在本週的第一個單元中,我們要談論的主題是,大數據如何驅動銀行轉型?
在金融界,資訊所帶來的變革是動態的,也是雙向的,
資訊不止改變了企業,提供銀行解決舊問題的新方法,
例如,使用模型或者是追蹤顧客的數位足跡, 去更精準地瞄準客戶的貸款需求,
資訊的爆炸也改變了顧客,使得客戶們越來越習慣上網,運用數位的通路去尋找資訊, 而顧客在網路上搜尋、
比較的足跡則進一步地豐富了銀行的資料庫, 促使銀行進一步地做出下一個變革。
在本單元中, 數金長除了與我們分享玉山是如何活用大數據 更精準地發現顧客需求並且推升成交率之外,
也要與我們分享玉山在轉型之路上遇到了哪些挑戰, 又遇到了哪些成功的案例。
>> 好,我想今天要開始 跟大家介紹一下大數據的商業應用策略。
那我想一開始呢,我想讓大家來感受一下
玉山是怎麼樣開始進行數據分析 或者是說我們如何透過數據的力量
來讓我們的服務,讓我們的業務發展 更有別于一般銀行傳統的運作模式。
那首先我要開始講的是,大數據驅動銀行的數位轉型之路,
一開始我們到底是怎麼運用數據的?其實這個很有意思,
我們一開始其實當我們想到一個問題,比如說我們很想要知道
在我們那麼大的信用卡顧客中,在我們那麼龐大的存款顧客之中,
到底哪些人他會有信用貸款 的需求?這是一個很
common 很簡單的問題,那我們就在想啊, 如果我想要知道到底哪些顧客需要,我第一個想到的
就是,我找一群最會,最懂這個業務 也最懂這個產品專業的專家,找三個五個人來,
找他們來做什麼呢?他們就會去想說,我知道
我長期做這件事情的經驗是,如果要找到有需求的顧客,
第一個就看看他過去有沒有借過錢,那第二個呢我們就會去想說,
有些顧客,他平常在使用信用卡,他卻常常在做循環動用,再做預借現金,
他就是一個很喜歡使用借貸來 支應平常日常支出的人啊,
那這些專家就會給我們這些意見, 所以我們得到這個意見以後我們就非常地高興,我們就跑到
資料庫裡面去,依照他們所描述的特征跟行為, 把這些顧客萃取出來,
我們稱這種方法叫做專家經驗法,或者叫做 rule base。
這是第一段哦,那我們發覺找了這些專家來,設了幾條很清楚的 rule,
把顧客框定出來之後,各位覺得這樣的效果有別于,
是不是真的有比我們一般亂槍打鳥要好很多呢? 答案是肯定的。
我們做了這件事情,我們就發覺, 我們框定了一些顧客,比如說我們找到了一千個人,
我們就發覺,五個人會成交,所以它的成交率是
千分之五,那這個數據呢可能會覺得,好像也
沒有很高啊,一千個人你才找到五個,這樣你有很厲害嗎? 有,因為在這樣的過程中,我們框定了顧客,用電話來
跟顧客接觸的過程,其實我們大幅縮減了成本, 大幅增進了在行銷上的效率。
可是這樣真的就很好嗎?其實好像沒有,因為我們並不是很滿意呀,一千個才五個人,
後來我們就想到,那這五個人有買哦,
所以我們就在想一件事情,我們可不可以一直不斷地找這樣的專家,或者運用專家的邏輯
把各種類似的顧客都找到,然後一次一次地又發各種不同的 campaign
出去, 我發一次一千個五個人,發第二次又一千個五個人,
我這樣做一年下來我就累積了很多真正有買的那些客人,當然還有很多人都沒有買,
那這些資料被保存了,它珍不珍貴? 非常非常地珍貴,因為這些人有買的人就是
我們就想到,其實我們可不可以建一個模型來預測
到底有誰有買,因為一年下來可能有五百個人有買,可能一千個人有買,
這樣我們就已經可以建出一個模型了,所以我們接下來就想, 那把這些資料收集好了,我們就想要來建一個
scoring model,那這個 scoring model
在建的時候各位可以看到我們的第五章的這一張圖形, 因為我們的方案發出去,這一千個人當然會有給他一個方案,
這個方案比如說像什麼呢?比如說我們找到一群顧客,他是對價格非常敏感的,
所以我們就覺得那這些顧客應該都是好顧客啊,他對利率很敏感,對手續費很敏感,
所以我們可能就做了一個利率跟手續費相對比較優惠的行銷方案,
想去看看那這些人看到這些訊息他願意買單嗎?
那我們把這些發了,就我剛剛講了,發了一年以後,會有五百個人願意買單, 這五百個人就是我們非常重要
要去預測到底哪些人的行為跟他很貼近, 我們做了一個叫做
observation 的 window 叫做 績效觀測期跟一個叫 outcome
window, 那個 outcome window 就是顧客有買跟沒買,在我們預計
這些行銷活動發出去之後的 45 天內,如果他 有買,我們就給他注記一個
1,如果他沒有買我就註記一個 0, 那前面有一個 observation
window,我們就在看哦, 到底有哪些行為會影響他要買跟不買?
我們前面剛才不是很簡單嘛,我們只是知道他過去有沒有貸信貸呢, 他是不是常常選用循環動用呢,這是很簡單的邏輯,
可是如果我們用變數的方式去設計,我們就發覺
我們其實可以找到很多很有意義的變數可以來
解釋這個顧客最後不買跟買的行為中間差異在哪裡, 所以我們就做出了一個這樣的
時間視窗的設計,我們現在就來看一下,如果我們真正要開始建模
其實呢最關鍵的就是我們要搜集 許許多多有意義的變數。
所以我們就要開始來設計這些變數啊,
那設計這些變數怎麼設計呢?一樣,還是要找很多的業務專家進來,
可是在這個過程中我們就發覺,我們可以用更寬廣的面向去 思考,不會再局限剛才那樣的
rule base,只能有兩個三個, 因為各位知道啊,要在資料萃取的過程里加越多的
rule,它會變得非常的複雜, 可是如果我們用模型的話,因為我們可以設計很多很多的變數,各位可以看到你們的投影-
片上面, 在信用卡賬務、 權益、 優惠、 使用行為下就有 217
個變數, 那行銷活動、 地理區域、 產品持有等等又有 340
個變數, 累積起來我們可以總共想到了 700
多個變數, 那這 700 多個變數會都一定有用嗎?答案不是,
有些可能會很有效,有些可能是沒有什麼效用, 不過呢它比原來的
rule base 一定可以更精確地 去估算出到底哪些顧客更有這個可能。
那我們做這些事情呢,我們當然也要來檢視它的成效,可是在檢視成效之前,
我們想告訴各位一個事情是,我們為什麼要做這件事情? 那過去銀行在做這種
direct marketing 的時候, 就是把銀行如果有三百萬的信用卡,拿來一戶一戶打,
看誰會中獎,所以這樣的做法造成第一個問題是對
顧客產生很大的干擾,你想你對這個產品根本就沒有需求,
電話也打進來了,你還非得接不可,因為你也不曉得是什麼事嘛,接起來就是要跟你行銷產品,
第一次呢你還會耐著性子跟他說我可能沒有這樣的需要,第二次你就會開始變得比較厭煩而沒- 有耐心了,
那再來呢我們用 rule base 挑的時候也會發現,固然我們不是三百萬的顧客在做,
可是 rule base 通常沒有辦法像我剛才講的挑出最精準的那一千戶,
通常用剛才兩個或三個或五個簡單的邏輯 挑出來,可能有十幾萬二十萬的顧客哦,
那十幾萬二十萬的顧客,在對顧客做電話行銷的時候 還是對很多沒有需要的人又造成了干擾,
所以我們還想要再降低,不過這開始已經有了很好的進步了,原來是三百萬戶一戶一戶打,
後來變成是十萬戶二十萬戶一戶一戶打, 可是我們想要做到的是我可不可以打那個最精準的一萬戶,
這個時候就會有我剛才講的那個建模的需求就來了,
所以我們設計了那麼多的變數之後,在用邏輯式回歸,在用一些統計的
algorithm 去萃取出那個最關鍵的五個變數或十個變數,
它其實就能夠把顧客很有效地從 傾向最高,動機最高的顧客一直排到動機最低,
那我們可能就是找那個前面,前百分之二十,可能這樣的顧客數就只剩下多少呢?
可能只剩下一萬個兩萬個三萬個,那就 大幅降低了我們的行銷過程中對顧客產生不必要的干擾。
那我們這樣一做出來之後我們就發覺效果很棒啊,
它的成交率是原來的四倍,也就是從千分之五變成了百分之二,
那這對銀行帶來了巨大的效率跟成本 的降低,此外呢,也大幅降低很多
顧客因為沒有需求而又要接到這種電話行銷的干擾。
各位已經看到,到這裡已經看到,我們在整個數據分析的歷程裡面,
就這麼短的時間已經開始對我們銀行 整體的業務開始帶來了很大的質變。
那為什麼我們又還要想再進步呢? 因為剛才我有談到,即便是只有
兩萬個顧客在打電話,可是各位知道嗎?
因為如果全台灣只有玉山是這樣做,可是很多很多的電話行銷還是一戶一戶打,
所以並不是玉山自己做的好,這個市場的 這種抱怨的氛圍,顧客干擾的氛圍就能降低,那只有玉山而已哦,
整個市場還是,大家還是拿著電話名單一戶一戶打, 所以因為這樣的關係,主管機關就開始嚴格地來限制
所有要做電話行銷,特別是金融業要做電話行銷的
都要很嚴格地去管控,如果顧客打電話跟你說我不要再接到任何的電話行銷名單,
你還打電話給他,金管會是要重罰的哦。
那我們也看到法律的改變,正在開始保護消費者,
我們也看到未來有可能我們可以行銷的電話 名單會越來越少。
那另外一個呢,因為玉山 長期就非常重視消費者跟顧客權益,所以
我們自己內部也定了很嚴格的規範,比如說這個顧客
早上有人行銷他信用卡,我們就一個禮拜內不可以再行銷第二個商品,
如果這個顧客已經被營業單位接觸過信貸,玉山 在
45 天內都不會再接觸他信貸業務。
那我們自己做了這麼多的自律規範,嚴格規範之後,我們就發現一件事情很驚人,
我們一百個名單只剩二十個, 那我們就想,哇,如果這樣的話那這個
未來模型固然建地準,可是可以銷售的名單就變得非常非常的小,
那解決之道到底在哪裡呢?因為我們用心,所以就可以
看到不一樣的未來跟機會,怎麼說呢?
我們就在想,這樣子繼續走下去,可能會進入一個死胡同, 所以我們就開始在觀察,那還有更好的方式嗎?