
利用大数据从猜你喜欢到动态定价_数据分析师培训
最近香港提出未来要做金融科技。要想做好金融科技,其中离不开大数据。在美国金融科技中,银行、保险、各种投资是甚至乎地产都可以见到不少解子。当中以利用大数据去获取新客户最为常见亦较容易实现,预测客户的产品及渠道偏好使客户和你的关系更紧密。在金融产品中风险管理跟定价強相关,如何运用行为作创新,可以看下面的例子。
如果你是一位20-25岁的男生,驾驶的是一部跑车,假定你是个安全驾驶者,你会发现你为了别人付出了更高的保险费用。这是因为在你这个群组中,有部分人发生意外的概率很高,所以保险公司向你收取了高意外概率的保费。这要怪就怪今天大部分保险公司都是根据一个群组出现意外的平均数而不是根据你驾驶的行为习惯来收费吧。他们不知道你每天的驾驶情况,如驾驶习惯及驾驶路线等,所以他们无法评估你真实的出意外的概率。
我们发现美国有两家保险公司已经默默无闻地收集了超过100万用户的驾驶数据。他们让驾驶者安装了一个叫telematics的传感器,通过这个传感器收集用户实时的驾驶行为数据。从大量的数据中,他们可以知道驾驶者有没有超速,有没有粗暴驾车等类似情况。所以整合了大量数据之后,保险公司已经可以知道一般的驾驶习惯是怎样的,在不同的路段上,每一个个体与一般的驾驶习惯的比较是怎样的,这样他会更容易知道到底应该如何定价?相应产品称为pay how you drive。在同一领域的另一家公司MetroMile采用了更激进的定价方法。他们设计了一种新的定价方法叫pay as you drive,即对于你驾驶时才需付费,对你不驾驶的车时只需付很小的费用。他们发现这种方法节省了很多保险费用,尤其对驾驶里程低的用户保费节省高达数百美元。简单来说,大多数保险费用是在你不使用的时候也需付费的,而在这个例子中,按使用付费其实更合理。
以上两个例子我觉得都是未来在金融或服务行业非常好的举一反三的例子。因为前一个例子是说在细分用群及提供服务的不同场景中可能成本存在较大差异,物联网提供了更多的大数据作精准风险评估,所以定价可以不一样。后一个例子是说因为物联网的关系,我们可以准确知道客户什么时候使用这个服务,甚至乎用得如何。由此定价也可以变得更灵活。这两种方法在很多服务业都是适用的。
不出我们意料,在美国有一家公司居然把健康保险定价也列入我们刚才讨论的范畴中。只要他的用户愿意把自己的博客、微信等数据分享给健康保险公司的话,他们也可以据此给出不同的价格给不同的人。当然,这样可能会搞出一些笑话,比如,可能你在facebook中发布了一张你假装抽烟的图片,他们可能就把你的保险费用提高了。但这些都是一些比较创新的服务,当中还有非常多的因素需要更多源头的数据进行精准定义,而不是根据你偶然的行为就很敏感地提高价格。
物联网的出现,可以让我们知道过去很多不知道的事情。比如说某部汽车是怎么使用的,使用情况怎么样;空调、冰箱等电器的使用情况怎么样;我们每天到底是怎么生活的……这些数据也许会成为我们为每种东西或服务付费的一个新依据。在不久的将来,物联网将与我们的生活息息相关,也会在我们生活中产生更多创新。所谓身外之物,不再遥远。文章来源:CDA数据分析师官网
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10