【笔记】2017电信大数据普惠金融应用案例

案例来源：微信公众号@天翼大数据

案例地址：http://www.99lt.com/bigdata/bigdata-application/27845.html

（以下为案例的简要概述，便于之后能快速检索到相关内容。部分文字与图片可能直接来自原文，如有侵权请告知，谢谢）

1. 背景：

普惠金融的愿景是将金融服务拓展到欠发达地区和低收入人群，我国从国家层面促进普惠金融的发展。但目前市场缺乏足够的能力来推进普惠金融，原因在于：

1）征信手段欠缺，坏账发生率高

2）传统金融以线下营销为主，难以抵达许多潜在客户

3）线上营销准确率低，成本高

2. 电信拥有的数据：

1）用户网站访问数据

2）用户搜索数据

3）用户APP下载数据

4）用户APP使用数据

5）用户移动位置数据

3. 电信数据应用于竞争营销

3.1 基本流程

与一般 数据融合→清洗→分析不同，这里将权益设计也纳入基本流程中，不同类型用户采取不同权益。

3.2 提高新客获取能力

1）潜客识别：融合不同数据源，构建用户画像，挖掘潜客

2）场景分析：根据用户行为数据，对目标客户分群

3）抵达用户：采用不同权益、不同场景、不同渠道的方式，千人多面进行营销

4）数据反馈及模型迭代

3.3 激活存客消费需求

1）数据拼接：存客是金融机构曾经获取但目前沉默的客户，由于金融数据敏感，因此由运营商将数据导入金融机构内部进行融合

2）场景挖掘：基于数据，优化不同场景下的营销方案和权益设计

3）价值名单：基于数据建立多个画像维度，基于模型进行维度选择。多维交叉分析，对客户价值进行细分

4）数据反馈与模型迭代

4. 电信数据应用于征信与风控

4.1 贷前

1）负面信息审查：电信运营商市场地位高，能够从多方机构核查新客是否有不良记录

2）身份核验：手机卡实名制，运营商 能够对冒名信息进行识别，同时还能识别“养卡”欺诈

3）通话行为欺诈：基于夜间通话行为、通话静默情况、联系人号码数据量、特殊号码通话情况、近三个月停机次数等数据，可以识别新客是否有通信欺诈行为

4.2 贷中：电信的用户数据能帮助金融机构进行用户画像，增加特征以提高风控模型的准确度

4.3 贷后：在贷款发出后，监控用户的通信行为、社交关系、消费能力、生活方式，分析用户是否存在违约风险，从而提前采取措施

5. 案例一——A银行信用卡新客推广

1）需求：A银行面向新客推出10款主题信用卡（境外游、车主卡等），需要识别哪些用户有信用卡需求，以及对哪种卡有需求

2）过程：基于用户价值属性、兴趣偏好、信用卡需求、习惯偏好，建立营销模型。以AUC为评价标准，启动阶段测试集AUC为0.68。

3）营销效果：以短信响应率、进件率、批核率、一卡批核率四个指标对各个环节进行追踪。短信响应率与一卡批核率均有大幅度增长：短信响应率从5.5%到28.4%提升了5倍以上；一卡批核率从70%增长到95%，提升了25个百分点。进件率与批核率也有一定程度的提升，而最终综合营销效果则有着8倍以上的显著提升。

6. 案例二——B银行信用卡存客激活

1）提高激活率：基于银行现有数据，建立模型识别存客的激活能力。结果显示，历史刷卡次数、借记卡余额、客户等级是关键特征。

2）扩大存客营销规模：对照组仅采用银行数据，实验组采用银行+电信数据构建模型。最终对照组提出的可选样本占样本池的10%，实验组提出的可选样本占样本池的20%。结合运营商数据，可以在尽可能维持营销转化率的同时，增大营销覆盖率。

3）针对不同用户进行权益设计：如餐饮偏好，则提供餐饮娱乐优惠券

4）用户价值细分：根据互联网金融活跃度&行内手机银行活跃度，将客户分为鸡肋人群、维持人群、潜在人群和重点人群

5）效果评估：促活率提高了2倍（5.4%→10.7%）

7. 案例三——C银行小贷产品的贷中评估

1）特征有52个，主要维度有：通信行为、消费趋势、波动指数、平均消费额、出入账金额、卡种及数量