導航:首頁 > 營銷策劃 > 金融數據營銷案例以及分析

金融數據營銷案例以及分析

發布時間:2023-06-26 23:52:20

1. 科普文:銀行業9大數據科學應用案例解析!

在銀行業中使用數據科學不僅僅是一種趨勢,它已成為保持競爭的必要條件。 銀行必須認識到,大數據技術可以幫助他們有效地集中資源,做出更明智的決策並提高績效。

以下我們羅列銀行業使用的數據科學用例清單,讓您了解如何處理大量數據以及如何有效使用數據。

(1)欺詐識別

(2)管理客戶數據

(3)投資銀行的風險建模

(4)個性化營銷

(5)終身價值預測

(6)實時和預測分析

(7)客戶細分

(8)推薦引擎

(9)客戶支持

(10)結論

1、欺詐識別

機器學習對於有效檢測和防範涉及信用卡,會計,保險等的欺詐行為至關重要。 銀行業務中的主動欺詐檢測對於為客戶和員工提供安全性至關重要。 銀行越早檢測到欺詐行為,其越快可以限制帳戶活動以減少損失。 通過實施一系列的欺詐檢測方案,銀行可以實現必要的保護並避免重大損失。

欺詐檢測的關鍵步驟包括:

獲取數據樣本進行模型估計和初步測試 模型估計 測試階段和部署。

由於每個數據集都不同,每個數據集都需要由數據科學家進行個別訓練和微調。 將深厚的理論知識轉化為實際應用需要數據挖掘技術方面的專業知識,如關聯,聚類,預測和分類。

高效欺詐檢測的一個例子是,當一些異常高的交易發生時,銀行的欺詐預防系統被設置為暫停,直到賬戶持有人確認交易。對於新帳戶,欺詐檢測演算法可以調查非常高的熱門項目購買量,或者在短時間內使用類似數據打開多個帳戶。

2、管理客戶數據

銀行有義務收集,分析和存儲大量數據。但是,機器學習和數據科學工具不是將其視為合規性練習,而是將其轉化為更多地了解其客戶以推動新的收入機會的可能性。

如今,數字銀行越來越受歡迎並被廣泛使用。這創建了TB級的客戶數據,因此數據科學家團隊的第一步是分離真正相關的數據。之後,通過准確的機器學習模型幫助數據專家掌握有關客戶行為,交互和偏好的信息,可以通過隔離和處理這些最相關的客戶信息來改善商業決策,從而為銀行創造新的收入機會。

3、投資銀行的風險建模

風險建模對投資銀行來說是一個高度優先考慮的問題,因為它有助於規範金融活動,並在定價金融工具時發揮最重要的作用。投資銀行評估公司在企業融資中創造資本,促進兼並和收購,進行公司重組或重組以及用於投資目的的價值。

這就是為什麼風險模型對於銀行來說顯得非常重要,最好是通過掌握更多信息和儲備數據科學工具來評估。現在,通過大數據的力量,行業內的創新者正在利用新技術進行有效的風險建模,從而實現更好的數據驅動型決策。

4、個性化營銷

市場營銷成功的關鍵在於制定適合特定客戶需求和偏好的定製化報價。數據分析使我們能夠創建個性化營銷,在適當的時間在正確的設備上為合適的人員提供合適的產品。數據挖掘廣泛用於目標選擇,以識別新產品的潛在客戶。

數據科學家利用行為,人口統計和歷史購買數據建立一個模型,預測客戶對促銷或優惠的反應概率。因此,銀行可以進行高效,個性化的宣傳並改善與客戶的關系。

5、終身價值預測

客戶生命周期價值(CLV)預測了企業從與客戶的整個關系中獲得的所有價值。 這項措施的重要性正在快速增長,因為它有助於創建和維持與特定客戶的有利關系,從而創造更高的盈利能力和業務增長。

獲得和維系有利可圖的客戶對銀行來說是一個不斷增長的挑戰。 隨著競爭越來越激烈,銀行現在需要360度全方位了解每位客戶,以便有效地集中資源。 這就是數據科學進入的地方。首先,必須考慮大量數據:如客戶獲得和流失的概念,各種銀行產品和服務的使用,數量和盈利能力以及其他客戶的特點 如地理,人口和市場數據。

這些數據通常需要大量清洗和操作才能變得可用和有意義。 銀行客戶的概況,產品或服務差異很大,他們的行為和期望也不盡相同。 數據科學家的工具中有許多工具和方法來開發CLV模型,如廣義線性模型(GLM),逐步回歸,分類和回歸樹(CART)。 建立一個預測模型,以確定基於CLV的未來營銷策略,這對於在每個客戶的一生中與該公司保持良好的客戶關系,實現更高的盈利能力和增長是具有非常有價值的過程。

6、實時和預測分析

分析在銀行業中的重要性不可低估。機器學習演算法和數據科學技術可以顯著改善銀行的分析策略,因為銀行業務的每個使用案例都與分析密切相關。隨著信息的可用性和多樣性迅速增加,分析變得更加復雜和准確。

可用信息的潛在價值非常驚人:指示實際信號的有意義的數據量(不僅僅是雜訊)在過去幾年呈指數級增長,而數據處理器的成本和規模一直在下降。區分真正相關的數據和噪音有助於有效解決問題和制定更明智的戰略決策。實時分析有助於了解阻礙業務的問題,而預測分析有助於選擇正確的技術來解決問題。通過將分析整合到銀行工作流程中,可以實現更好的結果,以提前避免潛在的問題。

7、客戶細分

客戶細分意味著根據他們的行為(對於行為分割)或特定特徵(例如區域,年齡,對於人口統計學分割的收入)挑選出一組客戶。數據科學家的一系列技術如聚類,決策樹,邏輯回歸等等,因此它們有助於了解每個客戶群的CLV並發現高價值和低價值的細分市場。

沒有必要證明客戶的這種細分允許有效地分配營銷資源,並且為每個客戶群提供基於點的方法的最大化以及銷售機會。不要忘記,客戶細分旨在改善客戶服務,並幫助客戶忠誠和留住客戶,這對銀行業是非常必要的。

8、推薦引擎

數據科學和機器學習工具可以創建簡單的演算法,分析和過濾用戶的活動,以便向他建議最相關和准確的項目。這種推薦引擎即使在他自己搜索它之前也會顯示可能感興趣的項目。要構建推薦引擎,數據專家需要分析和處理大量信息,識別客戶配置文件,並捕獲顯示其交互的數據以避免重復提供。

推薦引擎的類型取決於演算法的過濾方法。協同過濾方法既可以是基於用戶的,也可以是基於項目的,並且可以與用戶行為一起分析其他用戶的偏好,然後向新用戶提出建議。

協同過濾方法面臨的主要挑戰是使用大量數據,導致計算問題和價格上漲。基於內容的過濾與更簡單的演算法一起工作,其推薦與用戶參考先前活動的項目相似的項目。如果行為復雜或連接不清,這些方法可能會失敗。還有一種混合類型的引擎,結合了協作和基於內容的過濾。

沒有任何方法是普適的,它們每個都有一些優點和缺點,正確的選擇取決於你的目標和情況。

9、客戶支持

傑出的客戶支持服務是保持與客戶長期有效關系的關鍵。作為客戶服務的一部分,客戶支持是銀行業中一個重要但廣泛的概念。實質上,所有銀行都是基於服務的業務,因此他們的大部分活動都涉及服務元素。它包括全面及時地回應客戶的問題和投訴,並與客戶互動。

數據科學使這一過程更好地實現了自動化,更准確,個性化,直接和高效,並且降低了員工時間成本。

結論

為了獲得競爭優勢,銀行必須承認數據科學的重要性,將其融入決策過程,並根據客戶數據中獲得可操作的見解制定戰略。 從小型可管理的步驟開始,將大數據分析整合到您的運營模式中,並領先於競爭對手。

由於這種快速發展的數據科學領域以及將機器學習模型應用於實際數據的能力,因此可以每天擴展此用例列表,從而獲得更多更准確的結果。

2. 金融領域7大數據科學案例

金融領域7大數據科學案例
1 金融領域有哪些典型數據問題?
2 金融領域應用那些數據科學方法?

近年來,數據科學和機器學習應對一系列主要金融任務的能力已成為一個特別重要的問題。 公司希望知道更多技術帶來的改進以及他們如何重塑業務戰略。
為了幫助您回答這些問題,我們准備了一份對金融行業影響最大的數據科學應用清單。 它們涵蓋了從數據管理到交易策略的各種業務方面,但它們的共同點是增強金融解決方案的巨大前景。
自動化風險管理管理客戶數據預測分析實時分析欺詐識別消費者分析演算法交易深度個性化和定製結論自動化風險管理
風險管理是金融機構極其重要的領域,負責公司的安全性,可信度和戰略決策。 過去幾年來,處理風險管理的方法發生了重大變化,改變了金融部門的性質。 從未像現在這樣,今天的機器學習模型定義了業務發展的載體。
風險可以來自很多來源,例如競爭對手,投資者,監管機構或公司的客戶。 此外,風險的重要性和潛在損失可能不同。 因此,主要步驟是識別,優先考慮和監控風險,這是機器學習的完美任務。通過對大量客戶數據,金融借貸和保險結果的訓練,演算法不僅可以增強風險評分模型,還可以提高成本效率和可持續性。

數據科學和人工智慧(AI)在風險管理中最重要的應用是識別潛在客戶的信譽。 為了為特定客戶建立適當的信用額度,公司使用機器學習演算法來分析過去的支出行為和模式。 這種方法在與新客戶或具有簡簡訊用記錄的客戶合作時也很有用。
雖然金融風險管理流程的數字化和自動化處於早期階段,但潛力巨大。 金融機構仍需要為變革做好准備,這種變革通過實現核心財務流程的自動化,提高財務團隊的分析能力以及進行戰略性技術投資。 但只要公司開始向這個方向發展,利潤就不會讓自己等待。
管理客戶數據
對於金融公司來說,數據是最重要的資源。因此,高效的數據管理是企業成功的關鍵。今天,在結構和數量上存在大量的金融數據:從社交媒體活動和移動互動到市場數據和交易細節。金融專家經常需要處理半結構化或非結構化數據,手動處理這些數據是一個巨大的挑戰。
然而,對於大多數公司來說,將機器學習技術與管理過程集成僅僅是從數據中提取真實知識的必要條件。人工智慧工具,特別是自然語言處理,數據挖掘和文本分析有助於將數據轉化為智能數據治理和更好的業務解決方案,從而提高盈利能力。例如,機器學習演算法可以通過向客戶學習財務歷史數據來分析某些特定財務趨勢和市場發展的影響。最後,這些技術可用於生成自動報告。
預測分析

分析現在是金融服務的核心。 值得特別關注的是預測分析,它揭示了預測未來事件的數據模式,可以立即採取行動。 通過了解社交媒體,新聞趨勢和其他數據源,這些復雜的分析方法已經實現了預測價格和客戶終生價值,未來生活事件,預期流失率和股市走勢等主要應用。 最重要的是,這種技術可以幫助回答復雜的問題 - 如何最好地介入。
實時分析
實時分析通過分析來自不同來源的大量數據從根本上改變財務流程,並快速識別任何變化並找到對其的最佳反應。財務實時分析應用有三個主要方向:
欺詐識別
金融公司有義務保證其用戶的最高安全級別。公司面臨的主要挑戰是找到一個很好的欺詐檢測系統,罪犯總是會採用新的方法並設置新的陷阱。只有稱職的數據科學家才能創建完美的演算法來檢測和預防用戶行為異常或正在進行的各種欺詐工作流程。例如,針對特定用戶的不尋常金融購買警報或大量現金提款將導致阻止這些操作,直到客戶確認為止。在股票市場中,機器學習工具可以識別交易數據中的模式,這可能會指示操縱並提醒員工進行調查。然而,這種演算法最大的優勢在於自我教學的能力,隨著時間的推移變得越來越有效和智能化。
消費者分析
實時分析還有助於更好地了解客戶和有效的個性化。先進的機器學習演算法和客戶情緒分析技術可以從客戶行為,社交媒體互動,他們的反饋和意見中獲得見解,並改善個性化並提高利潤。由於數據量巨大,只有經驗豐富的數據科學家才能精確分解。
演算法交易
這個領域可能受實時分析的影響最大,因為每秒都會受到影響。根據分析傳統和非傳統數據的最新信息,金融機構可以做出實時有利的決策。而且由於這些數據通常只在短時間內才有價值,因此在這個領域具有競爭力意味著使用最快的方法分析數據。
在此領域結合實時和預測分析時,另一個預期會開啟。過去,金融公司不得不聘用能夠開發統計模型並使用歷史數據來創建預測市場機會的交易演算法的數學家。然而,今天人工智慧提供了使這一過程更快的技術,而且特別重要的是 - 不斷改進。

因此,數據科學和人工智慧在交易領域進行了革命,啟動了演算法交易策略。世界上大多數交易所都使用計算機,根據演算法和正確策略制定決策,並考慮到新數據。 人工智慧無限處理大量信息,包括推文,財務指標,新聞和書籍數據,甚至電視節目。 因此,它理解當今的全球趨勢並不斷提高對金融市場的預測。
總而言之,實時和預測分析顯著改變了不同金融領域的狀況。 通過Hadoop,NoSQL和Storm等技術,傳統和非傳統數據集以及最精確的演算法,數據工程師正在改變財務用於工作的方式。
深度個性化和定製
企業認識到,在當今市場競爭的關鍵步驟之一是通過與客戶建立高質量的個性化關系來提高參與度。 這個想法是分析數字客戶體驗,並根據客戶的興趣和偏好對其進行修改。 人工智慧在理解人類語言和情感方面取得重大進展,從而將客戶個性化提升到一個全新的水平。 數據工程師還可以建立模型,研究消費者的行為並發現客戶需要財務建議的情況。 預測分析工具和高級數字交付選項的結合可以幫助完成這項復雜的任務,在最恰當的時機指導客戶獲得最佳財務解決方案,並根據消費習慣,社交人口趨勢,位置和其他偏好建議個性化服務。
結論
對於金融機構來說,數據科學技術的使用提供了一個從競爭中脫穎而出並重塑其業務的巨大機會。大量不斷變化的財務數據造成了將機器學習和AI工具引入業務不同方面的必要性。
我們認為,我們主要關注金融領域的7大數據科學用例,但還有很多其他值得一提的。 如果您有任何進一步的想法,請在評論部分分享您的想法。

3. 蘇寧雲商供應鏈金融模式案例分析

蘇寧雲商供應鏈金融模式案例分析

對於蘇寧雲商來說,它是綜合中間商利用自有網路平台代理各類品牌商品銷售的企業,運用了商城式的B2C電商供應鏈金融,主要給入駐商城的供應商提供應收賬款融資服務,並且充分利用互聯網零售所積攢的客戶資源、客戶信息以及便捷的客戶服務與體驗的基礎上,形成蘇寧生態鏈,通過蘇寧小貸來實現為供應鏈上下游端客戶服務。那麼,下面是由我為大家整理的蘇寧雲商供應鏈金融模式案例分析,歡迎大家閱讀瀏覽。

一、傳統供應鏈金融模式與“互聯網+”供應鏈金融模式對比

傳統的供應鏈金融是指,在對供應鏈上企業之間的業務交易分析的基礎上,對供應鏈中的中小企業提供授信支持及其他結算、 理財等金融服務,在服務過程中風險通過授信企業與核心企業的關系以及物流監管企業的存貨質押來控制。 而在互聯網時代中,傳統金融行業通過與互聯網技術相結合以尋求轉型升級的道路,傳統供應鏈金融模式也應當順應互聯網金融的大趨勢,通過整合互聯網時代的資源優勢來實現傳統供應鏈金融的轉型升級。 他們的特點各異卻有所關聯。

1. 傳統供應鏈金融的特點:

1.1銀行對授信企業(主要是中小企業) 的信用評級主要依靠企業真實發生的業務量以及鏈中核心的資本實力,而不是僅僅強調企業的財務狀況與擔保方式等。

1.2信貸資金嚴格限定於授信企業與核心企業之間的購銷交易活動,禁止資金挪作他用,較好的降低了信貸風險,同時銀行以供應鏈購銷活動中產生的動產或權利為擔保

2. “互聯網+”供應鏈金融的特點:

1.1供應鏈中運的速度快、交易的速度快、付款的速度快、融資速度快、物流的速度快,而且供應鏈信息化特徵明顯

1.2供應鏈中運的速度快、交易的速度快、付款的速度快、融資速度快、物流的速度快,而且供應鏈信息化特徵明顯

二、“互聯網+”供應鏈金融三大模式及蘇寧雲商對應模式分析

“互聯網+”供應鏈金融歸納起來有三大模式:

1、商業銀行傳統線下供應鏈金融的線上化

銀行大多根據核心企業與中小微企業之間的交易記錄,對中小微企業提供資金支持。銀行通過供應鏈金融服務,利用銀行信用增強商業信用,促進了企業融資和商業交易活動的有效開展。

2、基於互聯網平台的電商供應鏈金融模式

第三方交易平台通常以信息服務功能吸引產業鏈參與者,並以信息服務為切入口轉型電商平台,當電商平台交易量提升,並通過物流倉儲等服務完成整個交易閉環後,第三方交易平台實質上擁有了產業鏈上下游的交易、物流、現金流等相關數據,通過對接資金源,也同樣能夠滿足供應鏈融資項目的風險評估要求。

3、商業銀行供應鏈金融與電商平台相結合

在核心企業模式下,某產業鏈核心企業具備較強的產業鏈控制能力以及較高的銀行授信額度。在此前提下,核心企業掌握上游供應商與下游經銷商的信息流、物流、資金流詳細信息,也通過長期的商業活動了解上下游企業經營狀況,此類核心企業對接商業銀行或 P2P 平台等資金來源,便能夠以自身授信額度為擔保向上下游企業提供融資服務,提高整個產業鏈的運行效率。

對於蘇寧雲商來說,它是綜合中間商利用自有網路平台代理各類品牌商品銷售的企業,運用了商城式的B2C電商供應鏈金融,主要給入駐商城的供應商提供應收賬款融資服務,並且充分利用互聯網零售所積攢的客戶資源、客戶信息以及便捷的客戶服務與體驗的基礎上,形成蘇寧生態鏈,通過蘇寧小貸來實現為供應鏈上下游端客戶服務。

三、蘇寧供應鏈金融發展歷程及現狀分析

首先看一個最基本的數據:三年來,蘇寧線上業務佔比是,2012年佔13.2%2013年佔17.7%, 2014年佔17.7%。可以發現,從2012年到2013年間,蘇寧線上業務發展很快,而2013年到2014年發展卻很慢。這是由於蘇寧供應鏈金融模式就是從2012年開始實施的,並取得了不錯的效果,但新一步的進展是在2014年年底,稍有延遲。

在2012年2月,蘇寧推出了蘇寧小貸。這是一種面向中小微企業推出的電子商務金融業務,凡是蘇寧經、代銷供應商均可以與蘇寧易購操作的結算單應收賬款作為抵押物進行融資貸款,此項業務單筆融資額最高可達1000萬。2014年7月蘇寧眾包姍姍來遲,它對於參與眾包平台的企業,蘇寧將會拿出媒體資源和線上線下引流資源推廣,蘇寧旗下的“易付寶”、小貸公司對平台企業開放,首批投資10億元設立平台信貸資金。而2014年9月供應商成長專項基金的提出,則是助力解決中小微企業的融資難問題。供應商在向蘇寧進行融資時,蘇寧還將拿出專項資金,通過利息補貼的形式反哺供應商,最高補貼為蘇寧信貸利息的20%。

最近,也就是2015年5月,任性付的推廣使得用戶在購物時可使用任性付直接付款,享受提額、優惠期內30天免息(費)、超低手續費分期等服務。這意味著蘇寧“供應鏈金融+基金保險+消費信貸”的全產業鏈金融布局已初步形成

總體而言,對於當前蘇寧供應鏈金融發展的現狀,我們歸為一下幾點:

1、蘇寧有耕耘了20多年的線下交易網路和排名前三的線上交易平台,擁有海量中小微企業客戶資源。

2、商流、資金流、信息流和物流在蘇寧金融生態圈內形成有效閉環。

3、蘇寧供應鏈融資至今保持著零壞賬率的紀錄。

4、蘇寧供應鏈融資無需抵押和擔保,而是依據供應商以往貿易的信譽度進行申請額度授信

5、蘇寧金融的供應鏈融資平台與蘇寧後台的信息系統全線打通,高效的蘇寧內部風控及數據審批流機制使得審批流程、放款周期都大大縮短。

四、蘇寧的供應鏈融資操作流程

1、會員資質申請:供應商登陸SCF平台成為蘇寧融資俱樂部的資質會員

2、表達融資意向:供應商向營銷、結算表達融資意向,選擇個性化的融資產品及合作銀行。

3、蘇寧審核推薦:營銷、結算推薦供應商至資金管理部洽談融資產品、合作銀行等相關事宜

4、銀行發融資款:銀行根據供應商資質決定放款金額並發放貸款

5、蘇寧到期付款: 蘇寧到期按結算清單金額付款給供應商融資專戶,銀行扣除供應商融資金額,與供應商進行尾款結算。

五、蘇寧供應鏈融資與其他融資的比較

1、 與京東的比較

京東的融資流程:

1.1核定額度:當供應商確認辦理 供應鏈金融業務後,供應鏈金融業務專員將發送郵件給供應商,告知最高融資額度,融資總金額須小於或等於最高融資額度。

1.2銀行開戶:供應商在獲得最高融資額度後,到京東指定業務受理銀行開立銀行的融資專戶。

1.3提交融資申請:供應商完成開戶後 ,即可辦理融資業務,每次融資時,應向采銷同事申請,確認進行融資的采購訂單等事項。

1.4.核對結算金額:供應商選定采購訂單後,應與采銷同時核對結算金額。

1.5提交結算申請單:采銷負責人在京東系統中提交結算申請單,先勾選供應鏈金融結算,再選擇付款結算申請。

1.6結算單審批:融資資料提交以結算單在系統完成審批為前提,審批進度影響和放款進度,需供應商和采銷負責人溝通。

1.7融資資料准備:在結算單提交後,供應鏈金融專員准備融資資料,融資內容以結算單信息為主。

1.8審核通過、提交資料:結算單審核通過後,供應鏈金融專員向銀行提交准備好的融資資料,跟進放款進度。

1.9銀行放款、京東還款:銀行審核融資資料無誤後,放款給供應商。到期日,京東為供應商還款給銀行。授信是指銀行向客戶直接提供資金支持,或對客戶在有關經濟活動中的信用向第三方作出保證的行為。

由此可見,京東通過差異化定位及自建物流體系等戰略,並通過多年的積累和沉澱,已經形成一套以大數據驅動的京東供應鏈體系,為上游供應商提供貸款和理財服務,為下游的消費者提供賒銷和分期付款服務。雖然,京東宏偉的物流系統看似解決了B2C電子商務企業近依託於第三方物流的被動局面,但是京東幾近無限量的資金投入卻嚴重拉住了京東的發展;而作為傳統業介入的蘇寧,則依託線下千家連鎖門店、100個物流中心、3000個售後服務網點、完善的連鎖門店和物流體系建設將會成為蘇寧的最大優勢之一,這是京東所不能相比的。而且,蘇寧對於供應商來說,有著專門的供應鏈融資平台(SCF),與多家銀行系統進行無縫對接,保障供應商簡便、快捷融資,中小企業則無需擔保、無需抵押就可以快速從銀行獲取流動資金。這一點是京東所不具備的。

2、 與銀行信貸的比較:

2.1在蘇寧的供應鏈融資中,供應商將其應收賬款質押或轉讓給銀行,無需抵押、無需擔保,快速獲得融資,而且,中小企業則無需擔保、無需抵押就可以快速從銀行獲取流動資金;而在傳統的銀行信貸中,無論供應商是大是小,都需要提供抵押物(如房產等)或者尋找擔保,流程繁雜,放款速度慢,如果沒有抵押物或擔保,銀行不會給供應商放貸,這是傳統的銀行信貸的最大缺點;

2.2在蘇寧的供應鏈融資中,電子化的操作滿足了供應商短、頻、快、急的融資需求;傳統的銀行信貸需要大量手工操作,無法滿足中小企業短、頻、急、快的融資需求,跟不上現在的電子化需求;

2.3相比較而言,蘇寧供應鏈融資有較多種融資方式,多次出單、多次融資,供應商可操作性強、靈活性高,供應商可根據自己的需求選擇適當的融資方式,而傳統的銀行信貸融資方式單一、不靈活,供應商沒有選擇的餘地,只能按照銀行的要求;

2.4蘇寧的線上業務不受供應商所在地域限制,可為更多企業服務,而傳統的銀行信貸卻受銀行貸款屬地化限制,供應商只能去當地的銀行去貸款,太過於局限於地區,不能有效提升效率

六、蘇寧發展供應鏈金融所面臨風險及其建議

1、蘇寧供應鏈金融面臨的風險

蘇寧易購方面表示,將面向全國上游經、代銷供應商主推供應鏈融資業務。蘇寧供應鏈金融業務,是在原有授信“銀行保理”融資業務的基礎上,對蘇寧供應商融資業務的全新升級。蘇寧於2012年新推出的“蘇寧小貸”金融業務也將全面開放,其中“蘇寧小貸”是蘇寧企業出資面向中小微企業推出的電子商務金融業務,凡是蘇寧經、代銷供應商均可以與蘇寧易購操作的結算單應收賬款作為抵押物進行融資貸款,此項業務單筆融資額最高可達1000萬。蘇寧宣布全面發力電子商務金融業務,將蘇寧供應鏈金融業務面向中小微企業全面開放。

蘇寧推出金融業務是國內傳統零售企業首次涉足電子商務金融業務,無論是對於企業自身,還是對於中國傳統零售行業都具有重要意義。但是由於其傳統零售業的背景,通過蘇寧易購發展供應鏈金融將面臨特殊的風險。

1.1線下業務被佔用資金的風險

蘇寧提出“科技創新,智慧服務”的口號,通過一系列運作加大對科技與服務的投入,公司始終堅持“前台帶動後台、後台推動前台”的經營策略,不斷完善物流平台、信息體系的建設,長期來看,有利於企業經營穩定性,但是短期內隨著購置店、自建店、物流體系相關的資產投入加大,影響了周轉效率,對資本的需求也越來越大,同時為了緊跟零售業的發展趨勢,蘇寧大力發展電子商務供應鏈金融,又進一步增加了其對資本的需求,如果不能保持較好的資本周轉,將對公司線下零售業的發展造成風險,制約公司線下業務布局。

1.2線上業務被銀行制約的風險

蘇寧一直加強與銀行的合作開展供應鏈金融活動,隨著線上平台的進一步發展,可以減少佔用自己資金帶來的流動性風險,但同時也產生了容易被銀行制約的風險,因為電子商務供應鏈金融的服務對象大都是中小企業,確保資金從銀行流向這些原本達不到銀行授信標準的企業的是蘇寧的信用,這樣就加大了自身的風險,在經濟不景氣的情況下會對公司造成重大影響,同時,如果公司線下業務出現不穩定情況,銀行將會降低對蘇寧的授信,從而制約供應鏈金融的發展。

2、蘇寧發展供應鏈金融規避風險的建議

2.1嚴格控制授信流程,加強信貸人員管理

授信流程主要是指貸款審批、貸款發放以及貸後管理等環節,電子商務企業應該嚴格控制各個環節的風險,建立完善的.風險防火牆,即風險預警程序。同時,時刻監控授信企業資金流向及其業務情況,建立不良資產處置程序與風險應對措施,從制度上防範風險;供應鏈金融信貸人員應嚴格執行授信業務流程,嚴格遵循貸前、貸中和貸後的多層次風險預警和管理體系,從人員上防範信貸風險。 加強相關業務培訓,提升業務人員素質線,供應鏈金融的發展必須以人員索質的提升為依託,應該從招募與甄選、培訓、激勵等各個人力資源模塊入手提高業務人員素質。

2.2加強線下財務控制

蘇寧易購現在雖在國內電子商務市場佔有率排在第三位,但遠遠低於淘寶的52%以上的市場份額,公司的發展還不夠健康,還不能脫離線下業務資金與人力的支持,但是,蘇寧易購發展剛剛起步,潛力巨大,因此需求的資金支持短期內是會不斷加大的,這就需要公司加大對財務安全性的注意,確保資金投入的循序漸進,並且不能拖累線下業務的開展,否則,將會引發財務風險。

2.3信貸資產證券化

信貸資產證券化,是指將各種風險級別的信貸資產進行打包處理,將其包裝上市或者出售給市場上的投資者。一方面可以增加資產的流動性,另一方面可以轉嫁信貸風險。這種方式能夠改善資產質量,緩解資本壓力,擴大資金來源,提高財務安全性。

2.4運用各種風險控制工具區分風險類別,識別潛在損失

ERP系統是指建立在信息技術基礎上,以系統化的管理思想,為企業決策層及員工提供決策運行手段的管理平台。它是從MRP(物料需求計劃)發展而來的新一代集成化管理信息系統,它擴展了MRP的功能,其核心思想是供應鏈管理。它跳出了傳統企業邊界,從供應鏈范圍去優化企業的資源。電子數據交換也稱EDI(Electric Data Interchange)是一種利用計算機進行商務處理的新方法,它是將貿易、運輸、保險、銀行和海關等行業的信息,用一種國際公認的標准格式,通過計算機通信網路,使各有關部門、公司和企業之間進行數據交換和處理,並完成以貿易為中心的全部業務過程。依託互聯網技術,通過ERP系統平台,利用EDI等信息處理技術,建立物料與資金數據高度共享的信息網路可以有效地規避風險。

2.5建立應急處理機制

供應鏈金融涉及的企業主體比較多,范圍比較廣,隨之而來的各個環節的不確定因素較多,容易出現一些突發情況,所以電子商務企業應該建立完善的應急處理機制。該應急機制應能解決兩方面問題,一個是對突發事件的預防,通過一些評價指標時時監控授信企業的業務狀況,出現問題時做到及時發現並作出調整;另一個是對突發事件的處理,制定及時的、完善的處理措施,當突發事件出現後,及時進行處理,這樣可以避免因處理不及時而帶來更嚴重的風險。

七、蘇寧雲商供應鏈金融發展趨勢預測

1、供應鏈數據化

各信息節點逐漸數據化、透明化。供應鏈各環節交易鏈條上的訂單情況,交易歷史,交易主體等信息都會逐步沉澱在平台上,平台可以梳理這些數據提供給銀行,由銀行提供資金,平台為數據的真實性提供保證。

2、金融互聯網化

用互聯網整合“物流、資金流、信息流、商流”,提高效率降低風險。供應鏈金融業務處理可以更加快速、准確和穩定,貿易環節和融資環節也更為低碳、順暢、便捷。

3、業務融合化

“電商+物流+金融”一體化服務。電子商務是新形勢下商業模式最具創新力的前端領域;物流企業是支撐供應鏈實體貨物運輸和流轉的堅實支撐;商業銀行是社會中最大、最全面的資金和金融服務的服務者。

4、服務個性化

根據不同企業的業務不同,為其量身定做金融服務,實現供應鏈融資產品個性化定製,使供應鏈金融的產品和服務模式創新 成為可能。

參考文獻

1.楊東,文誠公.互聯網+金融=眾籌金融[M].人民出版社,2015.

2.查宏衛.電商的供應鏈金融探討[M].上海交通大學,2014

3.謝獲寶,張茜. 大數據時代下企業ERP系統的構建及其與會計信息系統的整合——以蘇寧雲商為例[J].財務與會計,2014

4.梁仲. 電子商務環境下發展供應鏈金融的風險研究--以蘇寧易購為例[D]:[碩士學位論文].2013

5.杜鵑. 蘇寧雲商:供應鏈金融服務中小供應商[J].WTO經濟導刊.2013

;

4. 如何利用大數據做到對客戶的精準營銷

大數據營銷等同於精準營銷,或是精準營銷是大數據營銷的一個核心方向和價值體現。然而,數據本身不會產生價值。為此,我們要把數據組織成數據資源體系,再對數據進行層次、類別等方面的劃分。在此基礎上,通過分析數據資源和相關部門的業務對接程度,以此發揮數據資源體系在管理、決策、監測及評價等方面的作用,從而產生大數據的大價值,真正實現了從數據到知識的轉變,為領導決策提供服務依據本例根據工作實踐。
本例以三個工作實例,展示如何通過對數據分析進行對客戶的精準營銷。
工具/原料

大數據營銷
大數據營銷三個案例分析

案例一:筆者在銀行工作,通過對儲戶身份證信息進行海量剖析,發現一個有趣的現象,即購買理財產品的客戶以40-50歲的女性居多。
根據這一信息,有經驗的理財經理通過身份證信息即能准確的分析出支行有哪些符合條件的客戶,迅速的對新推出的理財產品進行電話營銷,做到不出門即可實現銷售,較快的完成了銷售任務。
而另一些更具創新性的理財經理,通過身份證信息,在情人節期間組織了網點沙龍客戶邀約活動,對符合18-30歲、30-45歲這兩個年齡段的男性客戶進行了電話營銷,通過贈送愛人鮮花、化妝品以及高價值的禮品進行金融產品營銷,較好的引起男性客戶的興趣,有力的拉升了業績增長。
這些數據分析手段就能夠做到個性化營銷和定位,加強對客戶的認知,為客戶找到價值,從而帶動銷量。
案例二:在與供電部門合作期間,供電部門提供了一條信息,市裡每一天上網高峰期主要集中在中午12點之後和晚上的12點之前。供電部門認為,出現這種「怪現象」的原因是因為現在的人們普遍睡覺前都會有上網的習慣。
這條信息當時很多人沒有注意,似乎與銀行搭不上關系,但我們市場經營部門的一個年輕的大學生針對人們這種「強迫症」,通過手機銀行與商家合作,在晚上12點進行促銷秒殺活動,即推動了手機銀行業務量的提升,同時也帶動商家銷量的倍增,實現了雙贏。
案例三:在為企業代發工資數據中,我們曾發現一個現象,即一般企業員工代發帳戶每月都會沉澱一定的余額,金額不大,1000元也有,幾千的也有,長期不動的也有,活期利率很低,但是這些客戶的帳戶金額又達不到理財產品的起售金額,這些客戶工資用了也就用了,成了「月光族」,沒有理財理念。
如何通過分析這些數據信息直接進行客源組織,為這些具有相同需求的人群量身定做金融服務,並享受」一客(群)一策「的定製服務,我們進行專題研究。
最終,我們在零存整取、基金定投和適時到帳理財產品上進行了產品打包宣傳,同步利用信用卡宣傳,幾場現場專題沙龍下來,引起了不少企業員工的注意和興趣,著實為這些收入不高的人群提供了一條實實在在的理財渠道。
這三個小故事就是對歷史數據進行挖掘的結果,反映的是數據層面的規律,它通過對大量的數據系統中提取、整合有價值的數據,從而實現從數據到知識、從信息到知識、從知識到利潤的轉化。
簡單來說就是:5個合適,在合適的時間、合適的地點、將合適的產品以合適的方式提供給合適的人。
5
具體來講,當我們通過對完成數據分析之後,找出相同的規律,當然還有一些個性化數據體現,為此具體的應用場景需要根據企業、業務的具體情況進行精準營銷策劃、設計。
概括來講,我們需要以下三個步驟:
第一步:數據採集,了解用戶,通過收集用戶所有的數據,主要包括靜態信息數據、動態信息數據兩大類,靜態數據就是用戶相對穩定的信息,如性別、地域、職業、消費等級等,動態數據就是用戶不停變化的行為信息,如消費習慣、購買行為等;
第二步:分析這些數據,給客戶畫像,畫像代表客戶對營銷內容有興趣、偏好、需求等,分析推算客戶的興趣程度、需求程度、購買概率等;
第三步,也就是最後一步,將這些畫面綜合起來,拼成一張較為完整的圖,這樣我們對客戶就有了一個大概的了解。

5. 大數據攻略案例分析及結論

大數據攻略案例分析及結論

我們將迎來一個「大數據時代」。與變化相始終的中國企業,距離這場革命還有多遠?而追上領先者又需要多快的步伐?

{研究結論}

■大數據營銷的本質是一個影響消費者購物前心理路徑的問題,而這在大數據時代前很難做到。

■對於傳統企業而言,要打通線上與線下營銷,實現新的商業模式,如O2O等,離不開大數據。

■雖然大數據應用往往集中於大數據營銷,但對於一些企業,大數據的應用早已超越了營銷范疇,全面進入了企業供應鏈、生產、物流、庫存、網站和店內運營等各個環節。

■對於大部分企業,由於數據分析人員與業務人員之間的彼此視角與思考方向不同,大數據分析和運營之間存在脫節情況,這是大數據無法用於企業運營最大的阻力

■對於大多數互聯網公司來說,大數據量、大用戶量是一個相互促進,強者越強的循環過程。

■對於大型互聯網平台,大數據已經成為其生態循環中的血液,對於這些企業,最重要

的不是如何利用大數據改進自身運營,而是利用大數據更好地繁榮平台生態。

■對於平台企業,它們的大數據策略正逐漸從大數據運營,向運營大數據轉變,前者和

後者的差別在於,前者只是運營改進的動力,而後者則成為企業實現未來戰略的核心資源。

我們都已被反復告知:我們將迎來一個「大數據時代」。

大數據應用,將和雲計算、3D列印這些技術變革一樣,顛覆既有規則,並成為先行企業的制勝關鍵。

與變化相始終的中國企業,距離這場革命還有多遠?而追上領先者又需要多快的步伐?

來自於互聯網、移動互聯網、物聯網感測器、視頻採集系統的數據正海量增長,匯成大數據的海洋,相伴的是海量數據存儲、分析技術的突破性發展,所有這一切都給企業的應用帶來了無限可能性。

中國企業家研究院對當前中國企業大數據應用的狀況進行了歸納分類,以幫助企業了解實際應用大數據時的困局難點,並提供領先企業的典型案例以資借鑒。

表1

表2

大數據運營—企業提升效率的助推力

對於大多數企業而言,運營領域的應用是大數據最核心的應用,之前企業主要使用來自生產經營中的各種報表數據,但隨著大數據時代的到來,來自於互聯網、物聯網、各種感測器的海量辯笑虧數據撲面而至。於是,一些企業開始挖掘和利用這些數據,來推動運營效率的提升。大數據運營應用中,大數據的應用分為三類:用於企業外部營銷、用於內部運營,以及用於領導層決策。

一、大數據營銷

大數據營銷的本質是影響目標消費者購物前的心理路徑,它主要應用在三個方面:1、大數據渠道優化,2、精準營銷信息推送,3、線上與線下營銷的連接。在消費者購物前,通過各種方式,直接介入其信息收集和決策過程。而這種介入,是建立在對於線上與線下海量用戶數據分析的基礎之上。相比傳統狂轟濫炸或等客上門的營銷,大數據營銷無論在主動性和精準性方面,都有非常大的優勢。它是目前主要的大數據應用領域。

大數據營銷不僅僅是用大數據找出目標顧客,向其發布促銷信息,它還可以做到:

實現渠道優化。根據用戶的互聯網痕跡進行渠道營銷效果優化,就是根據互聯網上顧客的行為軌跡來找出哪個營銷渠道的顧客來源最多,哪個來源顧客實際購買量最多,是否是目標顧客等等,從而調整營銷資源在各個渠道的投放。例如東風日產,它利用對顧客來源的追蹤,來改進營銷資源在各個網路渠道如門戶網站、搜索和微博的投放。

精準營銷信息攜神推送。精準建立在對海量消費者的行為分析基礎之上,消費者網路瀏覽、搜索行為被網路留下,線下的購買和查看等行為可以被門店的POS機和視頻監控記錄,再加上他們在購買和注冊過程中留下的身份信息,在商家面前,正逐漸呈現出消費者信息的海洋。

一些企業通過收集海量的消費者信息,然後利用大數據建模技術,按消費者屬升猛性(如所在地區、性別)和興趣、購買行為等維度,挖掘目標消費者,然後進行分類,再根據這些,對個體消費者進行營銷信息推送。比如孕婦裝品牌十月媽咪通過對自己微博上粉絲評論的大數據分析,找出評論有「喜愛」相關關鍵詞的粉絲,然後打上標簽,對其進行營銷信息推送。京東商城副總經理李曦表示:「用大數據找出不同細分的顧客需求群,然後進行相應的營銷,是京東目前在做的事情。」小也化妝品將自身網站作為收集消費者信息的雷達,對不同消費者推薦相應的肌膚解決方案,創始人肖尚略希望在未來,大數據營銷能替代網站的作用,真正成為面向顧客的前端。

打通線上線下營銷。一些企業將互聯網上海量消費者的行為痕跡數據與線下購買數據打通,實現了線上與線下營銷的協同。比如東風日產,線上與線下的協同營銷方式為:其門戶網站帶來訂單線索,而通過這些線索,服務人員進行電話回訪,從而推動顧客在線下交易。在此過程中,東風日產記錄了消費者進入、瀏覽、點擊、注冊、電話回訪和購買各個環節的數據,實現了一個橫跨線上線下,以大數據分析為支持的,營銷效果不斷優化的閉環營銷通路。而國雙科技,衡量某一地區線下促銷活動的效果,就是看互聯網上,來自這個地區對於促銷內容的搜索量。一些企業,通過鼓勵線下顧客使用微信和Wi-Fi等可追蹤消費者行為和喜好的設備,來打通線上與線下數據流,銀泰百貨計劃鋪設Wi-Fi,鼓勵顧客在商場內使用,然後根據Wi-Fi賬號,找出這個顧客,再通過與其它大數據挖掘公司合作,以大數據的手段,發掘這個顧客在互聯網的歷史痕跡,來了解這個顧客的需求類型。

二、大數據用於內部運營

相比大數據營銷,大數據在內部運營中的應用更深入,對於企業內部的信息化水平,以及數據採集和分析能力的要求更高。本質上,是將企業外部海量消費者數據與企業內部海量運營數據聯系起來,在分析中得到新的洞察,提升運營效率。(詳見P96表5:大數據在內部運營中的應用)

表5

三、大數據用於決策

在大數據時代,企業面對眾多新的數據源和海量數據,能否基於對這些數據的洞察,進行決策,進而將其變成一項企業競爭優勢的來源?同大數據營銷和大數據內部運營相比,運用大數據決策難度最高,因為它需要一種依賴數據的思維習慣。

已有少數企業開始嘗試。比如國內一些金融機構在推出一個金融產品時,會廣泛分析該金融產品的應用情況和效果、目標顧客群數據、各種交易數據和定價數據等,然後決定是否推出某個金融產品。

但是,中國企業家研究院在調研中發現,目前中國企業當中,大數據決策的應用非常之少,許多企業領導者進行決策時,仍習慣於憑借歷史經驗和直覺。

大數據產品——企業利潤滋長的新源泉

大數據除了用於運營外,還能夠與企業產品結合,成為企業產品背後競爭力的核心支持或者直接成為產品。提供大數據產品的企業分為兩類,直接提供大數據產品的企業,以及將大數據作為產品和服務核心支撐的企業。前者主要為大數據產業鏈中提供數據服務的參與者,包括數據擁有者、存儲企業,挖掘企業、分析企業等,後者則主要是那些以大數據為產品核心支撐的企業,它們大多是互聯網企業,其產品和服務先天就有大數據基因,這些企業包括搜索引擎、在線殺毒、互聯網廣告交易平台以及眾多植根於移動互聯網之上,為用戶提供生活和資訊服務的APP等。

表3

表4

一、大數據作為產品核心支持

它們主要在以下幾方面使用大數據:

1、提供信息服務。很多互聯網企業通過對海量互聯網信息和線下信息的整合和分析,為個人和企業提供信息服務,典型的如網路、去哪兒、一淘、高德地圖、春雨醫生等等。在美國,一些互聯網企業甚至根據大數據提供更深度的預測信息服務,美國科技創新公司farecast,通過分析特定航線機票的價格,幫助消費者預測機票價格走勢。

2、分析用戶的個性化需求,藉此提供個性化產品和服務,或者實現更精準的廣告。典型的有移動社交工具陌陌、網路、騰訊、廣告交易平台品友互動以及一些互聯網游戲商。這種應用往往先是收集海量用戶的互聯網行為數據,將用戶分類,根據不同類型的用戶,提供個性化的產品,或者提供個性化的促銷信息。比如網易等門戶網站推出了訂閱模式,讓使用者按照個人喜好方便地定製和整合不同來源的信息。

3、增強產品功能。對於很多互聯網產品,如殺毒軟體、搜索引擎等等,海量數據的處理能夠讓產品變得更聰明更強大,如果沒有大數據,產品的功能就大大減弱。比如奇虎360公司的360殺毒軟體,憑借每天海量的殺毒處理,建立了龐大的病毒庫,這使它能夠更快地發現病毒,而一些小的殺毒軟體公司則無法做到這一點。

4、掌控信用狀況,提供信貸服務。阿里巴巴上匯集了海量中小企業的日常資金與貨品往來,通過對這些往來數據的匯總與分析,阿里巴巴能發現單個企業的資金流與收入情況,分析其信用,找出異常情況與可能發生的欺詐行為,控制信貸風險。

5、實現智能匹配。婚戀網站、交易平台等,利用大數據可以進行精準而高效的配對服務。網易花田會挖掘用戶行為數據,比如點擊哪些異性的頁面,發表什麼樣的評論,建立用戶興趣模型,從而挖掘到用戶所期待另一半的類型,然後主動推薦與對方匹配度比較高的人選。2010年,阿里巴巴嘗試性地推出「輕騎兵」服務,由阿里巴巴將中國各產業集群地的供應商與海外買家的個性采購需求進行快速匹配,所憑借的,就是對供應商的海量交易數據信息的整合與挖掘。

二、大數據直接作為產品

對一些企業,大數據直接成為了產品,這些產品包括海量數據、分析、存儲與挖掘的服務等,目前大數據產業鏈正在形成過程中,出現了一批開放、出售、授權大數據和提供大數據分析、挖掘的公司和機構,前者主要是一些擁有海量數據的公司,將數據服務作為新的盈利來源。如大型的互聯網平台、民航、電信運營商、一些擁有大數據的政府機構等等,後者主要包括一些能夠存儲海量數據或者將海量數據與業務場景結合,進行分析和挖掘,或者提供相關產品的公司,如IBM、SAP、拓而思、天睿公司。它們為大數據應用者們提供海量數據存儲、數據挖掘、圖像視頻、智能分析等服務以及相關系統產品。

大數據平台——企業群落繁榮的滋養劑

而網路已建成了包括網路指數、司南、風雲榜、數據研究中心和網路統計在內的五大數據體系平台,幫助其營銷平台上的企業了解消費者行為、興趣變化,以及行業發展狀況、市場動態和趨勢、競爭對手動向等信息。

為解決這些問題,各個平台在積極地努力。比如阿里巴巴建立了數據委員會,在統一數據格式標准、從源頭上保證數據的質量,採集和加工出精細化的數據,確保其能符合平台企業的應用場景等方面,不遺餘力地嘗試。尤其在大數據精細化方面,阿里巴巴更是作為其大數據戰略的重點。這方面,騰訊目前也在加快步伐。比如新版騰訊網出現了「一鍵登錄」的提示,用戶可以在上面通過一些細分標簽,訂閱自己關注的內容。實際上,這也是騰訊收集更精細化的用戶興趣數據的一個有效手段。

Tips

大數據實戰手冊

將大數據應用於內部運營中時,企業會遇到一些常見問題

1企業如何獲取與分析數據?

互聯網是大數據的一個主要來源,一些線下的傳統企業很難獲得。但它們可以:

a和擁有或能抓取海量數據的平台、企業以及政府機構合作。比如淘寶上的電商就購買淘寶收集的海量數據中與自身運營相關的部分,用於自身業務。再如卡夫通過與IBM合作,在博客、論壇和討論版的內容中抓取了47.9萬條關於自己產品的討論信息,通過大數據分析出消費者對卡夫食品的喜愛程度和消費方式。

b建立自己在互聯網上的平台,比如朝陽大悅城利用自己的微信、微博等平台收集消費者評論數據。

c許多傳統企業沒有分析海量數據的能力,此時它們可以和大數據分析和挖掘公司合作,目前市場上已經有天睿公司、IBM、百分點、華勝天成等一批提供大數據分析和挖掘服務的公司,它們是傳統企業進行大數據分析可以藉助的力量。

2如何避免大數據應用時的部門分割?

對於許多企業,其信息流被各部門彼此分割,數據難以互通,對於這種情況下,大數據的共享和匯集就只是一個泡影,更難以實現大數據的深度應用。

要打通部門之間信息分割的局面,首先要建立統一的、集中的數據系統。就像立白信息與知識總監王永紅所說的,「要真正用好大數據,企業要採用大集中的信息系統。」從更深入的角度來談,企業信息流的部門分割,更在於企業部門之間的分割,比如有一些企業的營銷按照渠道分割,導致對於顧客的大數據收集和分析效果大打折扣。

IBM智慧商務技術總監楊旭青認為,「很多時候由於組織結構問題,大數據分析有效性大大降低了。」這就需要組織與流程層面的重新設計,在這方面,阿里巴巴的部門負責人輪崗制度,對於打破部門壁壘無疑是一劑好葯。而一些企業為了打破部門分割,建立了矩陣型的組織結構,強化部門間的橫向合作,這些無疑為大數據的匯集、共享與應用創造了良好條件。

3如何讓業務人員重視大數據的應用?

解決這個問題,一方面在於一把手對整個企業數據文化的倡導,比如1號店董事長於剛就要求業務人員無論在開會,還是匯報工作時,都以數據說話,而馬雲更是將大數據提升到了戰略高度。

另一方面,也在於數據部門的帶動,阿里巴巴數據委員會負責人車品覺分享了經驗,「因為運營部門的業務人員很難看到大數據的潛力,可以首先從一些對業務見效快,見效顯著的數據項目出發,通過一兩個項目的成功,調動對方的積極性,然後再逐步一個個地引導。」

4為何大數據工作與運營需求脫節?

這往往是由於數據人員與業務人員視角、專業知識不同而導致的。大數據人員做了很多努力,但是業務人員卻認為這些努力無關痛癢。如何解決這個問題?

有的企業從組織設計上發力,將大數據納入業務分析部門的管理之下,用業務統馭數據。對於朝陽大悅城,由主要負責戰略和經營分析的部門來管理大數據工作,其中的大數據分析人員則作為支持人員。在負責人張岩看來,大數據要靠商業法則指導,關鍵是找到業務需求的點,然後由數據分析和挖掘人員實現。在具體操作中,大悅城對微信的數據挖掘,挖掘什麼樣的關鍵詞,由業務分析人員確定,而具體挖掘則由數據部門做;有的企業從流程設計上著手,推動業務部門與數據部門人員之間的溝通,建立數據人員工作與效果掛鉤的考核機制。

例如阿里巴巴根據數據挖掘的成效(比如帶來的商品轉化率的提升)來考核數據挖掘師,考核數據分析師則看其分析結果能否出現在經營負責人的報告中。從數據部門自身角度則需要降低運營部門使用數據的障礙和門檻,比如立白集團的數據人員會努力嘗試向運營部門提供更易懂、更生動的圖形化數據分析界面,在立白老闆辦公室上,就有一份「客戶運營健康體檢表」,讓老闆對全國經銷商的當月銷售情況一目瞭然。再如阿里巴巴開發的無線Bi,讓經營人員在手機上也可以看到大數據分析結果,拿車品覺的話說,「以數據之氧氣包圍經營人員。」

6. 消費金融案例分析

一、單變數分析——用戶首逾率增高問題
二、用戶群組分析——對相同生命周期階段的用戶進行垂直分析
三、用戶行為路徑漏斗轉化分析

單變數分析:
單變數分析的目的是,通過對數據的整理、加工、組織和展示,並計算反應數據的集中趨勢和離散程度的指標,對變數分布的特徵和規律進行刻畫和描述。不同類型的變數需要使用不同的方法和指標。
單變數分析又稱「單變數統計分析」,就是在一個時間點上對某一變數所進行的描述和統計,因而又可以分為單變數描述統計和單變數推論統計兩種方式。

日常監控發現某款消費貸產品首逾率有逐漸升高的趨勢,需要把首逾率降下來以減少產品帶來的損失。

● 分析目標:通過數據探查分析制定出可以有效降低首逾率的策略。
● 分析思路:分析的策略是在客戶申請時用來判斷客戶是否會逾期的條件,所以需要還原這些有首逾表現的客戶在申請時的數據,即提取出客戶在申請時點各個維度的數據,然後利用這些數據去找出能夠區分好壞客戶的變數,從而制定策略。

觀察原數據,並對列名進行更改,方便理解。最終所得數據(部分)如下:

計算得到首逾率約為0.3076,屬於過高的情況。下面將採取單變數分析法,從不同維度去分析,尋找解決方法。

3.2.1 徵信查詢次數

所得結果如下:

由上圖可以看出:
● 約80.51%的用戶徵信查詢次數在12次以上;
● 首逾率與徵信查詢次數呈正相關的趨勢:隨著徵信查詢次數的不斷增加,首逾率也呈現升高的趨勢,且徵信查詢次數超過21次時,首逾率此時達到最高,約為59.85%。

3.2.2 信用評級分組
將信用評級劃分為5個分組:AA、A、BCD、ERC、缺失,並進行聚合統計。

所得結果如下:

● 除去缺失欄位,客戶佔比最高的是評級為BCD的用戶,其次為ERC,整體用戶評級偏低;
● 首逾率與評級檔次呈正相關,其中ERC評級用戶首逾率最高達到52.74%左右,其次為BCD評級用戶首逾率在36.27%。

3.2.2 計算提升度
進行變數分析之後,這時我們就要從中篩選中較為有效的變數了,這里涉及到一個衡量變數是否有效的指標,提升度。

提升度:通俗的來說就是衡量拒絕最壞那一部分的客戶之後,對整體的風險控制的提升效果。 提升度越高,說明該變數可以更有效的區分好壞客戶,能夠更少的誤拒好客戶。

計算公式:提升度=最壞分箱的首逾客戶占總首逾客戶的比例 /該分箱的區間客戶數佔比。

例如:上表中徵信總查詢次數的最壞分箱提升度就是(1923/17365)/(3213/56456)=11%/5.69%=1.93 提升度這個指標一般來說都是用來一批變數分析里做相對比較,很多時候都是在有限的變數里盡可能選提升度更高的變數來做策略。

分別計算徵信總查詢次數和客戶信用評級的提升度:
徵信總查詢次數提升度

最終結果為1.9458。

信用評級提升度

最終結果為1.7147。

在上文中, 通過上一步的單變數分析,我們篩出了「徵信查詢次數」、「信用評級」這兩個提升度最高的變數。所以選擇將其最壞分箱的人全部拒絕,計算提出後的首逾率降幅為多少。(這個影響就是指假設我們將『徵信總查詢次數>=21的3213位客戶全部拒絕』之後,剩下的客戶逾期率相比拒絕之前的逾期率降幅是多少)

最終結果分別為「徵信查詢次數」:3.41%和「信用評級」:7.53%。
● 通過計算可得,通過拒絕最壞分組的客戶,得到的最終首逾率分別下降了3.41%和7.53%,證明該方法確實能起到降低首逾率的效果。

群組分析法就是按某個特徵對數據進行分組,通過分組比較,得出結論的方法。
群組分析的作用:
1.對處於相同生命周期階段的用戶進行垂直分析,從而比較得出相似群體隨時間的變化。
2.通過比較不同的同期群,可以從總體上看到,應用的表現是否越來越好了。從而驗證產品改進是否取得了效果。

當我們在做用戶分析時,會遇到這樣的一個問題,一個用戶使用APP時,會留下一連串的使用數據,可能是一月份的購買了1次,二月份購買了2次,三四月沒有購買,五月份又購買了。也就是對於用戶來說他的數據是一個時間面數據,而且不同用戶的時間面是不相同的,開始時間經歷時間都不一樣,而如果我們分析的時候不考慮到這個因素而直接進行分析,顯然是不夠合理的,因為新用戶和老用戶經歷的產品運營情況是不一樣的。

那我們應該如何處理呢,這個時候就有一種分析方法,可以幫助我們在時間軸上對齊用戶,這就是群組分析。

通過用戶的訂單消費情況,對比同一月份的新用戶留存率的變化趨勢,以及不同時間期的新用戶在同周期時的留存率情況

對數據進行觀察,發現分析留存率只需要用到四個欄位:
OrederId:訂單編號
OrderDate:訂單日期
UserId:用戶編號
TotalCharges:消費金額

orderperiod:用戶消費月份
chortgroup:用戶最早消費時間(出現的時間點)

● 整體用戶留存率偏低,在5月就已經沒有用戶;
● 3、4月份的用戶生命周期較短,而1、2月用戶生命周期相對較長;
● 猜測可能1月、2月有活動,特別是1月份的,能夠讓用戶的留存較高,對於此類情況的產生需要想辦法增加用戶留存,比如持續推出新品、進行簡訊營銷、推出活動等。

用戶行為路徑分析:用戶行為路徑分析是一種監測用戶流向,從而統計產品使用深度的分析方法。它主要根據每位用戶在App或網站中的點擊行為日誌,分析用戶在App或網站中各個模塊的流轉規律與特點,挖掘用戶的訪問或點擊模式,進而實現一些特定的業務用途,如App核心模塊的到達率提升、特定用戶群體的主流路徑提取與瀏覽特徵刻畫,App產品設計的優化與改版等。

行為路徑分析有如下作用:
1.可視化用戶流向,對海量用戶的行為習慣形成宏觀了解。
2.定位影響轉化的主次因素,使產品的優化與改進有的放矢。

案例基於網路消費貸款形式,對消費貸借款進行復盤分析,增加用戶借貸率。

獲取原始表格每日信息表dt_flow、用戶信息表dt_check,如下所示

得到新用戶表:

同理,也可以得到老用戶表:

老用戶定義:前一天的放款的新用戶第二天繼續借款就是老用戶。

得到復借率表和走勢圖:

● 從整體上看,5月復借率走勢起伏不定,推測在復借率較高的時間段可能是因為營銷活動的影響;
● 平均復借率約為34.72%。

得到指標匯總圖和漏斗圖:

由上圖可知:
● 轉換率在 UV → 注冊的轉換率很低,需要採取針對性營銷措施解決;
● 最終放貸成功率很低,可以優化繼續模型,在保證資金安全的情況下提高放貸率。

7. 消費金融案例分析總結

本文目錄如下:

在開始分析之前,我們需要先理清楚貸款業務的流程,也就是每個用戶從進件到最終還款之間所涉及到的所有環節。一般情況下,網貸的流程可以概述為以下形式:

通過用戶行為路徑分析,我們可以得到:

它適用於對產品運營中的關鍵環節進行分析、監控,找到其中薄弱的環節,通過用戶引導或者產品迭代來優化,提升轉化效果。

選取子集,將新用戶和老用戶分開統計每天申請貸款人數和審批放貸人數,然後計算新用戶放貸率。最後使用merge函數將新用戶結果表和老用戶結果表拼接。結果如下:

接下來,計算用戶復借率,需要知道每天的老用戶數目,這里的老用戶定義是:#前一天的放款的新用戶第二天繼續借款就是老用戶#,對存量老用戶我們暫時不考慮,就看前一天貸款的人第二天是否還繼續貸款,貸款的就認為是老用戶復借,所以取新用戶放貸透視表的前29天數據+5月1日的人構成老客戶數量,我物枝們看這些客戶是否還繼續貸款。

組成一張用戶路徑總表,計算各節點轉化率。

計算轉化漏斗,計算匯總數據:

結果如下:

從結果來看,從PV到UV有一個很大幅度的下降,正常來講,一個廣告投放可能也就吸引10%-30%左右用戶,但是點擊量是非常巨大的數量,所以帆纖造成這樣的結果。

從整體環節來看,很明顯注冊數量4%是比較低的,這說明很多用戶去點擊了,但是注冊人數很少,是不是說明這個渠道有問題?我可以再通過不同渠道的轉化漏斗分析再做對比,來看到底是整個行業的轉化率偏低,還是單個渠道偏低,或者這個渠道用戶群體不是我們想要的。

在消費金融公司里,經常會通過日常監控發現某款消費貸產品首逾率有逐漸升高的趨勢,我們需要把首逾率降下來以減少產品帶來的損失,同時通過率降幅不能太明顯。
分析目標:通過數據探查分析制定出可以有效降低首逾率的策略。
分析思路:因為我們所要分析的策略時將要在客戶申請時用來判斷客戶是否會逾期的條件,所以策略分析時的基本思路就是還原這些有首逾表現的客戶在申請時的數據(這個還原是指提取出客戶在申請時點各個維度的數據,越多越好) ,然後利用這些數據去找出能夠區分好壞客戶的變數,制定策略。

可以得到,總體首逾率30.76%。

這里用到單變數分析的方法,單變數分析的主要目的是篩選出好壞區分度較好的變數以便制定策略。在消金公司的日常工作中,會有專門負責爬取變數和計算加工變數數據的團隊,他們在不斷的去獲取加工很多可能對風險控制有幫助的數據提供給我們風控團隊,而我們風控人員就需要從這成千上萬個變數中探查出能夠控制逾期風險但同時又不會誤拒很多好客戶的變數。

統計結果如下:

統計結果如下:

在進行變數分析之後,這時我們就要從中篩選中較為有效的變數了,這里涉及到一個衡量變數是否有效的指標,提升度。通俗的來說就是衡量拒絕最壞那一部分的客戶之後,對整體的風險控制的提升效果。 提升度越高,說明該變數可以更有效的區分好壞客戶,能夠更少的誤拒好客戶。如下,通過對所有變數的提升度進行倒序排列,發現個人徵信總查詢次數和客戶信用評級的提升度最高,達到1.93和1.71。

通過上一步罩轎敏的單變數分析,我們篩出了』徵信查詢次數』、『信用評級』這兩個提升度最高的變數。如果將這兩個變數的最壞分箱的客戶都拒絕之後,對整體逾期的影響。 這個影響就是指假設我們將『徵信總查詢次數>=21的3213位客戶全部拒絕』之後,剩下的客戶逾期率相比拒絕之前的逾期率降幅,最後,我們得到徵信查詢次數分組降幅3.4%,信用評級分組降幅7.5%。

用戶在產品使用中都有一個用戶行為流程,不同時期的用戶表現情況可能不一樣,群組分析的主要目的是分析相似群體隨時間的變化,核心就是對比、分析不同時間群組的用戶,在相同周期下的行為差異, 所以也稱同期群分析。
那麼在金融風控領域,最常用的一個場景就是賬齡分析,用來監測用戶的逾期率變化狀況。如下圖, M2、M3的逾期率比較高,隨後調整了風控策略,然後進行群組分析看策略是否有效。

結果如下:

這里生成的新欄位,orderperiod為用戶訂單月份,cohortgroup是按照每個用戶的訂單的最早時期,生成用戶群組,兩者是不一樣的。

接下來,根據用戶群組和月份欄位進行分組:

結果如下:

這里的orderperiod欄位,我們可以看出2019-01對應的最早消費月份是2009-01,02,03,05,但是2009-02對應的卻是最早消費月份2009-02,03,05,相對比來說,2009-02的第一個月份是在2月份,所以就會出現不對齊的現象,對於這個問題,我們可以orderperiod進行編號來解決:

得到:

結果得到:

注意,上圖中每個column代表最早在當月的消費群組,cohortperiod表示最早消費群組在第1,2,3,4月的情況,比如2019-01月表示最早在1月消費群組的第1,2,3,4月的情況。

總結來看:

對處於相同生命周期階段的用戶進行垂直分析,從而比較得出相似群體隨時間的變化,上圖可以看到用戶留存率隨著時間推移在下降。

同時,通過比較不同時間的同期群,可以看出留存率的表現忽高忽低,上圖可以看到2019-02月走低後2019-04月又走高,
可能在2019-03月的時候做了用戶活動導致了這樣的結果,從而驗證活動改進取得了明顯效果。

8. 互聯網時代的客戶數據分析與精準營銷

互聯網時代的客戶數據分析與精準營銷
隨著互聯網金融和大數據時代的到來,銀行在IT建設、數據採集方面都投入了大量的人力、物力和財力,CRM系統已普遍建立,基礎建設初步完成。然而從整體來說,中國銀行業由於在數據分析(analytics)領域經驗的缺乏,戰略上誤將此項工作狹義化為IT工作,數據與客戶仍然是隔離的,數據應用主要集中在後端,數據文化尚未形成,數據分析手段仍然比較原始,實際投入產出比不高。
單從客戶細分而言,幾乎所有銀行都在做客戶群分層工作,有的銀行只是粗略分層,有的銀行根據風險與客戶生命周期進行客戶分層,但幾乎很少有銀行能夠從數據挖掘與分析角度精細化地進行客戶細分與決策,而真正懂得如何科學運用數據與模型進行客戶行為分析預判,特別對流失客戶的分析與預判,實施精準營銷的更是寥寥無幾,這必然導致銀行在以客戶為中心的轉型發展過程中,會遇到一系列與客戶發展目標相關的瓶頸,諸如我們常常聽到的如下頭疼問題:
不知道哪些客群應該重視、哪些應該放棄;
客戶流失率很高卻不知其原因,不知道如何進行客戶流失分析與預判;
不知道如何進行客戶預見性營銷與精準營銷;
不知道如何通過數據分析與模型工具促發客戶;
……
那麼,如何解決以上問題呢?我們認為,銀行首先必須要在客戶數據分析這項重要工作里投入必要的資源、人力和物力,並願意採用專業科學的管理方法與指導,從而使數據分析能夠為銀行帶來實質性的效益。本文我們將通過兩個案例的分享助您領悟這項工作的實施要領。
[案例一]客戶數據清理分析與分類
首先,將客戶數據按照邏輯關系、層層深入劃分、清理與分析。先運用數據分析方法將無效客戶界定與排除,隨後開展有效客戶與潛在客戶分析、有效客戶精細化細分、潛在客戶中分離出休眠客戶分析等,通過層層分析與剝離,結合銀行實際情況,得出對銀行有終身價值的客戶群。客戶數據細分示例如下圖:
其次,為了能真正理解客戶,需要挖掘更多目標客戶的內心深處的需求和行為特徵。必須在超越客戶身份、年齡類別、資產數字、交易數據等表象洞察客戶的需求動因和價值觀念,許多洞察客戶對於產品的偏好、支付的偏好、渠道的偏好、交易時間的偏好等等。為此,要對分層後的客戶進行深入的人文洞察與分析,分析結果用於輔助客戶營銷策略制定。
那麼,什麼才是無效客戶呢?例如,某零售銀行帳戶多達350萬,暫無精確的客戶數,賬戶金額0-100元達250萬(占總賬戶的71%,可能為無效客戶),100-1000元達40多萬戶,擁有龐大的代發賬戶。在項目實施之前,該行並沒有認識到,中低端賬戶金額並不等於中低端客戶。銀行也不知代發客戶如何使用其賬戶資金,不知為什麼代發客戶資金流出銀行。
界定無效客戶,需要將數據分析方法與銀行實際情況相結合考慮。
在本項目中,由於考慮到零售業務團隊、IT團隊與財務部門對無效客戶定義不一致,首道資深顧問在數據清理之前,與銀行相關團隊共同協商與定義「什麼樣的客戶在該行算無效客戶」。根據第一輪協商,確定以行內資產(AUM)100元(包括100元)以下,並且過去12個月所有賬戶沒有任何動作(如:存儲提取和匯入)的客戶為無效客戶。後又採用統計分析方法與實戰經驗結合,得出銀行各部門均可接受之分類切點。按此方法切除無效客戶之後,便獲得有效客戶數據。
排除無效客戶之後,重點對有效客戶和潛在客戶進行深入挖掘與分析。
在潛在客戶中,一部分為有效客戶,一部分為休眠客戶。對休眠客戶,採用相關策略進行營銷,觀測效果,根據效果為改進銀行產品提供相關建議。對於有效客戶細分,則可按客戶的消費行為、按客戶在銀行資產額、按客戶與銀行關系長短、按銀行收入貢獻度等進行細分,尤其是對於在本行有低資產額的有效客戶,需估測客戶行外資產,協助進行交叉銷售,對本行客戶產品擁有情況做精細化分析,將零售客戶總客戶數,按照產品條線進行細分。通過數據分析,確定客戶價值。
[案例二]代發客戶流失率分析、客戶維護與精準營銷
客戶流失嚴重是某銀行非常頭痛的難題,如何對銀行的客戶做好維護是該行重點關心的話題。仍然回到之前的問題,該行擁有大量的代發客戶,但不知為何代發客戶資金流出銀行金額較大?針對這個問題,我們的解決方案是:首先對該行代發流失客戶進行相關數據細分與分析,確定流失客戶特徵和屬性,同時分析影響客戶流失的各因素及各因素之間的相互關系。在此基礎上,對流失客戶在流失過程中所處時間段,進行數據分析,確定流失客戶時空特徵,並對流失客戶資產特徵進行深入分析與判斷,進而幫助銀行對已經流失或者有流失預警的客戶,提供相關流失客戶挽留策略。
在項目中我們幫助該行建立了客戶維護率模型,以此做好客戶流失預判和保留,大幅降低了該行的客戶維護成本。通過開發和不斷調試,該模型能夠幫助該行確定客戶流失預期(如預計客戶將在3個月或者5個月流失)與營銷客戶群(如年齡在20-30歲的女性客戶群),並給該行提供與設計相關客戶維護與吸引策略。例如:若要維護這些客戶,避免在預計內流失到他行,則需要配備哪些產品進行營銷?需要採取哪些營銷活動?通過哪些渠道接觸客戶?在什麼時間段最為適合進行客戶挽留?決定哪些客戶值得該行團隊花費成本進行維護挽留?……為該行大幅降低了客戶維護成本,提升了維護效率。客戶維護率模型原理示意如下圖所示。
除了做好客戶流失預判和保留,為了提升該行客戶精準營銷之預見性,並將精準營銷與該行產品(如信用卡)相掛鉤,我們在項目中對該行營銷數據進行收集與分析,並建立客戶反應率模型。首先對該行現有全員營銷數據進行收集,按照不同產品條線細分營銷數據。與此同時,收集營銷客戶屬性數據,將產品營銷數據與客戶屬性數據相匹配,開發與調試反應率模型。反應率模型用以為營銷目標客戶群進行系統評分,並根據實際情況設定界定臨界分值,剔除分值低於該臨界分值的目標客戶群,對符合分值之目標客戶群提供相關營銷策略與產品建議,由此致該行銷售成本大幅下降,客戶對產品反映率明顯提高。客戶反應率模型原理示意如下圖所示。
總之,大數據時代,「一切從數據出發」應該演變為零售銀行日常工作的思維和工作文化。銀行需要努力將大數據推向前台,要以客戶為中心,深刻洞察客戶需求,從而打造個性化的客戶體驗。因此,應該採用傳統數據分析,結合客戶需求深入洞察,找出客戶行為背後的規律。同時運用大數據技術,得出細分群體的行為特徵,從而有目的、有計劃地開展精準營銷和服務。

9. 2021消費金融數字化轉型調研報告(附17家銀行優秀案例)完整版

本報告共分為五個部分。第一部分客觀分析了中國消費金融市場現狀,包括宏觀背景、市場供需變化、政策驅動、移動端用戶規模、未來市場空間等基本情況;第二部分主要闡述了數字化的定義、消費金融業務數字化轉型的目標與消費金融業務數字化情況評價指標體系相關情況;第三部分主要呈現和分析面向五大指標維度的調研數據結果,包括機構調研、消費者調研以及第三方數據監測等情況;第四部分主要是部分銀行機構在消費金融業務數字化轉型方面的優秀案例;第五部分是調研總結與消費金融業務數字化發展建議。

報告總154頁,受篇幅限制,僅展示部分。

【完整版報告領取方式見文末】

大綱目錄

第一章 我國消費金融行業進入穩定增長期

1.1 國民經濟良好運行奠定行業發展基礎

1.2 監管完善驅動消費金融市場規范發展

1.3 消費金融移動端用戶規模持續增長

1.4 未來五年市場增長空間近11萬億元

第二章 消費金融業務數字化情況評價

2.1 數字化定義與數字化轉型的目標

2.2 消費金融業務數字化情況評價指標體系

2.3 消費金融業務數字化評價情況

2.3.1 消費金融業務數字化情況的整體評價結果

2.3.2 消費金融業務數字化五大維度指標評價結果

第三章 消費金融業務數字化轉型調研情況

3.1 消費金融用戶畫像

3.1.1 一二線城市用戶佔比近 60%,收入多在5千至萬元區間

3.1.2 數字用戶以年輕客群為主,35歲以下佔比超8成

3.2 數字 科技 戰略布局及資源投入情況

3.2.1 銀行持續加大 科技 投入

3.2.2 數字 科技 戰略布局走向縱深.

3.2.2.1 75%的受訪機構設置了數字化轉型戰略目標

3.2.2.2 業務情況分化明顯,數字化仍面臨挑戰

3.2.3 部分機構的數字 科技 戰略及實踐

3.2.3.1 全國性銀行數字化戰略及金融 科技 創新實踐

3.2.3.2 區域性銀行數字化戰略及金融 科技 創新實踐

3.3 數字化產品及用戶評價情況

3.3.1 消費金融產品種類豐富

3.3.2 用戶對產品的喜愛度評價

3.3.3 用戶對移動端產品的感知評價

3.3.3.1 超 7 成用戶常用 APP 獲取服務

3.3.3.2 查賬還款是微信銀行最常用功能

3.3.4 用戶對產品的品牌印象情況

3.4 業務流程數字化及用戶評價情況

3.4.1 銀行等機構消費金融業務流程數字化情況

3.4.1.1 線上服務渠道已成標配,亦是獲客的重要陣地

3.4.1.2 積極 探索 數字風控技術,智能化提升服務效率

3.4.2 業務流程數字化重塑消費者的體驗感知

3.4.2.1 超 9 成功讓用戶在線完成授信評估

3.4.2.2 近 7 用戶對線上辦理效率評價在 8 分及以上

3.4.2.3 超 8 成用戶了解套現將降低信用額度

3.4.2.4 超 6 成功讓用戶通過手機銀行還款

3.4.2.5 移動端成為用戶使用消費金融服務的重要渠道

3.5 場景生態建設及用戶評價情況

3.5.1 銀行等機構不斷拓寬消費金融數字場景生態布局

3.5.1.1 餐飲和購物是目前數字場景生態布局的重點

3.5.1.2 場景化的數字營銷助力獲客與獲客

3.5.2 多元場景與豐富權益進一步提升用戶消費體驗

3.5.2.1 數字用戶在出行、支付等場景應用滲透率超 10%

3.5.2.2 近 8 用戶對場景豐富度滿意,評價集中在 9 分

3.5.2.3 用戶偏好簡訊、微信、短視頻等線上營銷觸達方式

3.5.2.4 費率折扣是最具吸引力的營銷策略

3.6 用戶對產品及服務滿意度情況

3.6.1 近 7 用戶對產品滿意度評價在 8 分以上

3.6.2 超 6 成用戶對服務滿意度評價在 8 分以上

3.6.3 用戶整體滿意度評價集中在 7 至 9 分區間

3.6.4 超 8 成功的用戶願意推薦他人使用

3.7 社會 責任履行情況

3.7.1 持續開展公益活動,主動承擔 社會 責任

3.7.2 積極發展綠色金融,助力雙碳目標實現

3.7.3 構建人才培養體系,加強員工人文關懷

第四章 優秀案例

4.1 工商銀行:推進「第一個個人金融銀行」戰略,建立數字生態運營體系

4.2 建設銀行:強化 科技 創新能力建設,提升數字化運營質效

4.3 農業銀行:從平台搭建到運營服務,做最「用心」的數字化銀行

4.4 廣發銀行:以 科技 驅動業務的蛻變,以 APP 連接場景化經營

4.5 浦發銀行:全面升級「全景銀行」戰略,提升智能化運營水平

4.6 廣州銀行:客戶經營和渠道創新,打造精品數字化銀行

4.7 中原銀行: 科技 賦能獲客與風控,信用卡業務逆勢增長

4.8 盛京銀行:堅定「市民的銀行」定位,提供有溫度的客戶體驗

4.9 上海農商銀行: 科技 賦能信用卡業務,打造特色普惠金融服務

4.10 吉林銀行:質量與效益並重、發卡與分期並行的進階之路

4.11 民泰銀行:數字化服務提升客戶體驗,數字化風控為業務保駕護航

4.12 齊魯銀行:以敏捷組織模式,踐行「小而美」的數字化轉型

4.13 長安銀行:數字化運營助力彎道超車,融合區域文化構建特色產品

4.14 蘭州銀行:全面布局智慧運營,推動信用卡業務數字化轉型

4.15 漢口銀行:啟動信用卡戰略提升項目,打造線上全流程服務體系

4.16 齊商銀行:數據驅動業務發展,金融 科技 助力精細管理

4.17 日照銀行: 科技 投入五年翻倍, 探索 數字化轉型之路

第五章 消費金融業務數字化發展建議

5.1 消費金融數字化轉型調研發現

5.1.1 全國性銀行戰略特色鮮明,區域性銀行戰略目標有待細化

5.1.2 數字化產品尚未形成規模,各機構多發力移動端產品建設

5.1.3 各業務流程數字化程度存在差異,風控領域轉型步伐較快

5.1.4 場景生態開放程度相對較高,全面建設開放銀行任重道遠

5.1.5 各機構數字化轉型得到用戶認可,以客戶為中心成效初顯

5.1.6 人才短缺是數字化轉型瓶頸之一,機構多以內部培養為主

5.1.7 機構積極承擔 社會 責任,以數字化轉型成果反哺 社會 發展

5.2 消費金融數字化發展建議

5.2.1 拆解數字化戰略目標,全面推動轉型實踐

5.2.2 打造數字化拳頭產品,強化用戶品牌感知

5.2.3 精細化分層目標客群,數字營銷高效觸達

5.2.4 科技 與業務加速融合,切實提升客戶體驗

5.2.5 提高數字場景滲透率, 探索 前瞻領域布局

5.2.6 加強數字化團隊建設,搭建人才培養體系

結 語...............................................................

閱讀全文

與金融數據營銷案例以及分析相關的資料

熱點內容
實務培訓方案 瀏覽:730
繽果電子商務 瀏覽:952
工信局電子商務 瀏覽:714
網路營銷的大學有哪些特點 瀏覽:323
微信營銷廣告有哪些 瀏覽:924
農牧民科技培訓工作方案 瀏覽:469
上海寶尊電子商務有限公司英文 瀏覽:153
電商培訓計劃與實施方案 瀏覽:396
人力資源專業與市場營銷專業怎麼樣 瀏覽:70
重慶廣告促銷方案 瀏覽:547
飯店春節促銷活動策劃方案 瀏覽:938
網路營銷的方式和特點是什麼 瀏覽:334
少兒培訓機構活動方案 瀏覽:316
實訓一網路營銷市場分析 瀏覽:26
教師期末工作結束培訓方案 瀏覽:721
教學培訓應急方案 瀏覽:3
雙十二機構活動策劃方案 瀏覽:277
廣州1601電子商務時尚島 瀏覽:354
烏魯木齊天山區金中電子商務 瀏覽:657
教育培訓開業策劃活動方案 瀏覽:268