守着金矿难淘金？看百融云创如何为国有大行实现全行级零售业务增益

流量红利终结已经是一个不争的事实,或许事实还要更残酷一些。我们先来看两组数据,据相关统计显示,当产生同等价值,银行新获一名客户所花费的成本是挖掘存量客户的6倍以上。把视角聚焦到某大行,该行消费信贷客户在其整体客群占比较小,与动辄几亿的客群体量形成强烈的对比。

这两组数据共同诉说着这样一个现实,很多银行都面临着“守着金矿难淘金”的尴尬局面。

近年来各大银行纷纷开启“大零售战略”,而如何实现对存量客户的激活并挖掘其增量效益,让客户再次成交则是银行零售战略的重要切入点。

“挖矿淘金”离不开工具的升级。银行纷纷选择利用智能化和数字化的手段来建立一套数字化信贷营销体系,从战略思维、组织机制、乃至数字驱动等方面重塑客户运营理念,以此来聚沙成塔,点石成金。

或许从百融云创与某国有大行合作的零售业务增益项目中,能找到打开存量客户金矿的钥匙。

数字驱动 打造全行范围内零售业务增益范例

百融云创与该国有大行的合作始于2016年,至今已建立起基于模型、业务咨询、智能分析与决策的合作链条,从2021年开始双方再次携手围绕全行范围内零售业务增益项目进行探索。

项目前期,百融云创紧锣密鼓地进行了大量而细致的沟通工作,通过多维度调研,从微观和宏观、战术和战略层面,对行方的业务进行全面诊断。

通过现况诊断,发现消费信贷客群在行方的存量客户规模中占比极低,可以说绝大部分客户并没有被有效挖掘。且大量存量客户分布在不同的系统、渠道和业务线中,导致严重的数据割裂,无法构建一个全行级别的客户信息共享体系。

同时在思维上,还未能针对零售业务形成一整套清晰的方法论,导致行方战略和执行层面无法形成有效合力。

为从根本上解决这种困境,通过数字化赋能,围绕全行级别零售业务构建一个数字驱动、渠道协同、批零联动、运营高效的智能营销生态系统势在必行。

百融云创于2021年年中完成对该行全行范围内零售业务增益项目的方法论研究,定制的AI模型包括储蓄、资管等9类场景累计逾500个特征函数:这意味着限制该行模型功能的“天花板”被直接打开——全部客群模型的KS均达到0.35至0.55,对象区分能力强而稳定,该行营销转化率可提升2至3倍。通过此项目,百融云创与该行催生出更多长期合作,如模型持续更新、迭代优化、全行级别特征工程等。

百融云创还将智能运营中的AI语音服务功能成功嵌入该行零售业务条线,一为IVR+人工模式,另一为IVR模式,相比此前的纯人工工况,两种模式可分别节省成本约50%与90%,且考核结果接近人工服务标准的90%至95%。

在整个项目推进过程中,呈现出三大亮点

百融云创与该国有大行的合作始于2016年,至今已建立起基于模型、业务咨询、智能分析与决策的合作链条,从2021年开始双方再次携手围绕全行范围内零售业务增益项目进行探索。

项目前期,百融云创紧锣密鼓地进行了大量而细致的沟通工作,通过多维度调研,从微观和宏观、战术和战略层面,对行方的业务进行全面诊断。

通过现况诊断,发现消费信贷客群在行方的存量客户规模中占比极低,可以说绝大部分客户并没有被有效挖掘。且大量存量客户分布在不同的系统、渠道和业务线中,导致严重的数据割裂,无法构建一个全行级别的客户信息共享体系。

同时在思维上,还未能针对零售业务形成一整套清晰的方法论,导致行方战略和执行层面无法形成有效合力。

为从根本上解决这种困境,通过数字化赋能,围绕全行级别零售业务构建一个数字驱动、渠道协同、批零联动、运营高效的智能营销生态系统势在必行。

百融云创于2021年年中完成对该行全行范围内零售业务增益项目的方法论研究,定制的AI模型包括储蓄、资管等9类场景累计逾500个特征函数:这意味着限制该行模型功能的“天花板”被直接打开——全部客群模型的KS均达到0.35至0.55,对象区分能力强而稳定,该行营销转化率可提升2至3倍。通过此项目,百融云创与该行催生出更多长期合作,如模型持续更新、迭代优化、全行级别特征工程等。

百融云创还将智能运营中的AI语音服务功能成功嵌入该行零售业务条线,一为IVR+人工模式,另一为IVR模式,相比此前的纯人工工况,两种模式可分别节省成本约50%与90%,且考核结果接近人工服务标准的90%至95%。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。

关键词：