AI預測應用@金融業/財富管理】 高價值客戶哪裡找?你可能沒想過機器學習還可以這樣用!

有財富管理需求的新客戶不用盲目向外尋找,高價值新客戶的特徵就藏在歷史數據裡,看金融業者如何利用DataRobot,有依循的找到細分市場、潛力新客群 Go to the profile of PGi 樺鼎商業資訊


引言:
光看去年2018年《財訊》的財富管理大調查,榜上名單主要由本國銀行、外商銀行、國內大型券商搶佔市場80%的客群。

在金融大開放的時代下,榜外當然還有保險、投信等眾多金融業者想盡辦法提供各種創新服務。很明顯的,「財富管理業務」這塊大餅早已是兵家必爭之地

特別是近幾年,金融科技在業務場境的應用越來越多元且成熟,各家服務不斷精益求精,只求自家客人越來越忠誠,並一步步悄悄墊高忠誠顧客的轉移成本。

所以,難題來了,當各家金融業者賣力照料既有客戶的情況下,怎麼更聰明的挖掘新的潛力客戶、擴張自家財富管理的業務?

Photo by rawpixel on Unsplash

本文兩大重點

  1. 財富管理服務進入戰國時代,開發新客戶的兩大困境
  2. 利用機器學習的技術,系統化找出潛力客群的重要特徵

一、財富管理服務進入戰國時代,開發新客戶的兩難

一般而言,企業開發新客戶有兩大方向:

  1. 提供更誘人的價值服務去競爭對手的圍牆內擄獲對手客戶的芳心
  2. 提早接觸、教育未來的潛力客戶,耐心等待他們成熟後的價值

但在財富管理這塊特殊市場,要成功搶佔競爭對手的忠誠客戶機率幾乎是很低的

因為這些忠誠顧客的轉換成本很高,特別是他們花長時間才建立起來的信任關係。

這些擁有高資產且需要複雜資產配置與傳承規劃的人,例如投資、節稅、遺產規劃和信託等項目,通常已經和自己信賴的財富管理顧問有長久的合作關係,甚至這樣的合作關係還會延續到下一代。

除非他們對自己現在的顧問有嚴重不滿,或是配合已久的顧問到其他公司服務,否則他們不會輕易將自己的財富規劃交由其他公司處理。

那比較好的策略是?

開發那些新興富裕族群(Emerging Affluent),所謂的「新富族」,他們是還在就業市場上的中壯年族群,有一定的財富且持續累積當中,並願意提早請專業人士來共同規劃退休準備的人。

但這群新富族,因為也還在累積資產的路上,資產總額的可操作價值不像高資產族群那麼高,還需要花一段時間慢慢經營這類潛力族群。

目前多數提供財富管理服務的企業,就面臨了這樣的窘境:

高資產客群難以拉攏吸收,新富族又還不夠成熟

二、開始利用機器學習的技術,在既有客戶的歷史資料中,快速辨別被隱藏的重要線索

其實,不管是高資產還是新富族的劃分

企業經營者最關注的就是一個核心指標,也就是鎖定的客群是否能帶來高報酬、是否有足夠的利潤產生。

所以,真正的問題是,如何透過更多元的線索、且有系統的辨識出具有高報酬潛力的客群,而不是碰運氣去獲得偶然成功、或不斷走單一模式

在過去,多數負責財富管理業務的人員,會傾向從他們過去的成功模式來繼續開拓客源,或根據一些小道消息,知道哪些門路有機會能找到高價值客戶。

但缺點是,這樣的模式較難創造持續穩定、可預期的新客源、也無法將成功模式複製到其他業務人員上,只能靠某幾個明星員工去驅動業績營收。

現在,金融業者們已開始認知到,機器學習(Machine Learning)技術已經是分析龐大且繁雜數據量、找出大數據內隱藏模式的主流手段

他們開始更加重視企業內,既有客戶在過去累積的大量歷史資料,他們利用機器學習的技術,有系統地,找出這些歷史資料的共同特徵

更聰明的去辨別具有哪些特徵/線索的客戶,其實正是具有高價值、對財富管理業績營收將有重大貢獻的潛在客群。

三、用DataRobot自動化機器學習平台(Auto ML Platform),找出過去被忽略但很重要的特徵

幫你快速辨別出除了總資產、年齡、職稱等一般特徵以外的其他重要特徵欄位

(1) 透過DataRobot自動化機器學習(Auto Machine Learning)平台,你只需要決定你要預測什麼指標,決定要請DataRobot去預測的目標欄位(Target)

例如:你想要知道這個潛在客戶,在一年後會幫財富管理事業部帶來多少利潤?就需要有一個欄位叫做Annualized profit one year after on boarding

(2) 針對這個目標欄位,只要確保過去的歷史資料都有對應的數值

因為DataRobot 是屬於監督式機器學習(Supervised learning ),針對要預測的目標欄位,歷史資料中必須告訴機器正確答案是什麼,讓機器從已存在的模式中學習。主要回答 Regression & Classification 類型的問題

☞ 點此了解機器學習有哪三種類別

(3) 而剩下的就全交給DataRobot 處理,包含最花時間的特徵工程、選擇演算法、調整演算法參數等(如下圖)

(4) DataRobot 會幫你自動排名模型的優劣,選出最符合資料模式的模型

DataRobot 內建一百多種由Kaggle-top-ranked data scientists 訓練過的模型,但並不是每次都會把一百多種models跑過一次,而是取決於上傳的數據集特性、Target Variable而有所變化。

☞ 還有其他對DataRobot的好奇?先來看看大家最常問的這5個問題

Model Blueprint is the core technology of DataRobot

(5) 最佳模型出來後,接下來就可以拿來做潛在客戶名單的分群

當DataRobot透過足量的客戶歷史資料去做學習,並找到最符合過去資料模式的模型後,便可以針對潛在客戶資料庫,甚至是整個組織的客戶群進行「預測」,而這些預測結果再用來做客戶分群

如此一來,你的客戶區隔可能不再只有高資產&新富族這兩種所有金融業者都知道的大分群,而是可以找到基於個別公司過去的經驗,專屬於你們公司可以獲利的細分客群,進而知道應該把精力聚焦在何處。

(6) 進入細節,除了選出最佳模型,還可以知道哪個客戶特徵(Feature),對目標預測欄位(Target Variable)的影響最大

DataRobot 的 Feature Impact 功能,解決了「演算法黑盒子」的疑慮,因為你可以知道在某個演算法下,不同資料欄位(客戶特徵)對預測結果的影響程度

影響程度最大的那個欄位,就是辨別高價值客戶不可不掌握的一項重要資訊

也就是,當你知道哪些客戶資訊至關重要時,你便可以依此展開業務細節,例如:第一線面對客戶的業務單位,有哪些收集客戶資訊的問題欄位一定要設計進去等。

此外,DataRobot的熱點圖HotSpot,將這些重要的客戶特徵,進一步做組合,可以知道,哪幾種特徵組合最值得優先去開發。

如下圖,深藍色點部分,應該是優先鎖定的客戶分群。

With HotSpot, the darkest blue dots represent combinations of features with the strongest likelihood of positive outcome, indicating these features should be explored to understand which leads are most valuable.

最後,用一分半鐘,速看DataRobot平台的實際操作演示!

DataRobot 自動化機器學習平台,實際操作演示
DataRobot 背景來歷&團隊資源

推薦閱讀

【DataRobot @金融業應用】用Auto ML 提高既有AML Program的執行效率

【DataRobot初登場】ML訓練師的秘密武器!AutoML到底是什麼?

☞ 若您對DataRobot 也有興趣,歡迎點此留個言跟我們說,我們迫不及待想幫你加速!🚀

您的留言

立即留言

您的信箱不會被公開. *號為必填