金融行业大数据用户画像实践.pdfVIP

金融行业大数据用户画像实践 80 90 概述：金融消费者逐渐年轻化， 、 后成为客户主力，所有 金融行业面对的最大挑战是消费者的消费行为和消费需求的转 变，金融企业迫切需要为产品寻找目标客户和为客户定制产品。 一、用户画像背后的原因 1、金融消费行为的改变，企业无法接触到客户 80后、90后总计共有3. 亿人口，并日益成为金融企业主要的消费者。年 轻人将主要的时间都消费在移动互联网 ，消费在智能手机上。移动APP也成 为所有金融企业的客户入口、服务入口、消费入口、数据入口。 金融企业越来越难面对面接触到年轻人，了解年轻人金融产品的需求。 2、消费者需求出现分化，需要寻找目标客户 客户群体正在出现分化，市场上很少有一种产品和一种金融服务可以满足所 有用户的需求。金融产品也需要进行细化，为不同客户提供不同产品。 金融企业需要借助于户画像，来了解客户，找到目标客户，触达客户。 二、用户画像的目的 用户画像是在了解客户需求和消费能力，以及客户信用额度的基础上，寻找 潜在产品的目标客户，并利用画像信息为客户开发产品。 三、用户画像工作坚持的原则 用户画像涉及数据的纬度需要业务场景结合，既要简单干练又要和业务强相 关，既要筛选便捷又要方便进一步操作。用户画像需要坚持三个原则。 1、信用信息和人口属性为主 信用信息是描述一个人在社会中的消费能力信息。信用信息可以直接证明客 户的消费能力 ，是用户画像中最重要和基础的信息。包含消费者工作、收入、 学历、财产等信息。 定位完目标客户之后，金融企业需要触达客户，人口属性信息就是起到触达 客户的作用，人口属性信息包含姓名、性别，电话号码，邮件地址，家庭住 址等信息。这些信息可以帮助金融企业联系客户 ，将产品和服务推销给客户。 2、采用强相关信息，忽略弱相关信息 强相关信息就是同场景需求直接相关的信息，其可以是因果信息，也可以是 相关程度很高的信息。 例如在其他条件相同的前提下，35岁左右人的平均工资高于平均年龄为30 岁的人，计算机专业毕业的学生平均工资高于哲学专业学生，从事金融行业 工作的平均工资高于从事纺织行业的平均工资。从这些信息可以看出来人的 年龄、学历、职业对收入的影响较大 ，同收入高低是强相关关系。简单的讲 ， 对信用信息影响较大的信息就是强相关信息，反之则是弱相关信息。 用户其他的信息，例如用户的身高、体重、姓名、星座等信息，很难从概率 上分析出其对消费能力的影响，这些弱相关信息，这些信息就不应该放到用 户画像中进行分析，对用户的信用消费能力影响很小。 3、将定量的信息归类为定性的信息 画像的目的是为产品筛选出目标客户，定量的信息不利于对客户进行筛选， 需要将定量信息转化为定性信息，通过信息类别来筛选人群。 例如可以将年龄段对客户进行划分 ，18岁-25岁定义为年轻人 ，25岁-35岁 定义为中青年，36-45定义为中年人等。可以参考个人收入信息，将人群定 义为高收入人群，中等收入人群，低收入人群。参考资产信息也可以将客户 定义为高、中、低级别。定性信息的类别和方式方法，金融可以从自身业务 出发，没有固定的模式。 将金融企业各类定量信息，集中在一起，对定性信息进行分类，并进行定性 化，有利与对用户进行筛选，快速定位目标客户。 四、用户画像的方法介绍 金融企业需要结合业务需求进行用户画像，从实用角度出发，我们可以将用 户画像信息分成五类信息。分别是人口属性，信用属性，消费特征，兴趣爱 好，社交属性。它们基本覆盖了业务需求所需要的强相关信息，结合外部场 景数据将会产生巨大的商业价值。 1、人口属性： 用于描述一个人基本特征的信息，主要作用是帮助金融企业知道客户是谁， 如何触达用户。姓名，性别，年龄，电话号码，邮箱，家庭住址都属于人口 属性信息。 2、信用属性： 用于描述用户收入潜力和收入情况，支付能力。帮助企业了解客户资产情况 和信用情况，有利于定位目标客户。客户职业、收入、资产、负债、学历、 信用评分等都属于信用信息。 3、消费特征： 用于描述客户主要消费习惯和消费偏好，用于寻找高频和高价值客户。帮助 企业依据客户消费特点推荐相关金融产品和服务，转化率将非常高。为了便 于筛选客户 ，可以参考客户的消费记录将客户直接定性为某些消费特征人群 ， 例如差旅人群，境外游人群，旅游人群，餐饮用户，汽车用户，母婴用户， 理财人群等。 、兴趣爱好： 帮助企业了解客户兴趣和消费倾向，定向进行活动营销。兴趣爱