上次和大家分享了“信用卡全生命週期分析”的案例，不少朋友都有正向的反饋，今天繼續和大家分享我之前看到的銀行資料分析的案例，這個案例結構清晰，內容詳細，相信朋友們能很快掌握！
01 需求痛點
我們先來了解一下作者進行分析的目的和背景，主要有兩點。一是銀行外呼營銷作為銀行貸款業務獲客最重要的渠道之一，架起了銀行與客戶溝通的橋樑。二是數字化的貸款外呼營銷業務作為銀行業數字化轉型過程中的一個縮影，更需要銀行注重資料的價值挖掘。
- 客群區分不足導致增加了營銷投入成本
根據目前業務存量客戶資料分析，銀行在外呼營銷過程中存在客群區分不足的問題，銀行傾向於將目標客群定位在收入和消費穩定的人群。銀行還存在將不同職業、不同年齡和不同性別的客戶都推送相同貸款產品的情況，這種單一化的策略難以帶來顯著的收入增長。
- 精準營銷能力不足導致ROI有限
外呼營銷業務作為依託資料的銀行業務，具備透過資料分析提升效能的潛力。透過深入掘客戶資料，銀行可以更好地瞭解客戶特點和需求，從而制定個性化的外呼策略，針對性地吸引和轉化潛在客戶，這樣不僅能夠提高ROI，還能減少對客戶的騷擾，提升客戶體驗。
02 分析思路
資料包括兩部分，其中第一部分是銀行業宏觀指標和貸款金額相關資料，第二部分資料來源於kaggle平臺的銀行業外呼營銷公開資料。
作者首先利用銀行業宏觀指標和貸款金額相關資料，對行業現狀進行了分析，主要從資料產出強度、銀行業擴張指數、各項貸款情況、個人使用者對數字銀行的批評及描述分佈這些角度進行了分析。
然後利用銀行業外呼營銷公開資料，分別進行了客戶分析和外呼情況分析兩部分，其中客戶分析具體從個人基礎資訊和聚類分組兩個角度展開，外呼情況分析具體從基礎指標、客戶營銷策略、外呼情況分析、意向客戶分析、進件分析、進件預測這六個角度展開。
具體每一部分所涉及到的指標和視覺化呈現所用的圖表見思維導圖：
資料處理
資料處理共分為三部分：
第一個是Excel資料預處理，作者主要對非標準格式資料進行預處理，包括刪掉標題、單位、資料來源等資訊，並且將二維錶轉換為一維表。
第二個是資料探索處理與模型建立，在這裡作者先是用聚類演算法對銀行既有客戶的綜合水平進行排序和分類，最終將客戶分為了“信用度較低的大齡組、中年高收入組和信用度較好的中年低收入組”三類。然後作者用分類演算法針對客戶外呼時的特徵及反饋建立客戶是否訂購銀行業務的分類模型。
第三個是建立自助資料集，利用FineBI 6.0內建的自助資料集對資料進行合併、分類彙總以及新增列。
03 完整分析過程
銀行業 — — 行業現狀
資料產出強度與擴散指數
有圖可知，與其他行業相比，銀行業的資料產出強度高舉榜首，但是近年來銀行業各主要指標的擴散指數發展平穩，以貸款需求趨勢為例，存在持續下降的趨勢，如何利用銀行業高資料產值的優勢扭轉這一局面是亟待解決的問題。
各項貸款情況
下鑽分析可知，目前企（事）業單位貸款認為銀行貸款業務的主要來源之一，住戶貸款緊隨其後，對其進行下鑽分析可知，中長期的消費貸款是主要的貸款類別，這也是本次資料分析和研究的重點。
下圖可以看出公眾對其的評價呈良性，並且大多數人認為數字銀行營銷能更便捷、精準地提供資訊和服務，這證明了銀行業可以以外呼營銷為切入點，分析外呼情況並以此制定精準營銷策略，積極擁抱數字化轉型。
客戶分析
公司現有客戶性別、購買產品數量分佈圖
由圖看出男性購買貸款產品的人數居多。不論性別，大部分客戶在銀行中的產品數量是1~2件，因此對於銀行現有購買產品的客戶，尤其是隻購買1件的客戶，可以進行進一步的開發，將首購客戶開發為二次客戶。
從客戶的年齡角度來看
如圖可知，35歲來進行貸款的人數最多，達到209人，此年齡正值中青年，產生大額消費的高峰年齡，有較多客戶進行貸款用於創業、買房、購車等活動。
貸款情況人數、各年齡段貸款情況
對客戶年齡進行資料離散化，透過顏色表格可以看到目前在貸的客戶人數最多，其次是結貸結貸4年以上和結貸兩年的客戶，各個客群的貸款主力客戶年齡也是31–40歲的中青年。
注：
- 【在貸】目前在銀行中有貸款的客戶，為活躍使用者
- 【結貸24M】距離上一筆貸款時間在2年的客戶
- 【結貸48M】距離上一筆貸款時間在4年的客戶
- 【結貸48M+】距離上一筆貸款時間在4年以上的客戶
客戶職類分析
如圖可示營銷的客戶中人數佔比最多的三個職業分別為：藍領、行政人員、技術人員。據圖可知：藍領、技術人員進行銀行貸款的可能性更大，作為潛在目標客戶，建議優先跟進，保持高頻溝通。
客戶教育程度分佈
採用玫瑰圖與表格進行資料展示，可以看到：客戶教育程度佔比：客戶主要是高中、大學、基本九年的學歷。從轉化率來看，基本九年、專業課程、高中學歷的客戶轉化率更高。
外呼情況分析
客戶營銷次數分析
計算每位客戶在全年（3月開始首次營銷）累計在外呼名單中出現的頻次數，單個客戶每月名單中只出現一次。外呼名單中的客戶共1萬人（去重計數），根據客戶在全年每月的出現頻次分為6個頻次。營銷40–60次的老客戶共9位，對於這9位客戶應深入挖掘，對於願意接聽電話、有意向的客戶進行利率優惠營銷；對於不接電話的客戶應暫停外呼活動，避免騷擾。
月度接通率、意向率分析
接通率=接通電話數/外呼電話數；意向率=意向電話數/接通電話數
該元件採用折線圖進行展示。以月份為維度對第二次人工外呼營銷情況就行分析：接通率最高的月份集中在6–9月，但意向率最低的月份也在該時間段內，可在該時間段增加貸款業務的型別以供不同客群選擇。4月、5月以及11月的接通率和意向率差距最小，可嘗試提高人工坐席外呼數以及其業務水平。
各省份客戶人數、接通情況
可以看到全國範圍內：陝西省、黑龍江省、甘肅省、廣西省等地區，為銀行貸款的主要營銷客戶，這些地區均為偏遠地區，發展較為緩慢。從接通率來看：四川省、湖北省、河南省、廣西省、雲南省的接通率較好，客戶觸達的人數較多。海南省、山西省的接通率居於末尾，待採取策略進行改進。
外呼情況明細、意向結構分佈圖
首先以月份為維度用表格的形式展現出銀行外呼營銷的具體情況，並使用桑基圖，按照有無意向/未接通 — — 結果為成功/失敗/不存在的層級邏輯展示了意向結構分佈。透過分析成功客戶的特徵可為外呼營銷精準營銷提供策略。
每月客戶意向等級分佈
該元件採用多指標折線圖，以時間為維度，展現了每月客戶意向等級，可以看出客戶的潛在意向率較低，且變化不大，但是無意向率在4月至6月起伏較大，銀行可從外呼內容、產品資訊以及坐席業務水平等方面尋找無意向率升高的原因。
客戶關注點
如圖所示展示，KPI指標卡中的數字代表此關注點出現的次數。可以看到客戶在營銷活動中，最關注的六個點分別為：和客戶經理聯絡、申請條件、額度相關、怎麼辦理、app名稱、不會操作
意向客戶分析
透過對意向客戶的分析可知：中端客群對於營銷的意向率相對較高。客戶收到營銷活動後比較關注的點是不會進行產品的申請操作、想要和客戶經理進行聯絡，在後續話術培訓中，應更注重調整“申請流程”的最佳化調整，做到簡潔明瞭，減少客戶認為流程複雜而放棄申請的情況。後續營銷活動的主要地區可以主攻：海南省、山西省、內蒙、江蘇省、江西省。
進件分析
該元件使用圖示，配合文字下拉列表對外呼結果為成功的客戶情況進行了統計該元件可以渠道為分類維度對該部分其他元件進行聯動分析。
成功率
以月份為維度，採用折現堆積圖的形式展示了有潛在意向的客戶中最終進件成功的比例，該結果與外呼意向率曲線基本吻合，總體成功率和意向率最高的月份集中在5月至10月，該時間段內個人客戶的消費或經營貸款需求處於較為旺盛的階段，建議在該增加外呼坐席數，並針對不同客群推出不同的貸款服務。但是對各進件渠道進行聯動分析後可知，各渠道每月的成功率不盡相同，以“老客推薦”渠道為例，甚至出現了與總體趨勢相反的現象，可進一步探索不同進件渠道的營銷策略。
開啟app速度
該元件以橫向柱狀圖的形式展示了不同進件渠道的客戶開啟app的速度，郵件、簡訊連結、電話這三者是開啟app速度最快的三種進件方式，說明客戶在接受營銷後更傾向於點選現有的連結，建議精簡話術，重點介紹近期產品資訊並在顯眼位置附上進件資訊。
渠道相關性
該元件參考波士頓矩陣分析思路，對【客戶分析】中聚類的三類客群開啟app的速度與客戶最後一次從上一次活動中聯絡後的天數進行相關性分析，以1類客群：高階客群為例，銀行對其的聯絡頻率較低，透過下鑽分析，對該客群而言，更有效的營銷方式是透過郵件和老客推薦的方式。
時長相關性
該元件以散點圖的形式展示了進件成功/失敗兩種結果下人工呼叫時長和AI通話時長的相關性，並引入警戒線，顯示兩者的平均值。以成功進件客戶為例，若進行外呼營銷，建議將通話時長控制在6分鐘以內。
進件預測
為了形成“獲客-活客-價值轉化”的閉環，提高精準營銷效率，針對客戶外呼時的特徵及反饋建立目標客戶是否訂購貸款業務的預測模型。我們選擇引入“web元件”，利用線上文件（進件預測 (shimo.im)），基於預測演算法實現目標客戶是否訂購銀行業務的預測模型。
本分析製作團隊為“颳風吃土隊”，作品榮獲“2023第四屆FineBI資料分析大賽-最具業務價值獎”，點選連結，體驗分析工具FineBI。
☞☞☞更多資訊，點擊關注臉書，與軟妹一同開啓數據之旅，迎接商業智慧新時代！
