銀行營銷活動做好數據分析

A. 如何構建商業銀行數據分析能力

構建商業銀行數據分析能力的步驟如下：
1、建立科學的數據管理工作機制。數據管理工作機制是數據管理體系的「奠基石」。數據管理工作機制的建設依賴於銀行高層管理人員的重視和不斷推動，同時也需要建立相應的數據管理機制的決策和控制機制。有效的數據管理需要明確專門的部門或組織承擔整個銀行的數據管理和應用職責。該組織負責從戰略的角度進行統籌和規劃，確定數據管理的范圍，明確數據資產的歸屬、使用和管理等流程，明確數據管理的組織、功能、角色和職責，以及確定數據管理的工具、技術和平台等內容，切實有效促進數據共享、提高數據價值。 建立統一的數據標准規范。
2、數據標准規范是數據管理體系的「粘合劑」。它是改進、保障和提高數據質量的依據，也是數據管理工作成敗的關鍵。數據標准化旨在促成數據標準的形成和使用而進行的與之相關的一整套數據標准規范，即制訂和實施數據標准、提高數據管理水平的過程。數據標準的制訂需要參考行業監管和標准機構已制定的數據標准，同時也應參考各個部門內部使用的特定數據的定義，制訂出數據標准體系框架，可以分為基礎類數據標准、業務類數據標准和應用類數據標准等，並在此標准基礎上進行細分。在數據標准體系框架下，通過對數據標準的梳理工作，以在業務屬性和技術屬性層面實現全行的數據標准化。
3、 建立持續的數據質量管理規范。數據質量管理是數據管理體系的「助推器」。它是對支持業務需求的數據進行全面的質量管理，保障各項數據管理工作能夠得到有效落實，達到數據准確、完整的目標，並能夠提供有效的增值服務的重要基礎。數據質量管理包括數據質量管理團隊建設、數據質量管理制度建設、數據質量管理流程建設以及數據質量管理監控平台建設等，其中，數據質量管理監控平台建設至關重要。在數據統一管理的框架下，銀行需要依據數據在數據生命周期的各個階段的特性，建立數據質量管理監控平台，及時發現數據質量問題，不斷改善數據的使用質量，降低數據質量導致的業務風險，實現數據更大的應用價值，滿足業務分析和管理決策的需要。
4、建立完善的數據安全防範規范。數據安全防範是數據管理體系的「防護罩」。
數據安全管理問題的解決，可以從以下5個角度著手:(1)制度及流程規范。通過建立數據安全和數據保密的相關管理制度和流程，合理劃分數據安全級別，規范數據在數據生命周期中的安全。(2)數據安全意識。加強對數據擁有者、數據管理者和數據使用者的安全意識培養，提高數據對於銀行業務的重要性認識。(3)數據保密性。系統中的個人身份信息、銀行賬戶信息等是否要進行加密，以避免數據被非法訪問。(4)應用系統的訪問控制。通過對應用系統的訪問許可權統一管理及單點登錄，達到防止非法訪問的目的。(5)數據安全審計。建立數據安全審計機制，檢查數據中的安全風險，防患於未然。 數據分析是實現數據資產增值的重要手段 數據分析是指一整套技術、流程與應用工具，通過建立分析模型對數據進行核對、檢查、復算、判斷等操作，將樣本數據的現實狀態與理想狀態進行比較，從而發現潛在的風險線索並搜集證據的過程。在實際應用中，數據分析可幫助銀行做出判斷，以便採取適當行動。因此，數據分析的過程就是組織有目的地收集數據、分析數據，最終使數據實現資產增值。

B. 營銷人員該如何搞定數據分析

【導讀】隨著精細化營銷理念的普及，人們對營銷的認識也逐漸深入，越來越多的營銷人員認識到，營銷不僅是一門藝術，也是一門科學。在市場快速變化的時代，基於數據進行分析，對市場需求、客戶行為進行科學准確的掌控。那麼，營銷人員該如何搞定數據分析呢?

1、營銷人員的常見問題

通過數據分析，營銷人員可以找到以下問題的答案。

問題一：流量從哪裡來?

互聯網時代就是流量的時代，得流量者得天下，但是做了這么多營銷推廣，究竟哪個渠道是有效的渠道的質量又該如何比較。

問題二：吸引來的用戶為什麼沒有轉化?引流曝光率上去了，轉化率卻不高，苦於沒有優化的方向。問題到底出在哪裡?

問題三：ROI如何提升?

ROI是衡量營銷效果的終極標准，也是營銷人員考核的核心指標。如何提升ROI也是營銷人員始終需要考慮的問題。

2、像搜索一樣簡單的數據分析工具

但是，如何才能更快地學會數據分析，提升自己的營銷力，也成為了廣大營銷人員和營銷團隊的難題。畢竟，平時的工作時間緊任務重，想要做出好看實用的圖表，又需要花費大量的時間。幸運的是，數據分析工具已經取得了很大的進步，學習成本也越來越低，只需要找到正確的工具，營銷人員很快就能搞定數據分析。

而DataFocus就是這樣一款為營銷人員准備、學習成本低、只需10分鍾就能上手做出精美圖表的數據分析系統。

DataFocus和一般的數據分析工具不同，它最大的特點是可以用類自然語言來交互，只需像使用搜索引擎一樣輸入問題，DataFocus就能自動進行數據分析和可視化呈現。

3、數據導入到數據可視化

進入DataFocus之後，左側有數據管理、搜索、數據看板等版塊。數據管理可以上傳和管理數據，搜索就是對數據進行分析和做各種圖表;數據看板可以展示數據分析的結果。

關於營銷人員該如何搞定數據分析，青藤小編就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。

C. 民生銀行的數據化營銷的成功之處有哪些

民生銀行大數據項目首先將大數據平台與巨杉的數據解決方案作深度集成，而內後期合作方如何對客戶容行業應用訴求作精準把握，才是決定項目成功落地的關鍵。
日前，中國民生銀行大數據項目正式啟動。該項目由IBM和巨杉資料庫公司（SequoiaDB）攜手，通過IBM BigInsights大數據解決方案和企業級NoSQL資料庫SequoiaDB為民生銀行搭建低成本、高性能、高可靠且水平擴張的數據平台，幫助民生銀行通過大數據分析應對金融業的大數據挑戰，實現深刻的行業洞察。該平台使用IBM BigInsights與合作夥伴SequoiaDB的完整集成，全面提升民生銀行作為金融業領導者在大數據時代的價值。

1. 競爭驅使應用

2. 互聯網基因的融合

3. 應用趨向業務洞察

4. 在不同的應用場景中，實現全面的數據分析。特別是內置的集群內文本語義分析功能，為多種來源的文本提供高性能的處理、標注及分析功能。
   

D. 如何在銀行審計領域做好大數據分析

給你看看億信華辰的行業案例看看
銀行大數據應用
國內不少銀行已經開始嘗試通過大數據來驅動業務運營，如中信銀行信用卡中心使用大數據技術實現了實時營銷，光大銀行建立了社交網路信息資料庫，招商銀行則利用大數據發展小微貸款。總的來看銀行大數據應用可以分為四大方面：
1、客戶畫像
客戶畫像應用主要分為個人客戶畫像和企業客戶畫像。個人客戶畫像包括人口統計學特徵、消費能力數據、興趣數據、風險偏好等；企業客戶畫像包括企業的生產、流通、運營、財務、銷售和客戶數據、相關產業鏈上下游等數據。值得注意的是，銀行擁有的客戶信息並不全面，基於銀行自身擁有的數據有時候難以得出理想的結果甚至可能得出錯誤的結論。比如，如果某位信用卡客戶月均刷卡8次，平均每次刷卡金額800元，平均每年打4次客服電話，從未有過投訴，按照傳統的數據分析，該客戶是一位滿意度較高流失風險較低的客戶。但如果看到該客戶的微博，得到的真實情況是：工資卡和信用卡不在同一家銀行，還款不方便，好幾次打客服電話沒接通，客戶多次在微博上抱怨，該客戶流失風險較高。所以銀行不僅僅要考慮銀行自身業務所採集到的數據，更應考慮整合外部更多的數據，以擴展對客戶的了解。包括：
（1）客戶在社交媒體上的行為數據（如光大銀行建立了社交網路信息資料庫）。通過打通銀行內部數據和外部社會化的數據可以獲得更為完整的客戶拼圖，從而進行更為精準的營銷和管理；
（2）客戶在電商網站的交易數據，如建設銀行則將自己的電子商務平台和信貸業務結合起來，阿里金融為阿里巴巴用戶提供無抵押貸款，用戶只需要憑借過去的信用即可；
（3）企業客戶的產業鏈上下游數據。如果銀行掌握了企業所在的產業鏈上下游的數據，可以更好掌握企業的外部環境發展情況，從而可以預測企業未來的狀況；
（4）其他有利於擴展銀行對客戶興趣愛好的數據，如網路廣告界目前正在興起的DMP數據平台的互聯網用戶行為數據。
2、精準營銷
在客戶畫像的基礎上銀行可以有效的開展精準營銷，包括：
（1）實時營銷。實時營銷是根據客戶的實時狀態來進行營銷，比如客戶當時的所在地、客戶最近一次消費等信息來有針對地進行營銷（某客戶採用信用卡采購孕婦用品，可以通過建模推測懷孕的概率並推薦孕婦類喜歡的業務）；或者將改變生活狀態的事件（換工作、改變婚姻狀況、置居等）視為營銷機會；
（2）交叉營銷。即不同業務或產品的交叉推薦，如招商銀行可以根據客戶交易記錄分析，有效地識別小微企業客戶，然後用遠程銀行來實施交叉銷售；
（3）個性化推薦。銀行可以根據客戶的喜歡進行服務或者銀行產品的個性化推薦，如根據客戶的年齡、資產規模、理財偏好等，對客戶群進行精準定位，分析出其潛在金融服務需求，進而有針對性的營銷推廣；
（4）客戶生命周期管理。客戶生命周期管理包括新客戶獲取、客戶防流失和客戶贏回等。如招商銀行通過構建客戶流失預警模型，對流失率等級前20%的客戶發售高收益理財產品予以挽留，使得金卡和金葵花卡客戶流失率分別降低了15個和7個百分點。
3、風險管理與風險控制
在風險管理和控制方麵包括中小企業貸款風險評估和欺詐交易識別等手段
（1）中小企業貸款風險評估。銀行可通過企業的產、流通、銷售、財務等相關信息結合大數據挖掘方法進行貸款風險分析，量化企業的信用額度，更有效的開展中小企業貸款。
（2）實時欺詐交易識別和反洗錢分析。銀行可以利用持卡人基本信息、卡基本信息、交易歷史、客戶歷史行為模式、正在發生行為模式（如轉賬）等，結合智能規則引擎（如從一個不經常出現的國家為一個特有用戶轉賬或從一個不熟悉的位置進行在線交易）進行實時的交易反欺詐分析。如IBM金融犯罪管理解決方案幫助銀行利用大數據有效地預防與管理金融犯罪，摩根大通銀行則利用大數據技術追蹤盜取客戶賬號或侵入自動櫃員機(ATM)系統的罪犯。
4、運營優化
（1）市場和渠道分析優化。通過大數據，銀行可以監控不同市場推廣渠道尤其是網路渠道推廣的質量，從而進行合作渠道的調整和優化。同時，也可以分析哪些渠道更適合推廣哪類銀行產品或者服務，從而進行渠道推廣策略的優化。
（2）產品和服務優化：銀行可以將客戶行為轉化為信息流，並從中分析客戶的個性特徵和風險偏好，更深層次地理解客戶的習慣，智能化分析和預測客戶需求，從而進行產品創新和服務優化。如興業銀行目前對大數據進行初步分析，通過對還款數據挖掘比較區分優質客戶，根據客戶還款數額的差別，提供差異化的金融產品和服務方式。
（3）輿情分析：銀行可以通過爬蟲技術，抓取社區、論壇和微博上關於銀行以及銀行產品和服務的相關信息，並通過自然語言處理技術進行正負面判斷，尤其是及時掌握銀行以及銀行產品和服務的負面信息，及時發現和處理問題；對於正面信息，可以加以總結並繼續強化。同時，銀行也可以抓取同行業的銀行正負面信息，及時了解同行做的好的方面，以作為自身業務優化的借鑒。

E. 如何做好營銷數據分析

營銷數據分析很多時候就是銷售數據分析，一般可以這樣處理：整理好銷售中需要關注的數據維度，將其做成可視化儀表盤，一鍵分享給老闆查看，我們的銷售數據包括這些維度：

1、銷售外勤管理

作為一個小領導，每天都要看下屬的客戶拜訪情況，團隊的成員會在協同軟體上詳細記錄自己的拜訪的情況，包括客戶名稱、行業和具體情況 ，由我來做匯總工作。

• 銷售排名：優秀的銷售都喜歡拼第一，所以銷售龍虎榜尤為重要，每天莓菌會通過實際業績排名對前三名員工給予相應的獎勵，老闆也會通過排行榜了解各部門業績情況。

• 客戶排行榜：客戶方面也會做成交額匯總，因為大客戶是需要定期維護的。對於有些大客戶，成交額下降可以提醒我們及時做好補救。

• 庫存管理：對於銷售而言，了解公司庫存會節約很大的成本，因為一旦缺貨就會影響正常的交付時間。而管理者，通過圖表來了解產品銷售情況，哪些產品賣的好一目瞭然。

這些數據都是銷售比較關注的數據，可以在BDP個人版上做好可視化圖表，然後直接通過「分享」直接將數據結果分享給Boss。而且每周在BDP個人版追加數據（要是是直連資料庫或第三方平台數據，那數據都不需要追加，數據是自動更新的），省事很多很多，數據結果圖表也就更新了，分析效率大大提高了呢，我就有更多時間去管理銷售業績，業績怎能不提高呢！

F. 8個提高數據分析工作效率的技巧

8個提高數據分析工作效率的技巧

我剛和一位老友恢復了聯系。她一直對數據科學很感興趣，但10個月前才涉足這一領域——作為一個數據科學家加入了一個組織。我明顯感覺到她已經在新的崗位上學到了很多東西。然而，我們聊天時，她提到了一個至今在我腦海里都揮之不去的事實或者說是問題。她說，不論她表現如何，每一個項目或分析任務在令經理滿意之前都要做好多次。她還提到，往往事後發現原本不需要花這么多時間！

聽起來是不是很像你的遭遇？你會不會在得出像樣的答案之前反復分析很多次？或者一遍又一遍地為類似的活動寫著代碼？如果是這樣的話，這篇文章正好適合你。我會分享一些提高效率和減少不必要的重復工作的方法。

備註：請別誤會。我不是說迭代都不好。這篇文章的重點在於如何識別哪些迭代是必要的，哪些是不必要且需要避免的。

什麼原因導致了數據分析中的重復工作？

我認為沒有加入新信息，就沒必要重復分析（後面提到一個例外）。下面這些重復工作都是可以避免的：

對客戶問題的診斷有偏差，不能滿足需求，所以要重做。重復分析的目的在於收集更多的變數，而你之前認為不需要這些變數。之前沒有考慮到影響你分析活動的偏差或假設，後來考慮到了所以要重做。

哪些迭代是必要的呢？下面舉兩個例子，一、你先建立了一個6個月後的模型，隨後有了新的信息，由此導致的迭代是健康的。二、你有意地從簡單的模型開始逐漸深入理解並構建復雜模型。

上面沒有涵蓋所有可能的情況，但我相信這些例子足夠幫助你判斷你的分析迭代是不是健康的。

這些生產力殺手的影響？

我們很清楚一點——沒有人想在分析中出現不健康的迭代和生產力殺手。不是每個數據科學家都樂於一邊做一邊增加變數並反復運行整個分析過程。

分析師和數據科學家會因為不健康迭代和喪失效率而深感挫敗，缺乏成就感。那麼讓我們盡一切努力來避免它們吧。

小貼士：如何避免不健康迭代並增加效率

技巧1: 只關注重大問題

每個組織都有很多可以用數據解決的小問題!但雇一個數據科學家的主要目的不在於解決這些小問題。好鋼要用在刀刃上，應該選取3到4個對整個組織影響最大的數據問題交給數據科學家來解決。這些問題一般具有挑戰性，會給你的分析活動帶來最大杠桿（或者收獲滿滿或者顆粒無收，想像一下借貸炒股）。當更大的問題沒被解決時，你不應當去解決小問題。

聽起來沒什麼，但實際上很多組織都沒做好這一點!我看到很多銀行沒用數據分析去改善風險評分，而是去做市場營銷。有些保險公司沒用數據分析提升客戶留存率，而是試圖建立針對代理機構的獎勵計劃。

技巧2: 一開始就創建數據分析的演示文稿 (可能的布局和結構)

我一直這樣做並且受益匪淺。把分析演示稿的框架搭起來應該是項目啟動後的第一件事。這聽起來或許有悖常理，然而一旦你養成這個習慣，就可以節省時間。

如何搭框架呢？

你可以用ppt、word、或者一段話來搭框架，形式是無關緊要的。重要的是一開始就要把所有可能情況列出來。例如，如果你試圖降低壞賬沖銷率，那麼可以像下面一樣布局你的演示文稿：

接下來，你可以考慮每個因素如何影響壞賬沖銷率？例如，由於給客戶增加了信用額度導致銀行的壞賬沖銷率增加，你可以：

首先，確定那些信用額度沒被增加的客戶並沒有導致此次壞賬沖銷率增加。

下一步，用一個數學公式來測量這個影響。

一旦你把分析中的每一個分支都考慮到了，那麼你已經為自己創造了一個良好的起點。

技巧3: 事先定義數據需求

數據需求直接源於最後的分析結果。如果你已經全面地規劃了要做哪些分析、產生什麼結果，那麼你將知道數據需求是什麼。這里有幾個提示來幫助你:

? 試著賦予數據需求一個結構: 不單是記下變數列表，你應該分門別類地想清楚分析活動需要哪些表格。以上面增加壞賬沖銷率為例，你將需要客戶人口統計表，過往市場營銷活動統計表，客戶過去 12 個月的交易記錄，銀行信貸政策變更文件等資料。

? 收集你可能需要的所有數據: 即使你不是 100%肯定是否需要所有的變數，在這一階段你應該把所有數據都收集起來。這樣做工作量大一些，但是與在以後的環節增加變數收集數據相比，還是更有效率一些。

? 定義您感興趣的數據的時間區間。

技巧 4: 確保你的分析可重現

這個提示聽起來可能很簡單——但初學者和高級分析人員都難以把握好這一點。初學者會用Excel執行每一步活動，其中包括復制粘貼數據。對於高級用戶，任何通過命令行界面完成的工作都可能不可重現。

同樣，使用記事本（notebook）時需要格外小心。你應該克制自己修改以前的步驟，尤其是在前面的數據已經被後面的步驟使用的情況下。記事本在維護這種涉及前後數據勾稽關系的數據流方面表現地非常強大。但是如果記事本中沒維護這種數據流，它也會非常沒用。

技巧5: 建標准代碼庫

沒必要為簡單的操作一次又一次重寫代碼。它不僅浪費時間，還可能會造成語法錯誤。另一個竅門是創建常見操作的標准代碼庫並在整個團隊中共享。

這將不僅確保整個團隊使用相同的代碼，而且也使他們更有效率。

技巧6: 建中間數據集市

很多的時候，你會反復需要同一批信息。例如，你將在多個分析和報告中用到所有客戶信用卡消費記錄。雖然你可以每次都從交易記錄表中提取，但是創建包含這些表的中間數據集市，可以有效節省時間和精力。同樣，市場營銷活動的匯總表也沒必要每次都查詢提取一次。

技巧7: 使用保留樣本和交叉驗證防止過度擬合

很多初學者低估了保留樣本和交叉驗證的強大。很多人傾向於認為只要訓練集足夠大，幾乎不會過擬合，因此沒必要交叉驗證或保留樣本。

有這種想法，往往會在最後出岔子。不單我這樣說——可以看一下Kaggle上任意競賽公開或非公開的排行榜。你會發現前十名中有些人不再過擬合時他們的排名就不再下降了。你可以想像這些都是高級數據科學家。

技巧8: 集中一段時間工作並且有規律地休息

對於我來說，最佳的工作狀態是集中利用2-3小時解決一個問題或項目。作為一名數據科學家，你很難同時完成多項任務。你需要以自己的最佳狀態對待一個單獨的問題。對於我來說，2-3 小時的時間窗口最有效率，你可以依據個人情況自行設定。

後記

上面這些就是我提高工作效率的一些方法。我不強調非要第一次就把事情做好，但是你必須養成每一次都能做好的習慣——這樣你才能成為一個專業的數據科學家。

你有什麼提高工作效率的好方法嗎？有的話請在下面的評論中留言。

原文標題：8 Proctivity hacks for Data Scientists & Business Analysts

翻譯筆記

1、catchupwithsb.還特指同某人恢復聯系,相當於becomecurrentwithwhat』sgoingoninsomeone』slifewhenyouhaven』tbeenintouchforawhile

所以這句話的意思是說「再次聯絡到（碰到/遇到）你真好」,特指有段時間和你沒有見面或者聯絡時候的說法。

2、proctivitykillers，生產效率殺手，降低生產效率的因素，阻礙提高生產效率的因素。

3、壞賬沖銷率，信用卡行業的重要指標，每月發生壞賬除以當月初信用卡應收款總額的年化比例，主要用於衡量資產的信用水平。

4、插圖中Brandstrategychange，品牌戰略變更可能會導致壞賬沖銷率增加。例如，當採用競爭品牌或者邊際品牌戰略時可能會導致壞賬沖銷率的增加。

5、品牌戰略：

形象品牌。在品牌競爭中形象品牌能有效地贏得公眾的信賴，形成良好的「口碑」效應，對累積、提升品牌資本有著極為重要的作用，能促進企業其它品牌的推廣。例如，雀巢公司的「雀巢」作為母品牌就是形象品牌，它有力地推動了其眾多的子品牌。因此，企業的品牌經營戰略不能沒有形象品牌。競爭品牌，通常是針對市場上同類產品而推出的，它將通過其特殊的市場定位如技術上的、價格上的或服務上的特色撕開競爭對手的防線，或開辟嶄新的目標市場。顯然，競爭品牌的主要目的就是為企業爭奪更多的市場份額，創立企業的競爭優勢。這種類型的品牌也許現在並不能為企業帶來多少利潤，但發展潛力極大，是企業參與未來市場品牌競爭的關鍵和希望。利潤品牌，是企業多品牌經營的中心。利潤品牌為企業創造利潤是現代品牌經營的重要特徵。利潤品牌一般都是企業獨特技術（企業核心競爭力）的代表，競爭者難於在較短時間內進入這一領域為企業創造很大的利潤空間，甚至是超額利潤。當然這類品牌如果不加以提升和改善，就有進入衰退期的可能。邊際品牌，是企業多品牌經營戰略的必要補充。邊際品牌不是企業的形象品牌、競爭品牌，從其表象看難於創造利潤但因其具有一定的客戶基礎，不像其它品牌那樣需要高額的投資。因此，即使該品牌的銷售額停滯不前或緩慢下降，仍有一批忠誠的消費者不會放棄這類品牌。邊際品牌的作用就是創造盈餘資源，並為企業的競爭品牌、形象品牌和利潤品牌提供資源支持，為沖銷企業的固定經營費用做出貢獻。

6、插圖中「Acquisitiondriven」，acquisition意為（1）（對公司的）收購，並購；（2）(圖書館通過采購、交換贈閱等)圖書資料的獲得；獲得的書籍(或報刊、雜志)；（3）（知識、技能等的）獲得，習得。例如，dataacquisition指數據採集。

7、插圖中「Spendsimulation」，譯者在此只依文解義的翻成了「花費模擬」。在ask.com搜索引擎中，沒有相應內容，網站提示是否搜索spentsimulation，spent是一個互動游戲，由一個幫助流浪者和貧窮者的公益組織發起，玩家用1000美元生活一個月模擬貧窮的生活狀態，玩家參與互動游戲時會面臨很多選擇，比如?支付信用卡還是支付房租。這個游戲從2011年2月第一次舉辦到2014年7月已經有200萬人在218個國家玩超過400萬次。如果客戶參與這類活動，可能會導致信用卡超期未付。參考鏈接：http://umrham.org/ https://en.wikipedia.org/wiki/SPENT_(online_game)#cite_note-2

8、datarequirement，數據需求，與之相關的還有Marketrequirement，Proctionrequirement，其中產品需求與數據需求關系緊密。因為數據需求隨著產品業務邏輯展開。要收集一個產品的數據，首先需要了解產品業務邏輯，例如功能之間的交互關系以及單一功能的業務邏輯。其次將業務邏輯節點化，識別出重要節點並列出優先順序。再次將節點化的業務代碼化，主要將列出的重要節點（需要統計的節點）添加統計事件和統計參數。最後形成數據需求文檔。

9、moreoftenthannot，往往。

讀後感

譯完這篇文章，我感覺數據分析人員可以從兩個方面借鑒經驗，一是從傳統管理咨詢行業借力，DA需要具備的能力包括傳統咨詢行業解決問題的能力加上數據處理技能。比如本文的第二點提示，類似於咨詢行業的重要方法——結構化思維。可以參考芭芭拉·明托編寫的《Logicinwriting,thinkingandproblemsolving》（中文譯名：金字塔原理——思考、表達和解決問題的邏輯），這本書是麥肯錫的經典培訓教材，介紹了很多實用的方法，幫助讀者在思考表達時重點突出、邏輯清晰、主次分明。二是可以從傳統的數據資源規劃中得到啟發。本文第三點提示，如何確定數據需求，恰恰可以參照傳統數據資源規劃中從業務需求得到數據需求，並對業務和數據進行建模的系統化方法，具體可以參考高復先教授的《信息資源規劃:信息化建設基礎工程》。

本文最後提到工作和休息，這點因人而異。我覺得需要關注以下幾點：

一是評估綜合效率。一周有一兩次效率特高，但綜合效率或許不如一周都保持一個平穩的節奏。可以嘗試用番茄鍾這種時間管理工具來量化分析一下自己的情況；

二是調整生活習慣。數據分析工作需要飽滿的精力，影響精力的因素很多，比如暴飲暴食可能就會帶來負面影響。

三是關注呼吸，如果我們高效率的時候身心舒暢，呼吸自然，那麼這種狀態是可持續的。如果精力集中時，經常屏住呼吸，這種方式更傾向於消耗。冥想和正念訓練或許會有幫助。

工作有如跑馬拉松，有些人的目標不為跑得快只為跑得年頭久，希望60歲依然能去跑，這類人對控制心率的需求大過提高速度。有些人希望盡快提高成績，去沖刺幾個重要賽事，因而自願承擔自由基增加的代價。做數據分析也一樣，設定怎樣的目標，那就怎樣去奔跑吧。

以上是小編為大家分享的關於8個提高數據分析工作效率的技巧的相關內容，更多信息可以關注環球青藤分享更多干貨

G. 在銀行如何做好存款營銷

可以讓你熟悉的客戶來銀行存款，可以讓你的親朋好友來銀行存款，也可以給客戶發一些傳單或者是給來銀行辦理業務的客戶推銷，把這個存款的好處告訴客戶，這樣就可以做好存款營銷了。

H. 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。

I. 銀行或金融單位的數據分析崗需要具備什麼能力

最重要還是數據治理和數據分析的能力！

近年來，隨著大數據產業的蓬勃發展，企業和政府對於自身數據資產的價值也產生了重新的認識。但遺憾的是數據本身並不能直接產生價值。當我們想利用數據產生價值的時候，很多問題都會暴露出來，比如：數據標准缺失，數據源頭不清晰，數據質量缺乏監管等。這就要求我們要有統一的數據標准和良好的數據質量來構成數據價值實現的基礎。而數據治理恰是保障這一基礎的存在。

國際數據管理協會（DAMA）對數據治理給出的定義是：數據治理是對數據資產管理行使權力和控制的活動集合。它是一個管理體系，包括組織、制度、流程、工具。

在國內企業的實際應用中，一般將數據治理和數據管理綜合考慮，認為數據治理是將數據作為組織資產而展開的一系列的集體化工作，包括從組織架構、管理制度、操作規范、信息技術應用、績效考核支持等多個維度對組織的數據模型、數據架構、數據質量、數據安全、數據生命周期等方面進行全面的梳理、建設以及持續改進的過程。

五、 數據和AI中台

隨著金融業正在邁入第四個重大發展階段--數字化時代，給各金融機構帶來了發展機遇，同時也伴隨著嚴峻的挑戰。如何解決數據孤島、新應用與老系統結合難？現有IT能力不足以支撐業務的快速變化？數據調用方式多樣且標准不統一質量差？以及數據資源未被挖掘數字化能力得不到釋放等問題，是企業面臨的共同難題。數據集成和數據資產管理是解決這些問題的有效途徑之一。

本課程將從如何進行有效的數據集成、各種數據平台建設介紹、如何有效開展數據治理，以及數據資產管理與數據中台的建設這四個大的方面進行開展。幫助企業在數字化進程中快速建立系統間的數據集成體系，支撐用戶數據集成應用的快速實現；提供完善數據管理體系和有效的完成數據整合方案，支撐起上層數據的挖掘、分析應用；對企業的發展戰略和業務創新提供有效的數據支撐，洞察企業的運營狀態和市場趨勢等，提高企業新業務靈活性，創建數據應用敏捷環境。

J. 誰能告訴我如何做好銀行公司業務的經營分析

選好分析課題，就是確立好業務經營分析的基本范圍和內容。選題成功，不僅能夠增強分析報告的價值，而且有利於作者選定有效的分析方法。
一般情況下應當按照三點要求來進行，即實用、超常和新穎。

材料的收集是撰寫業務經營分析報告的基礎，它直接關繫到分析報告的質量。分析材料的收集應當圍繞選題來進行，並遵循真實、有效、完整三原則。
計算分析的方法多種多樣，最常見、最常用的方法有以下幾種：
一、比較分析
比較分析的方式，一般有以下四種：
（一）計劃完成對比分析
（二）同類對比分析
（三）歷史對比分析
（四）市場佔有率分析
二、結構分析
結構分析是對某一經濟現象總體的構成比重的分析。通過結構分析，能夠反映經濟現象的特徵，評價其內在結構的合理性程度，掌握經濟活動的本質與規律。如存款結構分析、貸款質量結構分析、貸款投向結構分析等等。
三、動態分析
動態分析是同類經濟現象在時間上的對比，其常用指標有發展速度、增長速度、平均發展速度及平均增長速度等。通過此類分析，既可找出經營管理上存在的問題，又可預測經濟活動的發展趨勢。
四、因素分析
因素分析就是將構成某一事物的幾個重要因素，順序地將其中一個作為可變，而暫時把其他因素作為不變，逐個加以替換，以測算各個要素對事物的影響程度。在因素之間的相互替換上，通常先數量因素，後質量因素；先實物因素，後貨幣因素；先基本因素，後從屬因素；先主要因素，後次要因素。其特點是能夠反映出某項因素對某一結果的影響程度。根據測算結果，可以找出影響經營結果的主要因素和次要因素，以便對主要因素加以分析研究，提出改進工作的辦法措施。
上面是幾種最為常用的計算分析方法。在同一篇分析報告中，很少只使用一種分析方法，多為幾種方法同時使用。
進行科學分析，除運用上述方法外，很重要的一個方面就是找出主要因素，分析其影響程度，並且把分析主觀因素的影響放在重要位置，從主觀上總結經驗，查找不足，以利發展。

業務經營分析報告的結構由標題、前言、主體和結尾四個部分組成。