5种大数据分析方法帮助银行重拾客户信心

我们正处在经济下滑的环境中,这是显而易见的。

银行的问题总是循环往复地出现。打开任何一家新闻网站或者报纸,我们都能看到一篇又一篇关于银行问题的报道。欺诈、英国退欧引发的不良影响、各式各样的金融危机和违规行为、事实描写中掺杂着谣言与暗讽……好像银行总是在向公众粉饰自己真正在做的事情。

这也就不难解释虽然这个行业的发展十分强劲迅猛,也是过去几百年间社会不可或缺的一部分,但人民群众却依然对银行业界充满了怀疑。银行的客户们更在意的是安全性违规、服务范围没有增加还有他们糟糕的服务质量;但有些银行人士却仰头看天,对这种担忧表示了蔑视。

赢回顾客的心

为了赢回客户的信心,在数字化变革中维持自己的地位,各个银行(以及整个银行业)都必须认真考虑自己传统的业务模式和运营方法。一些银行已经开启了自己的数字化转型旅程,采用了新兴技术并利用现有的数据源来开发出更好的产品和服务。大数据和分析技术是其中的关键,但这两者的潜力都没有被发挥到极致。银行必须采取一些切实手段,改变客户认知的障碍,获取数据驱动的业务机会。

支付数据

首先从最被低估的一种数据集说起。支付数据能够反映出每个客户的大量信息,例如他们付了多少钱、购买了什么、收款方是谁、参与业务的银行是哪家、交易的时间、地点等等信息。事实上,一个人的购买交易记录比他/她在社交媒体上的表现更能说明这个人是谁。交易数据的获取方式非常简单,但却可以精确描绘出一个人的生活方式、发现哪些公司参与到了商品的供应链中、并绘制出根据时间和地点而变化的消费曲线。与此同时,虽然客户本身的数据并不像交易数据一样多变,但在银行系统中却可以将客户数据和其他资料进行结合,例如交易数据、信用卡历史数据等,以此加强分析、推出成功的“次优选择”。

了解金融技术

银行只需要采取一些金融技术的思维,尝试这些简单而实用的技巧,在短期内就会获得重大的改变。

利用推荐引擎相关的数据 – 可以采取针对少部分人进行试验的方法进行。根据喜好对消费者进行分组、根据消费者对产品进行分组、再根据模式的相似程度对交易数据进行分组。每个人都想着要建立起独一无二的“单一客户视图”,但你知道吗,一个连接起2-3个产品组合的“局部客户视图”对于刚开始起步的企业开始就已经足够用了。

更关注交易及行为数据 – 交易数据更能帮助银行了解客户流失前发生过哪些事情,它能揭示出银行产品组合间相互的网络关系,客户对客户、客户对商户、公司对公司、产品对产品……了解这些以后银行下一步能做什么呢?

欺诈与合规 – 就像之前我提到的,银行异常熟练于管理合规和避免欺诈,但这整个行业都需要开展更好的文本分析工作,利用网络行为发现高风险的行为模式。例如“谁点击了哪些网站后就出现了欺诈行为”等洞察有时非常具有启发意义。现在,一些公司已经可以将网志数据和支行数据进行匹配,发现客户在网上和实体银行内的行为差异。

服务体验 – 在实体经营的年代里最重要的是“位置、位置和位置”;而在现在这个数据化年代里最重要的却变成了“客户、客户和客户”。利用事件数据发现造成问题的流程,再为客户们解决这些问题流程。呼叫中心记录也是一个隐藏的数据洞察来源。要分析这些呼叫记录的语义、发现重复出现的问题并不复杂,银行可以从这些投诉记录中获取新产品开发的灵感,只要他们想这么做的话。

改善移动端体验 – 很多银行都有自己的移动端APP但这些应用的功能通常都集中局限于辅助交易、转账和账户管理上面。但如果可以把银行的APP像Mint等其他APP那样,为客户提供更酷的预算管理、清晰地展现财务状况甚至是提供更有帮助的建议呢?银行可以针对移动运营商进行分析,发现数据中隐藏的模式(例如地点、客户属性、IP地址、移动上网等数据),了解带来客户满意的“指迹”。

单纯凭借以上五条建议其实并不能扭转银行与客户之间充满问题的关系,但它们却可以成为银行与客户间关系缓和的第一步、也是试验性的一步。

在“关系”和“信心”的围墙被修复以后,加上银行的企业级数字化转型策略,他们就可以重新回到建立长期的且有意义的数据驱动的客户关系中,而不是将就着建立不断减弱的、只有在特定情况下才会发生的、一次性交互关系。

本文作者:佚名

来源:51CTO

时间: 2024-10-22 11:31:24

5种大数据分析方法帮助银行重拾客户信心的相关文章

最常用的四种大数据分析方法

本文主要讲述数据挖掘分析领域中,最常用的四种数据分析方法:描述型分析.诊断型分析.预测型分析和指令型分析. 当刚涉足数据挖掘分析领域的分析师被问及,数据挖掘分析人员最重要的能力是什么时,他们给出了五花八门的答案. 其实我想告诉他们的是,数据挖掘分析领域最重要的能力是:能够将数据转化为非专业人士也能够清楚理解的有意义的见解. 使用一些工具来帮助大家更好的理解数据分析在挖掘数据价值方面的重要性,是十分有必要的.其中的一个工具,叫做四维分析法. 简单地来说,分析可被划分为4种关键方法. 下面会详细介绍

微软欲借Windows 8重拾开发者信心

老牌IT厂商微软虽然还拥有可观的现金流和巨额的资产,但是微软的老对手――苹果已经依靠其在移动互联领域的全新商业模式完全超过了微软,并且在快速扩大双方之间的差距.作为传统的IT厂商,如何在云时代和移动互联时代实现突围,并重塑当年的辉煌?微软似乎正在以实际行动给出答案. 2012年7月10日,微软首席执行官史蒂夫·鲍尔默在加拿大举办的微软公司年度全球合作伙伴会议上宣布Windows 8将于今年8月的第一周正式发布,并于10月份进入零售店.这是微软继上个月在美国硅谷发布Sur-face平板后,再一次当

大数据如何帮助银行赢回客户

根据国际数据公司IDC的调查,大数据--收集与分析海量数据的技术,到2018年将有约420亿美元的市场.银行有着非常丰富的客户数据,他们已看到利用大数据可以改善与客户关系的机会. 420亿美元!国际数据公司IDC的在9月15日发表的一项调研显示,到2018年,与"大数据"相关的技术与服务产业在全球大约有420亿美元的市场,年均增长率为26.4%."大数据"(Big Data)这个术语,因让人联想到乔治·奥威尔的小说<1984>中提到的"老大哥&

三种大数据方法 超级计算改变天气预报

你不能控制天气,但科学家和科技工作者正在努力提高天气预报的能力和水平.有数据显示,天气对全球GDP的影响超过33%. 提高天气预报能力对于科学和计算都充满了挑战.自1950年以来,超级计算在天气预报模型方面扮演着重要的角色,仍然被如今的天气预报所沿用.不断提升的计算能力,让科学家和预报人员能够以较之以往更快的速度取得结果,并对日益复杂气象和特殊预报需求给予响应. 大数据天气预报 超级计算机.大数据应用将能够满足未来气象预报在三个关键领域的需求: 管理和利用庞大数据集 环境数据的数据量和多样性将以

剖析大数据分析方法论的几种理论模型

做大数据分析的三大作用,主要是:现状分析.原因分析和预测分析.什么时候开展什么样的数据分析,需要根据我们的需求和目的来确定. 利用大数据分析的应用案例更加细化的说明做大数据分析方法中经常用到的几种理论模型. 以营销.管理等理论为指导,结合实际业务情况,搭建分析框架,这是进行大数据分析的首要因素.大数据分析方法论中经常用到的理论模型分为营销方面的理论模型和管理方面的理论模型. 管理方面的理论模型: PEST.5W2H.时间管理.生命周期.逻辑树.金字塔.SMART原则等 PEST:主要用于行业分析

《大数据分析原理与实践》一一2.1 大数据分析模型建立方法

2.1 大数据分析模型建立方法 大数据分析模型可以基于传统数据分析方法中的建模方法建立,也可以采取面向大数据的独特方法来建立.为了区分这两种模型建立方法,我们分别简称其为传统建模方法和大数据建模方法.由于这两种模型建立方法存在一些交集(如业务调研.结果校验等),我们采取统一框架来进行介绍,在介绍时区分两种建模方法的不同之处.传统数据分析建模方法与大数据分析建模方法从大数据这个概念提出开始,就有"大数据分析方法与传统数据分析方法同与异"之辩.有的观点认为,传统分析是"因果分析&

《社交媒体大数据分析——理解并影响消费者行为》一第1章 市场营销

第1章 市场营销 社交媒体大数据分析--理解并影响消费者行为 维基百科,其本身就是一种以众包形式存在的产品.它对市场营销的定义为:"以销售产品或服务为目的而向(潜在)客户宣传产品或者服务价值的过程."就像超级跑车在普通汽车中鹤立鸡群一样,市场营销一直以来都是大数据和社交媒体分析最美妙,也是最显而易见的应用领域,同时也是他们大肆宣传的最好样板:点击一下Twitterverse,或者发布一个不胫而走的视频,接着你的产品或者服务就变成了摇钱树. 市场营销并不是第一个使用数据分析学的领域.第一

《大数据分析原理与实践》——1.4 大数据分析的过程、技术与难点

1.4 大数据分析的过程.技术与难点 1.大数据分析的过程 大数据分析的过程大致分为下面6个步骤: (1)业务理解 最初的阶段集中在理解项目目标和从业务的角度理解需求,同时将业务知识转化为数据分析问题的定义和实现目标的初步计划上. (2)数据理解 数据理解阶段从初始的数据收集开始,通过一些活动的处理,目的是熟悉数据,识别数据的质量问题,首次发现数据的内部属性,或是探测引起兴趣的子集去形成隐含信息的假设. (3)数据准备 数据准备阶段包括从未处理数据中构造最终数据集的所有活动.这些数据将是模型工具

《大数据分析原理与实践》一一1.4 大数据分析的过程、技术与难点

1.4 大数据分析的过程.技术与难点 1.大数据分析的过程 大数据分析的过程大致分为下面6个步骤: (1)业务理解 最初的阶段集中在理解项目目标和从业务的角度理解需求,同时将业务知识转化为数据分析问题的定义和实现目标的初步计划上. (2)数据理解 数据理解阶段从初始的数据收集开始,通过一些活动的处理,目的是熟悉数据,识别数据的质量问题,首次发现数据的内部属性,或是探测引起兴趣的子集去形成隐含信息的假设. (3)数据准备 数据准备阶段包括从未处理数据中构造最终数据集的所有活动.这些数据将是模型工具