精准营销成功案例详细分析

一切结论产生在分析研究之后在分析研究中，如果找不出原因和解决办法就不能放过。那么下面是我整理的精准营销成功案例，就随我一起去看看吧，希望能够有所帮助。

精准营销成功案例一

阿萨姆小奶茶：老树开新花，情怀不配搭

2015年整个饮料行业状况都不是特别理想，很多企业推陈出新以挽颓势，但是效果都不显著，统一的新品阿萨姆小奶茶慢慢出现在大家的视野。这个小奶茶以其呆萌的形象示人，以高端价位入市，去年6月陆续在北、上、广地区试水。

近日，笔者在超市看到了这个 传说 中的萌物，看见真身之后，试了一下味道，不由得想：这个小奶茶上市都大半年了，一直不温不火，其中还是有一些原因的。

产品定位：卖情怀难引消费者共鸣

先说口味。统一在2009年10月就已经推出了PET500ml的阿萨姆奶茶，2014年9月阿萨姆奶茶正式更名为“统一晴蓝阿萨姆奶茶”。500ml的阿萨姆奶茶味道特别，浓浓的奶味加上茶香，受到了广大消费者的喜爱，在市面上越来越流行。这次，这个小奶茶延续了阿萨姆的味道，基本上没有变化，口感和500ml瓶装奶茶是一样的。

在产品定位方面，阿萨姆小奶茶主打情感牌，回忆小时候的味道，还原奶茶最原始的风味，想要消费者认同“阿萨姆小奶茶=简单奶+茶”。

很显然，阿萨姆小奶茶是想卖情怀，但是这个情怀比较陈旧，没什么新意，现在很多产品都讲究返璞归真，回到最纯粹最简单，可是就奶茶品类而言，这个定位很难引起共鸣。像蒙牛纯甄牛奶，在这个方向上发展得就比较好。牛奶这个产品在小时候是经常出现的，用这种产品定位来做牛奶，引起消费者共鸣就相对比较容易。

消费群定位：跨度太大，群体定位不准确

阿萨姆小奶茶主流消费群定位在18—30岁的年轻时尚群体。在笔者看来，这个消费群的跨度其实是比较大的，18岁左右的年轻人是“95后”，30岁左右的年轻人那就是“85后”了。“95后”的年轻人和“85后”的年轻人其实是有代沟的，他们的消费观也不尽相同。

“95后”一代是有鲜明自我意识的一代，虽然注重个性、注重娱乐、注重享受当下的快乐，但是相比于“85后”的冲动消费和强烈的品牌意识，“95后”认为价格与品质并重，可谓精明实在的“经济人”。

在消费上，“95后”会从价格、品质、外观、实用等多重维度考量一款商品是否物有所值。他们虽说也看重品牌，但其心中的品牌更多意味着商品的综合得分一定要高。“95后”对品质的认知是通过品牌和价格来完成的，也可以说，“95后”的消费颇有点理性消费的意思。

综合价格、品质和外观整体而言，阿萨姆小奶茶有点不伦不类。实用比不上500ml的阿萨姆奶茶，品牌个性比不上小茗同学，唯一的亮点可能是包装设计比较萌——文艺小清新，但是真身出来的感觉实在是一般。毕竟还是PET的材质，虽然有珠光的效果，但是握在手里基本上没什么质感，而且手感很不舒服。总体上，小奶茶基本上没有“90后”“95后”需要的个性和特别。这个包装要是放在一个25—30岁的年轻人手里，总是显得比较幼稚。

都是统一的新品，小茗同学就做得比较好，消费群定位非常明确，就是要卖给“90后”和“95后”，从口味、价格、包装设计、宣传上，都与消费群定位非常匹配。

所以笔者认为，单从包装来讲，小奶茶的两款包装一绿一白，整体风格文艺清新，颇有一股暖心的气氛，比较适合文艺女青年和温暖小情侣。所以针对15—25岁的文艺小青年来做定位可能会更好，而且要更偏重女性和情侣。

价格定位：差异化不足，产品与价格不匹配

阿萨姆小奶茶单瓶容量是360ml，主流商超售价为6元，便利店零售价为7元。

阿萨姆小奶茶高端的定位是因为包装和原料的高质感和高价值。产品的配料很高端，采用澳洲进口的牛奶加非洲路易波士红茶，还有印尼进口椰浆。从产品包装的成分说明能看出，并未含有奶粉、植脂末和香精香料等添加剂。但是这个奶茶的定位人群是18—30岁的年轻人，对于这样一群年轻人，听起来很玄乎的“高大上”进口原料好像没有那么重要，更何况之前已经有一个500ml的阿萨姆奶茶摆在那儿了。

还有很重要的一点，奶茶长期以来被视为是不健康的饮品，6—7元的高端价位是一个很难迈的坎。在超市和便利店，6—7元可以买到1—2盒牛奶或酸奶，在越来越注重健康的消费环境下，消费者是很难轻易花6—7元去买一瓶360ml的奶茶的。

毕竟奶茶是拿来喝的，决定销量的最重要因素是口味和与之相匹配的其他因素，如果口味没有什么差异化，其他附加因素又不是特别能支撑一个高端的价位，就会出现不温不火、不上不下的情况。

这个情况和农夫山泉的打奶茶比较相似。打奶茶当时推出的也是一黑一白两款，价位也是在6.5元/320ml，打着高端的旗号，让很多消费者尝了鲜，但是后来消费者发现产品无法匹配价位，最终还是被打入冷宫，悄无声息。

价格定位：投放走偏，造势宣传乏力

阿萨姆小奶茶上市几个月，基本上没有看到宣传的踪迹，依托《花生漫画大电影：史努比》造势的效果也不显著。

宣传乏力这个原因是必然的，因为前面产品的定位就非常模糊，到宣传的时候自然也是模糊的，效果不好也是意料之中。

产品强调回到小时候，回到最简单、最纯粹，消费群却又是18—30岁的年轻时尚群体，营销配合的电影却是《花生漫画大电影：史努比》，这几个组合矛盾很多。史努比的受众更偏重小朋友和家庭，哆啦A梦不一样，史努比基本上就是很动画、很 儿童 的东西，而且在国内消费者心里，史努比的形象没有哆啦A梦那么根深蒂固，所以这部电影基本上不会有很多18—30岁的年轻人去观看。如果说统一是想要用娱乐营销的玩法，这招显然有点走偏。其他的营销和宣传目前没有看到什么大的动作，单单就这部电影而言，没有效果是必然的。

除了产品本身，定价、消费者定位和宣传这几个方面，阿萨姆小奶茶现在不温不火也可能有更深层次的原因。当然，毕竟阿萨姆小奶茶上市没多久，统一对这个产品的期待和谋划究竟是什么样子，不得而知，这个产品会不会昙花一现也有待观察。

精准营销成功案例二

华为：实现“二次替代”的竞争优势

随着通信设备市场的饱和，华为提出了“云管端”战略，进入更加辽阔的“云”世界。“云管端”的立体结构，几乎涵盖了未来互联网的所有领域，既有巨大空间，同时也使华为置身于不同以往的竞争领域。竞争对手(“友商”)不再仅仅是爱立信、诺西、思科、北电等“老伙伴”，而是谷歌、亚马逊、IBM、苹果等IT巨头。

按照任正非的说法，华为可以做“管”上的“铁皮”即“云”体系中的通信和网络部分而最近华为宣布开发“超宽带”产品，就是在“管”上发力的一个标志。在“端”的层面，华为手机在“海思”芯片的助力下，价值链更有优势，战略回旋余地更大，也有利于顾客体验的创新。目前已进入全球手机第一阵营，未来将会和苹果、三星展开波澜壮阔的“三国杀”。“荣耀”手机独立运作，为未来面向年轻消费人群、拓展消费类电子市场开辟了通路。

华为是一家有“野心”(战略抱负)的企业，在“云”的广阔舞台上，未来很有可能成为耀眼的明星。此外，华为正在开辟新的战场，开始进入与互联网相关的新能源领域。

国内市场的“第一次替代”

20世纪80年代后期、90年代初期，华为以及同期崛起的“巨大中华”(巨龙通信、大唐电信、中兴通讯、华为技术)中的其他企业，都是从国内市场起步的。当时国内通信设备与国外相比差距很大，以数字程控交换机为例，国内市场上没有国产产品，全部是进口货(美国、欧洲、日本等国的产品报价非常高)。

华为创立后不久，不满足于低端产品的代理和仿制，集中力量甚至孤注一掷地主攻数字程控交换机，并于20世纪90年代中期取得突破，既赢得了市场空间，也迫使国外进口产品大幅度降价。除数字程控交换机外，华为后来陆续开发的网络通信产品(比如路由器等)，也基本上是按照“模仿——创新——替代”的路径在国内市场逐渐取得优势的。

国内市场上对国外产品的替代，我们称之为“一次替代”。这种“替代”对于后发国家经济发展具有重大意义，是后发经济体实现工业化、追赶发达经济体的必由之路。如果在主要的产业都实现了这种替代，则民族工业体系基本形成。综观我国工业部门，通信设备领域的替代是最成功的，这一方面是因为政府政策的作用(对民族工业予以一定的保护)，另一方面是因为以华为为代表的一批市场化程度高的企业卓有成效的努力。

相比之下，民用汽车的进口替代是最不成功的。主要原因是非市场化的方式向外资开放市场并保护原有国有汽车制造企业(向外资企业开放了市场但并没有真正换来技术通过强制外资汽车企业与国有汽车企业合资，保证了后者的“管制红利”，但技术能力和管理能力都没有发育起来。一定程度的垄断推高了产品价格，影响了消费者利益。而民营汽车企业一直处于“边缘化生存”的状态)。

可见，没有真正的市场竞争，就不可能有产业的发育和壮大。目前，在装备、材料、电子元器件等领域，国内市场上的进口替代正持续发生。

国际市场的“第二次替代”

当华为在国内市场已有一定地位和优势、人力资源积累到一定程度时，及时将战略重心转向国际市场，将“替代”的 故事 在国外又上演了一回。只不过这回渗透进入了国外产业巨头的市场领地。如果说本土市场上的“一次替代”有赖于与地缘相关的因素和条件的话，那么“二次替代”才真正见证了企业的竞争力。

尤其值得注意的是，当“二次替代”从不发达国家市场转到发达国家市场(欧洲)时，“替代”的内涵有所变化：长期由国外品牌占主角的部分高端市场开始出现松动。这与全球金融危机和经济衰退有关，因为国外老牌运营商也在压缩投资，寻找价廉物美的新兴设备及系统供应商。从这个意义上说，衰退周期对于华为这样的挑战者来说，或许具有一定的正向意义。

朋友们一定会问：华为怎么能在国内、国外两个市场实现“两个替代”?“替代”背后的原因、理由是什么?我认为，主要是三个方面的原因和竞争优势：产品性价的优势，客户导向的技术创新优势和客户关系管理优势。

不可抗拒的产品性价的优势

华为作为后发的挑战者，总体上说属于技术的学习者和消化者(不排除某些方面技术领先)，其优势主要在于“客户效用”和“顾客代价”(产品价格加上交易成本，以前者为主)的比值。直白地说，即在产品性能满足客户基本要求，与国外竞品接近、相当甚至局部有所超越的情形下，价格更具竞争力。相对于“高高在上”的国际主流品牌，华为的做法基本上属于“破坏性创新”。

通信及网络产品的主要成本在于开发，其中的主要部分是知识型员工的劳动报酬(按照经济学的说法，这些产品凝聚了大量的智力劳动)。华为产品性价比优势的背后是知识型人才的性价比优势。20世纪八九十年代，当大多数人对中国人口红利以及劳动力资源优势的认识限于低端劳动力时(珠三角、长三角地区大批加工型的劳动密集型企业兴起)，任正非敏锐地发现，全球人力资源市场上，中国高端劳动力的优势同样巨大。

首先是供给充分。我国的高等 教育 体系虽然广受诟病，但自20世纪50年代大学院系调整后，工科教育相对完整、品质较高。中国拥有几乎是全球规模最大的工程师人群(缺少的是高端创新型领军人才)。20世纪末至21世纪初的20余年时间内，国有企业及科研机构吸纳工程技术人员的能力下降，大量民营企业对技术人才尚未重视，处于改革开放前沿地区的华为，无论是地缘还是待遇以及组织氛围(华为以“奋斗者为本”，许多传统国企以“人际关系”为本)均有吸引力，吸纳了大批工程技术专业的 毕业 生及年轻人。在这方面，华为与许多“草根”型的民营企业相比更有眼光、更有远见(在战略思想上提出“人力资本优先增长”)，在行动上也更加有力，甚至有“掠夺性”人才引进的说法。至今人们仍在传说华为创业初期如何“垄断”几所邮电大学毕业生的故事。

其次是“价格”低廉。20世纪末，我国工程师的平均报酬大体上是相当于美国、日本、欧洲成熟人力资源市场同类人员的五十分之一(甚至高达百分之一)。当中国工程师的月薪只有1000余元人民币时，欧美已达到数万元(折算成人民币)。这样的人力资源市场为华为提供了获取优质人才的良好条件，使华为可以通过利益杠杆、事业愿景迅速积聚、增值人力资本。

由于““””十年，中国大学基本上没有招生，华为缺少有 经验 的研发人员，也无法形成阶梯式的技术团队，只能重用“学生兵”，将一群稚气未消、任正非眼中的“孩子”推到技术开发一线。天助华为，若干“天才少年”创立了奇功。这种将人才职业生命周期向前移动以及压缩的做法，放大了人力资源成本优势(同样的职位，华为用的是年龄较轻的人，人力成本相对于使用年龄较大的通常要低一些)。

近几年来，我国工程技术人才市场发生了重大变化。首先是合格供给减少。大学扩招导致教育资源被稀释，不利于教育质量的提升优秀学生愿意从事工程技术工作的比例减少即使不考虑扩招因素，近年来大学教育品质令人担忧(风气浮躁，教育伦理受到冲击)新一轮的 出国留学 潮已然形成……其次是薪酬上扬。由于稀缺以及高房价、通货膨胀因素，我国人力资源市场上，工程技术人员薪酬一路上升，和美国、欧洲、日本等发达国家之间的差距在我国部分发达地区(“北上广深”)已经缩小至3至5倍。这一趋势如果继续下去，中国经济的比较优势将不断缩小甚至消失殆尽。

客户导向的技术创新

以华为为代表的中国企业，创业之初技术基础薄弱。唯有依据客户需求，在应用技术层面进行创新，改进产品的局部功能、“人—机”界面或者降低产品的运行、使用成本。这种做法的关键在于深刻、准确洞察客户被忽视和漠视的愿望，并在技术及产品上做出有针对性的回应。当总体技术落后时，我们可以在理解客户层面略胜一筹，以此牵引技术持续的、集腋成裘式的进步。这是追赶型企业成长的关键。

下面列举几次华为创立以来，人们公认里程碑式的技术创新：

第一次是20世纪90年代初期“CC08”交换机开发时，用光纤替代欧美国家普遍使用的铜缆，解决了中国农村市场远程通信网络建设和运行维护问题。

第二次是21世纪初，华为针对欧洲客户存在的机站选址困难、运维成本高等难题，开发出了“分布式无线基站解决方案”，机站及设备可选址的空间范围大大增加(街道柱子、楼顶、过道、地下室、楼梯间等)，建设费用及运维成本大幅度降低。

第三次是近年来，华为根据中国三大运营商三足鼎立、分别建网且制式不一、快速迭代(2G、3G、4G……)的特殊国情，首创性地开发出“Single RAN”网络解决方案(平台)——“一个网络架构、一次工程建设、一个团队维护”，解决了运营商在网络布局、建设、运维方面的不便、低效和困难，使运营商顺畅、快捷地过渡升级到新一代技术，并节约了大量的成本。

目前，华为在部分技术领域已成为全球领先者，正走在从“fastfollower”(快速的跟随者)到“ICT领导者、客户问计对象”的宽广道路上。近20年来华为累计获批专利近4万件。据我一位在国家有关部门工作的朋友称，华为的自主创新成果占到全国所有企业全部成果的2/3。

华为为什么能超越大量的国内企业，真正实现了技术驱动呢?华为持续技术进步的原因是什么呢?除了前面提到的人力资源优势之外，主要的因素在于理念、政策的导向以及机制的设计。概言之，是关注长期成长及竞争要素的战略行为所致。

第一，从导向角度看，华为强调所有的新技术开发、应用，要注重“交付价值”(即最终客户得到的功能和利益)。

也就是说，不为技术而技术。行业内的领先企业，尤其有技术优势的企业，往往会陷入创新陷阱，即超越客户的需求进行技术创新——这就是克莱顿·克里斯坦森在《创新者的窘境》中所分析的“大企业失败”的原因，也是任正非念兹在兹、严加防范的情形。在华为看来，只要坚持客户导向的技术创新，加之灵活的组织形态和机制，就能避开“创新者的窘境”。

第二，华为在资源配置上持续向研发环节倾斜和“压强”(2016年研发费用预期超过销售额的10%)即便在创业初期条件艰苦、资金奇缺的情况下，也坚持向“技术”投资。

华为在成长战略上信奉“深淘滩，低作堰”，前一句指的就是企业即使在困难时期或是行业不景气时，也要苦练内功，锻造核心技术能力。而国内许多企业虽然大谈技术导向，但需要真金白银投入时就含糊、退缩了，显现出“小生产”的“叶公”本色。

第三，按照全球客户资源的分布以及研发人才的禀赋状况在全世界范围内设置研发机构。

比如俄罗斯人数学好，那就主攻算法软件法国人浪漫、艺术感觉好，那就主要研究设计美学……

第四，将研发活动以及机构分层，将基础研究和应用技术、产品技术分离开来，着眼于长期战略和未来优势，配置资源进行基础性研究。

大家都知道，华为有一个研究机构取名“2012”，源于一部灾难性电影名，既是为了增强企业发展的危机意识，同时也寓指从人类社会未来生存毁灭角度探索解决问题的技术路径。

>>>点击下页进入更多精准营销成功案例相关内容

【案例】恒丰银行——基于大数据的精准营销模型应用 https://mp.weixin.qq.com/s?src=3&timestamp=1500159788&ver=1&signature=pCHfpePVrKXUGp39JEg577lopIPT9KCdx9FqIL2LbRmunZMQ-86itFcexY XKcX3Vb1ypwGo8v0IU6fkNgcs QIafGAccsZFmMb6yBYcuPdqH63EKBvL88BGFaUrBBPQl0v*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.logloss

3.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(Mean Average Precision 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/B testing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”(Customer Lifetime Value)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: 0.930451274

precision: 0.8993963783

recall: 0.8357507082

fmeasure: 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top N 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。

大数据时代,招商快车十大精准营销案例

2015年，招商快车——中国最大全渠道大数据营销服务供应商大动作频频，先后与志高、蒙牛、迪士尼、茅台集团、太太乐、三九集团、长松咨询、上海证大、昂立教育、优速通达十大知名品牌达成深度战略合作——从企业营销代运营到大数据精准营销匹配服务。截止目前，招商快车销售额同比增长350%，一线合作企业占比60%，势态喜人。互联网+大数据时代的来临，招商快车勇于突破，敢于先行，DSP商机速配平台、DMP数据营销平台应运而生，全渠道大数据营销服务供应商驻足当代。

2015年是“互联网+”发展的元年，李克强总理在两会期间提出“互联网+”行动计划，互联网首次写入国家政策纲要，标志着互联网产业在新常态经济下的重要作用。随着互联网+战略的不断深化，大数据的话题在新媒体环境下裂变式传播，大数据一词也慢慢被大众所熟知，特别是在“云计算”和“物联网”的广泛应用，大数据的价值越来越受重视和关注。2015年9月5日，国务院发布的《促进大数据发展行动纲要》，全面推进大数据发展和应用；奥巴马的竞选团队依据选民的微博，实时分析选民对总统竞选人的喜好，无不标志着大数据时代的到来。

思路决定出路。大数据时代如山洪猛兽滚滚而来，招商快车基于超过2000万的渠道商、创业者精准数据库，截止日前，招商快车已完成超过2000万IT软硬件设备升级的投入，打造以DSP商机速配平台为核心、以DMP营销数据平台为有力支撑的两大超级平台。依托大数据营销智能化应用、服务，致力于为处于不同生命周期的中国企业，围绕营销及金融价值链中所产生的商业困惑，提供一站式商业模式定位、渠道系统建设、营销内核构造、营销教练、营销外包、O2O解决方案、全网营销、微商解决方案、DMP营销数据应用、DSP商机速配服务、金融增值服务等全渠道大数据营销服务。

十大精准营销案例。由于商业模式成功升级以及IT软硬件设备的成功导入，招商快车先后与志高、蒙牛、迪士尼、茅台集团、太太乐、三九集团、长松咨询、上海证大、昂立教育、优速通达十多家国内外知名企业达成深度合作，销售额同比增长350%，一线品牌企业客户占比60%，创下历史新高。

（2015招商快车十大经典案例）

以志高为例，招商快车结合双方知名度及影响力，为志高制定“互联网+家电+大数据营销”战略，一、提供营销拓展代运营服务；二、依托招商快车DMP营销数据平台为志高提供大数据营销配套；三、全渠道招商落地执行，帮助志高扩大国内外市场占有率，持续推进志高集团由“中国制造”向“中国创造”产业升级。

大数据时代背景下的全球经济，是一场以信息科技为核心的商业革命，它将颠覆传统经济形式、重构全球经济格局新兴产业链。招商快车成功升级商业模式，致力于帮助中国企业提高生产力、降低运营成本，减少运营盲区，使资源配置合理化，经济效益最大化，从而实现国民经济与商业价值的战略双赢。

以上是小编为大家分享的关于大数据时代,招商快车十大精准营销案例的相关内容，更多信息可以关注环球青藤分享更多干货

---