2016年客戶開始擁抱大數據，引入外部數據成為熱點，市場上出現了各類數據提供商。運營商數據、航旅數據、銀聯數據、電商數據、物流數據等數據源已經形成數據熱點。企業瘋狂地追尋外部數據源，引入外部數據成了大數據戰略一個重點，外部數據成為企業數據應用的主題，客戶畫像成為數據應用的主要議題。

數據的應用場景可分為三類，一個是提升業務，一個是降低運營成本，另外一個是精細化運營。用戶畫像僅僅是數據應用的一個過程，不是數據應用的目的。企業客戶知道了用戶的個人屬性、興趣愛好，消費偏好，行為標簽等信息，豐富了企業對客戶的了解，了解了過去不知道到信息。僅僅是數據應用的一個過程，離企業的業務需求還有較大的距離。數據應用需要解決的不僅僅是讓企業重新認識客戶(用戶畫像)，還需要解決從數據到商業決策最后一公里的問題。數據應用的目的是提升業務，幫助企業以較低的成本和較好的客戶體驗，實現精準營銷，提升業務收入。

金融客戶擁有較為豐富的個人屬性數據、資產數據、信用數據、交易數據。缺少客戶在本金融企業之外的金融數據和個人行為數據。大的銀行、券商、保險開始對外引入和購買客戶的外部行為數據和金融數據，用于豐富標簽和用戶畫像，但是具體如何應用這些標簽數據，如何衡量數據價值，如何尋找數據應用場景，都在探索之中。其實金融企業內部的人也不太清楚，也沒有一個系統的方式方法去尋找數據應用場景，大家都在摸索中。

市場上最好的數據是運營商數據和銀聯數據，運營商數據利用DPI技術分析出客戶網上行為，為客戶打上一些行為標簽，例如客戶喜歡看的手機品牌、3C產品，客戶點擊瀏覽的電商產品，客戶瀏覽的出國、留學、旅游、房產、汽車等網站或網頁。目前電信的DPI標簽集中在客戶固網訪問行為，也就是在PC上的瀏覽標簽，聯通的DPI標簽集中在移動互聯網的訪問行為行為和標簽，中國移動的DPI標簽還在挖掘開發中。移動、電信、聯通覆蓋的移動互聯網用戶比例分別為6:2:2，中國移動占了大部分，客戶質量較高。另外可以提供移動互聯網訪問行為表標簽的數據廠商是TakingData、極推、個推等第三方數據服務商。銀聯的數據集中在刷卡的消費和支出的分級信息，以卡、POS為單位，可以用于風控和信用評估，具體個人的刷卡信息不能提供。短信服務商可以利用短信來加工一些客戶的收入、轉賬、消費、分期、貸款等信息。誤差比較大，無法全面揭示客戶收入、資產、消費信息，僅僅可以作為參考。市場上還有一些公司可以提供航旅信息，例如飛行次數、公里、總金額、頭等艙次數、經濟艙次數，平均票價等。這些信息具有強相關的金融消費屬性，容易應用。

外部行為標簽的確給金融企業帶來了新的信息源，但是如何使用這些標簽來推動業務，來實現精準營銷，幫助金融企業銷售產品，大家還在探索中。目前這些標簽主要用于用戶畫像，業務人員對這些數據標簽的價值也持觀望態度，不愿意主動實踐。即使是小范圍實踐，如果一旦效果出現波動，業務人員會有放大這個結果，懷疑數據的價值。

數據在金融企業的應用很曲折，數據部門同業務部門在數據應用效果和場景應用需要長時間磨合。有的保險企業數據部門即使將整理好的潛在客戶名單發給業務部門，業務部門也不相信，也不會打電話去嘗試。有的證券企業，即使外呼效果已經比原來盲呼效果好了十倍，但是沒有達到業務部門的期望(追求20%以上的轉化率)，業務部門也會以影響客戶體驗為理由，拒絕進一步的數據嘗試。銀行也遇到同樣的問題，外部行為數據標簽如何應用是一個難題，數據應用方式和數據應效果如何衡量也是一個問題。如果數據應用效果好，業績是數據部門的還是業務部門的?業務提升是產品原因還是數據原因?外呼的價值高還是短信的價值高?這些都是數據價值應用的坑，需要花時間去填上。

從經驗上來講，金融行業活躍的客戶在40%，有的企業可能更低。活躍客戶沒有明確的定義，一般以月度發生過一次交易/查詢以上的客戶定義為活躍客戶。金融企業的僵尸客戶，可以定義為是一年業務之內沒有同金融企業發生過任何交易的客戶，一般在30%左右，這里面也包含了羊毛黨客戶。另外的30%客戶可以定義為休眠/不活躍客戶，這些客戶一年之內偶而會同金融企業進行交易，包括產品購買和支付等。

金融企業具有典型的帕累托效應，就是20%甚至10%的客戶擁有80%以上的資產和交易額，這些客戶為金融企業貢獻了較大的收入和利潤。另外潛在的高價值客戶比例接近或超過已有的高價值客戶;休眠客戶中至少30%可以轉化為活躍的客戶;已有客戶中，潛在的金融需求，金融企業只能了解其中的30%。因此第一方數據的分析和應用是金融行業數據應用的首要方向。

銀行具有龐大的客戶群體，單客價值提升的空間很大，銀行無法對上百萬的群體來打電話或者發短信，去推薦信用卡或者銷售理財產品。一個原因是成本高，另外一個原因是效果差，用戶體驗不好。券商和保險也面臨同樣問題，如何精準定位客戶?如何精準分析客戶需求?如何精準營銷客戶?可以考慮第三方數據，但是最靠譜的最好用的還是第一方數據(由于有客戶聯系方式)。

我們可以分析一群客戶，例如這些客戶在2015年人均購買理財產品為50萬，但是2016年人均購買理財產品低于一萬。我們可以定義其為流失的高價值客戶，銀行可以為這些客戶定制一些理財產品，利用短信向這些客戶推薦定制的產品，利用良好的話術營銷，將會獲得較高的業務提升。券商、信用卡、保險公司都可以參考自身數據，挖掘出休眠的高價值客戶，利用短信方式進行營銷。

很多金融企業會抱怨是自己的金融產品不好，造成了客戶不愿意購買，但是數據分析顯示，中國具有專業理財知識的人群不到理財人群的10%，理財客戶中90%的人還是被動接受金融服務，理財營銷推廣還是可以帶來較大的業務提升的。特別是中國一些高價值客戶，其資產很高，但是忙于自己事業，無法顧及金融理財，因此對金融企業的營銷依賴還是很大的。

第一方數據經過數據分析之后，還可以找到很多數據應用場景，例如休眠客戶喚醒，分期客戶尋找，高凈值客戶尋找，流失客戶挽留，高頻交易客戶激活、關聯產品推薦、理財產品定位、客戶分群營銷等。一般非精準營銷的短信轉化率在千分之二左右，但是精準營銷的短信轉化率在百分之二到百分之五，有的可以達到百分之六。客戶分群的精準營銷短信，其轉化率為非精準營銷的十倍以上，成本為十分之一，營銷周期可以為縮短十倍。

針對第一方數據的精準分析和客戶分群，以及精準營銷可以帶來較大的業務提升和降低運營成本。

二相信機器學習和數學模型的力量

金融企業僅擁有自身的數據，缺少客戶在外部的行為數據。客戶在外部的行為數據，可以分為搜索數據，點擊瀏覽數據，位置數據，社交數據。其中搜索數據代表人的內心需要，我們叫做intention數據。社交數據代表人的觀點，我們叫做comments數據，點擊瀏覽數據是interest數據，代表人的喜好和興趣。位置數據比較特殊，記錄了人的線下行為軌跡，代表一個人在社會的角色，可以認為是社會角色role數據。

機器學習的魔力在于可以分析出同客戶金融需求高度相關的數據維度，通過已有的種子進行學習，利用行為數據作為輸入，從海量數據中找到同種子客戶相近的人群。其中位置數據、點擊瀏覽數據是一個重要數據維度，相似的人群具有相似的社會角色和相似的興趣愛好。向這些相似人群營銷同樣的產品，其轉化率也會很高。

Lookalike算法作為一個分類算法，可以找出與目標群體的相似度較高的對象。以目標群體為正樣本，候選對象為負樣本，訓練分類模型，然后用模型對所有候選對象進行篩選。Facebook、騰訊、阿里、TalkingData都在利用這個算法來找到潛在客戶。這個潛在客戶可以是潛在高價值客戶，也可以是某個理財產品的潛在購買客戶。TalkingData的lookalike算法可以在10億設備中，從百萬維度，尋找潛在目標客戶，其計算時間在10秒左右。

一般的短信營銷的客戶響應率低于千分之一到千分之三，TalkingData在一些金融客戶實施的案例中，利用數學模型和機器學習之后，其短信的營銷響應率最低是1%，最高是10%。平均在2%到6%之間。特別是加入了客戶移動互聯網行為數據之后，其提升效果更加明顯，比原有模型效果提升了十倍還多。這里的營銷響應率是指，客戶打開短信鏈接購買產品的比率。我們曾經在一個金融客戶案例中，利用機器學習和數學模型，僅僅通過短信營銷，20天內在App上銷售出20億理財產品，短信的響應率最高達到了10%，人均購買理財產品20萬，最高單人購買額度超過了100萬，產品沒有任何變化，還是銀行的正常銷售的理財產品。從這個案例可以看出，金融客戶理財需求沒有被充分挖掘。

數學模型例如TDA拓撲分析，在風控方面也有較好的作用，TalkingData利用TDA拓撲分析，建立了一個客戶違約模型，僅僅利用3千個種子，輔助十次隨機森林樹折疊(RF)，獲得了82%違約客戶準確識別率。另外一個金融客戶的案例，TalkingData利用LR在預測高價值客戶時，達到了90%的準確率。客戶正在利用這個模型結果進行精準營銷，效果非常明顯。

數學模型揭示了海量數據背后相似人群的特征，同時為金融企業的精準營銷打開了一扇大門。僅僅依靠數據標簽和用戶畫像無法直接幫助金融企業識別出客戶的需求，無法幫助金融實現業務的提升和產品銷售的提升。

外部的數據標簽僅僅是客戶金融需求的一個維度，如果外部上網行為標簽不包括時間維度(數據新鮮感和趨勢)，其在金融企業內部應用價值不高。例如我們拿到一個用戶點擊汽車網頁的標簽，知道其點擊了汽車商品，但是不知道其發生的頻率和趨勢，以及發生點擊的開始時間。無法判斷這個用戶是汽車愛好者，還是偶而點了這個網頁，還是近期有購買汽車的需求。同樣道理購房、旅游、留學、消費分期等需求也無法簡單地從客戶瀏覽標簽上發現。外部的上網行為標簽，同客戶的金融產品需求還有一段距離要走，缺少最后一公里的打通。

這個時候，對用戶歷史上網行為數據的趨勢和頻率分析就起作用了。例如如果客戶在過去很長一段時間，沒有瀏覽過汽車網站，但是突然在近期(一周之內)高頻瀏覽汽車網站，并且持續時間和頻次較高，依靠這些信息，可以更加準確地預測出客戶未來對車貸的需求。同樣道理，購房需求、出國需求、旅游需求、消費金融需求都可以從客戶瀏覽/點擊各類App的起使時間、頻率、趨勢來推測和判斷。

我們從多個客戶案例中發現，金融企業內部的數據價值巨大，經過一定分析之后，可以幫助企業提升產品銷售和業務。如果金融行業內部交易和資產數據結合外部行為數據，特別是移動互聯網行為和位置數據，利用數學模型/機器學習將會更大程度上幫助金融企業找到相似人群，銷售出更多的金融產品，提升營銷效果，獲得業務提升。

行為數據和數學模型正在成為數據價值應用的兩大法寶。