金融行业的数据驱动落地

作者 : zisheng 共25人阅读

主要内容:

1.银行业与证券行业的市场环境

2.基于用户行为的数据驱动闭环

3.数据驱动金融的  4 大核心场景

金融行业在近几年有一个非常明显的趋势变化,第一阶段——移动化,第二阶段——精细化,第三阶段——智能化。

一、银行业市场环境

从神策数据服务客户的数字化应用规划和实际落地情况看,银行业在移动化迈向智能化时代中,  呈现出明显的数字化能力阶梯差异。行业领军者积极导入新科技的应用探索,  如招商银行将数字化能力植入业务流程和决策优化,以及推出个性化业务和产品功能。同时,  我们也欣喜地看到在重视科技领域的银行,正积极探索和引进互联网模式,  涌现出“重视数据驱动,重视精细化运营”的优秀企业,如中原银行将数字化能力与优化运营打通,大幅度提升了产品体验和客户价值;还有相当一部分中小银行在起步和实践阶段,但他们也开始注重数据采集和分析之后的应用。

而现在,整个金融行业普遍面临如下挑战。

第一,来自外部的挑战。围绕用户需求的细分金融场景在市场化竞争后,带来需求的稳定释放、繁荣和快速增长。但随着市场竞争持续,获客成本越来越高,简单的转化手段效率很低,至此,能否利用自有  App  把线下已成熟业务真正搬入线上是个极大的挑战。同时,以外包实现的功能化产品和同行间模仿造成的同质化,似乎也已经无法更好地刺激用户。第二,来自内部的挑战。对比互联网类型企业,监管合规体系对银行业务创新总体有诸多限制,适配数据驱动的科技人才和运营专才资源也同样稀缺。作为后续战略竞争方向,效能竞争是整个市场的基调,单纯依赖体量的竞争和红利期时期已过;而手段上,我们看到营销的精益化、运营的精细化,以及场景+  的生态在银行互联网+  的落地上,成为重要的承前启后的适配竞争手段。部分创新者已经开始重视从行为数据上配合风控,比如对于操作中的修改行为、修改频次、使用动作(持机方位角/操作动作频次/操作动作行为序列等)补充到现有风控模型中,对于反刷单,反欺诈进行创新等。

在各种趋势里,最经常听到的就是“增长趋势”,其实无论大家重视的是增长、移动化、还是数据化,最终反映在银行客户那里的是如何去更好地服务客户并普惠大众,如何能够提升效率并且实现服务差异化,这些都是神策数据正在尝试的方向。

二、证券业的市场环境

证券业的市场环境主要表现在以下  3 个方面。

第一,投资需求大。大众对金融投资多样性需求持续增加,对服务的专业要求增强,需要合理的理财咨询和建议。第二,服务缺口大。当更多的  C  端用户迁移到线上模式进行投资时,传统服务模式明显力不从心,成本也难以为继。从本质上讲,就是传统模式无法满足企业服务的效率。第三,市场竞争更激烈。内地券商对港澳地区的开放性加强,外资券商进一步进入中国市场,这都加剧了整个行业的竞争。

证券公司的增长挑战主要表现在  4  个方面,佣金率下降、通道业务同质化、移动红利殆尽以及获客成本持续增加。

下面分享一下大家在券商行业做的一些尝试。

左端代表移动化之后发挥的载体优势。

第一——流量获取,如上文所说,券商用户从传统模式走向线上,App  依然是主要流量的落地平台。

第二——营销方式,App  是多样的营销运营活动落地平台,同时可方面获得效果反馈。

第三——资金,App  成为活期、定期财富管理资金的重要载体平台。

第四——品牌,App  可提供丰富的资讯和服务,提升品牌认知,平台承接价值传递。

右端代表将传统模式搬到线上以后的天然数据优势,即一切信息化,数据的沉淀都可能会带来运营手段和服务层面上的改变。这些数据优势包括用户信息、用户行为、营销反馈、产品和服务。原来我们能够搜集到的用户信息大多以一些监管层面上的常见信息和一些基本的交易信息为主,而现在,普遍能够融合得更多,可以挖掘一个用户到底是如何使用线上产品来做业务交互的。传统的营销基本上是从券商总部下发整体营销任务,随后一级一级分发,像销售体系一样把任务层层分解,最后到营业部去执行。使用这种营销模式的券商,营销任务完成的结果很难预估。当有了线上模式,领导和业务人员都能看到线上指标和业务追踪的成果,这都是数据带来的天然优势。

这个数据闭环相比神策数据早期的总结,越来越精炼。在创业的这三年时间里,神策数据看到了各类客户在使用数据过程中,或者是在数据运营分析过程中的痛点。如果说神策数据最初强调数据采集是基于我们的职业习惯,那么今天我们可以比较自信地说,这是基于我们在行业中的实践真知。

三、融合用户行为的数据驱动方案

关于数据仓库,有人总结过  ETL  的工作量大概占了构建一整个数据仓库的 60-70%。其实到了移动时代,这个问题依然成立,因为巧妇难为无米之炊,数据源如果在采集上都是错的,后面的分析无从谈起。

上图左边是产品线,右边是支撑业务团队。业务团队的需求,是对于数

据的需求,反馈过来就代表架构上该如何设计。比如在设计可视化部分的时候,就要思考如何基于客户的用户习惯,把新的数据源和它现有的BI 系统打通,神策分析就是既有自己的展示界面,同时也可将可视化的接口开放给对应的客户。交易数据是每一家金融客户都拥有的数据。对于移动化的数据,既可以在底层大数据架构上去融合,也可以通过数据同步的方式进行融合。总之,在构建底层数据的基础设施建设时,是一种必然的融合发展。

在数据采集方面,任何偏好某种采集方式的说法,都是以偏概全,采集方式没有优劣,只有合适与否。个人认为比较合适的方法,是根据自己的业务场景,以及固有的  IT  架构,灵活组合。

在建模方面,普遍认为用原来的数据仓库也能得到银行或者券商原来的交易数据,但这里存在两  2  个问题。第一,实效性如何?要获得这个数据的实效性要花多大的代价?假设有一家互联网公司用这样的架构运营,我们怎样才能竞争得过它,这是第一个问题。第二,业务人员在原有数据仓库的架构下获取数据,成本如何?比如你需要科技中心提供一个数据,那你把需求描述清楚要花多大代价?拿到这些数据,去做一次真正的迭代闭环又要花费多大代价?个人认为,在新的挑战下这个问题会变得更突出,所以我们就要想办法在模型设计方面去应对。

➢        银行业关键数据指标

套用一个经典的海盗模型——获客、活跃、留存、收入和分享。其实,我们并不希望在与客户的合作中,听到对方很多混乱的指标需求,神策数据希望在一开始去分析场景和模型的时候,大家就能共同参与,因为如果客户没有基于已有的分析思路走下去,对业务的帮助也会很有限。

➢        证券业关键数据指标

这里主要是以获客、活跃、留存以及收入四个指标为主。

前面跟大家介绍了整个数据驱动闭环,接下来我想从场景的角度与大家分享。

四、数据驱动金融四大核心场景

神策数据的基因是从互联网公司诞生的,坦率地说,我们在早期起步时期,其实并不擅长做营销和线下客户关系,那么为什么客户还愿意选择与我们合作?

因为我们的优势是线上运营大数据处理的经验。金融客户本身拥有一定的  IT  能力,对平台搭建有自己初步思路和判断力。客户看中神策数据的一些分析理念,还有作为技术型出身的我们一直在业务道路上的学习能力,我们不停地努力弥补我们所欠缺的地方。同样,我们也选择客户,所有合作的银行及证券客户,都有一个共同特点,即行业影响力较大,并且拥有科技基础、创新意识较为强烈,我们致力为这些客户提供价值。

第一个场景:市场营销

早期设立部门的时候,营销部门负责独立拉新,业务部门相对偏后,这种方式导致两个部门的数据割裂,因此,在评估市场投入的时候,往往只能看到获客数量,并无法贯穿客户最终带来的商业价值。于是,一些行业头部客户已经开始改变,他们既看获客数量,又看获客质量;既要看拉新,也要看转化,也要看留存。即前面的营销部门和后方的业务部门打通,背负同样的  KPI。而数据,就能配合  KPI  指标要求。

举一个互联网金融客户的例子。

在客户的产品刚上线时,客户将目标人群定位为写字楼里的白领,认为他们属于还款能力较好的人群。基于这个想法,客户在很多写字楼里做了诸多广告,后来发现广告虽然批量投入,但最终转化的收效并不好。于是,把营销、运营等数据都拿去做用户转化分析和用户画像分析,同时,把可转化的用户年龄、收入等信息做对比后发现,最初的方向是不对的。原来他们产品的精准人群属于年龄偏小、对于小额贷款有短期需求的人群,而这些人群不止活跃在写字楼,更可能是一些社交平台上。果然,调整之后,效果有很大改变。这就是打通了市场、运营等多部门的需求之后的结果。

神策数据的另一个客户——luckin coffee,同样在写字楼投放很多的广告,广告上明星和蓝色咖啡杯的搭配很好,转化效果也极佳。之前我们

做过杨飞总的专访,他是国内做市场策划方面非常成功的 CMO。(插入研究院专访链接)

第二个场景:用户运营

如果把早期产品刚上线的时候称为第一阶段,那么大多数公司在此时不会对用户运营做过多的考虑,或者说没有那么多的经验和精力去做看不见的工作,数据这件事情也就不会被重视。此时,数据分析的来源一般是第三方监控平台,而不是用户本身平台的自有数据。在这个阶段能做的事情很有限,更多凭借的是一些经验。在我看来,这和线下运营模式没有本质区别,因为没有数据,并不能真正知道运营上的数据支撑能够带来什么变化。第二阶段,已经拥有了用户数据。此时可以对整个转化漏斗进行分析,分析每个环节出现的问题。把人群进行进一步细分,把环节中出现问题的用户做更细致的拆解,来发现产品和用户运营上的问题。第三阶段,基于上述认知可以做一些更多的激活和触达,并在第四阶段形成一个闭环的验证和迭代。另外,很多甲方采购了许多不同的系统,而这些系统在实际业务中可能是割裂的,对于整个活动的效率追踪分析无法在一个平台上完成,这是很多甲方现有的痛点。

再举一个客户的例子。

客户在基于标签运营的场景下,既想了解用户,又更想了解投放。在了解用户方面,要抓住他们的心理,管理他们的预期,包括了解用户的产品使用偏好并匹配、找到用户的转化路径并加强、抓住适合时机对用户

做精准营销。在投放方面,花性价比最高的钱创造最好的效果。包括打通业务标签和行为标签,实现精准推送,及时、精准地获取活动运营效果,以及把每一次活动策划变成一次实验。实验有假设,有验证,才能谓之为科学的迭代方法。

再向下延伸,其实有三个关键点。第一,先有场景。第二,有了场景之后才能诞生基于场景分析的指标体系。第三,根据量化的指标体系寻找人群特点,打造标签。

在移动时代之后,券商的选定用户群中除了有资产等级等静态标签,还有一部分外部数据,以及在  App  上线之后,根据线上行为总结出来的动态标签。根据这些标签进行活动的定制,以及后期的效果分析,形成一个完整的用户运营闭环场景。

对于资产端的风控,是个很大的话题。

一般来讲,风控模型会使用客户的基本资料和征信资料,包括社交信息、购物信息、信用卡数据、学信网信息、运营商信息等去评判一个用户消费能力、性格、学历等,来评估用户的还款能力和还款意愿。神策分析作为一款用户行为分析软件,可以去采集用户的种种行为数据,比如表单填写时间、修改次数、修改内容等。由于正常客户的行为和风险客户的行为有所差异,因此这些用户行为可以作为特征添加到风控模型中,去增加风控模型的能力。

神策数据之前跟进过一个客户,是一家做消费金融的公司。在对坏账率进行维度细分时,发现  24  期的坏账率最高,做了一些分析也并没有发现什么异常。后来引入了用户行为特征分析,发现一类欺诈客户会快速完成交易,而  24  期是一个默认选项,这类客户不会对费率和期数进行

任何比较,因此造成“借款期限  24 期”这个维度的风险很好。所以,

将“是否查看了还款列表”、“查看的时长”等其他的用户行为指标加到了风控模型中,去增强识别欺诈客户的能力。

另外,数据驱动用户运营,可以实时监测风控规则的有效性。某券商的风控系统数据接入神策分析后,包括每个案件进入到风控模型触碰的规则、评估的结果等,都通过监测规则触碰率的变化,发现异常现象。该券商发现手机通讯录的联系人个数小于  3  时,这类人群的欺诈可能性

比较大。因此设计规则:当手机通讯录的联系人个数小于  3   时,拒贷,执行概览为  100%。历史上满足该场景的样本量大约在  3%,通过检测发现,该规则被命中的样本量远远低于历史值,接近为  0。通过对近期的样本进行分析,疑似欺诈人员发现了该规则,因为多加了一些联系人以避开,因此该券商又对该规则进行调整。数据驱动用户运营,可以实时监测风控规则的有效性。

第三个场景:产品迭代

一个产品的迭代过程,可以分为 3 个大的环节:需求定义与分析:获取和分析需求的方法有很多种,因为数据本身的获取成本逐渐降低,且更加精细、客观、全面,说服力更强,发挥的价值越来越大,正逐渐成为主流方法。产品定义和决策:这个阶段承载着需求和解决方案之间的转化,在具体解决方案设计过程中,数据能为更多的决策场景提供越来越多的支持,比如数值设计,从数据的分布和特征上,让阈值和规则设计更加合理。效果验证与迭代:这个环节是目前很多公司已经在实践的领域,数据能帮我们明确前面的投入是否真正带来有意义的业务成果,同

时我们对用户和产品判断是否正确,也确保我们一直在正确的路上小步快跑。

产品的数据分析里面常用的分析思路是——先看功能渗透,再看功能过程转化,然后看用户路径和分布,明确指标上发现的问题,最后看流失和留存表现,分别从产品体验和价值表现来综合评估。

渗透率:1. 产品价值&入口&吸引力 2. 日活渗透率 3.    曝光点击率

转化率:1.  功能价值&用户体验  2.  下一步/上一步的到达人数  3.  窗口期设置

用户路径:1. 交互及流程设计 2. 主路径 3. 流失点  4. 分支数量/分之流量

留存/流失率:1.  是否对用户带来价值  2.  活跃留存  3.  功能留存  4.  关键操作留存

分布:1.  粘性大小 2.  天数分布 3. 时间分布 4.  次数分布

其中,在分析转化的时候,如果抛开详细的转化时间窗口去谈转化率,是有些荒唐的。比如双十一购物,可能前几天已经放入了购物车,然后在双十一当天去清购,这时候就需要几天的转化周期。在分析用户路径、留存等步骤的时候,可以跟大家分享一个现象。目前的电子银行产品,除产品种类单一、产品同质化比较严重外,在用户体验方面也存在较大的问题。线上注册开户流程较线下开户流程繁琐,这种较差的交互体验一方面来自于金融监控政策方面的限制(如必须进行  OCR  信息识别等环节),还来自于产品设计是否符合用户使用体验。App  各交互环节如果存在较大问题,会在一定程度上造成较高的用户流失,提高银行客户的获客成本。因此,需要通过行为数据,评估用户在开户流程各个环节的健康程度。通过使用漏斗模型,全程跟踪开户流程各环节,可以为产品优化提供数据支撑,降低用户流失。

第四个场景:产品智能

目前,一些头部客户在尝试智能化,其实智能化的逻辑很简单,就是把自己的产品,按照总结出来的规则,变成自有的可学习系统,并发展成可以自行迭代的体系。

五、以用户为中心的数据驱动体系

这个数据驱动体系包含以下几部分。首先丰富的数据来源,包括行内外

不同的数据源。其次,可以根据一个完整的客户全生命周期来研究如何高效地服务客户,如何体现公司高效的运营能力。然后,基于数据去做场景驱动,随后聚焦数据洞察,比如搭建可视化体系与优化用户标签管理平台。最后下渗到基础设施建设,我个人认为这是一种融合部署。即基于客户融合数据分析体系,从底层采集存储和建模,到全客户端数据治理能力的融合。

Assistants - 用心做好一件事 | 公众号“Assistants”

1. 本站所有资源来源于用户上传和网络,如有侵权请邮件联系站长!
2. 本站站长QQ:1195193561,官网:https://www.zhaoshengblog.cn
3. 本站资源仅作为学习用,商用请支持正版授权!
4. 本站主要为Axure原型模板、Axure元件库原创作品及Axure原型设计教程分享,助你快速打造友好美观的交互原型。


Assistants-产品经理聚集地 » 金融行业的数据驱动落地

发表评论

Hi, 如果你对此有疑问,可以跟我联系哦!

联系作者

最实用的经验,分享给最需要的读者,希望每一个来访的朋友都能有所收获!

收藏本站 网址导航
访问统计
53964
用户总数
19
资源总数
135
运营天数
392
开通SVIP 享更多特权,建议使用 QQ 登录
喜欢我嘛?喜欢就按“ctrl+D”收藏我吧!♡