致力于提升研发企业的持续创新能力

银行信息部门面临的挑战：

互联网金融的快速发展对银行业形成了相当大的冲击，近期国家已经公布了将支持互联网金融的发展，银行业将何去何从？面对这样的挑战，国外的大型银行已经把数字化营销、精准营销这种大数据手段应用到日常的工作中，精准选择客户，精细化推送信息，为每一个营销动作提供最佳的运作模型。为此，花旗银行一年要做2万多个大数据项目。

想象一下：如此多的项目，数据来源从何而来？数据的分析需要基于什么样的基础设施？需要部署什么样的软件？这些都需要信息部门的支持才有可能实现。今天的信息部门面临各种挑战：

1.  精准营销的需求，客户经理需要调取某个客户的各种关联信息，以做出综合判断。理财经理需要客户细分以制定营销策略。信贷经理需要风险的辅助判断以降低项目风险。这些需要更有力的数据仓库支撑。

2.  以往100万以上的大客户才有理财经理负责，100万以下的客户只是简单群发了事。国外的大型银行的营销经验表明，群发式的营销手段容易引起客户的反感，甚至导致企业的客服号码被列入黑名单。不恰当的信息推送，在客户看来，毫无价值，反而成为和其他银行或者金融机构相比较的反例。那么银行如何实现精准的产品推送?这需要强有力的分析功能才能实现。

3.  网上银行和手机银行的发展使得营业厅的顾客慢慢减少，营业厅顾客呈现老龄化趋势，前台经理诱骗老年人购买保险之类的负面信息在屡见报端，一切表明单纯从营业厅挖潜已经开始力不从心。后台的分析越来越重要，系统化的提升后台的能力，整合营业厅、手机APP、网上银行，第三方反馈信息，并将信息转化为营销重要的驱动力是未来的方向。

4.  许多企业的BI系统最后沦为报表系统，业务部门还经常抱怨找不到自己想要的报表。如何突破这样的困境，避免沦为制表员？需求的变化总是要改变库表结构，变更以后的各种修改让我们疲于奔命，如何避免类似情况的发生？

本课程通过大数据分析的案例分享，探讨数字化营销、精准营销、企业内部管理的所需要的数据分析技能和方法论，以及对数据仓库建设所提出的要求：

1. 数据分析的各种需求，如何提高分析的效率

2. 大数据如何跟银行的业务实际相结合，如何做到精准营销

3. 如何更好的分析大客户行为，建立客户维系的策略

4. 如何给数量庞大的100万以下有价值的客户更好的服务体验

5. 探讨新型的后台和前台协作模式，使后台的分析能在前台落地

6. 数据仓库如何配合大数据的实际需要 

说明

         本课程的目标群体是分行各部门做数据仓库和数据分析的相关岗位，课程以业务案例的方式来介绍枯燥的统计学理论，学员可以通过演练的方式体会数据挖掘的过程，请携带笔记本电脑参加。耗时不长，但是会使大家印象深刻。

课程大纲

一、大数据概述

通过本节了解数据分析技术的概况和最新发展。

1.  一个案例展示大数据分析方法和传统分析方法的区别

a) 30秒完成分析

b) 30秒描绘出客户特征

2. 从算法到BI到商业信息挖掘，数据分析和挖掘技术的演进和分支

3. 大数据产品和厂商一箩筐，没有最贵只有更贵，如何取舍？

4. 别人家的大数据：花旗银行、台新银行的大数据实践

5. 银行企业应该具备什么样的大数据的技能？

6. 什么是CRISP方法论：业务规划案例

二、构建企业数据化营销和管理的能力

大数据的实施很复杂？难以落地？本节介绍大数据能力的构建。

1.大数据如何与企业的营销和管理结合

a) 什么是CRISP方法论：业务规划案例

b)营销活动的微项目化

c) 思考：企业的各部门需要什么样的信息支撑？

2. 大企业常用的分析工具有哪些

3. 建模、实施与展示，事实上可能会用到不同的工具

4. 数据的收集和准备，也许这才是最难的地方

三、传统的多维分析方法

多维度分析是数据仓库或者BI的主要分析方法，使用者可以多维度的统计和呈现数据，以试图得到结论。本质上多数多维分析的结果是【汇总数据】，使用者可以在短时间内实现对业务的宏观了解。但是为什么很多人使用了BI以后总觉得就是一个报表系统，不能看出太多东西？。原因就是使用者不懂分析方法，而汇总数据本身又缺乏细节。

1. 案例思考：从一张报表说起

2. 传统分析方法的缺陷

3.把KPI指标和管理理念相结合，搭建分析模型分析营销状况

4.对于多维分析建模的建议

a)明确分析目标并建立相关业务模型

b)使用分类方法简化业务逻辑，提升使用者体验

c)培训使用者，帮助他们自己建立业务模型

5. 附加资料：专业可视化软件带来的启发

四、精准营销基础

无差别的大众媒体营销已经无法满足零和的市场环境下的竞争要求。精确营销是现在及未来的发展方向，精确营销的基础是精确的客户定位，本节通过案例演示来说明数据分析最重要的几个算法的概念，以及它们是如何帮助企业实现精准营销。

1. 精准营销概念

a) 关于我行精准营销的体会

b)探讨后台分析与营业厅前台的服务结合

2. 数据分析的相关方法论：客户细分与分类算法

a)聚类分析：K-Means已经老去，两步聚类更适合实战？

b)决策树：CHAID、C5.0、C&RT，哪个才是最佳选择？

c)类神经网络：相信它是不是神经？

d)随机森林和boosting：IT’er齐说，放过我们吧，这什么玩意！

3. 案例解析

a)使用决策树定位目标客户：互联网时代是否要更关注关联关系，而不是因果关系？

b)对客户的营销成功率进行打分：营销的成功率的60%？数字怎么出来的？如果是正确的，要不要营销她？

五、大客户维系

1.客户现有价值与潜在价值分析

a)对8/2模型的颠覆：我们的小客户，可能是其他银行的大客户！

b) 价值是相对概念，和各部门考核指标当然关系很大。

2.基于RFM模型的客户维系策略

3. 客户细分与客户结构分析

a) 维系策略决定了细分方式以及客户分类

b) 客户细分的结果决定了客户维系策略

c) 到底a和b谁是正确？

d) 客户结构的图形化

4.细分客户群体的个性化营销

a) 个性化营销需要什么样的数据支撑？

b) 大智慧市值暴增3倍，小公司是怎么火中取粟，和大银行竞争？

5. 客户流失倾向分析与客户挽留

a)流失分析演练：上课到这里你们应该可以自己分析了

b)他老是留在我行，但是一有钱就转出！这是不是流失客户？

六、营销活动分析

1.群发的便利性与负面影响：你可以群发但是我有黑名单

2. A/B测试与对比分析

3.客户响应模型

a)客户的理财产品选择分析

b)目标客户群体分析

c)重复购买分析

4.产品的连带影响分析

a)关联分析：啤酒和尿布是老生常谈，但是背后有故事

b)连带分析模型：促销效果评估的关键

c)Apriori和sequence

d)Support、Confidence和lift

七、商业预测技术

预测是企业重要的决策依据，本节演示如何结合统计学算法构造一个成熟的预测模型。

1. 预测的S&OP

2. 季节和非季节模型

a) 什么时候用什么模型？

b)让不懂统计学的人学会用ARIMA

3. 不同的预测模型各自的优缺点

4.如何看待预测的偏差：偏差是必然的，关键是如何看待它