让客户激活率提升30%，数据挖掘模型技术应该这么用

在数据化管理业务方面，金融行业具有丰富的经验和先决优势，尤其是在金融产品精准营销方面，据我们以往服务客户的行业综合情况来判断，通过大数据建立客户全生命周期管理的银行，存量客户激活率能提升30%以上。
因此，我们就结合一些金融行业的精准营销分析实例，给大家介绍一下如何围绕业务建构数据挖掘分析模型的具体流程。

数据分析挖掘第一步：明确主题

当我们以解决具体的业务问题为目标，去构建数据挖掘模型时，确定好最终数据分析的主题路径就非常重要。这个解决目标分析的环节在标准的数据挖掘分析流程中又被称为商业理解（business understanding），可不要小瞧这一步，这是在为后面的工作流程打好基础，没有正确抓取到核心问题，建模分析就会变成漫无目的的“乱拳”，没有任何意义。

通常来说，我们可以从日常业务中的痛点中去提炼数据分析的目标。在我们今天讲述的案例中 ，某商发行的公募基金产品以往都由外呼人员通过电话营销进行推销。这种电话营销方式的主要存在2个核心痛点：

工作量巨大：

因为是用全量客户名单来打电话营销，工作量非常巨大：每开展一次10万人次外呼营销任务，就需要至少4个外呼人员1年的工作量；

意向成功率过低：

电话营销平均接通率54%，意向成功率18.09%左右；

明确痛点之后，我们很容易就可以提炼出数据分析的主题路径和工作目标：

提升意向成功率，优化外呼营销策略，切实增加意向成功用户数，提高投入产出率。



针对具体目标，我们可以将后续的数据建模工作拆分为两个场景：

客户细分：通过聚类分析完成用户群细分分类预测：基于分类算法，实现目标用户鉴别

数据分析挖掘第二步：数据的理解和收集

有了挖掘目标之后，就需要收集数据了。虽然金融行业数据有一定行业专属性，不过目前Tempo平台已经可以支持直连市面上大部分类型的主流数据库，数据采集效率可达秒级，因此在数据收集的效率和数据库连接方面也完全不用担心。我们只需要专注于判断应该收集哪些数据。

需要收集的数据自然也要围绕上一步规划的主题路径和目标来进行，在这个案例中，针对于客户细分的模型构建，我们就需要搜集开户年限、年龄，半年内股基持仓比例、周转率、股票佣金等围绕客户特征信息的数据；而在分类预测的场景中，我们则可以重点关注风险等级、开户年限、产品交易信息如股票交易次数、近半年理财持有比例……这些资产信息和用户行为相关的数据。

收集整理好相关数据之后，我们还需要对数据进行探索。这里的数据探索就是分析数据结构和规律的过程，通常会围绕2个方向：数据质量分析（缺失值分析，异常值分析…）、数据特征分析（分布分析，对比分析…），虽然听起来很复杂，但在Tempo AI中，这些工作都可以通过内置的算法模块快速完成，即使是完全不懂编程的普通业务人员，在经过简单培训之后，也能通过拖拽式的操作轻松完成相关流程。



数据分析挖掘第三步：数据准备

经过上一步的工作之后，我们已经拿到了构建预测模型需要的数据。在数据探索之后你可能会发现一些数据质量问题，需要进行清洗数据、构造数据、整合数据、格式化数据等工作，这些工作一样也可以通过Tempo AI内置的算法模块，通过拖拽的方式组成流程快速完成。这一步数据准备的目的在于提高数据的质量，使数据更易于建模。



数据分析挖掘第四、五步：建立模型和评估模型

经过漫长的种种准备工作，我们终于可以开始建立模型的工作。但只把模型跑通了还不算，如果说建模是挖掘黄金的最后一铲子，很多时候铲下去得到的是黄金还是沙子我们还是不清楚的，这个时候我们就需要通过模型评估来提高模型的准确率。

在Tempo AI之中，这两项复杂的工作都可以快速在一个流程内完成。比如说针对于聚类分析完成用户群细分的建模需求，我们就可以通过Tempo AI中丰富的算法库快速完成流程构建，建模流程主要包含5个步骤：数据读取、数据处理、算法选择、算法评估、执行流程。



值得一提的是，在这个流程之中，模型评估以及模型验证工作也被简化成了算法模块，能够纳入到建模流程中对最终效果进行快速评估，并根据指定的评价指标推荐最佳模型。






数据分析挖掘第六步：部署应用

经过模型验证之后，整个流程就可以进行发布、服务部署以及最终应用，后续还可以结合Tempo大数据分析平台中的BI模块，对营销模型支撑效果进行可视化分析，更利于业务决策。



数据模型对于业务增长的提升也确实效果显著，本文举例的某公募基金项目在引入算法模型预测分析之后，在半年之内就完成了近30万客户的特征分析，通过细分客户群体，让该项目的营销团队成功打通营销链路，寻找到群体之间的差异性，形成营销和服务线索，最终产品购买率同比提升近23倍！

结语：

总的来说，数据挖掘分析流程可以分为六步，这6个步骤环环相扣，工序复杂，需要大量算法进行支撑，缺少任何一个步骤都可能对数据模型的质量造成重大影响，而建模的开源工具比如R、Python等编程语言虽然应用较广，但这类工具需要专人专岗长期维护，且编码的效率会根据分析复杂度成倍提升，这也是以往很多企业对数据建模望而生畏，无处下手的关键原因。



Tempo AI创新性地为广大企业解决了数据建模难的关键问题，将复杂算法封装进算法模块之中，通过自动化、智能化的精简建模流程，大大提高了整体数据分析的效率！

强烈关注楼主~请继续！

支持楼主，用户楼主，楼主英明呀！！！

嘘，低调。