《银行客户金融分析系统项目建议书.ppt》由会员分享，可在线阅读，更多相关《银行客户金融分析系统项目建议书.ppt（8页珍藏版）》请在三一办公上搜索。
1、银行客户金融分析系统（CRM）,2006年2月,20的客户产生80的利润,4.Attrition客户流失阶段,Early Termination 早期终止评估模型 Dormancy 睡眠卡评估模型,2.Activation 激活阶段,3.Revolving/Up Sell/Cross Sell 营销阶段,5.Reactivation再激活阶段,Just Paid-Off Reactivation 清账客户营销 Post Paid-Off Reactivation 流失客户营销,1.New Customer发卡阶段,Customer Lifetime Model 发卡甄别模型,通过风险评价体系提
2、高营销效率,提高再激活比率,把有限的资源集中在最有消费潜力的客户,用适合的收益模型来建立长期客户关系,Activation Models 激活模型 Hit&Run Models 筛选模型,Response Model 业务响应分析模型 CLIP信用消费增长评估模型,Customer Lifecycle Management for Profitable Customer Relationship 客户生命周期管理,固定消费增值服务交叉销售,数据收集和集成,数据分析与模型建立,管理决策的实施,完善的客户数据,决策支持和建议,目的：提供完善有效的客户数据，使各部门有机地共享数据，从而提高工作效率及
3、利润。局限：对于数据的理解表面化，对于数据的使用仅停留在统计报表层面,目的：更深层次地理解和使用数据，从而找到利润增长点。工具：先进的数据挖掘和统计模型，资深的行业背景，以及专业化的软件。,进一步完善的管理模式和流程,目的：将客户数据分析所得到的结论应用于实际的商业流程和管理，提高客户满意度已达到客户企业双赢的目的。,我们帮助您实现！,直接邮件/电话促销 预测模型 Propensity Model甄别高风险客户 信用申请评分 Application Scorecard交叉销售 行为评分 Behavior Scorecard,End-to-End Analytic Support,1.拓展新客户
4、,2.提高客户满意度和企业利润,3.现有客户维系,客户分析 客户描述 Customer Profiling 客户细分 Customer Segmentation信用额度提高 行为评分 Behavior Scorecard风险监控 风险评分 Risk Scorecard交叉销售/提升销售 预测模型 Propensity Model,客户流失控制 潜在流失客户预测 Attrition/Inactive Scorecard提前终止预测 提前终止评分 Early Termination Scorecard,最大化客户生命周期价值,客户生命周期:潜在客户-初期客户 初期客户-成熟客户 成熟客户-流失客户
5、,成功案例之一,案例背景:某家商业银行向1,000,000客户邮寄信用卡申请表格。大约6%的客户寄回填写好的申请表，其中16%通过银行的信用审核，从而成为信用卡客户。这个数字大约是10,000，也就是1%的邮寄客户最终成为信用卡客户。邮寄费用是每封信$1，总计$1,000,000 在成为信用卡客户的两年中，每名客户平均为此银行产生$125利润，10,000名客户一共是$1,250,000。扣除邮寄费用，净利润为$250,000。,待解决的问题:如何提高投资回报率（目前为25%）,分析:可以从以下两个方面着手提高投资回报率 提高客户填写并寄回申请表格的比例（目前为6%）应用更先进的信用审核模型，
6、在满足现有银行风险控制机制下，提高信用审核通过率（目前为16%）,成功案例之一,解决方案:随机抽取一小部分客户（50,000名）对其邮寄信用卡申请表 分析最终结果，并在此基础上建立模型来预测客户回应邮件并通过信用审核的可能性 将此模型应用于所有其他客户，另外选择700,000名可能性高的客户发送申请表，加上前期的50,000份邮寄，共产生9,000名信用卡客户,成果:应用模型后，邮寄成本降低25%，利润增加34%。,成功案例之二,案例背景:某家大型美国商业银行，排名前十五位 此银行有意提高现有客户对网上银行的使用程度。该银行计划采用直接邮件的营销策略来吸引现有客户使用网上银行服务,待解决的问题:如何使得推广网上银行的费用最小化,分析:直接邮件的成本较高 历史上来看，客户对直接邮件营销的回应率较低，1%-2%降低成本的关键在于事先识别那些更有可能对此次直接邮件营销回应的客户，然后又针对地发送邮件,成功案例之二,解决方案:随机抽取一小部分客户（2,000名）并对其进行直接邮件营销 分析营销结果，并在此基础上建立模型来预测客户回应邮件的可能性 将此模型应用于所有其他客户，另外选择2,000名回应可能性高的客户发送邮件,成果:应用模型后，新增一名网络客户的成本降低80%,
