京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据驱动银行业营销变革(1)_数据分析师
作为数据密集型行业,如何挖掘和分析来自不同渠道的海量数据,驱动营销变革,被认为是未来银行业赢得市场和竞争的关键。
在过去两年多的时间里,澳大利亚西太平洋银行集团(Westpac)借助SAS的分析工具打造了名为“KnowMe”的数据驱动营销平台,重塑了与近千万普通消费者及中小企业(五千万美元以下)客户的关系。现在,这一项目带来的收益正在逐渐显现。
图为澳大利亚西太平洋银行集团客户关系管理与数字化部总经理Karen Ganschow
日前,由全球领先的商业分析软件与服务供应商SAS公司与《财经》杂志、《哈佛商业评论》中文版联合举办的“2014营销战略领袖峰会”在京举行。
峰会期间,就“大数据驱动银行业营销变革”话题,澳大利亚西太平洋银行集团(Westpac)客户关系管理与数字化部负责人、总经理Karen Ganschow接受了《中国经营报》记者专访。
Karen Ganschow告诉记者,Westpac每月会与客户进行7600万次来自网点、呼叫中心、网银、移动端、社交媒体等渠道的互动,SAS工具能够帮助银行把这些数据进行有效的整合、处理和分析,进而在正确的时候为客户提供正好需要的私人化的服务。
了解客户不断变化的需求,被Karen Ganschow认为是传统银行业应对非金融机构冲击的关键。对未来大数据在银行业的应用趋势,Karen Ganschow表示,移动端、社交媒体是非常重要的趋势。
打造“KnowMe”数据驱动营销平台
《中国经营报》:面对大数据的挑战,在过去几年时间里,Westpac如何挖掘和分析数据并做出决策,驱动业务和营销的创新?
Karen Ganschow:对于像我们这样的银行来说,这是一个新的挑战。一方面我们需要更了解客户,同时也要了解技术的发展趋势。
SAS是我们的战略分析伙伴,对于银行管理者来说,它能够帮助我们预测、分析,并且给予贴身的指导,让我知道未来是哪个方向,有哪些间接的趋势。
两年多前,借助SAS的分析工具,银行打造了名为“KnowMe”的数据驱动营销平台。所谓“KnowMe”,直接翻译就是“了解我”,这也是银行客户所希望的,他们希望能够让银行更多地了解客户的私人情况,提供私人定制化的服务。对于千万客户量的用户,通过Excel工作表进行相关统计、分析显然是不足够的,且我们是要将一对一的个人交互进行大规模处理,所以在这方面我们需要科技支持。
就如亚马逊向客户推荐一本书一样,我们关注的是,如何把它转化成为一个现实的营销机会,向银行客户推荐产品,并且大规模化地在做这个事情。
《中国经营报》: “KnowMe”与一般的银行营销平台有何不同?
Karen Ganschow:简而言之,这是一个数据驱动的、通过多种渠道为客户提供体验的平台。
首先,通过这个平台,银行内部各个部门可以获取感兴趣的数据。同时,我们建立了中心决策机制,与此前以产品为核心的营销模式不同,现在我们围绕客户为中心做出决策。第三,平台将一线、前端业务整合在一起,比如,支行每个店面与客户的沟通、呼叫中心接到的客户电话、联络中心主动与客户的沟通等,这都是我们获取数据的渠道。同时,我们也借助社交媒体有针对性地、定向地向客户推送信息。
当初我们决定上“KnowMe”这个项目的时候,对于合作伙伴的选择也是经过认真考虑和挑选的。实际上,SAS在技术方面与其他我们备选的合作伙伴是很接近的。但SAS最终脱颖而出在于人的因素。SAS除了能够提供非常优质或者说精益求精的技术外,整个SAS团队在合作、沟通交流方面也是非常强的,并帮助银行取得了很大收益和成效。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19