长按识别二维码关注
网站首页 >> 技术资料 >> 自媒体平台 >> 大数据营销案例（数字化营销案例）
大家好，关于大数据营销案例很多朋友都还不太明白，不过没关系，因为今天小编就来为大家分享关于数字化营销案例的知识点，相信应该可以解决大家的一些困惑和问题，如果碰巧可以解决您的问题，还望关注下本站哦，希望对各位有所帮助！
搜一搜
如何利用大数据做到对客户的精准营销
查看全部1个回答
大数据营销等同于精准营销，或是精准营销是大数据营销的一个核心方向和价值体现。然而，数据本身不会产生价值。为此，我们要把数据组织成数据资源体系，再对数据进行层次、类别等方面的划分。在此基础上，通过分析数据资源和相关部门的业务对接程度，以此发挥数据资源体系在管理、决策、监测及评价等方面的作用，从而产生大数据的大价值，真正实现了从数据到知识的转变，为领导决策提供服务依据本例根据工作实践。
本例以三个工作实例，展示如何通过对数据分析进行对客户的精准营销。
工具/原料
大数据营销
大数据营销三个案例分析
案例一：笔者在银行工作，通过对储户身份证信息进行海量剖析，发现一个有趣的现象，即购买理财产品的客户以40-50岁的女性居多。
根据这一信息，有经验的理财经理通过身份证信息即能准确的分析出支行有哪些符合条件的客户，迅速的对新推出的理财产品进行电话营销，做到不出门即可实现销售，较快的完成了销售任务。
而另一些更具创新性的理财经理，通过身份证信息，在情人节期间组织了网点沙龙客户邀约活动，对符合18-30岁、30-45岁这两个年龄段的男性客户进行了电话营销，通过赠送爱人鲜花、化妆品以及高价值的礼品进行金融产品营销，较好的引起男性客户的兴趣，有力的拉升了业绩增长。
这些数据分析手段就能够做到个性化营销和定位，加强对客户的认知，为客户找到价值，从而带动销量。
案例二：在与供电部门合作期间，供电部门提供了一条信息，市里每一天上网高峰期主要集中在中午12点之后和晚上的12点之前。供电部门认为，出现这种“怪现象”的原因是因为现在的人们普遍睡觉前都会有上网的习惯。
这条信息当时很多人没有注意，似乎与银行搭不上关系，但我们市场经营部门的一个年轻的大学生针对人们这种“强迫症”，通过手机银行与商家合作，在晚上12点进行促销秒杀活动，即推动了手机银行业务量的提升，同时也带动商家销量的倍增，实现了双赢。
案例三：在为企业代发工资数据中，我们曾发现一个现象，即一般企业员工代发帐户每月都会沉淀一定的余额，金额不大，1000元也有，几千的也有，长期不动的也有，活期利率很低，但是这些客户的帐户金额又达不到理财产品的起售金额，这些客户工资用了也就用了，成了“月光族”，没有理财理念。
如何通过分析这些数据信息直接进行客源组织，为这些具有相同需求的人群量身定做金融服务，并享受”一客（群）一策“的定制服务，我们进行专题研究。
最终，我们在零存整取、基金定投和适时到帐理财产品上进行了产品打包宣传，同步利用信用卡宣传，几场现场专题沙龙下来，引起了不少企业员工的注意和兴趣，着实为这些收入不高的人群提供了一条实实在在的理财渠道。
这三个小故事就是对历史数据进行挖掘的结果，反映的是数据层面的规律，它通过对大量的数据系统中提取、整合有价值的数据，从而实现从数据到知识、从信息到知识、从知识到利润的转化。
简单来说就是：5个合适，在合适的时间、合适的地点、将合适的产品以合适的方式提供给合适的人。
5
具体来讲，当我们通过对完成数据分析之后，找出相同的规律，当然还有一些个性化数据体现，为此具体的应用场景需要根据企业、业务的具体情况进行精准营销策划、设计。
概括来讲，我们需要以下三个步骤：
第一步：数据采集，了解用户，通过收集用户所有的数据，主要包括静态信息数据、动态信息数据两大类，静态数据就是用户相对稳定的信息，如性别、地域、职业、消费等级等，动态数据就是用户不停变化的行为信息，如消费习惯、购买行为等;
第二步：分析这些数据，给客户画像，画像代表客户对营销内容有兴趣、偏好、需求等，分析推算客户的兴趣程度、需求程度、购买概率等;
第三步，也就是最后一步，将这些画面综合起来，拼成一张较为完整的图，这样我们对客户就有了一个大概的了解
大数据应用于各个行业，包括金融、汽车、餐饮、电信、能源、娱乐等在内的社会各行各业都已经融入了大数据的痕迹。
1、制造业：利用工业大数据提升制造业水平，包括产品故障诊断与预测、分析工艺流程、改进生产工艺，优化生产过程能耗、工业供应链分析与优化、生产计划与排程。
2、金融业：大数据在高频交易、社交情绪分析和信贷风险分析三大金融创新领域发挥重大作用。
3、汽车行业：利用大数据和物联网技术的无人驾驶汽车，在不远的未来将走入我们的日常生活。
4、互联网行业：借助于大数据技术分析用户行为，进行商品推荐和针对性广告投放。
5、餐饮行业：利用大数据实现餐饮O2O模式，彻底改变传统餐饮经营方式。
6、电信行业：利用大数据技术实现客户离网分析，及时掌握客户离网倾向，出台客户挽留措施。
7、能源行业：随着智能电网的发展，电力公司可以掌握海量的用户用电信息，利用大数据技术分析用户用电模式，可以改进电网运行，合理设计电力需求响应系统，确保电网运行安全。
8、物流行业：利用大数据优化物流网络，提高物流效率，降低物流成本。
9、城市管理：利用大数据实现智能交通、环保监测、城市规划和智能安防。
10、生物医学：大数据可以帮助我们实现流行病预测、智慧医疗、健康管理，同时还可以帮助我们解读DNA,了解更多的生命奥秘。
11、公共安全领域：政府利用大数据技术构建强大的国家安全保障体系，公共安全领域的大数据分析应用，反恐维稳与各类案件分析的信息化手段，借助大数据预防犯罪。
12、个人生活：大数据还可以应用于个人生活，利用与每个人相关联的“个人大数据”，分析个人生活行为轨迹，为其提供更加周到的个性化服务。
大数据的价值远不止于此，大数据对各行各业的渗透，是推动社会生产和生活的核心要素。
扩展资料
七个典型的大数据应用案例
1、梅西百货的实时定价机制。根据需求和库存的情况，该公司基于SAS的系统对多达7300万种货品进行实时调价。
2、Tipp24AG针对欧洲博彩业构建的下注和预测平台。该公司用KXEN软件来分析数十亿计的交易以及客户的特性，然后通过预测模型对特定用户进行动态的营销活动。这项举措减少了90%的预测模型构建时间。SAP公司正在试图收购KXEN。
3、沃尔玛的搜索。这家零售业寡头为其网站Walmart.com自行设计了最新的搜索引擎Polaris，利用语义数据进行文本分析、机器学习和同义词挖掘等。根据沃尔玛的说法，语义搜索技术的运用使得在线购物的完成率提升了10%到15%。“对沃尔玛来说，这就意味着数十亿美元的金额。”Laney说。
4、快餐业的视频分析。该公司通过视频分析等候队列的长度，然后自动变化电子菜单显示的内容。如果队列较长，则显示可以快速供给的食物;如果队列较短，则显示那些利润较高但准备时间相对长的食品。
5、Morton牛排店的品牌认知。当一位顾客开玩笑地通过推特向这家位于芝加哥的牛排连锁店订餐送到纽约Newark机场（他将在一天工作之后抵达该处）时，Morton就开始了自己的社交秀。首先，分析推特数据，发现该顾客是本店的常客，也是推特的常用者。根据客户以往的订单，推测出其所乘的航班，然后派出一位身着燕尾服的侍者为客户提供晚餐。
6、PredPolInc.。PredPol公司通过与洛杉矶和圣克鲁斯的警方以及一群研究人员合作，基于地震预测算法的变体和犯罪数据来预测犯罪发生的几率，可以精确到500平方英尺的范围内。在洛杉矶运用该算法的地区，盗窃罪和暴力犯罪分布下降了33%和21%。
7、TescoPLC（特易购）和运营效率。这家超市连锁在其数据仓库中收集了700万部冰箱的数据。通过对这些数据的分析，进行更全面的监控并进行主动的维修以降低整体能耗。
大数据时代下，如何做好市场营销的推广工作?下面我为大家整理了在大数据时代，做好市场营销推广工作的要点和技巧，欢迎大家阅读参考!
如何做好市场营销
大数据对用户行为与特征分析
显然，只要积累足够的用户数据，才能分析出用户的喜好与购买习惯，甚至做到"比用户更了解用户自己"。这是大数据营销的前提与出发点。过去虽也有"一切以客户为中心"作为口号的企业经营思想,可以想想真的能及时全面地了解客户的需求与所想吗，或许只有大数据时代这个问题的答案才能更加明确。
过大数据支撑精准营销信息推送
过去多少年了，精准营销总在被许多公司提及，但是真正做到的少之又少，反而是垃圾信息泛滥。究其原因，主要是过去名义上的精准营销并不怎么精准，因为其缺少用户特征数据支撑及详细准确的分析。现在的RTB广告的应用则向人们展示了比以前更好的精准性，而其背后靠的是大数据支撑。
大数据让营销活动更能投其所好
如果能在产品生产之前了解潜在用户的主要特征，以及他们对产品的期待，那么你的产品即可投其所好。如《小时代》在预告片投放后，即从微博、微信上通过大数据分析得知其电影的主要观众群为90后女性，因此后续的营销活动则主要针对这些人群展开。
大数据帮助企业筛选重点客户
许多企业家纠结的事是：在企业的用户、好友与粉丝中，哪些是最有价值的用户?有了大数据，或许这一切都可以更加有事实支撑。从用户访问的各种网站可判断其最近关心的东西是否与你的企业相关，从用户在社会化媒体上所发布的'各类内容及与他人互动的内容中，可以找出千丝万缕的信息，利用某种规则关联及综合起来，就可以帮助企业筛选重点的目标用户。
大数据分析消费者的特点
面对日新月异的新媒体，许多企业想通过对粉丝的公开内容和互动记录分析，将粉丝转化为潜在用户，激活社会化资产价值，并对潜在用户进行多个维度的画像，其目的就是更加精准地分析你的产品消费者特点。
大数据可以分析活跃粉丝的互动内容，设定消费者画像各种规则，关联潜在用户与会员数据，关联潜在用户与客服数据，筛选目标群体做精准营销，进而可以使传统客户关系管理结合社会化数据，丰富用户不同维度的标签，并可动态更新消费者生命周期数据，保持信息新鲜有效。
在大数据分析架构下的众多商业管理模式中，UFO模型较为引人关注，这里U代表Userexperience，即用户体验，其对应的方向是产品设计;F代表Freemium，即免费商业模式，其对应的方向是商业模式研究和设计;O代表精细化运营，其对应的方向是产品营销运营。研究认为(2014)大数据在以下三个方面起到不同程度的作用。其中，大数据与U(用户体验)及F(免费商业模式)关联度中等，而与O(精细化运营)关联度最高。
今天我们的经营者大数据分析在商业模式设计、商业模式研究、创新商业模式等方面的能力还比较弱，可能到目前在中国还没看到非常成功的利用大数据分析来设计商业模式的案例，也许是因为计算机目前的智慧还没达到设计商业模式的能力高度。
但我们可以通过大数据分析方法进行行业监测以及进行创新监测，从而可以辅助战略规划人员来进行商业模式的设计。
好产品是运营出来的，互联网产品需要不断运营、持续打磨。产品运营的目的是为了扩大用户群、提高用户活跃度、寻找合适商业模式并增加收入。
成功的互联网运营要做到精细化运营，成功的精细化运营需要大数据支撑。大数据和互联网思维在此方面关联度最高。所以，企业在大数据的应用场景上，一定是要优先考虑如何通过大数据进行精细化运营，以驱动更好的运营效率和效果的提升。
基于大数据可以更好的做精细化运营监控、更准确的做用户细分、更准确的进行个性化推荐、更合理的进行营销推广效果的评估以及基于用户生命周期进行相关的营销策略创新。具体在以下几个方面值得关注：
1、通过基于大数据的方法进行用户细分。基于大数据可以找出更好的细分维度，并对用户做更好区隔，以辅助产品运营人员做更加准确的用户细分，并洞察每个细分人群的兴趣爱好和消费倾向，对每类用户分别进行有针对性的策划和运营活动。
2、通过大数据的方法，可以实现对不同通过渠道的效果评估。如果只看一些表面的数据，如广告的点击率，是非常难衡量不同推广渠道的真正效果。如果把用户的渠道行为和后续产品行为(即通过渠道获取的用户在产品上的各种使用行为)进行打通跟踪，在此数据基础上构建渠道质量评估模型，将能够更好的发现渠道的真正质量，或者更直接的，可以发现推广渠道的究竟有多少是虚假的流量。
3、通过利用基于大数据进行有针对性的用户画像，并通过用户画像数据、用户行为和偏爱，结合个性化推荐算法实现根据用户不同的兴趣和需求推荐不同的商品或者产品，通过算法真正的实现"投其所好"，以实现推广资源效率和效果最大化。
【案例】恒丰银行——基于大数据的精准营销模型应用*mpgzYxrTCkcaJGaX2iIFRHZEDNCmuM0qhqqN294=
本篇案例为数据猿推出的大型“金融大数据主题策划”活动（查看详情）第一部分的系列案例/征文；感谢**恒丰银行**的投递
作为整体活动的第二部分，2017年6月29日，由数据猿主办，上海金融信息行业协会、互联网普惠金融研究院合办，中国信息通信研究院、大数据发展促进委员会、上海大数据联盟、首席数据官联盟、中国大数据技术与应用联盟协办的《「数据猿·超声波」之金融科技·商业价值探索高峰论坛》还将在上海隆重举办【论坛详情】【上届回顾（点击阅读原文查看）】
在论坛现场，也将颁发“技术创新奖”、“应用创新奖”、“最佳实践奖”、“优秀案例奖”四大类案例奖
本文长度为6000字，建议阅读12分钟
如今，商业银行信息化的迅速发展，产生了大量的业务数据、中间数据和非结构化数据，大数据随之兴起。要从这些海量数据中提取出有价值的信息，为商业银行的各类决策提供参考和服务，需要结合大数据和人工智能技术。国外的汇丰、花旗和瑞士银行是数据挖掘技术应用的先行者。在国内的商业银行中，大数据的思想和技术逐步开始在业务中获得实践和尝试。
面对日趋激烈的行业内部竞争及互联网金融带来的冲击，传统的上门营销、电话营销，甚至是扫街营销等方式跟不上时代的节奏。利用精准营销可节约大量的人力物力、提高营销精准程度，并减少业务环节，无形中为商业银行节约了大量的营销成本。
虽然恒丰银行内部拥有客户的基本信息和交易等大量数据，但是传统的营销系统并没有挖掘出行内大量数据的价值，仍然停留在传统的规则模型。当下，恒丰银行接入了大量的外部数据，有着更多的维度，如果将内部数据与外部数据进行交叉，则能产生更大的价值。客户信息收集越全面、完整，数据分析得到的结论就越趋向于合理和客观。利用人工智能技术，建立精准营销系统变得可能且必要。
恒丰银行基于大数据的精准营销方案是利用大数据平台上的机器学习模型深入洞察客户行为、客户需求，客户偏好，挖掘潜出在客户，实现可持续的营销计划。
周期/节奏
2016.4-2016.5完成需求梳理和业务调研，并在此基础上进行总体方案设计。2016.5-2016.8整理银行内、外部数据，根据营销需求制定客户标签和设计文档，实施用户画像。2016.8-2016.10在用户画像的基础上，构建理财产品个性化推荐系统。其中包括个性化推荐算法调研，模型对比等一系列工作。2016.10-2017.1客户需求预测并对客户价值进行建模，并完善整合精准营销应用模型。2017.1-2017.3用户画像、个性化推荐、客户价值预测等精准营销模型上线。
客户名称/所属分类
恒丰银行/客户管理
任务/目标
根据零售业务营销要求，运用多种数据源分析客户行为洞察客户需求，实现精准营销与服务，提高银行客户满意度和忠诚度。
针对不同的客户特征、产品特征和渠道特征，制定不同市场推广策略。为了完成以上任务，主要从以下几个方面构建精准营销系统：
1.用户画像：结合用户的历史行为和基本属性给用户打标签。
2.精准推荐系统：给用户推荐个性化理财产品，例如在微信银行中给每个客户推荐他喜欢的产品，帮客户找到其最适合的产品，增加产品的购买率。
3.需求预测和客户价值：新产品发售的时候，找到最有可能购买该产品的客户，进行短信营销，进而提高产品响应率。客户价值精准定位，根据客户价值水平制定不同的推荐策略。银行通过计算客户使用其产品与服务后所形成的实际业务收益，充分了解每一个客户的贡献度，为管理层提供决策支撑。
挑战
项目实施过程由用户画像，精准推荐系统，需求预测和客户价值建模三部分组成，采用TDH机器学习平台Discover所提供的算法和模型库进行开发和验证。
（一）用户画像的建立
客户标签主要包含客户基本属性，客户等级标签，客户偏好标签，客户交易特征，客户流失特征，客户信用特征，客户终身价值标签，客户潜在需求标签。
（二）精准推荐系统的建立
由于系统复杂，且篇幅有限，仅对其中最重要的理财推荐系统做详细阐述。精准推荐系统架构图如下。
2.1业务问题转化为机器学习问题
业务问题
银行理财产品个性化推荐给客户。例如在微信银行中给每个客户推荐此客户喜欢的产品，帮客户找到其最适合的产品，增加产品的购买率。
将业务问题转化为机器学习问题
理财产品种类繁多，产品迭代速度很快，客户在繁多的产品中不能快速找到适合自己的产品，因此有必要建立一个自动化推荐模型，建立客户理财偏好，给客户推荐最适合的产品。
将银行理财产品推荐业务问题转化为机器学习问题，进而利用人工智能技术提高推荐产品的点击率和购买率。例如在恰当的时间，通过用户偏好的渠道给用户推荐产品，推荐的结果为用户购买或者未购买。这个问题可以看作一个典型机器学习二分类问题：基于历史营销数据来训练模型，让模型自动学到客户购买的产品偏好，并预测客户下次购买理财产品的概率。对模型预测出所有客户对所有产品的响应概率进行排序，可选择客户购买概率最高的topN个产品推荐给客户。
下面将叙述如何构建该推荐预测模型。
2.2数据源准备
在建立的一个理财推荐模型之前，可以预见到相似的客户可能会喜好相似的产品（需要表征客户和产品的数据），同一个人的喜好可能具有连续性（购买历史交易数据，包括基金国债等），他的存款、贷款资金可能决定了他能购买什么档次的理财等等。因此，我们需要准备以下数据。
客户基本属性：客户性别，年龄，开户时间，评估的风险等级等等。产品基本属性：产品的逾期收益率，产品周期，保本非保本，风险等级等。客户购买理财产品的历史：在什么时候购买什么产品以及购买的金额。客户的存款历史：客户历史存款日均余额等。客户的贷款历史：客户历史贷款信息等。客户工资：客户工资的多少也决定了客户购买理财的额度和偏好。用户画像提取的特征：用户的AUM等级，贡献度，之前购买基金，国债的金额等。
2.3特征转换和抽取
有了这么多数据，但是有一部分特征是算法不能直接处理的，还有一部分数据是算法不能直接利用的。
特征转换
把不能处理的特征做一些转换，处理成算法容易处理的干净特征。举例如下：
开户日期。就时间属性本身来说，对模型来说不具有任何意义，需要把开户日期转变成到购买理财时的时间间隔。
产品特征。从理财产品信息表里面可以得到风险等级，起点金额等。但是并没有标志这款产品是否是新手专属，是否是忠诚客户专属。这就需要我们从产品名字抽取这款产品的上述特征。
客户交易的时间信息。同客户的开户日期，孤立时间点的交易信息不具有任何意义，我们可以把交易时间转变为距离上次购买的时间间隔。
特征抽取
还有一部分数据算法不能直接利用，例如客户存款信息，客户交易信息。我们需用从理财交易和存款表中抽取可能有用的信息。
用户存款信息：根据我们的经验，客户购买理财之前的存款变动信息更能表明客户购买理财的真实想法，因此我们需要从客户历史存款数据抽取客户近三个月，近一个月，近一周的日均余额，以体现客户存款变化。
客户交易信息：客户最近一次购买的产品、购买的金额、及其相关属性，最近一个月购买的产品、购买的金额及其相关属性等等。
以上例举的只是部分特征。
2.4构造、划分训练和测试集
构造
以上说明了如何抽取客户购买理财的相关特征，只是针对正样本的，即客户购买某种理财时候的特征。隐藏着的信息是，此客户当时没有购买其他在发售的产品。假设把客户购买了产品的标签设为1，没有购买的产品样本设为0，我们大致有如下训练样本（只列举部分特征）。
其中客户是否购买产品是我们在有监督训练的标签，也就是我们建立的是一个预测客户是否会购买产的模型。
划分训练集和测试集
考虑到最终模型会预测将来的某时间客户购买某种产品的概率，为了更真实的测试模型效果，以时间来切分训练集和测试集。具体做法如下。假设我们有2016-09-01~2017-03-20的理财购买相关数据。以2016-09-01~2017-03-19的理财交易数据作为训练，2017-03-20这一天的客户对每个产品是否购买的数据作为测试。以2016-09-01~2017-03-18的理财交易数据作为训练，2017-03-19这一天的客户对每个产品是否购买的数据作为测试，以此类推。
2.5模型训练
根据提取的特征，组成样本宽表，输入到分类模型，这里选择了TDH平台机器学习组件Discover所提供的近百个分布式算法进行建模和训练，同时我们还使用了特征的高阶交叉特性进行推荐的预测和分析。
2.6模型评估
评价推荐好坏的指标很多，比较常用的有
1.ROC曲线下面积（AUC）2.logloss3.推荐产品第一次命中rank的倒数（MRR）4.TopN
针对银行的理财推荐实际业务，客户当天绝大多数是只购买了某一款理财，MRR(MeanAveragePrecision的特殊情况)能反应这种情况下推荐的好坏。另一种直观的评价指标是TopN，假定我们只推荐N个模型认为客户最有可能购买的产品，并和真实情况比较，就能得到当天推荐的结果的混淆矩阵，TN，TP，FN，FP，recall，precision等。
我们在生产上验证了最近十天的推荐效果，即测试了2017-03-20，2017-03-19，……,2017-03-11等十天的推荐效果，以下是这些结果的评价。
AUC
Logloss
MRR
0.89
0.45
0.78
也可以把新客户（之前没有购买理财）和老客户（至少购买过一次）分开评估效果。新客户的购买占了整个理财购买的1/3以上。
测试新客户的预测效果，可以看出模型对冷启动问题解决的好坏。
对新客户的预测效果
AUC
Logloss
MRR
0.80
0.73
0.32
对老客户的预测效果
AUC
Logloss
MRR
0.92
0.38
0.88
2.7模型优化
1.上线之前的优化：特征提取，样本抽样，参数调参2.上线之后的迭代，根据实际的A/Btesting和业务人员的建议改进模型
（三）需求预测和客户价值
“顾客终生价值”(CustomerLifetimeValue)指的是每个购买者在未来可能为企业带来的收益总和。研究表明，如同某种产品一样，顾客对于企业利润的贡献也可以分为导入期、快速增长期、成熟期和衰退期。
经典的客户终身价值建模的模型基于客户RFM模型。模型简单的把客户划分为几个状态，有一定意义但不一定准确，毕竟RFM模型用到的特征不全面，不能很好的表征客户的价值以及客户银行关系管理。
为了方便的对客户终身价值建模，有几个假定条件。其一把客户的购买价值近似为客户为企业带来的总收益，其二把未来时间定义在未来一个季度、半年或者一年。也就是我们通过预测客户在下一个时间段内的购买价值来定义客户的终身价值。因此，我们将预测的问题分为两个步骤：第一步预测这个客户在下一个阶段是否会发生购买（需求预测）。第二步对预测有购买行为的客户继续建模预测会购买多大产品价值。
3.1需求预测
提取客户定活期存款、pos机刷卡、渠道端查询历史等特征，以这些特征作为输入预测用户在当前时间节点是否有购买需求，训练和测试样本构造如下：
1.历史用户购买记录作为正样本。2.抽样一部分从未购买的理财产品的用户作为负样本集合Un，对于每一个正样本Un中随机选取一个用户构造负样本。3.选取2016.04-201610的购买数据作为训练样本，2016.11的数据作为测试样本。
使用机器学习算法进行分类训练和预测，重复上述实验，得到下列结果:
AUC:0.930451274precision:0.8993963783recall:0.8357507082fmeasure:0.8664062729
进一步对客户分群之后，可以更好的对新客户进行建模，对于老客户我们可以进一步提取他们的历史购买特征，预测他们在下一段时间内购买的产品价值（数量，金额等），对于新客户，可以进根据他的存款量预测其第一次购买的产品价值，把存款客户变成理财客户。通过分析客户存款变动于客户购买理财的关系，我们发现客户购买理财的前一段时间内定活期的增加的有不同的模式，如下图。
根据需求预测模型，我们给出新客户最有可能购买的topN列表，然后由业务人员进行市场推广。
3.2客户价值预测
进一步预测有购买需求的客户的购买价值高低。这是个回归问题，但是预测变量从二分类变量变为预测连续的金额值。训练的时候预测值取训练周期内（一个月或者季度）客户所购买的总金额。
算出客户的当前价值（即当前阶段购买的产品价值）和未来价值（预测的下一个阶段的客户价值）可以帮助我们鉴定客户处于流失阶段，或者上升阶段，或者是稳定阶段。当前价值取的是当前时间前三个月的交易量。对流失阶段高价值客户可以适当给予营销优惠，对于有购买意向的客户适当引导。如下图所示。
结果/效果
一是提高银行营销准确性。随着客户不断增加，理财产品也在不断推陈出新，在实时精准营销平台的帮助下，银行从以前盲目撒网式的营销方式转变到对不同客户精准触达，提高了理财产品的营销成功率，降低销售和运作成本。理财产品推荐的上线以来，产品推荐成功率比专家经验排序模型最高提升10倍。
二是增加银行获客数量。精准营销系统洞察客户潜在需求和偏好，提高了银行获取目标客户群的准确率。从数百万客户中,通过机器学习模型,找到最有可能购买产品的客户群，通过渠道营销，实现响应率提升。相比传统盲发模式，发送原38%的短信即可覆盖80%的客户。
通过构建基于大数据的精准营销方案，恒丰银行深入洞察客户行为、需求、偏好，帮助银行深入了解客户，并打造个性化推荐系统和建立客户价值预测模型，实现可持续的营销计划。
