ASSZ2015劉譯Z大數(shù)據(jù)驅(qū)動的金融業(yè)務(wù)創(chuàng)新4：3.

1、 引子：高價值潛在客戶挖掘 (出國金融 業(yè)務(wù)目標(biāo) 通過大數(shù)據(jù)分析，找到存量客戶中潛在的出國金融產(chǎn)品客戶（高價值客戶）， 達(dá)到潛在客戶轉(zhuǎn)化為真正客群的目的。 解決方案 數(shù)據(jù)準(zhǔn)備與匹配 數(shù)據(jù)準(zhǔn)備 找到高價值潛在客戶 找到精準(zhǔn)營銷切入點(diǎn) 營銷方案制定與執(zhí)行 歷史用戶 指標(biāo)分析 樣本客戶選擇 目標(biāo)客戶分類 特征變量選擇 目標(biāo)客戶選擇 營銷方案執(zhí)行 數(shù)據(jù)匹配 探索性數(shù)據(jù)分析 用戶行為分析 制定營銷方案 營銷效果分析 引子：高價值潛在客戶挖掘 (出國金融 解決方案 數(shù)據(jù)準(zhǔn)備與匹配 找到高價值潛在客戶 找到精準(zhǔn)營銷切入點(diǎn) 營銷方案制定與執(zhí)行 對出國留學(xué)金融客戶群 進(jìn)行分析，發(fā)現(xiàn)： 1. 出國前6-10個月，

2、出 國金融客戶較為關(guān)注 經(jīng)常逛留學(xué)社區(qū)論壇； 2. 出國前3-6個月，出國 金融客戶的注意力會 1. 將A銀行北京分行 1. 選擇出國留學(xué)類金融 的客戶與百分點(diǎn) 數(shù)據(jù)進(jìn)行匹配， 得到公共用戶； 產(chǎn)品進(jìn)行分析； 2. 對A銀行北京分行從 2013年6月至2014年 1. 進(jìn)一步對客戶群進(jìn)行 洞察和細(xì)分，了解同 類用戶的需求和關(guān)注 重點(diǎn)； 定營銷短名單，以定 制短信廣告和柜面人 工詢問（短名單提前 2. 剔除公共用戶媒 體關(guān)注類標(biāo)簽過 少的用戶； 3. 將剩余用戶作為 6月進(jìn)行出國金融客戶 通過生存分析模型， 發(fā)現(xiàn)91%的客戶在申 請學(xué)校之前就已是A行 學(xué)校所在目的地國家， 2. 與業(yè)務(wù)人員討論，

3、確 分析基礎(chǔ)。 客戶； 3. 需要在用戶申請學(xué)校 之前先聯(lián)系到客戶。 偏向簽證、機(jī)票等。 收工錄入）的方式進(jìn) 行營銷。 用戶標(biāo)簽層次 基于全網(wǎng)海量異構(gòu)的用戶數(shù)據(jù)，采用 統(tǒng)計（SUM、Top N、）、算法（AR、PageRank、）、 建模（CLV、RFM、Cox）等方法，生成用戶標(biāo)簽及標(biāo)簽值 用戶數(shù)據(jù) 預(yù)測 人口屬性 人群屬性 消費(fèi)能力 模型預(yù)測 消費(fèi)意圖 商品（內(nèi)容）數(shù)據(jù) 產(chǎn)品手中 網(wǎng)站受眾 產(chǎn)品定價 模型預(yù)測 影響力 商品畫像 類目模型 建 上網(wǎng)行為 商品信息 標(biāo)簽?zāi)Ｐ?模 模型 用戶價值 人口屬性 活躍度 人群屬性 忠誠度 消費(fèi)能力 建 模 消費(fèi)偏好 上網(wǎng)偏好 事實 人口屬性 會員信息 購物行為 類目信息 標(biāo)簽信息 文本分析 統(tǒng)計分析 原始 網(wǎng)站行為 會員信息 消費(fèi)行為 DSP行為 HTML 分類信息 商品信息 用戶畫像技術(shù)架構(gòu) 大數(shù)據(jù)技術(shù)平臺Lambda架構(gòu) 數(shù)據(jù)采集 業(yè)務(wù)系統(tǒng)數(shù)據(jù) （數(shù)據(jù)橋接） 系統(tǒng)日志數(shù)據(jù) （Flume） 用戶實時 線上行為數(shù)據(jù) （數(shù)據(jù)探頭） 互聯(lián)網(wǎng)數(shù)據(jù) （數(shù)據(jù)爬?。?離線數(shù)據(jù) 數(shù)據(jù)分發(fā) FTP 消息系統(tǒng) （Kafka） 實時數(shù)據(jù)處理 Storm 數(shù)據(jù)存儲 Redis 集群 MongoDB 集群 HDFS MySQL 集群