金融行业数据分析

听了一个Talkingdata的首席金融行业专家鲍忠铁老师的分享,收益良多,把讲的一些笔记写下来了~以后分析可以提供一些思路~要学的东西是在太多。。。感觉我要看的书都可以堆个20本。。。时间不够用555555555555555

一、金融行业数据分析思路

数字化运营、精准营销、数据风控(以前银行对于大的企业,有政府信用担保就可以贷款,目前银行平均坏账率接近2个点,1.5万亿利润)

1.  了解业务目标(KPI)和需要解决的问题,将业务问题分解成数据分析工作和任务(数据采集、数据整理、渠道运营、竞品分析、用户运营、统计报表、产品优化、业务模型)

2.  调研企业内外部数据,找到分析需要的数据,将其汇聚到一个特定的区域,利用数据仓库(交易系统、CRM系统、渠道系统、微信系统、产品系统)探索性进行分析,数据场景化标签(标签与业务相关,例如找到收入在10000左右,没月信用卡消费在8000左右的人群,贴上可能有分期的标签,精准营销)和人群为关键点。

3.  业务目标转化为运营工作

1.人均资产                    老客户经营

2.高净值用户                 相似客户营销

资产  转化   3.客户流失     运营          客户挽留和唤醒

4.热销产品                     产品优化

1.客户价值                   激活客户

2.收入分布                   产品营销

收入         3.目标客户                   客户导流

4.产品搭配                   app设计优化

1.分布情况                   红包运营

2.客户活跃                   活动运营

手续费        3.交易习惯                   渠道运营

4.热销产品                   产品优化

1.年龄分布                   数据场景

2.地域分布                   客户经营

用户         3.客户画像                   产品优化

4.渠道来源                   渠道运营

4.数据商业化思维

开源(增加收入、增加资产、增加客户、客户活跃、客户价值)节流(降低运营、精准营销、跨界引流、活动促销、定向营销)

二、金融行业获得客户方式和ROI分析

线上获客、线下获客,获客成本、有效客户比例、客户价值

ROI=客户价值/(获客成本/有效客户比例)  如果低于行业平均,则要找到渠道薄弱环节以及控制成本

线上获客是趋势

获客成本=客户价值/ROI*有效客户比例

金融行业获客方式优先次序建议:微信(品牌导入与展示的场所)—跨界(有客户交叉的企业合作,互相引流,降低费用提高产品活跃度)—活动(红包、时间等激活客户活跃率)—短信、邮件—线下—广告

三、如何提高移动互联网侧业务收入

财富的主体转向了80、90后,移动互联网侧的业务收入是重点。业务收入=有效客户*客户活跃度*客单收入,从这三块入手提高收入。

有效客户=客户总规模*有效客户比例。客户总规模:通过广告获客、运营获客。有效客户比例:精准营销。

客户活跃=日活/周活/月活。提高日活方法:提高年轻客户比例、重视年轻客户体验、营销活动(红包激励)、产品丰富(支付产品、理财产品、黄金产品)、跨界合作(游戏、机器、酒店、零售等)   向竞争对手学习是提高的最快途径

客单收入=资金交易量大(增加20%高端客户比例)+交易频繁(运营活动、用户体验)+理财产品购买多(增加理财产品、精准推送客户、运营活动)

四、数据在金融行业的场景化应用

1.高价值客户挖掘模型

金融企业客户具有典型的帕累托效应,20%的客户贡献了80%的业务收入。通过机器学习looklike算法,以客户交易数据和行为数据作为输入,以已有的高价值客户作为种子,从已有的几百万客户中,计算出了几万左右潜在高价值客户。通过数据营销和红包激励,将其中15%转化为高价值客户。

2.客户营销响应模型

银行每年都会投入巨大的影响费用,包括投向所有客户的红包激励,但银行发现客户的转化率很低。此时可以利用得到响应的客户作为种子客户,在大库中进行机器学习(聚类、logit回归、决策树,测完后看哪个模型效果好),从百万设备中,找到同这些种子相似的设备信息,从而定位潜在利用红包购买理财产品的人。

3.客户流失预警模型

银行发现很多客户在理财产品到期后,不再购买理财产品而是将理财产品赎回,转成银行账户。通过可以识别出转走自己的客户在移动互联网的行为特征,并为这些客户打上标签,银行利用DMP可以识别出互联网理财客户,针对这些客户发送利率较高理财产品,提高客户购买率,另外DMP可以再客户理财产品到期前一周进行精准营销,依据客户需求,提供适合客户的理财产品,降低客户流失率,提高产品销售额。

同时DMP参考已有流失客户,利用其作为种子进行机器学习(Looklie机器学习方法效率最高),寻找相似客户,对这些潜在流失客户进行行销。

4.休眠客户唤醒模型

银行30%以上的流失客户和休眠客户都是高净值客户。依据客户设备活跃时间、理财收益、资产数值,高净值客户等,利用机器学习,从几百万的客户中计算出已经休眠的高净值客户,每月运行一次,筛选出已经处于休眠状态的高净值客户,利用DMP的营销模块,发送专属激励红包唤醒休眠客户。

5.购物篮分析

利用关联分析,找到相关度较高理财产品,将其作为捆绑销售产品或者在各自的交易页面进行导流,引导客户在选择某种理财产品的过程中,点击另外的理财产品,实现协同销售。

时间: 2024-08-03 15:33:44

金融行业数据分析的相关文章

金融信贷风控中的机器学习

推荐学习地址:https://pan.baidu.com/s/1AeYKXniWfE4va_9EAKseyg 提取码: 5w6e 如何搭建金融信贷风控中的机器学习模型推荐学习链接: https://pan.baidu.com/s/16YXyWmSssmcdwVFV9-gs0g 提取码: 4eh9 在金融贷款机构中,风控部门是核心部门之一.风控体系的好坏直接决定机构盈利能力和存活能力.本课程将介绍数据分析技术如何应用在互联网金融行业风控部门涉及到的信贷违约预测和催收还款预测.课程中将使用贴近真实业

提升大数据数据分析性能的方法及技术(二)

上部分链接 致谢:因为我的文章之前是在word中写的,贴过来很多用mathtype编辑的公式无法贴过来,之前也没有经验. 参考http://www.cnblogs.com/haore147/p/3629895.html,一文完成公式的迁移. 同时,说一句,word中用mathtype写的公式用ALT+\可以转换成对应的latex语法公式. 5 数据流过滤技术 信息大爆炸时代的到来使得针对数据进行深层次的挖掘成为数据处理的核心任务[21].但是在上面已经提到了,源数据的来源和数据的组成格式都是各种

python数据分析入门学习笔记儿

学习利用python进行数据分析的笔记儿&下星期二内部交流会要讲的内容,一并分享给大家.博主粗心大意,有什么不对的地方欢迎指正~还有许多尚待完善的地方,待我一边学习一边完善~ 前言:各种和数据分析相关python库的介绍(前言1~4摘抄自<利用python进行数据分析>) 1.Numpy: Numpy是python科学计算的基础包,它提供以下功能(不限于此): (1)快速高效的多维数组对象naarray (2)用于对数组执行元素级计算以及直接对数组执行数学运算的函数 (3)用于读写硬盘

互联网金融数据分析应用

转摘自:p=476">http://bbs.easysoo.cn/?p=476 互联网金融在国内发展也才2年多的时间.从货币基金到P2P到众筹到股票基金.从传统ATM和手机银行短信银行,感慨这个互联网金融的到来.让我们有很多其它的信息渠道能够来了解金额. 还有像越女读財介绍的高暴利的钱宝网.MMM.百川币这些,假设没有互联网.相信他们也非常难发展的起来. 主要介绍下互联网金融行业的相关公司主要应用的数据分析有哪些.这个差别于之前介绍的在电商.零售中的数据分析应用,零售中得数据分析解决的很多

对话数据分析之王:SAS联合创始人兼CEO

(上图为SAS公司联合创始人兼CEO Jim Goodnight) SAS公司联合创始人兼CEO Jim Goodnight在2004年被哈佛大学评美国最伟大的商业领袖之一,同年他被Inc.杂志评为全美25名最具魅力创业家.2011年,Forbes发表文章称他为数据分析之王,当时SAS公司估值就超过了100亿美元. 在接受记者采访的时候,Jim Goodnight讲述了他的创业故事,以及在过去的40多年如何用数据分析软件改变世界的历程.Jim Goodnight特别指出,SAS公司还是全球第一代

Python 数据分析(一) 本实验将学习 pandas 基础,数据加载、存储与文件格式,数据规整化,绘图和可视化的知识

第1节 pandas 回顾 第2节 读写文本格式的数据 第3节 使用 HTML 和 Web API 第4节 使用数据库 第5节 合并数据集 第6节 重塑和轴向旋转 第7节 数据转换 第8节 字符串操作 第9节 绘图和可视化 pandas 回顾 一.实验简介 学习数据分析的课程,需要同学们掌握好 Python 的语言基础,和对 Numpy 与 Matplotlib 等基本库有一些了解.同学们可以参考学习实验楼的 Python 语言基础教程与 Python 科学计算的课程. pandas 是后面我们

金融行业的BI应用分析

商业智能是一种提高企业智能化的手段,它可以满足企业发展的需要.提高企业的竞争力.同时,对于提高金融行业的风险管理.提升对外服务的质量都能够起到关键性的作用. 在市场竞争和银行业务转型期间,商业智能对于业务以及内部管理水平的提升起到了重要的作用,在银行数据大集中的背景之下,商业智能已经逐渐成为战略转型的选择之一.如何从业务和技术两个方面推动商业智能在金融行业的发展,已经得到当前金融行业相关人员的关注. 商业智能的应用 如今的金融行业市场正在发生着翻天覆地的变化.银行之间的竞争日益激烈,利率市场化已

数据分析和R语言的那点事儿_1

最近遇到一些程序员同学向我了解R语言,有些更是想转行做数据分析,故开始学习R或者Python之类的语言.在有其他编程语言的背景下,学习R的语法的确是一件十分简单的事.霸特,如果以为仅仅是这样的话那就图样图森破. 首先,数据分析是一个非常庞杂的职能,也许岗位抬头均为数据分析师的两人,做的事情却大不相同——比如使用hadoop做日志统计和使用Excel处理报表,这简直是两个领域,相互之间的职能了解,可能仅为对方工作的冰山一角. 其次,无论任何行业的数据分析,其日常工作主要为以下几块: 数据获取——数

Python在金融,数据分析,和人工智能中的应用

Python在金融,数据分析,和人工智能中的应用 Python最近取得这样的成功,而且未来似乎还会继续下去,这有许多原因.其中包括它的语法.Python开发人员可用的科学生态系统和数据分析库.易于和几乎所有其它技术集成,以及其开源地位. 自 从1991它出现在编程场景中,比于其他编程语言,Python取得了少有的地位.面向对象,容易学习,使用语法,以及由此产生的低维护成本,是 Python持续获得好评的一部分原因.开源是一个很明显的优势,跨平台的有效性,多目标,垃圾回收(自动的),代码的简洁性,