实战剖析:大数据精准营销系统框架和应用探索

qinzhiqiang 07-17 11:48 1,748次浏览

编者按

大数据精准营销,从客户分类、客户分析出发大数据精准营销案例,形成客户服务的良性循环,帮助形成优化客户关系,延长客户生命周期的目标。大数据精准营销应用于保险、银行、证券等金融行业,能够促进金融机构利润增长,有效提高金融机构的市场竞争力。在中国科学院大学金融科技研究中心主任、吉贝克董事长刘世平博士主编的《大数据在金融行业实用案例剖析》中,由平安人寿数据营销部副总经理姚玉辉博士编写的《大数据精准营销系统框架和应用探索》一文,将以某大型保险集团大数据精准营销应用为例,介绍如何架构、实施大数据精准营销系统,及取得的显著成效。

一.大数据助力关系型营销

关系型市场营销追求客户的忠诚度和长期的客户交互,实现长久的,情感的品牌联接,从而为公司带来持久的销售机会以及口碑营销。为了永续的客户经营,首先要了解客户长得怎么样、需要什么、希望如何联系他们。所以公司不仅要了解客户的联系方式和联系渠道,更要了解客户的基本信息、客户的偏好、以及客户的心理。

大数据时代,360度客户信息的收集与整理逐渐成为可能。我们通过网络浏览记录来了解客户的关注内容,了解客户在社交媒体行为和舆情,通过LBS了解客户的行踪轨迹,通过语音分析了解客户的声纹与性格。有了这些丰富的客户信息,就可以更方便地掌握客户是谁(who)、在什么时候(when)、喜欢什么服务/产品(what)、通过什么渠道(where)和什么话术(talking points)进行营销。

大数据技术发展大大提高了营销的效率,廉价的存储和分布式的计算让数据处理能力有了巨大提升。大数据既可以很快发现客户的行为路径和重要断点,及时触发断点营销;也可以协助快速抽取重要信息,通过实时决策引擎进行快速决策与营销;还可通过人工智能协助营销人员提供7*24小时线上服务与营销。

二.基于大数据的精准营销系统架构

大数据实现精准化营销_大数据精准营销案例_app 大数据营销

为了更高效地实现精准营销,我们设计了大数据智能营销平台。下图是我们的系统架构图。整体架构围绕两个重要目的。第一是实现“数据业务化”:把数据转换为生产力,实现业务价值。第二是实现“业务数据化”:捕捉业务流程中各个重要环节并进行数据量化,实现信息洞察与科学决策。

图13- 1精准营销系统架构

系统架构的核心模块包括数据平台、分析平台、营销管理平台、销售助手、爬虫模块、多渠道客户通讯平台和可视化报表模块,如图13-1。数据平台应用Hadoop技术,整合内外部、结构化与非结构化数据。分析平台涵盖两大模块,一个模块也应用Hadoop技术,实现亿级客户标签和建模切片的快速运算。一个模块是支持数据挖掘与建模(SAS,R等)。营销活动管理平台主要协助营销人员进行活动策划、客群筛选、多渠道发布、活动检视、以及营销素材管理等。销售助手是提供销售人员客户画像、接触历史、产品推进、活动推荐、客户事件等。爬虫模块主要爬取内外部数据,及时了解客户事件与舆情。通讯平台是打通电话、电邮、微信、短信以及APP,协助营销人员和客户做互动。可视化报表主要应用可视化软件如Tableau等提供MIS报表服务。

数据平台主要完成3大任务。如图13-2,首先数据平台要接入公司内、集团内以及外部的结构化与非结构化数据。第二是进行客户识别、信息整合以及数据丰富。要实现以客户为中心的关系型营销,就需要准确地识别客户。客户识别后,下一步就需要以客户维度进行数据整合。整合不仅需要连接各个数据来源,也需要对数据进行甄别大数据精准营销案例,实现数据的标准化和统一。

图13- 2 数据平台架构图

大数据精准营销案例_app 大数据营销_大数据实现精准化营销

营销活动管理平台是精准营销的主控中心,它由4个核心模块组成:客户管理、营销活动、营销企划、和营销分析,如图13-3。

图13- 3 营销平台架构图

销售助手是大数据的展示窗口和精准营销推荐的锦囊,该模块主要是支持销售人员“看得清”,“瞄得准”和“聊得爽”。

三.精准营销中的数据建模

要实行精准营销,就需要多方位的“智能”。我们围绕客户营销中的四个业务问题(“卖给谁”、“卖什么”、“谁来卖”、“怎么卖”)来进行模型设计和训练,如图13-4所示。

大数据精准营销案例_大数据实现精准化营销_app 大数据营销

图13- 4 大数据分析建模设计

要做好精准“卖给谁”,需要了解客户“需要什么”,“有没有钱”,以及“为什么跟你买”。要了解客户需要什么寿险保障,在很大程度上取决于不同客户群体和生命阶段。要了解客户的潜在价值,需要建立不同的模型去估计客户收入,可投资资产以及各类产品的可投资额度。模型可以根据客户的年龄、学历、专业、职位、行业、消费情况、车价、投资情况等信息进行评估和建模。

要做好精准“卖什么”,主要是产品需求分析和建立购买倾向性模型。模型可以根据产品的类别(意外、健康、分红等),个体以及产品元素(航空、火车、自驾等),建立不同的模型。

要做好精准“谁来卖”,是要做好精准的渠道与销售人员匹配。不同的客户针对不同产品类型,对渠道偏好会有所不同。我们会根据客群特征以及产品形态,对客户的渠道偏好进行分析建模,从而发现最佳的接触渠道。

要做好精准“怎么卖”,是要精准评估通过什么渠道,在什么时候,用什么话术以及用什么Offer进行销售。随着运营商大数据的技术发展,我们可以精准地捕捉合适的电话接触时间,从而提高销售效率及客户体验。

四.精准营销探索案例

(一)精准获客

大数据实现精准化营销_app 大数据营销_大数据精准营销案例

陆金所是平安集团旗下成员,是中国最大的网络投融资平台之一。为了协助陆金所提高获客效率,我们开始探索利用内外部数据,通过模型发现高倾向性的优质客户。整个建模过程如图13-5所示。

图13- 5 精准营销建模流程

我们根据产品的投资特性,整合了公司内外部的数据。内部数据包括客户的联系信息、客户的收入与资产相关的信息、保险产品相关信息、和平安关系信息等。外部数据包括客户关注的理财产品的特征(产品种类、收益等)、关注的频次、最佳联系时间等。

完成营销预测试后,我们立即展开获客模型的建模工作。建模的第一步是整合数据生成模型样本,特别是模型训练样本,为了更加精准地扑捉潜在优质客户,尽量选择字段饱和度比较高的样本,无论是正样本还是负样本。模型的测试样本尽量和整体可用名单的数据分布保持一致,从而可以保证模型预测的稳定性。在确定模型训练样本后,下一步就是进行变量分析。

在选取好相关性比较好的变量后,我们就开始模型训练工作。因为是倾向性模型,通常可采用逻辑回归、决策树、神经网络或SVM等算法进行。在模型确定以后,就对应用数据进行打分并着手安排应用测试,以检验模型的效果。

(二)销售助手

我们对照不同客户群使用销售助手和未销售助手的转化率的情况,所有客群都有不同程度的提升,有些客群的转化率提升了2.1倍,充分说明信息可以转化成生产力。

随着未来大数据分析能力进一步的提升,我们对客户的画像、客户的需求、客户的行为、客户的兴趣、客户的心理以及客户的社交会有更加清晰、全面和深入的了解,协助营销人员针对合适的客户、通过合适的渠道、在合适的时间销售合适的产品,真正实现“精准营销”。