銀行用戶畫像解決方案
銀行用戶畫像的背景和目的
隨著年輕一代逐漸成為消費主體人群，銀行的主要用戶已經變成了人數龐大的80後、90後，他們的金融消費習慣也正在改變，他們不願意到銀行網點辦理業務，不喜歡被動接受銀行推薦的產品和服務。年輕人將主要的時間都消費在移動互聯網，消費在智能手機上，銀行越來越難面對面接觸到年輕人，無法像過去一樣，從對話中了解年輕人的想法，了解年輕人金融產品的需求。
銀行面對的用戶群體基數很大，有的用戶高風險偏好高，希望高風險高收益；有的用戶風險偏好低，希望穩健收益；有的用戶金融理財意識低，只需服務較好即可；有的用戶完全沒有主意，你說是啥就是啥；有的用戶注重體驗，有的用戶注重實惠，有的用戶注重品牌，有的用戶注重風險等等。不同年齡，不同收入，不同職業，不同資產的用戶對金融產品的需求都不盡相同。銀行需要為不同的用戶定製產品，滿足不同用戶的需要。市場上很少有一種產品和一種銀行服務可以滿足所有用戶的需求。
所以銀行需要細分用戶，為目標用戶開發設計產品。銀行需要藉助於用戶畫像，來了解用戶，找到目標用戶，觸達用戶。
銀行用戶畫像建設步驟
依據銀行的業務需求及數據狀況，銀行用戶畫像建設工作大致劃分為以下步驟：
1、制定用戶標籤體系：根據業務需求制定用戶標籤體系框架，逐步豐富標籤內容。初期可採用「框架完整、場景突出」的方法。
2、整合可用數據資源：整合內源數據及外源數據至大數據平台，作為用戶畫像的基礎數據源，並涵蓋賬戶數據、交易數據、行為數據、風險數據、社交數據等類型。
3、模型挖掘用戶標籤：基於模型演算法、結合業務人員經驗進行數據建模，挖掘用戶標籤。依照屬性、特徵、偏好等用戶標籤架構，將用戶信息進行標籤化處理，建立銀行統一的用戶標籤庫。
4、用戶標籤實際應用：基於標籤庫形成特定業務場景的用戶畫像，尋找目標客戶、落實潛在需求，並開發畫像應用。
5、用戶標籤評估優化：建立用戶標籤的評估機制，持續優化用戶標籤體系。
在建設用戶畫像的過程中，需要重點解決幾個關鍵性技術難題：
用戶畫像系統總體架構
銀行用戶畫像總體架構，可設計為以下六層：
1&2. 數據源和數據處理：將各種內源和外源數據採集、整合併清洗到大數據平台，並確保用戶全渠道ID識別。
3. 模型演算法：數據挖掘、機器學習、自然語言處理、內容解析、知識圖譜等演算法，是形成銀行統一用戶標籤庫的技術基礎。
4. 標籤庫：核心是屬性、特徵、偏好等用戶標籤體系，並分為事實標籤、模型標籤和預測標籤。用戶標籤體系配置管理能力，對用戶標籤進行創建、編輯、發布、下線等操作。
5. 畫像應用：基於用戶標籤體系的用戶畫像基礎應用，包括用戶全景視圖、潛在用戶視圖、用戶關係圖譜等模塊。
6. 業務場景：應用用戶畫像的業務場景，包括用戶微觀細分、個性化差別定價、個性化精準推薦、實時銷售及預測、全渠道運營、實時風控等用戶畫像業務場景。
用戶標籤庫建設維護
用戶標籤庫建設，總體可規劃為三個階段。
第一階段，構建完善靜態用戶標籤體系，支持常規性營銷和服務活動，達到以下目標：
1、基於現有成熟數據，建立完善的靜態標籤體系；
2、梳理既有知識標籤，形成積累知識標籤的機制。
第二階段，建立客戶知識標籤，滿足深入洞察用戶的需求，支持用戶深度運營，達到以下目標：
1、積累用戶偏好與特徵標籤，如產品偏好、渠道偏好、內容偏好、互聯網行為特徵、金融特徵等；
2、積累用戶社會屬性及關係屬性標籤，如社交網路屬性、家庭社會關係屬性等。
第三階段，構建動態標籤體系，建設完善的用戶標籤庫應用系統，支撐個性化推送、名單提取等功能，達到以下目標：
1、完善用戶標籤收集、生成及處理機制；
2、建立用戶標籤口徑管理、標籤搜索等功能；
3、豐富用戶知識標籤，完善「3+N」標籤模型；
4、打通與完善與其他系統的標籤傳遞介面。
用戶畫像系統部署
在系統的實際部署中，用戶畫像將根據建設需要分階段、按層次部署。
總體上，用戶畫像分為數據與應用兩大部分。銀行可將用戶畫像基礎數據部署在大數據平台，將用戶標籤庫部署在數據集市。
畫像應用可部署為集中式的用戶畫像系統，模型演算法可集成在該系統中；用戶畫像業務場景由場景對應的應用系統實現，但用戶微觀細分等基礎業務場景可由用戶畫像系統提供支撐。
TAG:氫金融 |