随着移动端增长红利趋于减少，各媒体、搜索引擎的在线流量竞价不断⾛⾼。现如今，单纯的在线展⽰⼴告获客成本愈发透明，效果增长乏⼒。随着⼤数据的兴起与机器学习技术的不断提升，集奥聚合通过⾃⾝丰富的客户画像标签体系，结合业界先进的技术，突破传统⼴告的局限性（仅通过⼈为主观精⼼设计的统⼀⼴告页来吸引客户），实现多元优化及精准需求预测，提升各流转环节，达到精准营销。本⽂诣在通过真实营销项⽬案例与⼤家共同探讨学习。 项⽬背景
如果说2013年是互联⽹⾦融元年的话，那么2016年⽆疑是普惠⾦融的爆发年，伴随着⼤数据⾏业的逐步发展，FINTECH 技术的⽇趋完善，普惠⾦融的竞争也愈演愈烈。这种竞争最终直接演变为了各家公司获客能⼒及风控能⼒的全⾯⽐拼。集奥聚合作为⼀家⼤数据创新应⽤服务公司，对于如何利⽤⼤数据技术以及多年积累的运营经验，帮助企业对于其⽬标客进⾏挖掘及营销有着⾃⼰独特的理解和实践。
在本⽂介绍的案例中，取得的效果为：预约率提升为其他渠道的2.5倍左右，投资回报率较其他⽅式提升64%。
项⽬流程
圆跳动怎么测量
1、双⽅基于业务需求进⾏客户匹配，返回脱敏客户标识到集奥聚合进⾏数据贴标；
2、通过分析信贷类产品的客户画像对客户进⾏需求&价值分析，筛选出⾼需求⾼价值客户，给到合作企业进⾏客户需求调研（可根据不同层级客户匹配不同触达⽅式及权益等营销⽅案设计）；
3、根据合作企业实时性数据反馈，进⾏筛选维度调整，不断优化迭代模型，提升各环节转化率。
如图：
需求预测模型介绍
集奥聚合通过标签数据与模型相结合，筛选出最优质客户帮助企业进⾏触达，在提升响应率前提下，达到提升业务收⼊同时节约合作企业各项成本的⽬标。
1、基于标签数据的触发推荐中国农民调查 pdf
提取有对应信贷产品标签访问的客户作为触发推荐基础⽬标客户，根据需求强度不同（本品->竞品->关键词->相关衍⽣品）逐步扩⼤触发⼈基础规模。同时根据不断反馈迭代，扩充相似⾼转化标签，去除低转化标签，优化触发规则。
2、基于客户相似度的模型排序推荐
本项⽬诣在预测客户对借贷产品的需求程度从⽽进⾏个性化营销推荐
（1）模型选择
⽬标变量的样本反馈为真实的有⽆借款需求，即⼆分类问题。本项⽬通过不断尝试，最终选择深度学习技术进⾏模型发现。
（2）特征变量选取及相关算法
机器学习中，⾸要就是出相关特征（特征选择与特征提取）。业界流传名句之⼀：数据和特征决定了机器学习的上限，⽽模型和算法调整只是为了⽆限逼近这个上限⽽已。故此，数据与特征⼯程是机器学习中的重中之重⼀环。由于集奥聚合亿级标签数据的⾼维度、稀疏性等特性，在⼯程上选⽤了⼤约2.5万个特征变量作为输⼊进⼊模型。
（3）模型效果检验
为有效检验模型效果，并兼顾模型泛化、防⽌过拟合，将样本数据进⾏分割，分为训练集和测试集，⽐例为7:3。
效果检验指标采⽤训练集及测试集 AUC（Area under ROC）。libnet
vod点播
通州事件
以下三图分别为：⽋拟合，适度拟合及过度拟合效果⽰意图。⽋拟合会出现训练集及测试集效果均不佳的表现；过度拟合模型结果泛化性差，容易出现训练集结果好，测试集结果差的情况出现。
营销效果
1、根据某信贷机构反馈数据新定制化借贷需求预测模型结果训练集 AUC 为0.82，测试集0.75。原有贷款模型 AUC 为0.63，定制化后效果提升 AUC 为之前的1.19倍；
2、客户预约率为其他渠道的2.5倍左右；
3、通过有效的触达⽅式，核算成按 CPS ⽅式，运营成本较其他项⽬下降节省39%。
⼤数据与机器学习紧密相连，但是⼤数据并不等同于机器学习，机器学习也不完全等同于⼤数据。随着数据量的提升，⼤数据中包含分布式计算、内存数据库、多维分析等多种技术。机器学习只是⼤数据分析中的⼀种⽽已。但机器学习与⼤数据的深度结合使数据可以产⽣更
⼤的价值。基于丰富的数据以及机器学习技术两⽅⾯才能更加精确的进⾏数据“预测”。两者相乘才能发挥出数据的更多价值。
微型红外摄像机
对知识的深刻理解⼀定是建⽴在真正应⽤时。通过实践才可以对理解更近⼀层。成功的机器学习应⽤
不是拥有最好的算法，⽽是拥有更多的数据！所以，欢迎各位希望证实⾃⼰研究价值的有志之⼠加⼊集奥聚合，⼀起在数据的海洋中探索技术与数据相结合的价值之美。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议