點解收到銀行推廣?可能係銀行做咗呢樣嘢

博客 16:14 2020/05/26

分享:

點解收到銀行推廣?可能係銀行做咗呢樣嘢

有關Data Science的華語文章不多,華田也來班門弄斧一下,說個很Fancy的題目:「Machine Learning將如何改扭轉銀行的Marketing Campaign呢?」

傳統「定期存款」的推廣做法

以推廣「定期存款」的Campaign為例,該類Campaign一般由主管存款產品(Deposit Product)或客層管理(Customer Segment Mgt)的部門牽頭發動 ,除了要SCR、寫T&C、過Compliance、做Budget、做PM、做UAT、做Artwork、做Branch memo等等一大堆BAU的事情需要處理外,有2個很重要關節需要決定:

1. 「遊戲方法」,例如「多少定期存款可以多得多少額外利息」?

2. 「目標客戶」,我應該要把宣傳訊息發給甚麼客層、年齡、歲數、結餘、曾參加甚麼Campaign、有多少產品在我們銀行的客戶呢?

這兩個問題的傳統做法是,牽頭部門會利用它們對「客戶的認識」及對「類似Campaign經驗」作決定(那當然有多少Budget也是第一考慮點啦),例如 :「這次就向30至50歲、有50至100萬結餘、同時最近信用卡有大額消費的客戶宣傳吧」!

那成效怎麼樣呢?

華田的經驗是,以存款的Campaign為例,你每出100封DM/e-DM/SMS,有10個以上客戶回應真的非常不錯,很多時候都是Single(very)low digit,即是說每100個宣傳信息,最少也有80個以上是在燒銀行的錢,也在燒客戶的時間。

但Machine Learning 將會徹底逆轉這個事實。

【延伸閱讀】【銀行短訊】成日收到銀行SMS 知唔知背後銀行做緊咩?

Machine Learning如何扭轉推廣手法?

Kaggle是一個提供真實數據作Machine learning比賽與交流的平台,今次便利用一家葡萄牙銀行一個定期存款的Campaign案例作一個示範,展示Machine learning將如何解答上文第二個問題:

Machine learning如何找尋出「目標客戶」呢?就要先給Machine一些Training。

銀行經已先行致電約34,000個客戶,其中只有少於12%的客戶參加Campaign,失敗率是88%。我們一般統稱這34,000個案例為Training set。

我們可以首先抽出這34,000個客戶的資料,包括基本資料(如歲數、性別、婚姻況狀、教育程度)、上回Campaign的反應(如有沒有參加、電話談了多久、上回致電是星期幾、致電用甚麼方式)和其他周邊資料(如隔了多久沒有再聯絡客戶、同時有多少Campaign 指向同一客戶等),然後標上「Yes」/「No」的標籤,再要求電腦找出相對應的Pattern,例如製作以下的Decision tree。

再把這套Decision tree套在未知的Data上,找出Decision tree認為會成功的客戶作為「精選」客戶。結果如何呢?

我們一早預留了約11,000個系統未曾見過的Record作測試(Testing set),Decision tree提議致電其中373個客戶,當中有230個參加Campaign,成功率為62%!

當然心水清的讀者會說,11,000個客戶中,理應有約12%即1,300人會參加Campaign,系統只找到當中230個,錯失了當中的1,079個,太水了吧。

這裏有3點要回應的:

1. 聯絡了、但沒有參加的客戶將直接對銀行構成成本,所以Call list的命中率才是關鍵哦!

2. Testing set中只有11,000人作比對,但現實世界中銀行還沒有聯絡的客戶才不止11,000人呢。這個Testing set只是告訴我們,Decision tree能精選出當中3.1%客戶,當中成功率為62%。

即是說如果銀行還有2,000,000的客戶,只需向精選的61,000人宣傳,便能得到37,000參加Campaign!

3. Decision Tree只是一個起點,還有更多更切合這個案例的Model可以應用,例如利用Random Forest,華田便得到了成功率更高的精選方案了。同時,我們可以把「精選」的門檻調低,在接受更多失敗個案的同時,確保沒有錯失會參加的客戶。

「人」將需做有「創意」有「感覺」的事

21世紀的銀行業將會是Data-driven的年代,機器能做的、甚至比人做得更好的將會統統都交給機器去做。以上述的例子,不要說是62%的成功率,就算是40%都會是史無前例地成功,誰的「經驗」可以做到這個效果?

那「人」會做甚麼?Agile、Scrum、Design Thinking、Co-Creation等等的新名詞近年於銀行界不絕於耳,人將只會做需要「創意」的事、需要「感覺」的事。

 

【文章來源:華田銀行;已獲授權轉載。原題:銀行閑談 (30) — Machine Learning 將如何扭轉銀行的 Marketing Campaign】

【關於作者】
兒時夢想做i-banker,結果做了bank worker,還要是retail那種。過去在各大小銀行不同部門流徙,叫人借錢、催人還錢、審批貸款、出股票app、出借錢app、出信用卡、廣告策劃、銷售管理、分行佈點、生物認證、電子排隊、機器學習、敏捷開發,到現在還未安定下來。不懂財經、不懂經濟,只想談一下「銀行」這回事。

撰文 : Wallace Tin

欄名 : 華田銀行

緊貼財經時事新聞分析,讚好hket Facebook 專版