1、[恒豐銀行]基于大數(shù)據(jù)的精準(zhǔn)營(yíng)銷模型應(yīng)用

【案例】恒豐銀行——基于大數(shù)據(jù)的精準(zhǔn)營(yíng)銷模型應(yīng)用 https://mp.weixin.qq.com/s?src=3&timestamp=1500159788&ver=1&signature=pCHfpePVrKXUGp39JEg577lopIPT9KCdx9FqIL2LbRmunZMQ-86itFcexY XKcX3Vb1ypwGo8v0IU6fkNgcs QIafGAccsZFmMb6yBYcuPdqH63EKBvL88BGFaUrBBPQl0v*mpgzYxrTCkcaJGaX2iIFRHZEDNCmuM0qhqqN294=

本篇案例為數(shù)據(jù)猿推出的大型 “金融大數(shù)據(jù)主題策劃” 活動(dòng) （查看詳情） 第一部分的系列案例/征文；感謝** 恒豐銀行** 的投遞

作為整體活動(dòng)的第二部分，2017年6月29日，由數(shù)據(jù)猿主辦，上海金融信息行業(yè)協(xié)會(huì)、互聯(lián)網(wǎng)普惠金融研究院合辦，中國(guó)信息通信研究院、大數(shù)據(jù)發(fā)展促進(jìn)委員會(huì)、上海大數(shù)據(jù)聯(lián)盟、首席數(shù)據(jù)官聯(lián)盟、中國(guó)大數(shù)據(jù)技術(shù)與應(yīng)用聯(lián)盟協(xié)辦的 《「數(shù)據(jù)猿·超聲波」之金融科技·商業(yè)價(jià)值探索高峰論壇》 還將在上海隆重舉辦 【論壇詳情】 【上屆回顧（點(diǎn)擊閱讀原文查看）】

在論壇現(xiàn)場(chǎng)，也將頒發(fā) “技術(shù)創(chuàng)新獎(jiǎng)”、“應(yīng)用創(chuàng)新獎(jiǎng)”、“最佳實(shí)踐獎(jiǎng)”、“優(yōu)秀案例獎(jiǎng)” 四大類案例獎(jiǎng)

本文長(zhǎng)度為 6000 字，建議閱讀 12 分鐘

如今，商業(yè)銀行信息化的迅速發(fā)展，產(chǎn)生了大量的業(yè)務(wù)數(shù)據(jù)、中間數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)，大數(shù)據(jù)隨之興起。要從這些海量數(shù)據(jù)中提取出有價(jià)值的信息，為商業(yè)銀行的各類決策提供參考和服務(wù)，需要結(jié)合大數(shù)據(jù)和人工智能技術(shù)。國(guó)外的匯豐、花旗和瑞士銀行是數(shù)據(jù)挖掘技術(shù)應(yīng)用的先行者。在國(guó)內(nèi)的商業(yè)銀行中，大數(shù)據(jù)的思想和技術(shù)逐步開(kāi)始在業(yè)務(wù)中獲得實(shí)踐和嘗試。

面對(duì)日趨激烈的行業(yè)內(nèi)部競(jìng)爭(zhēng)及互聯(lián)網(wǎng)金融帶來(lái)的沖擊，傳統(tǒng)的上門營(yíng)銷、電話營(yíng)銷，甚至是掃街營(yíng)銷等方式跟不上時(shí)代的節(jié)奏。利用精準(zhǔn)營(yíng)銷可節(jié)約大量的人力物力、提高營(yíng)銷精準(zhǔn)程度，并減少業(yè)務(wù)環(huán)節(jié)，無(wú)形中為商業(yè)銀行節(jié)約了大量的營(yíng)銷成本。

雖然恒豐銀行內(nèi)部擁有客戶的基本信息和交易等大量數(shù)據(jù)，但是傳統(tǒng)的營(yíng)銷系統(tǒng)并沒(méi)有挖掘出行內(nèi)大量數(shù)據(jù)的價(jià)值，仍然停留在傳統(tǒng)的規(guī)則模型。當(dāng)下，恒豐銀行接入了大量的外部數(shù)據(jù)，有著更多的維度，如果將內(nèi)部數(shù)據(jù)與外部數(shù)據(jù)進(jìn)行交叉，則能產(chǎn)生更大的價(jià)值?？蛻粜畔⑹占饺?、完整，數(shù)據(jù)分析得到的結(jié)論就越趨向于合理和客觀。利用人工智能技術(shù)，建立精準(zhǔn)營(yíng)銷系統(tǒng)變得可能且必要。

恒豐銀行基于大數(shù)據(jù)的精準(zhǔn)營(yíng)銷方案是利用大數(shù)據(jù)平臺(tái)上的機(jī)器學(xué)習(xí)模型深入洞察客戶行為、客戶需求，客戶偏好，挖掘潛出在客戶，實(shí)現(xiàn)可持續(xù)的營(yíng)銷計(jì)劃。

周期/節(jié)奏

2016.4-2016.5 完成需求梳理和業(yè)務(wù)調(diào)研，并在此基礎(chǔ)上進(jìn)行總體方案設(shè)計(jì)。
2016.5-2016.8 整理銀行內(nèi)、外部數(shù)據(jù)，根據(jù)營(yíng)銷需求制定客戶標(biāo)簽和設(shè)計(jì)文檔，實(shí)施用戶畫像。
2016.8-2016.10 在用戶畫像的基礎(chǔ)上，構(gòu)建理財(cái)產(chǎn)品個(gè)性化推薦系統(tǒng)。其中包括個(gè)性化推薦算法調(diào)研，模型對(duì)比等一系列工作。
2016.10-2017.1 客戶需求預(yù)測(cè)并對(duì)客戶價(jià)值進(jìn)行建模，并完善整合精準(zhǔn)營(yíng)銷應(yīng)用模型。
2017.1-2017.3 用戶畫像、個(gè)性化推薦、客戶價(jià)值預(yù)測(cè)等精準(zhǔn)營(yíng)銷模型上線。

客戶名稱/所屬分類

恒豐銀行/客戶管理

任務(wù)/目標(biāo)

根據(jù)零售業(yè)務(wù)營(yíng)銷要求，運(yùn)用多種數(shù)據(jù)源分析客戶行為洞察客戶需求，實(shí)現(xiàn)精準(zhǔn)營(yíng)銷與服務(wù)，提高銀行客戶滿意度和忠誠(chéng)度。

針對(duì)不同的客戶特征、產(chǎn)品特征和渠道特征，制定不同市場(chǎng)推廣策略。為了完成以上任務(wù)，主要從以下幾個(gè)方面構(gòu)建精準(zhǔn)營(yíng)銷系統(tǒng)：

1.用戶畫像： 結(jié)合用戶的歷史行為和基本屬性給用戶打標(biāo)簽。

2.精準(zhǔn)推薦系統(tǒng)： 給用戶推薦個(gè)性化理財(cái)產(chǎn)品， 例如在微信銀行中給每個(gè)客戶推薦他喜歡的產(chǎn)品，幫客戶找到其最適合的產(chǎn)品，增加產(chǎn)品的購(gòu)買率。

3.需求預(yù)測(cè)和客戶價(jià)值： 新產(chǎn)品發(fā)售的時(shí)候，找到最有可能購(gòu)買該產(chǎn)品的客戶，進(jìn)行短信營(yíng)銷，進(jìn)而提高產(chǎn)品響應(yīng)率。客戶價(jià)值精準(zhǔn)定位，根據(jù)客戶價(jià)值水平制定不同的推薦策略。銀行通過(guò)計(jì)算客戶使用其產(chǎn)品與服務(wù)后所形成的實(shí)際業(yè)務(wù)收益，充分了解每一個(gè)客戶的貢獻(xiàn)度，為管理層提供決策支撐。

挑戰(zhàn)

項(xiàng)目實(shí)施過(guò)程由用戶畫像，精準(zhǔn)推薦系統(tǒng)，需求預(yù)測(cè)和客戶價(jià)值建模三部分組成，采用TDH機(jī)器學(xué)習(xí)平臺(tái)Discover所提供的算法和模型庫(kù)進(jìn)行開(kāi)發(fā)和驗(yàn)證。

（一）用戶畫像的建立

客戶標(biāo)簽主要包含客戶基本屬性，客戶等級(jí)標(biāo)簽，客戶偏好標(biāo)簽，客戶交易特征，客戶流失特征，客戶信用特征，客戶終身價(jià)值標(biāo)簽，客戶潛在需求標(biāo)簽。

（二）精準(zhǔn)推薦系統(tǒng)的建立

由于系統(tǒng)復(fù)雜，且篇幅有限，僅對(duì)其中最重要的理財(cái)推薦系統(tǒng)做詳細(xì)闡述。精準(zhǔn)推薦系統(tǒng)架構(gòu)圖如下。

2.1業(yè)務(wù)問(wèn)題轉(zhuǎn)化為機(jī)器學(xué)習(xí)問(wèn)題

業(yè)務(wù)問(wèn)題

銀行理財(cái)產(chǎn)品個(gè)性化推薦給客戶。 例如在微信銀行中給每個(gè)客戶推薦此客戶喜歡的產(chǎn)品，幫客戶找到其最適合的產(chǎn)品，增加產(chǎn)品的購(gòu)買率。

將業(yè)務(wù)問(wèn)題轉(zhuǎn)化為機(jī)器學(xué)習(xí)問(wèn)題

理財(cái)產(chǎn)品種類繁多，產(chǎn)品迭代速度很快，客戶在繁多的產(chǎn)品中不能快速找到適合自己的產(chǎn)品，因此有必要建立一個(gè)自動(dòng)化推薦模型，建立客戶理財(cái)偏好，給客戶推薦最適合的產(chǎn)品。

將銀行理財(cái)產(chǎn)品推薦業(yè)務(wù)問(wèn)題轉(zhuǎn)化為機(jī)器學(xué)習(xí)問(wèn)題，進(jìn)而利用人工智能技術(shù)提高推薦產(chǎn)品的點(diǎn)擊率和購(gòu)買率。例如在恰當(dāng)?shù)臅r(shí)間，通過(guò)用戶偏好的渠道給用戶推薦產(chǎn)品，推薦的結(jié)果為用戶購(gòu)買或者未購(gòu)買。這個(gè)問(wèn)題可以看作一個(gè)典型機(jī)器學(xué)習(xí)二分類問(wèn)題：基于歷史營(yíng)銷數(shù)據(jù)來(lái)訓(xùn)練模型，讓模型自動(dòng)學(xué)到客戶購(gòu)買的產(chǎn)品偏好，并預(yù)測(cè)客戶下次購(gòu)買理財(cái)產(chǎn)品的概率。對(duì)模型預(yù)測(cè)出所有客戶對(duì)所有產(chǎn)品的響應(yīng)概率進(jìn)行排序，可選擇客戶購(gòu)買概率最高的topN個(gè)產(chǎn)品推薦給客戶。

下面將敘述如何構(gòu)建該推薦預(yù)測(cè)模型。

2.2數(shù)據(jù)源準(zhǔn)備

在建立的一個(gè)理財(cái)推薦模型之前，可以預(yù)見(jiàn)到相似的客戶可能會(huì)喜好相似的產(chǎn)品（需要表征客戶和產(chǎn)品的數(shù)據(jù)），同一個(gè)人的喜好可能具有連續(xù)性（購(gòu)買歷史交易數(shù)據(jù)，包括基金國(guó)債等），他的存款、貸款資金可能決定了他能購(gòu)買什么檔次的理財(cái)?shù)鹊取Ｒ虼?，我們需要?zhǔn)備以下數(shù)據(jù)。

客戶基本屬性：客戶性別，年齡，開(kāi)戶時(shí)間，評(píng)估的風(fēng)險(xiǎn)等級(jí)等等。
產(chǎn)品基本屬性：產(chǎn)品的逾期收益率，產(chǎn)品周期，保本非保本，風(fēng)險(xiǎn)等級(jí)等。
客戶購(gòu)買理財(cái)產(chǎn)品的歷史：在什么時(shí)候購(gòu)買什么產(chǎn)品以及購(gòu)買的金額。
客戶的存款歷史： 客戶歷史存款日均余額等。
客戶的貸款歷史： 客戶歷史貸款信息等。
客戶工資：客戶工資的多少也決定了客戶購(gòu)買理財(cái)?shù)念~度和偏好。
用戶畫像提取的特征：用戶的AUM等級(jí)，貢獻(xiàn)度，之前購(gòu)買基金，國(guó)債的金額等。

2.3特征轉(zhuǎn)換和抽取

有了這么多數(shù)據(jù)，但是有一部分特征是算法不能直接處理的，還有一部分?jǐn)?shù)據(jù)是算法不能直接利用的。

特征轉(zhuǎn)換

把不能處理的特征做一些轉(zhuǎn)換，處理成算法容易處理的干凈特征。舉例如下：

開(kāi)戶日期。就時(shí)間屬性本身來(lái)說(shuō)，對(duì)模型來(lái)說(shuō)不具有任何意義，需要把開(kāi)戶日期轉(zhuǎn)變成到購(gòu)買理財(cái)時(shí)的時(shí)間間隔。

產(chǎn)品特征。從理財(cái)產(chǎn)品信息表里面可以得到風(fēng)險(xiǎn)等級(jí)，起點(diǎn)金額等。但是并沒(méi)有標(biāo)志這款產(chǎn)品是否是新手專屬，是否是忠誠(chéng)客戶專屬。這就需要我們從產(chǎn)品名字抽取這款產(chǎn)品的上述特征。

客戶交易的時(shí)間信息。同客戶的開(kāi)戶日期，孤立時(shí)間點(diǎn)的交易信息不具有任何意義，我們可以把交易時(shí)間轉(zhuǎn)變?yōu)榫嚯x上次購(gòu)買的時(shí)間間隔。

特征抽取

還有一部分?jǐn)?shù)據(jù)算法不能直接利用，例如客戶存款信息，客戶交易信息。我們需用從理財(cái)交易和存款表中抽取可能有用的信息。

用戶存款信息：根據(jù)我們的經(jīng)驗(yàn)，客戶購(gòu)買理財(cái)之前的存款變動(dòng)信息更能表明客戶購(gòu)買理財(cái)?shù)恼鎸?shí)想法，因此我們需要從客戶歷史存款數(shù)據(jù)抽取客戶近三個(gè)月，近一個(gè)月，近一周的日均余額，以體現(xiàn)客戶存款變化。

客戶交易信息：客戶最近一次購(gòu)買的產(chǎn)品、購(gòu)買的金額、及其相關(guān)屬性，最近一個(gè)月購(gòu)買的產(chǎn)品、購(gòu)買的金額及其相關(guān)屬性等等。

以上例舉的只是部分特征。

2.4構(gòu)造、劃分訓(xùn)練和測(cè)試集

構(gòu)造

以上說(shuō)明了如何抽取客戶購(gòu)買理財(cái)?shù)南嚓P(guān)特征，只是針對(duì)正樣本的，即客戶購(gòu)買某種理財(cái)時(shí)候的特征。隱藏著的信息是，此客戶當(dāng)時(shí)沒(méi)有購(gòu)買其他在發(fā)售的產(chǎn)品。假設(shè)把客戶購(gòu)買了產(chǎn)品的標(biāo)簽設(shè)為1，沒(méi)有購(gòu)買的產(chǎn)品樣本設(shè)為0，我們大致有如下訓(xùn)練樣本（只列舉部分特征）。

其中客戶是否購(gòu)買產(chǎn)品是我們?cè)谟斜O(jiān)督訓(xùn)練的標(biāo)簽，也就是我們建立的是一個(gè)預(yù)測(cè)客戶是否會(huì)購(gòu)買產(chǎn)的模型。

劃分訓(xùn)練集和測(cè)試集

考慮到最終模型會(huì)預(yù)測(cè)將來(lái)的某時(shí)間客戶購(gòu)買某種產(chǎn)品的概率，為了更真實(shí)的測(cè)試模型效果，以時(shí)間來(lái)切分訓(xùn)練集和測(cè)試集。具體做法如下。假設(shè)我們有2016-09-01 ~ 2017-03-20 的理財(cái)購(gòu)買相關(guān)數(shù)據(jù)。以2016-09-01 ~ 2017-03-19的理財(cái)交易數(shù)據(jù)作為訓(xùn)練，2017-03-20這一天的客戶對(duì)每個(gè)產(chǎn)品是否購(gòu)買的數(shù)據(jù)作為測(cè)試。以2016-09-01 ~ 2017-03-18的理財(cái)交易數(shù)據(jù)作為訓(xùn)練，2017-03-19這一天的客戶對(duì)每個(gè)產(chǎn)品是否購(gòu)買的數(shù)據(jù)作為測(cè)試，以此類推。

2.5模型訓(xùn)練

根據(jù)提取的特征，組成樣本寬表，輸入到分類模型，這里選擇了TDH平臺(tái)機(jī)器學(xué)習(xí)組件Discover所提供的近百個(gè)分布式算法進(jìn)行建模和訓(xùn)練，同時(shí)我們還使用了特征的高階交叉特性進(jìn)行推薦的預(yù)測(cè)和分析。

2.6模型評(píng)估

評(píng)價(jià)推薦好壞的指標(biāo)很多，比較常用的有

1.ROC曲線下面積（AUC）
2.logloss
3.推薦產(chǎn)品第一次命中rank的倒數(shù)（MRR）
4.TopN

針對(duì)銀行的理財(cái)推薦實(shí)際業(yè)務(wù)，客戶當(dāng)天絕大多數(shù)是只購(gòu)買了某一款理財(cái)，MRR(Mean Average Precision 的特殊情況)能反應(yīng)這種情況下推薦的好壞。另一種直觀的評(píng)價(jià)指標(biāo)是TopN，假定我們只推薦N個(gè)模型認(rèn)為客戶最有可能購(gòu)買的產(chǎn)品，并和真實(shí)情況比較，就能得到當(dāng)天推薦的結(jié)果的混淆矩陣，TN，TP，F(xiàn)N，F(xiàn)P，recall，precision等。

我們?cè)谏a(chǎn)上驗(yàn)證了最近十天的推薦效果，即測(cè)試了2017-03-20， 2017-03-19，…… , 2017-03-11等十天的推薦效果，以下是這些結(jié)果的評(píng)價(jià)。

AUC

Logloss

MRR

0.89

0.45

0.78

也可以把新客戶（之前沒(méi)有購(gòu)買理財(cái)）和老客戶（至少購(gòu)買過(guò)一次）分開(kāi)評(píng)估效果。 新客戶的購(gòu)買占了整個(gè)理財(cái)購(gòu)買的1/3 以上。

測(cè)試新客戶的預(yù)測(cè)效果，可以看出模型對(duì)冷啟動(dòng)問(wèn)題解決的好壞。

對(duì)新客戶的預(yù)測(cè)效果

AUC

Logloss

MRR

0.80

0.73

0.32

對(duì)老客戶的預(yù)測(cè)效果

AUC

Logloss

MRR

0.92

0.38

0.88

2.7模型優(yōu)化

1.上線之前的優(yōu)化：特征提取，樣本抽樣，參數(shù)調(diào)參
2.上線之后的迭代，根據(jù)實(shí)際的A/B testing和業(yè)務(wù)人員的建議改進(jìn)模型

（三）需求預(yù)測(cè)和客戶價(jià)值

“顧客終生價(jià)值”(Customer Lifetime Value)指的是每個(gè)購(gòu)買者在未來(lái)可能為企業(yè)帶來(lái)的收益總和。研究表明，如同某種產(chǎn)品一樣，顧客對(duì)于企業(yè)利潤(rùn)的貢獻(xiàn)也可以分為導(dǎo)入期、快速增長(zhǎng)期、成熟期和衰退期。

經(jīng)典的客戶終身價(jià)值建模的模型基于客戶RFM模型。模型簡(jiǎn)單的把客戶劃分為幾個(gè)狀態(tài)，有一定意義但不一定準(zhǔn)確，畢竟RFM模型用到的特征不全面，不能很好的表征客戶的價(jià)值以及客戶銀行關(guān)系管理。

為了方便的對(duì)客戶終身價(jià)值建模，有幾個(gè)假定條件。其一把客戶的購(gòu)買價(jià)值近似為客戶為企業(yè)帶來(lái)的總收益，其二把未來(lái)時(shí)間定義在未來(lái)一個(gè)季度、半年或者一年。也就是我們通過(guò)預(yù)測(cè)客戶在下一個(gè)時(shí)間段內(nèi)的購(gòu)買價(jià)值來(lái)定義客戶的終身價(jià)值。因此，我們將預(yù)測(cè)的問(wèn)題分為兩個(gè)步驟：第一步預(yù)測(cè)這個(gè)客戶在下一個(gè)階段是否會(huì)發(fā)生購(gòu)買（需求預(yù)測(cè)）。第二步對(duì)預(yù)測(cè)有購(gòu)買行為的客戶繼續(xù)建模預(yù)測(cè)會(huì)購(gòu)買多大產(chǎn)品價(jià)值。

3.1需求預(yù)測(cè)

提取客戶定活期存款、pos機(jī)刷卡、渠道端查詢歷史等特征，以這些特征作為輸入預(yù)測(cè)用戶在當(dāng)前時(shí)間節(jié)點(diǎn)是否有購(gòu)買需求，訓(xùn)練和測(cè)試樣本構(gòu)造如下：

1.歷史用戶購(gòu)買記錄作為正樣本。
2.抽樣一部分從未購(gòu)買的理財(cái)產(chǎn)品的用戶作為負(fù)樣本集合Un，對(duì)于每一個(gè)正樣本Un中隨機(jī)選取一個(gè)用戶構(gòu)造負(fù)樣本。
3.選取2016.04-201610 的購(gòu)買數(shù)據(jù)作為訓(xùn)練樣本，2016.11的數(shù)據(jù)作為測(cè)試樣本。

使用機(jī)器學(xué)習(xí)算法進(jìn)行分類訓(xùn)練和預(yù)測(cè)，重復(fù)上述實(shí)驗(yàn)，得到下列結(jié)果:

AUC: 0.930451274
precision: 0.8993963783
recall: 0.8357507082
fmeasure: 0.8664062729

進(jìn)一步對(duì)客戶分群之后，可以更好的對(duì)新客戶進(jìn)行建模，對(duì)于老客戶我們可以進(jìn)一步提取他們的歷史購(gòu)買特征，預(yù)測(cè)他們?cè)谙乱欢螘r(shí)間內(nèi)購(gòu)買的產(chǎn)品價(jià)值（數(shù)量，金額等），對(duì)于新客戶，可以進(jìn)根據(jù)他的存款量預(yù)測(cè)其第一次購(gòu)買的產(chǎn)品價(jià)值，把存款客戶變成理財(cái)客戶。通過(guò)分析客戶存款變動(dòng)于客戶購(gòu)買理財(cái)?shù)年P(guān)系，我們發(fā)現(xiàn)客戶購(gòu)買理財(cái)?shù)那耙欢螘r(shí)間內(nèi)定活期的增加的有不同的模式，如下圖。

根據(jù)需求預(yù)測(cè)模型，我們給出新客戶最有可能購(gòu)買的top N 列表，然后由業(yè)務(wù)人員進(jìn)行市場(chǎng)推廣。

3.2客戶價(jià)值預(yù)測(cè)

進(jìn)一步預(yù)測(cè)有購(gòu)買需求的客戶的購(gòu)買價(jià)值高低。這是個(gè)回歸問(wèn)題，但是預(yù)測(cè)變量從二分類變量變?yōu)轭A(yù)測(cè)連續(xù)的金額值。訓(xùn)練的時(shí)候預(yù)測(cè)值取訓(xùn)練周期內(nèi)（一個(gè)月或者季度）客戶所購(gòu)買的總金額。

算出客戶的當(dāng)前價(jià)值（即當(dāng)前階段購(gòu)買的產(chǎn)品價(jià)值）和未來(lái)價(jià)值（預(yù)測(cè)的下一個(gè)階段的客戶價(jià)值）可以幫助我們鑒定客戶處于流失階段，或者上升階段，或者是穩(wěn)定階段。當(dāng)前價(jià)值取的是當(dāng)前時(shí)間前三個(gè)月的交易量。對(duì)流失階段高價(jià)值客戶可以適當(dāng)給予營(yíng)銷優(yōu)惠，對(duì)于有購(gòu)買意向的客戶適當(dāng)引導(dǎo)。如下圖所示。

結(jié)果/效果

一是提高銀行營(yíng)銷準(zhǔn)確性。隨著客戶不斷增加，理財(cái)產(chǎn)品也在不斷推陳出新，在實(shí)時(shí)精準(zhǔn)營(yíng)銷平臺(tái)的幫助下，銀行從以前盲目撒網(wǎng)式的營(yíng)銷方式轉(zhuǎn)變到對(duì)不同客戶精準(zhǔn)觸達(dá)，提高了理財(cái)產(chǎn)品的營(yíng)銷成功率，降低銷售和運(yùn)作成本。理財(cái)產(chǎn)品推薦的上線以來(lái)，產(chǎn)品推薦成功率比專家經(jīng)驗(yàn)排序模型最高提升10倍。

二是增加銀行獲客數(shù)量。精準(zhǔn)營(yíng)銷系統(tǒng)洞察客戶潛在需求和偏好，提高了銀行獲取目標(biāo)客戶群的準(zhǔn)確率。從數(shù)百萬(wàn)客戶中,通過(guò)機(jī)器學(xué)習(xí)模型,找到最有可能購(gòu)買產(chǎn)品的客戶群，通過(guò)渠道營(yíng)銷，實(shí)現(xiàn)響應(yīng)率提升。相比傳統(tǒng)盲發(fā)模式，發(fā)送原38%的短信即可覆蓋80%的客戶。

通過(guò)構(gòu)建基于大數(shù)據(jù)的精準(zhǔn)營(yíng)銷方案，恒豐銀行深入洞察客戶行為、需求、偏好，幫助銀行深入了解客戶，并打造個(gè)性化推薦系統(tǒng)和建立客戶價(jià)值預(yù)測(cè)模型，實(shí)現(xiàn)可持續(xù)的營(yíng)銷計(jì)劃。

2、剛?cè)胄凶鯬OS機(jī)代理,不知道怎樣找精準(zhǔn)客戶,大家都從什么地方找客戶。

電信、聯(lián)通運(yùn)營(yíng)商精準(zhǔn)數(shù)據(jù)
一、直接提取競(jìng)爭(zhēng)對(duì)手公司做競(jìng)價(jià)推廣頁(yè)面的意向客戶聯(lián)系方式
二、直接提取競(jìng)爭(zhēng)對(duì)手公司咨詢座機(jī)接通的客戶聯(lián)系方式，
三、直接提取同行業(yè)APP注冊(cè)的用戶聯(lián)系方式
各行各業(yè)，只要你需要意向客戶，我就能幫你。 利用大數(shù)據(jù)幫助機(jī)構(gòu)低成本獲取高意向度的客戶資源，我們做的是運(yùn)營(yíng)商大數(shù)據(jù)項(xiàng)目，有自己獨(dú)立的后臺(tái)！有協(xié)議，有合同，有行業(yè)建議，有后期服務(wù)！

3、如何獲得精準(zhǔn)的pos數(shù)據(jù)

企業(yè)可以利用運(yùn)營(yíng)商大數(shù)據(jù)，獲得精準(zhǔn)的pos數(shù)據(jù)。

作為一款收單商品，手機(jī)POS遮蓋全部客戶。中國(guó)銀聯(lián)承擔(dān)與每個(gè)手機(jī)生產(chǎn)商深層協(xié)作，將手機(jī)POS安裝布署到每個(gè)生產(chǎn)商的手機(jī)中，并以出示統(tǒng)一的POS控制方式為每個(gè)收單組織 顛覆式創(chuàng)新。

運(yùn)營(yíng)商大數(shù)據(jù)精準(zhǔn)獲客，用戶數(shù)據(jù)抓取的原理。

任何行業(yè)，企業(yè)都可以利用三網(wǎng)運(yùn)營(yíng)商大數(shù)據(jù)進(jìn)行精準(zhǔn)獲客。比如你是做POS行業(yè)，想要一批有POS機(jī)需求的客戶，那么就可以利用運(yùn)營(yíng)商大數(shù)據(jù)來(lái)進(jìn)行建模，可以搜集同行，比如可以抓取相關(guān)app。

隨行付、瑞銀信、星驛付 等等。這些POS機(jī)相關(guān)app注冊(cè)用戶 肯定是潛在的意向客戶）競(jìng)品的相關(guān)平臺(tái)和標(biāo)簽（網(wǎng)站，網(wǎng)頁(yè)，網(wǎng)址，URL;手機(jī)APP;400電話，固話，座機(jī)；短信；關(guān)鍵詞等）進(jìn)行建模。

實(shí)時(shí)截流訪客數(shù)據(jù)，還可以通過(guò)建模對(duì)其客戶的地域，性別，年齡，訪問(wèn)次數(shù)，通話時(shí)長(zhǎng)等維度進(jìn)行精準(zhǔn)的篩選、數(shù)據(jù)是實(shí)時(shí)數(shù)據(jù)，如此實(shí)時(shí)的客戶數(shù)據(jù)既可以保障相關(guān)客戶的意向度，也可以保證相關(guān)合作的行業(yè)，企業(yè)可以第一時(shí)間對(duì)客戶進(jìn)行觸達(dá)，從而進(jìn)行確定意向，轉(zhuǎn)化，和成交。

總結(jié)如下：

作為一款收單商品，手機(jī)POS遮蓋全部客戶。中國(guó)銀聯(lián)承擔(dān)與每個(gè)手機(jī)生產(chǎn)商深層協(xié)作，將手機(jī)POS安裝布署到每個(gè)生產(chǎn)商的手機(jī)中，并以出示統(tǒng)一的POS控制方式為每個(gè)收單組織 顛覆式創(chuàng)新。

4、pos機(jī)虛擬刷卡地址大數(shù)據(jù)能查到嗎

不能。pos機(jī)虛擬刷卡地址大數(shù)據(jù)不能查到，pos機(jī)商戶的信息只能查詢到持卡人身份信息。pos機(jī)是一種配有條碼或OCR碼技術(shù)終端閱讀器，有現(xiàn)金或易貨額度出納功能。

5、POS行業(yè)如何找客戶?

首先做POS之前你的思想有沒(méi)做好了做POS機(jī)代理的準(zhǔn)備，因?yàn)樽鲞@一行跟其他行業(yè)有很大的不同，不同的地方體現(xiàn)在：1、剛開(kāi)始的時(shí)候你要時(shí)刻迎接客戶的各種專業(yè)性問(wèn)題并給予合理的解答 2、客戶的使用過(guò)程中的各種問(wèn)題，諸如不到賬、無(wú)法使用等等，都需要你第一時(shí)間處理 3、你的微信和手機(jī)，可能每天都會(huì)收到來(lái)自客戶的詢問(wèn)，這個(gè)情況你是否能接受得了，畢竟你也有你的生活空間

以上幾點(diǎn)可能是很多新手代理在一開(kāi)始的時(shí)候就遇到過(guò)，我親自見(jiàn)證過(guò)很多新手代理就這樣倒在了這些問(wèn)題面前，就此半途而廢。

第二：如果你做好了上面的思想準(zhǔn)備后，那你就開(kāi)始行動(dòng)吧，首先你得先問(wèn)問(wèn)身邊的朋友有沒(méi)做這行的，如果有那再好不過(guò)了，找他聊聊，哪個(gè)代理相對(duì)靠譜點(diǎn)，哪個(gè)平臺(tái)相對(duì)靠譜點(diǎn)，首先得聽(tīng)他的建議，畢竟人家干過(guò)，或多或少知道點(diǎn)。然后自己先拿個(gè)機(jī)器耍耍，覺(jué)得還行，那么你就開(kāi)始談代理分潤(rùn)的事宜，一切就緒后后面就開(kāi)始推廣了。有的朋友會(huì)說(shuō)，那我身邊朋友都沒(méi)做這行，我又該去哪做靠譜的代理，這個(gè)問(wèn)題我前面的帖子里有說(shuō)過(guò)，也麻煩你們找找，我這里就不多說(shuō)了。

第三：機(jī)子拿到手了（建議新手第一次進(jìn)貨少量為主，先試試水看看自己是不是適合做這行）在機(jī)子推廣出去之前，你是否對(duì)你手上的這款機(jī)子所有操作了如指掌，它的各種問(wèn)題和刷卡支付過(guò)程中的問(wèn)題你是否有相對(duì)應(yīng)的解決方案，遇到客戶提出的問(wèn)題，自己一時(shí)間無(wú)法給出合理專業(yè)的解釋時(shí)，立馬尋求你的上家或者直接打支付公司的官方客服幫忙！
第四：推廣：朋友圈、地推、網(wǎng)絡(luò)打廣告、線下到處貼小廣告等等，只要你想到有人的地方，都給我推廣出去（寫字樓、農(nóng)貿(mào)市場(chǎng)、沿街店鋪陌拜推廣為主攻方向）

第五：做好風(fēng)控，信用不好的人不推，提供資料非本人的不推、只要你感覺(jué)不妥的不推，做好風(fēng)控是你在這條道路上能越做越遠(yuǎn)的基石，不要嫌麻煩和存在僥幸心理，小心駛得萬(wàn)年船！

轉(zhuǎn)載請(qǐng)帶上網(wǎng)址：http://www.yadikedp.com/posji/35639.html