宿遷大數(shù)據(jù)獲取pos機(jī)行業(yè)精準(zhǔn)客戶(hù)

1、pos機(jī)業(yè)務(wù)員該怎么跑業(yè)務(wù)?

電信、聯(lián)通運(yùn)營(yíng)商精準(zhǔn)數(shù)據(jù)
一、直接提取競(jìng)爭(zhēng)對(duì)手公司做競(jìng)價(jià)推廣頁(yè)面的意向客戶(hù)聯(lián)系方式
二、直接提取競(jìng)爭(zhēng)對(duì)手公司咨詢(xún)座機(jī)接通的客戶(hù)聯(lián)系方式，
三、直接提取同行業(yè)APP注冊(cè)的用戶(hù)聯(lián)系方式
各行各業(yè)，只要你需要意向客戶(hù)，我就能幫你。 利用大數(shù)據(jù)幫助機(jī)構(gòu)低成本獲取高意向度的客戶(hù)資源，我們做的是運(yùn)營(yíng)商大數(shù)據(jù)項(xiàng)目，有自己獨(dú)立的后臺(tái)！有協(xié)議，有合同，有行業(yè)建議，有后期服務(wù)！

找準(zhǔn)目標(biāo)客戶(hù)，分析市場(chǎng)需求，反復(fù)反思不足。

我也做POS的，從一朋友zywy05,他是提供sj，拿走不謝 精準(zhǔn)pos機(jī)一手?jǐn)?shù)據(jù)

2、大數(shù)據(jù)引擎下如何精準(zhǔn)營(yíng)銷(xiāo)?

1．零售企業(yè)數(shù)據(jù)管理數(shù)據(jù)收集是零售企業(yè)實(shí)現(xiàn)精準(zhǔn)營(yíng)銷(xiāo)的基礎(chǔ)。通過(guò)POS機(jī)、觀(guān)測(cè)設(shè)備、移動(dòng)終端、互聯(lián)網(wǎng)、智能終端等收集企業(yè)與顧客的交互數(shù)據(jù)，同時(shí)在企業(yè)運(yùn)營(yíng)過(guò)程中重視對(duì)商品數(shù)據(jù)、銷(xiāo)售數(shù)據(jù)、會(huì)員關(guān)系數(shù)據(jù)等交易數(shù)據(jù)的收集。另外，企業(yè)外部的數(shù)據(jù)如市場(chǎng)調(diào)查數(shù)據(jù)、專(zhuān)家意見(jiàn)、第三方機(jī)構(gòu)數(shù)據(jù)等也可收集，并對(duì)數(shù)據(jù)進(jìn)行清洗、重構(gòu)、填補(bǔ)，保證數(shù)據(jù)質(zhì)量，補(bǔ)充到數(shù)據(jù)庫(kù)。根據(jù)企業(yè)的商業(yè)目標(biāo)，對(duì)2．消費(fèi)者分群及理解消費(fèi)者的消費(fèi)行為，利用收集到的數(shù)據(jù)進(jìn)行消費(fèi)者分群，分析不同消費(fèi)群體的特征、消費(fèi)偏好，進(jìn)行消費(fèi)需求預(yù)測(cè)。對(duì)得到的消費(fèi)者類(lèi)別進(jìn)行描述性分析，根據(jù)帕累托的二八原則，企業(yè)80%的利潤(rùn)是由20%的重要消費(fèi)者創(chuàng)造的。零售企業(yè)只要把握住這部分消費(fèi)者，針對(duì)不同價(jià)值的消費(fèi)者群體投入相應(yīng)的營(yíng)銷(xiāo)資源，優(yōu)先滿(mǎn)足重要消費(fèi)者的需求。
2. 營(yíng)銷(xiāo)方案設(shè)計(jì)零售企業(yè)首先設(shè)立營(yíng)銷(xiāo)目標(biāo)，如增加銷(xiāo)售10%、提升消費(fèi)者忠誠(chéng)度、提升消費(fèi)者價(jià)值、擴(kuò)大企業(yè)知名度等。總的來(lái)說(shuō)，可描述為優(yōu)化消費(fèi)者價(jià)值、獲取新消費(fèi)者、實(shí)現(xiàn)消費(fèi)者保持、實(shí)現(xiàn)交叉銷(xiāo)售和增量銷(xiāo)售，最終提升企業(yè)利潤(rùn)。通過(guò)營(yíng)銷(xiāo)活動(dòng)，將以前低價(jià)值消費(fèi)者轉(zhuǎn)換為重要消費(fèi)者，并保持其忠誠(chéng)度。
3. 營(yíng)銷(xiāo)方案實(shí)施利用數(shù)據(jù)分析選擇最合適的營(yíng)銷(xiāo)方案實(shí)施渠道，并對(duì)營(yíng)銷(xiāo)活動(dòng)進(jìn)行活動(dòng)效果跟蹤。既需不斷保證方案實(shí)施的靈活性，也要對(duì)實(shí)施過(guò)程中出現(xiàn)的意外情況保持警惕，才能在競(jìng)爭(zhēng)對(duì)手發(fā)現(xiàn)其市場(chǎng)份額被搶占之后再發(fā)起反擊之前，將營(yíng)銷(xiāo)活動(dòng)的影響開(kāi)展到盡可能大的局面。
4. 營(yíng)銷(xiāo)結(jié)果反饋通過(guò)對(duì)營(yíng)銷(xiāo)方案實(shí)施過(guò)程中的數(shù)據(jù)進(jìn)行分析并總結(jié)經(jīng)驗(yàn)，用于指導(dǎo)下一階段的營(yíng)銷(xiāo)方案制定。對(duì)整個(gè)營(yíng)銷(xiāo)過(guò)程效果的評(píng)估可從營(yíng)銷(xiāo)成本、銷(xiāo)售收入、企業(yè)知名度、消費(fèi)者滿(mǎn)意度等方面進(jìn)行綜合分析。在當(dāng)今大數(shù)據(jù)時(shí)代，信息技術(shù)不斷發(fā)展和完善，為零售企業(yè)帶來(lái)了海量數(shù)據(jù)，同時(shí)數(shù)據(jù)挖掘技術(shù)使得零售企業(yè)能夠有效應(yīng)用數(shù)據(jù)，數(shù)據(jù)被提升到前所未有的高度。零售企業(yè)應(yīng)重視數(shù)據(jù)的力量，深層次挖掘隱藏在海量數(shù)據(jù)中有價(jià)值的市場(chǎng)信息，指導(dǎo)企業(yè)制定各項(xiàng)決策，建立符合自身實(shí)際情況的精確營(yíng)銷(xiāo)體系，有針對(duì)性地實(shí)施營(yíng)銷(xiāo)計(jì)劃，比以往靠管理者個(gè)人經(jīng)驗(yàn)和判斷作決策更科學(xué)有效。 一、大數(shù)據(jù)整理。公司的各個(gè)平臺(tái)在一段時(shí)間之內(nèi)都會(huì)積累起大量的數(shù)據(jù)，這些數(shù)據(jù)對(duì)于企業(yè)的經(jīng)營(yíng)有著非常重要的意義。也對(duì)企業(yè)的未來(lái)發(fā)展起著至關(guān)重要的意義。大數(shù)據(jù)來(lái)自多個(gè)渠道，多個(gè)平臺(tái)，要進(jìn)行很專(zhuān)業(yè)的整理。

二、品牌策略。一個(gè)企業(yè)的品牌發(fā)展方向必須參考大數(shù)據(jù)的一些結(jié)果，通過(guò)對(duì)于市場(chǎng)的大量個(gè)體的分析，確定品牌的成長(zhǎng)空間，確定品牌的優(yōu)先發(fā)力點(diǎn)，從而讓品牌又快又好的成長(zhǎng)。

三、用戶(hù)體驗(yàn)。來(lái)源于萬(wàn)千顧客的個(gè)體信息被歸納與整合，從而得出群體的需求，群體的習(xí)慣，群體的消費(fèi)特征，從而改變自己的經(jīng)營(yíng)方式，更好的提升用戶(hù)體驗(yàn)。

四、營(yíng)銷(xiāo)策略。營(yíng)銷(xiāo)的方向與預(yù)算都需要大數(shù)據(jù)進(jìn)行一個(gè)有效的支持，從而確定真正的著力點(diǎn)，從而讓有限的成本獲取最大的營(yíng)銷(xiāo)效果，現(xiàn)有的營(yíng)銷(xiāo)策略也可以通過(guò)大數(shù)據(jù)來(lái)進(jìn)行一定的修正，從而優(yōu)化營(yíng)銷(xiāo)的執(zhí)行力。

五、效果預(yù)測(cè)。投手與效果之間有一定的關(guān)系，這種關(guān)系的不確定性經(jīng)常讓投入產(chǎn)生不了實(shí)在的效益，有了大數(shù)據(jù)精準(zhǔn)分析，我們就可以得出非常接近于事實(shí)的預(yù)測(cè)，從而更好的進(jìn)行各方面的準(zhǔn)備。

六、執(zhí)行修正。公司在經(jīng)營(yíng)過(guò)程中，很多的市場(chǎng)策略做對(duì)了，也有一部份做錯(cuò)了，通過(guò)大數(shù)據(jù)的分析，我們會(huì)找出這些做錯(cuò)的部份，從而一一糾正。這也是大數(shù)據(jù)精準(zhǔn)營(yíng)銷(xiāo)的體現(xiàn)。

希望對(duì)你有幫助！

3、[恒豐銀行]基于大數(shù)據(jù)的精準(zhǔn)營(yíng)銷(xiāo)模型應(yīng)用

【案例】恒豐銀行——基于大數(shù)據(jù)的精準(zhǔn)營(yíng)銷(xiāo)模型應(yīng)用 https://mp.weixin.qq.com/s?src=3&timestamp=1500159788&ver=1&signature=pCHfpePVrKXUGp39JEg577lopIPT9KCdx9FqIL2LbRmunZMQ-86itFcexY XKcX3Vb1ypwGo8v0IU6fkNgcs QIafGAccsZFmMb6yBYcuPdqH63EKBvL88BGFaUrBBPQl0v*mpgzYxrTCkcaJGaX2iIFRHZEDNCmuM0qhqqN294=

本篇案例為數(shù)據(jù)猿推出的大型 “金融大數(shù)據(jù)主題策劃” 活動(dòng) （查看詳情） 第一部分的系列案例/征文；感謝** 恒豐銀行** 的投遞

作為整體活動(dòng)的第二部分，2017年6月29日，由數(shù)據(jù)猿主辦，上海金融信息行業(yè)協(xié)會(huì)、互聯(lián)網(wǎng)普惠金融研究院合辦，中國(guó)信息通信研究院、大數(shù)據(jù)發(fā)展促進(jìn)委員會(huì)、上海大數(shù)據(jù)聯(lián)盟、首席數(shù)據(jù)官聯(lián)盟、中國(guó)大數(shù)據(jù)技術(shù)與應(yīng)用聯(lián)盟協(xié)辦的 《「數(shù)據(jù)猿·超聲波」之金融科技·商業(yè)價(jià)值探索高峰論壇》 還將在上海隆重舉辦 【論壇詳情】 【上屆回顧（點(diǎn)擊閱讀原文查看）】

在論壇現(xiàn)場(chǎng)，也將頒發(fā) “技術(shù)創(chuàng)新獎(jiǎng)”、“應(yīng)用創(chuàng)新獎(jiǎng)”、“最佳實(shí)踐獎(jiǎng)”、“優(yōu)秀案例獎(jiǎng)” 四大類(lèi)案例獎(jiǎng)

本文長(zhǎng)度為 6000 字，建議閱讀 12 分鐘

如今，商業(yè)銀行信息化的迅速發(fā)展，產(chǎn)生了大量的業(yè)務(wù)數(shù)據(jù)、中間數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)，大數(shù)據(jù)隨之興起。要從這些海量數(shù)據(jù)中提取出有價(jià)值的信息，為商業(yè)銀行的各類(lèi)決策提供參考和服務(wù)，需要結(jié)合大數(shù)據(jù)和人工智能技術(shù)。國(guó)外的匯豐、花旗和瑞士銀行是數(shù)據(jù)挖掘技術(shù)應(yīng)用的先行者。在國(guó)內(nèi)的商業(yè)銀行中，大數(shù)據(jù)的思想和技術(shù)逐步開(kāi)始在業(yè)務(wù)中獲得實(shí)踐和嘗試。

面對(duì)日趨激烈的行業(yè)內(nèi)部競(jìng)爭(zhēng)及互聯(lián)網(wǎng)金融帶來(lái)的沖擊，傳統(tǒng)的上門(mén)營(yíng)銷(xiāo)、電話(huà)營(yíng)銷(xiāo)，甚至是掃街營(yíng)銷(xiāo)等方式跟不上時(shí)代的節(jié)奏。利用精準(zhǔn)營(yíng)銷(xiāo)可節(jié)約大量的人力物力、提高營(yíng)銷(xiāo)精準(zhǔn)程度，并減少業(yè)務(wù)環(huán)節(jié)，無(wú)形中為商業(yè)銀行節(jié)約了大量的營(yíng)銷(xiāo)成本。

雖然恒豐銀行內(nèi)部擁有客戶(hù)的基本信息和交易等大量數(shù)據(jù)，但是傳統(tǒng)的營(yíng)銷(xiāo)系統(tǒng)并沒(méi)有挖掘出行內(nèi)大量數(shù)據(jù)的價(jià)值，仍然停留在傳統(tǒng)的規(guī)則模型。當(dāng)下，恒豐銀行接入了大量的外部數(shù)據(jù)，有著更多的維度，如果將內(nèi)部數(shù)據(jù)與外部數(shù)據(jù)進(jìn)行交叉，則能產(chǎn)生更大的價(jià)值?？蛻?hù)信息收集越全面、完整，數(shù)據(jù)分析得到的結(jié)論就越趨向于合理和客觀(guān)。利用人工智能技術(shù)，建立精準(zhǔn)營(yíng)銷(xiāo)系統(tǒng)變得可能且必要。

恒豐銀行基于大數(shù)據(jù)的精準(zhǔn)營(yíng)銷(xiāo)方案是利用大數(shù)據(jù)平臺(tái)上的機(jī)器學(xué)習(xí)模型深入洞察客戶(hù)行為、客戶(hù)需求，客戶(hù)偏好，挖掘潛出在客戶(hù)，實(shí)現(xiàn)可持續(xù)的營(yíng)銷(xiāo)計(jì)劃。

周期/節(jié)奏

2016.4-2016.5 完成需求梳理和業(yè)務(wù)調(diào)研，并在此基礎(chǔ)上進(jìn)行總體方案設(shè)計(jì)。
2016.5-2016.8 整理銀行內(nèi)、外部數(shù)據(jù)，根據(jù)營(yíng)銷(xiāo)需求制定客戶(hù)標(biāo)簽和設(shè)計(jì)文檔，實(shí)施用戶(hù)畫(huà)像。
2016.8-2016.10 在用戶(hù)畫(huà)像的基礎(chǔ)上，構(gòu)建理財(cái)產(chǎn)品個(gè)性化推薦系統(tǒng)。其中包括個(gè)性化推薦算法調(diào)研，模型對(duì)比等一系列工作。
2016.10-2017.1 客戶(hù)需求預(yù)測(cè)并對(duì)客戶(hù)價(jià)值進(jìn)行建模，并完善整合精準(zhǔn)營(yíng)銷(xiāo)應(yīng)用模型。
2017.1-2017.3 用戶(hù)畫(huà)像、個(gè)性化推薦、客戶(hù)價(jià)值預(yù)測(cè)等精準(zhǔn)營(yíng)銷(xiāo)模型上線(xiàn)。

客戶(hù)名稱(chēng)/所屬分類(lèi)

恒豐銀行/客戶(hù)管理

任務(wù)/目標(biāo)

根據(jù)零售業(yè)務(wù)營(yíng)銷(xiāo)要求，運(yùn)用多種數(shù)據(jù)源分析客戶(hù)行為洞察客戶(hù)需求，實(shí)現(xiàn)精準(zhǔn)營(yíng)銷(xiāo)與服務(wù)，提高銀行客戶(hù)滿(mǎn)意度和忠誠(chéng)度。

針對(duì)不同的客戶(hù)特征、產(chǎn)品特征和渠道特征，制定不同市場(chǎng)推廣策略。為了完成以上任務(wù)，主要從以下幾個(gè)方面構(gòu)建精準(zhǔn)營(yíng)銷(xiāo)系統(tǒng)：

1.用戶(hù)畫(huà)像： 結(jié)合用戶(hù)的歷史行為和基本屬性給用戶(hù)打標(biāo)簽。

2.精準(zhǔn)推薦系統(tǒng)： 給用戶(hù)推薦個(gè)性化理財(cái)產(chǎn)品， 例如在微信銀行中給每個(gè)客戶(hù)推薦他喜歡的產(chǎn)品，幫客戶(hù)找到其最適合的產(chǎn)品，增加產(chǎn)品的購(gòu)買(mǎi)率。

3.需求預(yù)測(cè)和客戶(hù)價(jià)值： 新產(chǎn)品發(fā)售的時(shí)候，找到最有可能購(gòu)買(mǎi)該產(chǎn)品的客戶(hù)，進(jìn)行短信營(yíng)銷(xiāo)，進(jìn)而提高產(chǎn)品響應(yīng)率?？蛻?hù)價(jià)值精準(zhǔn)定位，根據(jù)客戶(hù)價(jià)值水平制定不同的推薦策略。銀行通過(guò)計(jì)算客戶(hù)使用其產(chǎn)品與服務(wù)后所形成的實(shí)際業(yè)務(wù)收益，充分了解每一個(gè)客戶(hù)的貢獻(xiàn)度，為管理層提供決策支撐。

挑戰(zhàn)

項(xiàng)目實(shí)施過(guò)程由用戶(hù)畫(huà)像，精準(zhǔn)推薦系統(tǒng)，需求預(yù)測(cè)和客戶(hù)價(jià)值建模三部分組成，采用TDH機(jī)器學(xué)習(xí)平臺(tái)Discover所提供的算法和模型庫(kù)進(jìn)行開(kāi)發(fā)和驗(yàn)證。

（一）用戶(hù)畫(huà)像的建立

客戶(hù)標(biāo)簽主要包含客戶(hù)基本屬性，客戶(hù)等級(jí)標(biāo)簽，客戶(hù)偏好標(biāo)簽，客戶(hù)交易特征，客戶(hù)流失特征，客戶(hù)信用特征，客戶(hù)終身價(jià)值標(biāo)簽，客戶(hù)潛在需求標(biāo)簽。

（二）精準(zhǔn)推薦系統(tǒng)的建立

由于系統(tǒng)復(fù)雜，且篇幅有限，僅對(duì)其中最重要的理財(cái)推薦系統(tǒng)做詳細(xì)闡述。精準(zhǔn)推薦系統(tǒng)架構(gòu)圖如下。

2.1業(yè)務(wù)問(wèn)題轉(zhuǎn)化為機(jī)器學(xué)習(xí)問(wèn)題

業(yè)務(wù)問(wèn)題

銀行理財(cái)產(chǎn)品個(gè)性化推薦給客戶(hù)。 例如在微信銀行中給每個(gè)客戶(hù)推薦此客戶(hù)喜歡的產(chǎn)品，幫客戶(hù)找到其最適合的產(chǎn)品，增加產(chǎn)品的購(gòu)買(mǎi)率。

將業(yè)務(wù)問(wèn)題轉(zhuǎn)化為機(jī)器學(xué)習(xí)問(wèn)題

理財(cái)產(chǎn)品種類(lèi)繁多，產(chǎn)品迭代速度很快，客戶(hù)在繁多的產(chǎn)品中不能快速找到適合自己的產(chǎn)品，因此有必要建立一個(gè)自動(dòng)化推薦模型，建立客戶(hù)理財(cái)偏好，給客戶(hù)推薦最適合的產(chǎn)品。

將銀行理財(cái)產(chǎn)品推薦業(yè)務(wù)問(wèn)題轉(zhuǎn)化為機(jī)器學(xué)習(xí)問(wèn)題，進(jìn)而利用人工智能技術(shù)提高推薦產(chǎn)品的點(diǎn)擊率和購(gòu)買(mǎi)率。例如在恰當(dāng)?shù)臅r(shí)間，通過(guò)用戶(hù)偏好的渠道給用戶(hù)推薦產(chǎn)品，推薦的結(jié)果為用戶(hù)購(gòu)買(mǎi)或者未購(gòu)買(mǎi)。這個(gè)問(wèn)題可以看作一個(gè)典型機(jī)器學(xué)習(xí)二分類(lèi)問(wèn)題：基于歷史營(yíng)銷(xiāo)數(shù)據(jù)來(lái)訓(xùn)練模型，讓模型自動(dòng)學(xué)到客戶(hù)購(gòu)買(mǎi)的產(chǎn)品偏好，并預(yù)測(cè)客戶(hù)下次購(gòu)買(mǎi)理財(cái)產(chǎn)品的概率。對(duì)模型預(yù)測(cè)出所有客戶(hù)對(duì)所有產(chǎn)品的響應(yīng)概率進(jìn)行排序，可選擇客戶(hù)購(gòu)買(mǎi)概率最高的topN個(gè)產(chǎn)品推薦給客戶(hù)。

下面將敘述如何構(gòu)建該推薦預(yù)測(cè)模型。

2.2數(shù)據(jù)源準(zhǔn)備

在建立的一個(gè)理財(cái)推薦模型之前，可以預(yù)見(jiàn)到相似的客戶(hù)可能會(huì)喜好相似的產(chǎn)品（需要表征客戶(hù)和產(chǎn)品的數(shù)據(jù)），同一個(gè)人的喜好可能具有連續(xù)性（購(gòu)買(mǎi)歷史交易數(shù)據(jù)，包括基金國(guó)債等），他的存款、貸款資金可能決定了他能購(gòu)買(mǎi)什么檔次的理財(cái)?shù)鹊?。因此，我們需要?zhǔn)備以下數(shù)據(jù)。

客戶(hù)基本屬性：客戶(hù)性別，年齡，開(kāi)戶(hù)時(shí)間，評(píng)估的風(fēng)險(xiǎn)等級(jí)等等。
產(chǎn)品基本屬性：產(chǎn)品的逾期收益率，產(chǎn)品周期，保本非保本，風(fēng)險(xiǎn)等級(jí)等。
客戶(hù)購(gòu)買(mǎi)理財(cái)產(chǎn)品的歷史：在什么時(shí)候購(gòu)買(mǎi)什么產(chǎn)品以及購(gòu)買(mǎi)的金額。
客戶(hù)的存款歷史： 客戶(hù)歷史存款日均余額等。
客戶(hù)的貸款歷史： 客戶(hù)歷史貸款信息等。
客戶(hù)工資：客戶(hù)工資的多少也決定了客戶(hù)購(gòu)買(mǎi)理財(cái)?shù)念~度和偏好。
用戶(hù)畫(huà)像提取的特征：用戶(hù)的AUM等級(jí)，貢獻(xiàn)度，之前購(gòu)買(mǎi)基金，國(guó)債的金額等。

2.3特征轉(zhuǎn)換和抽取

有了這么多數(shù)據(jù)，但是有一部分特征是算法不能直接處理的，還有一部分?jǐn)?shù)據(jù)是算法不能直接利用的。

特征轉(zhuǎn)換

把不能處理的特征做一些轉(zhuǎn)換，處理成算法容易處理的干凈特征。舉例如下：

開(kāi)戶(hù)日期。就時(shí)間屬性本身來(lái)說(shuō)，對(duì)模型來(lái)說(shuō)不具有任何意義，需要把開(kāi)戶(hù)日期轉(zhuǎn)變成到購(gòu)買(mǎi)理財(cái)時(shí)的時(shí)間間隔。

產(chǎn)品特征。從理財(cái)產(chǎn)品信息表里面可以得到風(fēng)險(xiǎn)等級(jí)，起點(diǎn)金額等。但是并沒(méi)有標(biāo)志這款產(chǎn)品是否是新手專(zhuān)屬，是否是忠誠(chéng)客戶(hù)專(zhuān)屬。這就需要我們從產(chǎn)品名字抽取這款產(chǎn)品的上述特征。

客戶(hù)交易的時(shí)間信息。同客戶(hù)的開(kāi)戶(hù)日期，孤立時(shí)間點(diǎn)的交易信息不具有任何意義，我們可以把交易時(shí)間轉(zhuǎn)變?yōu)榫嚯x上次購(gòu)買(mǎi)的時(shí)間間隔。

特征抽取

還有一部分?jǐn)?shù)據(jù)算法不能直接利用，例如客戶(hù)存款信息，客戶(hù)交易信息。我們需用從理財(cái)交易和存款表中抽取可能有用的信息。

用戶(hù)存款信息：根據(jù)我們的經(jīng)驗(yàn)，客戶(hù)購(gòu)買(mǎi)理財(cái)之前的存款變動(dòng)信息更能表明客戶(hù)購(gòu)買(mǎi)理財(cái)?shù)恼鎸?shí)想法，因此我們需要從客戶(hù)歷史存款數(shù)據(jù)抽取客戶(hù)近三個(gè)月，近一個(gè)月，近一周的日均余額，以體現(xiàn)客戶(hù)存款變化。

客戶(hù)交易信息：客戶(hù)最近一次購(gòu)買(mǎi)的產(chǎn)品、購(gòu)買(mǎi)的金額、及其相關(guān)屬性，最近一個(gè)月購(gòu)買(mǎi)的產(chǎn)品、購(gòu)買(mǎi)的金額及其相關(guān)屬性等等。

以上例舉的只是部分特征。

2.4構(gòu)造、劃分訓(xùn)練和測(cè)試集

構(gòu)造

以上說(shuō)明了如何抽取客戶(hù)購(gòu)買(mǎi)理財(cái)?shù)南嚓P(guān)特征，只是針對(duì)正樣本的，即客戶(hù)購(gòu)買(mǎi)某種理財(cái)時(shí)候的特征。隱藏著的信息是，此客戶(hù)當(dāng)時(shí)沒(méi)有購(gòu)買(mǎi)其他在發(fā)售的產(chǎn)品。假設(shè)把客戶(hù)購(gòu)買(mǎi)了產(chǎn)品的標(biāo)簽設(shè)為1，沒(méi)有購(gòu)買(mǎi)的產(chǎn)品樣本設(shè)為0，我們大致有如下訓(xùn)練樣本（只列舉部分特征）。

其中客戶(hù)是否購(gòu)買(mǎi)產(chǎn)品是我們?cè)谟斜O(jiān)督訓(xùn)練的標(biāo)簽，也就是我們建立的是一個(gè)預(yù)測(cè)客戶(hù)是否會(huì)購(gòu)買(mǎi)產(chǎn)的模型。

劃分訓(xùn)練集和測(cè)試集

考慮到最終模型會(huì)預(yù)測(cè)將來(lái)的某時(shí)間客戶(hù)購(gòu)買(mǎi)某種產(chǎn)品的概率，為了更真實(shí)的測(cè)試模型效果，以時(shí)間來(lái)切分訓(xùn)練集和測(cè)試集。具體做法如下。假設(shè)我們有2016-09-01 ~ 2017-03-20 的理財(cái)購(gòu)買(mǎi)相關(guān)數(shù)據(jù)。以2016-09-01 ~ 2017-03-19的理財(cái)交易數(shù)據(jù)作為訓(xùn)練，2017-03-20這一天的客戶(hù)對(duì)每個(gè)產(chǎn)品是否購(gòu)買(mǎi)的數(shù)據(jù)作為測(cè)試。以2016-09-01 ~ 2017-03-18的理財(cái)交易數(shù)據(jù)作為訓(xùn)練，2017-03-19這一天的客戶(hù)對(duì)每個(gè)產(chǎn)品是否購(gòu)買(mǎi)的數(shù)據(jù)作為測(cè)試，以此類(lèi)推。

2.5模型訓(xùn)練

根據(jù)提取的特征，組成樣本寬表，輸入到分類(lèi)模型，這里選擇了TDH平臺(tái)機(jī)器學(xué)習(xí)組件Discover所提供的近百個(gè)分布式算法進(jìn)行建模和訓(xùn)練，同時(shí)我們還使用了特征的高階交叉特性進(jìn)行推薦的預(yù)測(cè)和分析。

2.6模型評(píng)估

評(píng)價(jià)推薦好壞的指標(biāo)很多，比較常用的有

1.ROC曲線(xiàn)下面積（AUC）
2.logloss
3.推薦產(chǎn)品第一次命中rank的倒數(shù)（MRR）
4.TopN

針對(duì)銀行的理財(cái)推薦實(shí)際業(yè)務(wù)，客戶(hù)當(dāng)天絕大多數(shù)是只購(gòu)買(mǎi)了某一款理財(cái)，MRR(Mean Average Precision 的特殊情況)能反應(yīng)這種情況下推薦的好壞。另一種直觀(guān)的評(píng)價(jià)指標(biāo)是TopN，假定我們只推薦N個(gè)模型認(rèn)為客戶(hù)最有可能購(gòu)買(mǎi)的產(chǎn)品，并和真實(shí)情況比較，就能得到當(dāng)天推薦的結(jié)果的混淆矩陣，TN，TP，F(xiàn)N，F(xiàn)P，recall，precision等。

我們?cè)谏a(chǎn)上驗(yàn)證了最近十天的推薦效果，即測(cè)試了2017-03-20， 2017-03-19，…… , 2017-03-11等十天的推薦效果，以下是這些結(jié)果的評(píng)價(jià)。

AUC

Logloss

MRR

0.89

0.45

0.78

也可以把新客戶(hù)（之前沒(méi)有購(gòu)買(mǎi)理財(cái)）和老客戶(hù)（至少購(gòu)買(mǎi)過(guò)一次）分開(kāi)評(píng)估效果。 新客戶(hù)的購(gòu)買(mǎi)占了整個(gè)理財(cái)購(gòu)買(mǎi)的1/3 以上。

測(cè)試新客戶(hù)的預(yù)測(cè)效果，可以看出模型對(duì)冷啟動(dòng)問(wèn)題解決的好壞。

對(duì)新客戶(hù)的預(yù)測(cè)效果

AUC

Logloss

MRR

0.80

0.73

0.32

對(duì)老客戶(hù)的預(yù)測(cè)效果

AUC

Logloss

MRR

0.92

0.38

0.88

2.7模型優(yōu)化

1.上線(xiàn)之前的優(yōu)化：特征提取，樣本抽樣，參數(shù)調(diào)參
2.上線(xiàn)之后的迭代，根據(jù)實(shí)際的A/B testing和業(yè)務(wù)人員的建議改進(jìn)模型

（三）需求預(yù)測(cè)和客戶(hù)價(jià)值

“顧客終生價(jià)值”(Customer Lifetime Value)指的是每個(gè)購(gòu)買(mǎi)者在未來(lái)可能為企業(yè)帶來(lái)的收益總和。研究表明，如同某種產(chǎn)品一樣，顧客對(duì)于企業(yè)利潤(rùn)的貢獻(xiàn)也可以分為導(dǎo)入期、快速增長(zhǎng)期、成熟期和衰退期。

經(jīng)典的客戶(hù)終身價(jià)值建模的模型基于客戶(hù)RFM模型。模型簡(jiǎn)單的把客戶(hù)劃分為幾個(gè)狀態(tài)，有一定意義但不一定準(zhǔn)確，畢竟RFM模型用到的特征不全面，不能很好的表征客戶(hù)的價(jià)值以及客戶(hù)銀行關(guān)系管理。

為了方便的對(duì)客戶(hù)終身價(jià)值建模，有幾個(gè)假定條件。其一把客戶(hù)的購(gòu)買(mǎi)價(jià)值近似為客戶(hù)為企業(yè)帶來(lái)的總收益，其二把未來(lái)時(shí)間定義在未來(lái)一個(gè)季度、半年或者一年。也就是我們通過(guò)預(yù)測(cè)客戶(hù)在下一個(gè)時(shí)間段內(nèi)的購(gòu)買(mǎi)價(jià)值來(lái)定義客戶(hù)的終身價(jià)值。因此，我們將預(yù)測(cè)的問(wèn)題分為兩個(gè)步驟：第一步預(yù)測(cè)這個(gè)客戶(hù)在下一個(gè)階段是否會(huì)發(fā)生購(gòu)買(mǎi)（需求預(yù)測(cè)）。第二步對(duì)預(yù)測(cè)有購(gòu)買(mǎi)行為的客戶(hù)繼續(xù)建模預(yù)測(cè)會(huì)購(gòu)買(mǎi)多大產(chǎn)品價(jià)值。

3.1需求預(yù)測(cè)

提取客戶(hù)定活期存款、pos機(jī)刷卡、渠道端查詢(xún)歷史等特征，以這些特征作為輸入預(yù)測(cè)用戶(hù)在當(dāng)前時(shí)間節(jié)點(diǎn)是否有購(gòu)買(mǎi)需求，訓(xùn)練和測(cè)試樣本構(gòu)造如下：

1.歷史用戶(hù)購(gòu)買(mǎi)記錄作為正樣本。
2.抽樣一部分從未購(gòu)買(mǎi)的理財(cái)產(chǎn)品的用戶(hù)作為負(fù)樣本集合Un，對(duì)于每一個(gè)正樣本Un中隨機(jī)選取一個(gè)用戶(hù)構(gòu)造負(fù)樣本。
3.選取2016.04-201610 的購(gòu)買(mǎi)數(shù)據(jù)作為訓(xùn)練樣本，2016.11的數(shù)據(jù)作為測(cè)試樣本。

使用機(jī)器學(xué)習(xí)算法進(jìn)行分類(lèi)訓(xùn)練和預(yù)測(cè)，重復(fù)上述實(shí)驗(yàn)，得到下列結(jié)果:

AUC: 0.930451274
precision: 0.8993963783
recall: 0.8357507082
fmeasure: 0.8664062729

進(jìn)一步對(duì)客戶(hù)分群之后，可以更好的對(duì)新客戶(hù)進(jìn)行建模，對(duì)于老客戶(hù)我們可以進(jìn)一步提取他們的歷史購(gòu)買(mǎi)特征，預(yù)測(cè)他們?cè)谙乱欢螘r(shí)間內(nèi)購(gòu)買(mǎi)的產(chǎn)品價(jià)值（數(shù)量，金額等），對(duì)于新客戶(hù)，可以進(jìn)根據(jù)他的存款量預(yù)測(cè)其第一次購(gòu)買(mǎi)的產(chǎn)品價(jià)值，把存款客戶(hù)變成理財(cái)客戶(hù)。通過(guò)分析客戶(hù)存款變動(dòng)于客戶(hù)購(gòu)買(mǎi)理財(cái)?shù)年P(guān)系，我們發(fā)現(xiàn)客戶(hù)購(gòu)買(mǎi)理財(cái)?shù)那耙欢螘r(shí)間內(nèi)定活期的增加的有不同的模式，如下圖。

根據(jù)需求預(yù)測(cè)模型，我們給出新客戶(hù)最有可能購(gòu)買(mǎi)的top N 列表，然后由業(yè)務(wù)人員進(jìn)行市場(chǎng)推廣。

3.2客戶(hù)價(jià)值預(yù)測(cè)

進(jìn)一步預(yù)測(cè)有購(gòu)買(mǎi)需求的客戶(hù)的購(gòu)買(mǎi)價(jià)值高低。這是個(gè)回歸問(wèn)題，但是預(yù)測(cè)變量從二分類(lèi)變量變?yōu)轭A(yù)測(cè)連續(xù)的金額值。訓(xùn)練的時(shí)候預(yù)測(cè)值取訓(xùn)練周期內(nèi)（一個(gè)月或者季度）客戶(hù)所購(gòu)買(mǎi)的總金額。

算出客戶(hù)的當(dāng)前價(jià)值（即當(dāng)前階段購(gòu)買(mǎi)的產(chǎn)品價(jià)值）和未來(lái)價(jià)值（預(yù)測(cè)的下一個(gè)階段的客戶(hù)價(jià)值）可以幫助我們鑒定客戶(hù)處于流失階段，或者上升階段，或者是穩(wěn)定階段。當(dāng)前價(jià)值取的是當(dāng)前時(shí)間前三個(gè)月的交易量。對(duì)流失階段高價(jià)值客戶(hù)可以適當(dāng)給予營(yíng)銷(xiāo)優(yōu)惠，對(duì)于有購(gòu)買(mǎi)意向的客戶(hù)適當(dāng)引導(dǎo)。如下圖所示。

結(jié)果/效果

一是提高銀行營(yíng)銷(xiāo)準(zhǔn)確性。隨著客戶(hù)不斷增加，理財(cái)產(chǎn)品也在不斷推陳出新，在實(shí)時(shí)精準(zhǔn)營(yíng)銷(xiāo)平臺(tái)的幫助下，銀行從以前盲目撒網(wǎng)式的營(yíng)銷(xiāo)方式轉(zhuǎn)變到對(duì)不同客戶(hù)精準(zhǔn)觸達(dá)，提高了理財(cái)產(chǎn)品的營(yíng)銷(xiāo)成功率，降低銷(xiāo)售和運(yùn)作成本。理財(cái)產(chǎn)品推薦的上線(xiàn)以來(lái)，產(chǎn)品推薦成功率比專(zhuān)家經(jīng)驗(yàn)排序模型最高提升10倍。

二是增加銀行獲客數(shù)量。精準(zhǔn)營(yíng)銷(xiāo)系統(tǒng)洞察客戶(hù)潛在需求和偏好，提高了銀行獲取目標(biāo)客戶(hù)群的準(zhǔn)確率。從數(shù)百萬(wàn)客戶(hù)中,通過(guò)機(jī)器學(xué)習(xí)模型,找到最有可能購(gòu)買(mǎi)產(chǎn)品的客戶(hù)群，通過(guò)渠道營(yíng)銷(xiāo)，實(shí)現(xiàn)響應(yīng)率提升。相比傳統(tǒng)盲發(fā)模式，發(fā)送原38%的短信即可覆蓋80%的客戶(hù)。

通過(guò)構(gòu)建基于大數(shù)據(jù)的精準(zhǔn)營(yíng)銷(xiāo)方案，恒豐銀行深入洞察客戶(hù)行為、需求、偏好，幫助銀行深入了解客戶(hù)，并打造個(gè)性化推薦系統(tǒng)和建立客戶(hù)價(jià)值預(yù)測(cè)模型，實(shí)現(xiàn)可持續(xù)的營(yíng)銷(xiāo)計(jì)劃。

4、如何獲得精準(zhǔn)的pos數(shù)據(jù)

企業(yè)可以利用運(yùn)營(yíng)商大數(shù)據(jù)，獲得精準(zhǔn)的pos數(shù)據(jù)。

作為一款收單商品，手機(jī)POS遮蓋全部客戶(hù)。中國(guó)銀聯(lián)承擔(dān)與每個(gè)手機(jī)生產(chǎn)商深層協(xié)作，將手機(jī)POS安裝布署到每個(gè)生產(chǎn)商的手機(jī)中，并以出示統(tǒng)一的POS控制方式為每個(gè)收單組織 顛覆式創(chuàng)新。

運(yùn)營(yíng)商大數(shù)據(jù)精準(zhǔn)獲客，用戶(hù)數(shù)據(jù)抓取的原理。

任何行業(yè)，企業(yè)都可以利用三網(wǎng)運(yùn)營(yíng)商大數(shù)據(jù)進(jìn)行精準(zhǔn)獲客。比如你是做POS行業(yè)，想要一批有POS機(jī)需求的客戶(hù)，那么就可以利用運(yùn)營(yíng)商大數(shù)據(jù)來(lái)進(jìn)行建模，可以搜集同行，比如可以抓取相關(guān)app。

隨行付、瑞銀信、星驛付 等等。這些POS機(jī)相關(guān)app注冊(cè)用戶(hù) 肯定是潛在的意向客戶(hù)）競(jìng)品的相關(guān)平臺(tái)和標(biāo)簽（網(wǎng)站，網(wǎng)頁(yè)，網(wǎng)址，URL;手機(jī)APP;400電話(huà)，固話(huà)，座機(jī)；短信；關(guān)鍵詞等）進(jìn)行建模。

實(shí)時(shí)截流訪(fǎng)客數(shù)據(jù)，還可以通過(guò)建模對(duì)其客戶(hù)的地域，性別，年齡，訪(fǎng)問(wèn)次數(shù)，通話(huà)時(shí)長(zhǎng)等維度進(jìn)行精準(zhǔn)的篩選、數(shù)據(jù)是實(shí)時(shí)數(shù)據(jù)，如此實(shí)時(shí)的客戶(hù)數(shù)據(jù)既可以保障相關(guān)客戶(hù)的意向度，也可以保證相關(guān)合作的行業(yè)，企業(yè)可以第一時(shí)間對(duì)客戶(hù)進(jìn)行觸達(dá)，從而進(jìn)行確定意向，轉(zhuǎn)化，和成交。

總結(jié)如下：

作為一款收單商品，手機(jī)POS遮蓋全部客戶(hù)。中國(guó)銀聯(lián)承擔(dān)與每個(gè)手機(jī)生產(chǎn)商深層協(xié)作，將手機(jī)POS安裝布署到每個(gè)生產(chǎn)商的手機(jī)中，并以出示統(tǒng)一的POS控制方式為每個(gè)收單組織 顛覆式創(chuàng)新。

5、如何進(jìn)行保險(xiǎn)精準(zhǔn)營(yíng)銷(xiāo)

1、針對(duì)性營(yíng)銷(xiāo)
大數(shù)據(jù)可以提供某些企業(yè)交易特點(diǎn)和資金需求特點(diǎn)，可以幫助業(yè)務(wù)部門(mén)對(duì)企業(yè)的資金需求進(jìn)行分析和篩選，提供現(xiàn)金管理產(chǎn)品，幫助企業(yè)解決流動(dòng)性問(wèn)題。大數(shù)據(jù)可以幫助信用卡中心追蹤熱點(diǎn)信息，針對(duì)特定人群提供精準(zhǔn)營(yíng)銷(xiāo)產(chǎn)品，增加新卡用戶(hù)，例如熱映電影、娛樂(lè)活動(dòng)、餐飲團(tuán)購(gòu)等。銀行針對(duì)特定人群推出定制的理財(cái)產(chǎn)品，保險(xiǎn)產(chǎn)品。
2、社交化營(yíng)銷(xiāo)
人們的社交行為產(chǎn)生了巨大的數(shù)據(jù)，利用社交平臺(tái)，結(jié)合大數(shù)據(jù)分析，金融行業(yè)可以開(kāi)展成本較低的社交化營(yíng)銷(xiāo)，借助于開(kāi)放的互聯(lián)網(wǎng)平臺(tái)，依據(jù)大量的客戶(hù)需求數(shù)據(jù)，進(jìn)行產(chǎn)品和渠道推廣。通過(guò)互聯(lián)網(wǎng)社交平臺(tái)返回的海量數(shù)據(jù)，評(píng)測(cè)營(yíng)銷(xiāo)方案的階段成果，實(shí)時(shí)調(diào)整營(yíng)銷(xiāo)能夠方案，利用口碑傳銷(xiāo)和病毒式傳播來(lái)幫助金融行業(yè)快速進(jìn)行產(chǎn)品宣傳、品牌宣傳、渠道宣傳等。
3、數(shù)據(jù)平臺(tái)
如何做到精準(zhǔn)營(yíng)銷(xiāo)，從而增加客戶(hù)粘性，這無(wú)疑是要有一個(gè)強(qiáng)大的數(shù)據(jù)平臺(tái)做后盾，依靠大數(shù)據(jù)平臺(tái)，類(lèi)似多云數(shù)據(jù)，這樣的數(shù)據(jù)平臺(tái)為支點(diǎn)，進(jìn)行客戶(hù)需求的引導(dǎo)性作用，不斷加強(qiáng)互聯(lián)網(wǎng)+的實(shí)際應(yīng)用，達(dá)到從大數(shù)據(jù)中快速獲取客戶(hù)的購(gòu)買(mǎi)欲望及購(gòu)買(mǎi)需求。
4、信用風(fēng)險(xiǎn)評(píng)估
銀行可以利用大數(shù)據(jù)增加信用風(fēng)險(xiǎn)輸入緯度，提高信用風(fēng)險(xiǎn)管理水平，動(dòng)態(tài)管理企業(yè)和個(gè)人客戶(hù)的形用風(fēng)險(xiǎn)。建立基于大數(shù)據(jù)的信用風(fēng)險(xiǎn)評(píng)估模型和方法，將會(huì)提高銀行對(duì)中小企業(yè)和個(gè)人的資金支持。個(gè)人信用評(píng)分標(biāo)準(zhǔn)的建立，將會(huì)幫助銀行在即將到來(lái)的信用消費(fèi)時(shí)代取得領(lǐng)先?；诖髷?shù)據(jù)的動(dòng)態(tài)的信用風(fēng)險(xiǎn)管理機(jī)制，將會(huì)幫助銀行提前預(yù)測(cè)高風(fēng)險(xiǎn)信用違約時(shí)間，及時(shí)介入，降低違約概率，同時(shí)預(yù)防信用欺詐。
5、欺詐風(fēng)險(xiǎn)管理
信用卡公司可以利用大數(shù)據(jù)及時(shí)預(yù)測(cè)和發(fā)現(xiàn)惡意欺詐事件，即使采取措施，降低信用開(kāi)欺詐風(fēng)險(xiǎn)。銀行可以基于大數(shù)據(jù)建立防欺詐監(jiān)控系統(tǒng)，動(dòng)態(tài)管理網(wǎng)上銀行、POS機(jī)、ATM等渠道的欺詐事件，大數(shù)據(jù)提供了多緯度的監(jiān)控指標(biāo)和聯(lián)動(dòng)方式，可以彌補(bǔ)和完善目前反欺詐監(jiān)控方式的不足。特別在識(shí)別客戶(hù)行為趨勢(shì)方面，大數(shù)據(jù)具有較大的優(yōu)勢(shì)。
6、提升客戶(hù)體驗(yàn)
銀行可以依據(jù)大數(shù)據(jù)分析，可以對(duì)進(jìn)入網(wǎng)點(diǎn)的客戶(hù)提供定制服務(wù)和問(wèn)候，在節(jié)假日為客戶(hù)提供定制服務(wù)，預(yù)知企業(yè)客戶(hù)未來(lái)資金需求，提前進(jìn)行預(yù)約，提高客戶(hù)體驗(yàn)。私人銀行可以依據(jù)大數(shù)據(jù)分析報(bào)告，幫助客戶(hù)進(jìn)行金融市場(chǎng)產(chǎn)品投資，賺取超額利潤(rùn)，形成競(jìng)爭(zhēng)優(yōu)勢(shì)，提高客戶(hù)體驗(yàn)。保險(xiǎn)業(yè)務(wù)可以依據(jù)大數(shù)據(jù)預(yù)測(cè)為客戶(hù)提前提供有效服務(wù)，提高客戶(hù)體驗(yàn)，同時(shí)增加商業(yè)機(jī)會(huì)。理財(cái)業(yè)務(wù)可以利用大數(shù)分析，快速推出行業(yè)報(bào)告和市場(chǎng)趨勢(shì)報(bào)告，幫助投資者及時(shí)了解熱點(diǎn)，提高客戶(hù)滿(mǎn)意度。
7、需求分析和產(chǎn)品創(chuàng)新
大數(shù)據(jù)提供了整體數(shù)據(jù)，銀行可以利用整體樣本數(shù)據(jù)，從中進(jìn)行篩選?？梢詮目蛻?hù)職業(yè)，年齡，收入，居住地，習(xí)慣愛(ài)好，資產(chǎn)，信用等各個(gè)方面對(duì)客戶(hù)進(jìn)行分類(lèi)，依據(jù)其他的數(shù)據(jù)輸入緯度來(lái)確定客戶(hù)的需求來(lái)定制產(chǎn)品。銀行還可以依據(jù)企業(yè)的交易數(shù)據(jù)來(lái)預(yù)測(cè)行業(yè)發(fā)展特點(diǎn)，為企業(yè)客戶(hù)提供金融產(chǎn)品服務(wù)。
8、運(yùn)營(yíng)效率提升
大數(shù)據(jù)可以展現(xiàn)不同產(chǎn)品線(xiàn)的實(shí)際收入和成本，幫助銀行進(jìn)行產(chǎn)品管理。同時(shí)大數(shù)據(jù)為管理層提供全方面報(bào)表，揭示內(nèi)部運(yùn)營(yíng)管理效率，有力于內(nèi)部效率提升。大數(shù)據(jù)可以幫助市場(chǎng)部門(mén)有效監(jiān)測(cè)營(yíng)銷(xiāo)方案和市場(chǎng)推廣情況，提高營(yíng)銷(xiāo)精度，降低營(yíng)銷(xiāo)費(fèi)用。大數(shù)據(jù)可以展現(xiàn)風(fēng)險(xiǎn)視圖控制信用風(fēng)險(xiǎn)，同時(shí)加快信用審批。大數(shù)據(jù)可以幫助保險(xiǎn)行業(yè)快速為客戶(hù)提供保險(xiǎn)方案，提高效率，降低成本。理財(cái)產(chǎn)品也可以利用大數(shù)據(jù)動(dòng)態(tài)提供行業(yè)報(bào)告，快速幫助投資人。
9、決策支持
大數(shù)據(jù)可以幫助金融企業(yè)，為即將實(shí)施的決策提供數(shù)據(jù)支撐，同時(shí)也可以依據(jù)大數(shù)據(jù)分析歸納出規(guī)律，進(jìn)一步演繹出新的決策。基于大數(shù)據(jù)和人工智能技術(shù)的決策樹(shù)模型將會(huì)有效幫助金融行業(yè)分析信用風(fēng)險(xiǎn)，為業(yè)務(wù)決策提供有力支持。金融行業(yè)新產(chǎn)品或新服務(wù)推向市場(chǎng)前，可以在局部地區(qū)進(jìn)行試驗(yàn)，大數(shù)據(jù)技術(shù)可以對(duì)采集的數(shù)據(jù)精準(zhǔn)營(yíng)銷(xiāo)進(jìn)行分析，通過(guò)統(tǒng)計(jì)分析報(bào)告為新產(chǎn)品的市場(chǎng)推廣提供決策支持。

擴(kuò)展閱讀：【保險(xiǎn)】怎么買(mǎi)，哪個(gè)好，手把手教你避開(kāi)保險(xiǎn)的這些"坑"

轉(zhuǎn)載請(qǐng)帶上網(wǎng)址：http://www.svinexta.cn/posjithree/158409.html