栏数据的力量

【前景】如何成为一名大数据工程师

大数据是眼下非常时髦的技术名词,与此同时自然也催生出了一些与大数据处理相关的职业,通过对数据的挖掘分析来影响企业的商业决策。这群人在国外被叫做数据科学家(Dat...

1082
来自专栏大数据文摘

谁能做大数据工程师?

1838
来自专栏DT数据侠

你为什么应该关注“数据科学50人”?

喧嚣尘上的每一次技术浪潮,归根结底,都是“人”在创造、在改变、在影响。当你关注数据科学的时候,我们希望为你从那些创造者身上,看到这个时代的微光。

1170
来自专栏新智元

【AI碾压金融成薪资最高行业】35位数据科学家透露秘诀:做好PPT!

职业招聘信息网站Indeed.com近日发布报告称,自2015年6月到2018年6月,与人工智能或机器学习有关的工作岗位数量增长了99.8%。

1012
来自专栏AI科技大本营的专栏

AI时代,谈数据分析时我们要谈些什么?

根据维基百科的定义,数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数...

1433
来自专栏云计算D1net

云计算的创新型应用引人期待

对许多人来说,云计算从传统的方程式中移除了处理能力的限制,让你更自由,更创新地思考。成本方面只增长的一点点,或是根本就没增长;使用一次电脑 1000个小时的开销...

41212

扫码关注云+社区

领取腾讯云代金券