大数据不背“杀熟”的锅！高科技公司掌握了你的个人信息，都干了些啥？

   中国企业数据治理联盟（www.chinaedg.com/）

   进入》主数据管理        企业数据治理       信息资源规划         数据安全管理

首先大家对于“大数据杀熟”这件事怎么理解？“杀熟”是客户营销方面的标准操作吗？高科技公司掌握了我们的个人信息，难道只能用于诱骗客户进行过度消费吗？

回答这个问题之前，我们了解一个名词，叫做“价格歧视”。这个词很多人认为是贬义词，因为它与“垄断”这个词是伴生的。其实它是个中性词，如果一家企业能够利用科技手段实现价格歧视，那它必须获得客户认可，是一家可以获取超额收益的领先企业。价格歧视一般可以分为三级。

§  一级价格歧视就是根据不同的市场制定不同的价格，比如iPhone在不同国家的定价策略；

§  二级价格歧视是根据客户购买量的不同而形成价格差异，一般是量越大，价格越便宜；

§  三级价格歧视是根据每个人需求的差异，进行针对性的定价。

价格歧视的等级越高，企业的超额利润就越大，对企业的能力要求也越高。第三级的价格歧视单纯靠市场力量是很难达不到的，但是做到二级价格歧视还是没问题的。

一般而言，粘性越高的客户，其服务成本就越低，客户得到的性价比就可以越高。企业或商家利用客户历史沉淀下的交易信息分析其需求偏好，从而以更高的效率提供性价比更高的服务。形成良性循环，最终成就“超级客户”战略。这便是商业上运用“大数据”的初衷。

01 数据分析在银行的应用演变

我们从最开始的获取客户的数据，到后来整合外部数据，到最后无时无刻不在采集数据。我们收集这么多数据的目的并不是想去压榨用户，而是想去了解用户。

我们希望通过对用户更好的了解，来改进我们的产品，增加用户粘性，提升客户体验。我们想把用户发展成我们的超级客户。

说道这里，大家可能就知道我要说什么了：价格歧视的是新客户，使用大数据是为了更好的回馈老客户。“杀熟”是蹩脚的业务运营人员搞出来的，这个锅大数据不背。 

现今数据的确越来越多了，以下是某著名咨询公司总结的大数据在金融方面的主要应用。

最广泛的应用是营销领域，可以看到图中右上角的部分，包括精准营销、用户画像等等。而数据在银行中的作用，主要体现在以下四个方面。

上面的两个运用是针对客户的。目前传统的分类会分为客户智能、风险智能。客户智能就是了解我们的客户，进而开展营销和维护。风险智能用于避免客户将来发生违约。

为什么说这个比较传统？因为在流量枯竭的现在，客户和风险的分界线开始模糊。金融机构也不是像过去那样高高在上，风控不能像过去那样不考虑营销的疾苦。平安银行在客户运营的时候就用了一个比较贴切的词，叫交易对手。意思是客户和风险不应该分开，而是把它们放在一起，综合考虑如何去识别风险和满足客户需求。

下面的这两个运用是针对于组织机构的，即经营分析和财务分析。经营分析的IT应用分为大屏展示、固定报表、自助分析等。

以上是一个基于大数据做的经营分析。在企业里做这类经营分析的时候，无非就是要知道什么时间、地点，发生了什么事。过去我们做分析要分为6步：业务人员提需求、部门确认做调研，然后做数据需求，报表设计，最后呈现。而现在我们可以根据BI产品里提供的各种分析工具（比如排序分析、对比分析等），减少了很多流程，大大缩短了分析呈现的周期。

这是一个实时大屏的案例。刚才我们展示的是互动模式，一般都是T+1、T+2。大屏可以做到实时的、或是延迟5分钟的情况，对于我们进行监控比较有利。

02 商业银行的智能风控

下面我们讲讲风险问题。什么是风险？任何的不确定性就是风险，那归根到底是缺乏决策所依赖的信息。

过去风险还比较容易控制，因为银行当时只做大型企业，几个甚至十几个客户经理对接一家企业，企业的信息他们看的跟明镜一样，所以数据挖掘对他们没有多么重要。但是随着很多银行开始做小微客户，客户越来越下沉，客户经理越来越难以分析客户情况。这种情况下他们会发现面临的风险跟过去完全不一样了。

存在风险，主要是不了解客户。降低风险的第一步是要打通客户数据。解决方案其实很简单，就是把不同维度的数据打通。我们对企业越了解，它的不确定性就越少，所谓风险就可以被我们识别了。实现这种效果的第一个方案，就是把数据整合在一块儿，不论是内部还是外部的信息。我举个具体的例子。 这是利用工商注册信息，通过企业投资图谱建立联系。现在随便百度一个企业，都可以看到这些数据。

我们过去研究银行在做贷后管理的时候，他们说如果能够提前5天知道客户将违约，就是很大的受益了。对于银行来说，他们只要比兄弟银行早一天去收债，损失就会小很多。现在就有这方面的系统，能提前3个月知道哪些企业要出现问题。大家知道中国的企业关联性很强，有一家企业出现财务危机了，大概率情况下3个月内对其他关联企业也会产生影响。

03 如何应用客户智能进行精细化运营？

下面我们说客户智能。刚才提到我们是要做超级客户，不是做杀熟。我们要营销一个产品，最主要就是了解这个产品的特征，进而要寻找客户的标签。

这个标签是什么，标签就是引起客户在决策点形成差异性的一些变量。

1. 以汽车销售为例的用户标签

举个例子，现在有个卖车的网站，卖的是一手车，它的价格区间有10万以下，10万至15万，15万至30万，哪些标签会对价格决策点形成差异性？你需要考虑你的客户有什么标签。

有人说是年收入，这个标签确实很好。客户的标签会影响这个决策点的产生、差异性。

接下来，如果同样是15至30万的档次的车，因为对于产品的标签，除了价格以外还可以再细分，比如汽车的油耗。这时候就该其他标签起作用了，比如所在地域、是否定期健身等。

从上面的例子可以看出，我们做营销时，一方面要掌握产品的标签，可以描述出产品的特性、潜在人群。另一方面来自于客户的特质，这些标签可以透露其行为偏好。

渠道会对我们的标签和决策点有什么影响？它主要起调节作用。我举个例子，比如说一个三十多岁的城市白领，整天在城市里，偶尔去郊区玩，开车主要是上上下班和接送孩子。有大概是15万到30万的预算，这个时候如果在网上买车，他是在冷静中做决策的情况下，一般会买一个普通的SUV。但是如果是在展销会上，有可能会被现场的场景所激发，买了一辆城市越野。

不同的信息接触点，也会对我们这样的偏好产生一定的影响，这就是渠道的作用。渠道并不单单指在购买那个点产生的影响，而是整个决策链条上，不同的信息技术渠道都会影响我们的决策。

2. 如何制作用户标签

现在商业企业都知道做标签的重要性了，而且不惜花大价钱请咨询公司来作标签体系，还要用到各种复杂的算法。其实一般情况下做最有价值的那些标签没什么难度，无非就是把我们能收集的关于客户数据堆在一块儿而已，有些叫360视图。

这些信息其实是原材料，堆完之后我们就开始动脑筋想办法做标签了。我们通过一些方法，比如客户的上下班驾车时间，看他是高峰期上下班，还是错峰上下班，这些都可以变成我们的标签。

举一个早在2013年某信用卡公司做“潜在高价值客户”这个标签的例子。所谓高价值客户就是每个月给信用卡中心贡献钱多的，无非就是有消费带来的钱，还有就是利息带来的钱。

以往获取高价值客户的思路是抢客户，寻找其他家的高价值客户，然后把他抢过来。这就造成了我们大部分公司都会产生的困境，就是相互PK，大家都不去培养潜在的高价值客户。

这家信用卡公司的思路很超前，希望自己培育客户，提前发现那些有潜质的客户，重点培育。但是在标签的时候遇到了困难，因为基本的客户属性标签和社会经济标签在这块用处并不大。

我们开始分析是什么样人会成为高价值客户。分析思路是这样的：曾经一个银行的柜员向我抱怨，她的一个同事特别爱拍马屁，别人都跟领导走的关系不近，而她管领导叫女神，女神干什么她干什么，衣食化妆品方面都在模仿她的那个女神。当然她的收入有限，消费的总额并不多。一年以后她成了大堂副经理。是不是因为女神喜欢她而提拔她？不是，因为女神走了之后她照样被提拔。

这个问题告诉我们什么？跟成功人士像的人是潜在的成功人士。所以，我们的做法就是看每个不同人的信用卡记录，就看他消费物品的种类。我们先统计既有的高价值客户购买的产品结构，然后再看非高价值客户中，哪些人购买的产品结构和目前的高价值客户相似。这叫做Lookalike策略，现在被广泛的用于数字化营销。

标签其实就是对客户进行洞察的结果，是一个归纳性的东西。基于客户标签就可以制定有针对性的营销策略。 以下是一个从客户标签，到客户需求推断，再到营销活动策略的示例。

最后，很多人关心标签是否准确，其实这一点并不重要。因为营销是看效果的，只要营销效果有提升，标签不准又如何？

而且标签的准确性依赖于数据。客户业务少，行为信息就少，标签准确性就差；客户被激活了，行为信息多，标签就准确性高了。我们不应该纠结于是先找好鸡蛋孵小鸡，还是先找好鸡下好蛋。只要方法论正确，效果就会在迭代中提升。

   来源：常国珍