金融行业营销行为决策分析 作品概况        本作品以2023年度定期存款销售情况为切入点，探讨了线上线下两种支付模式的全生命周期、分析了在95%置信区间下定期存款能否完成指定目标值的问题，做出了增加推广天数，对应增加新客户数的决策，此外还有客户分析，数据看板，对于作品的完整度、分析思维都有清晰的脉络。 一、选手简介 1、选手介绍 团队名称：要做最强的数分 选手介绍： 王测，毕业于福州大学经济与管理学院，主要从事数据层搭建、报表、BI看板制作等方面。 Herriet，毕业于福州大学，主要负责数据收集，数据清洗，数据治理工作。 2、参赛初衷       希望能够通过比赛积累数据分析经验，认识更加厉害的小伙伴，同时本团队热衷于任何数据治理、数据挖掘等各种数据信息，坚信数据是强大的生产力。 二、作品介绍 1、业务背景/需求痛点 业务背景：目前营销行为存在数据链条未打通、决策分析空白等现实情况，急需通过完整的销售脉络分析、决策支持来解决这一困境，使金融行业营销行为更加合理更加有效。 2、数据来源 UCI 机器学习存储库 外部数据进行格式转换，有data、csv类型数据，进行excel格式转换 数据主要包括：APP客户行为、订单表、客户表、线下营销台账 3、分析思路 3.1 定期存款运营总览 3.1.1待解决问题及前提 打通数据壁垒，显示指标数据。过去的数据报表往往缺乏对全流程的讲解，此部分数据在后面的三部分分析中都有运用的地方。 3.1.2分析思路 指标补充说明 计数指标/总量指标 ①UV（访客数）:指通过互联网访问、浏览这个页面的设备数 ②PV（访问量）: PV是pageview的简写，相对UV来说，PV是指的访问量，每访问一个页面就增加一次，不会去重 ③客户数：当天已下单已支付，且未取消订单的用户数 ④新客户：登记日期=支付完成日期的用户数 ⑤老客户：登记日期<支付完成日期的用户数 复合指标/相对指标 客户转化率：客户数/UV 3.1.3 页面展示 3.2 支付信息全生命周期 3.2.1 全生命周期流程（用于联动） 1、线上支付信息全生命周期： ①用户浏览页面②用户查看详情③生成订单④完成支付 2、线下支付信息全生命周期： ①参加线下活动②填写用户台账③选择定期存款数额④完成支付 3.2.2分析思路 3.2.3 页面展示 3.2.4 思考与总结 线上数据源：根据APP用户行为履历，截取操作内容为主页浏览、查看定期存款详情页的部分，结合订单履历表中支付渠道为线上的数据部分进行分析 线下数据源：根据线下活动参与用户名单、线下用户台账的全部数据，结合订单履历表中支付渠道为线下的数据部分进行分析 由图可知，无论是采用线上支付的方式或者是线下参与活动的方式，在前期都具有高度转化率，从中后期开始，转化率开始直线下降，最终支付转化都只有55%左右，总体转化率是1/3左右。说明该产品的市场接受度高，但认可度不高，可替代品更为优惠，提高转化率的关键在于优化中后期营销手段，如增加页面提示、适当开放优惠政策等。 3.3 决策分析 3.3.1待解决问题 1、用户可自行设置目标销售额，依照目前的销售水平，能否有95%的把握达到目标销售额？ 2、集团8月初预计增加线下推广天数，在能够增加新客户的前提下，应投入多少天的线下推广为最佳方案？ 3.3.2分析思路 3.3.3 页面展示 3.3.4 技术实现 1、用户可自行设置目标销售额，依照目前的销售水平，能否有95%的把握达到目标销售额？ 初步分析：现有1-7月的销售数据，可将年度销售目标总额拆分为月销售目标，利用1-7月的样本量，以5%的显著性水平判断能够达到目标销售额 分析方法：假设检验 前端获取数据：年度销售目标总额 样本量：1-7月所有订单数据（订单表） 自由度：n-1=7-1=6 双侧检验临界值：t（6）=2.447（自己查表） FINEBI自动计算数据：样本均值x，标准差s，检验t值（如仪表板中的列表所示） 是否能够完成目标额：若t值绝对值小于双侧检验临界值（2.447），则接受假设，即能够完成目标；反之则拒绝假设，即不能完成目标 数据显示：（1）前端获取入口：年度销售目标总额（用户填入）（2）指标卡：t值（自动计算得出）（3）指标卡：是否能够完成目标额 （4）列表：年度销售目标月均值，样本均值x，标准差s，检验t值 （5）文字：分析过程及结论 （6）右侧图表：月度销售额   2、集团8月初预计增加线下推广天数，在能够增加新客户的前提下，应投入多少天的线下推广为最佳方案？ 初步分析：8月初要增加推广天数，天数限制1-7天，利用近一周的数据，我们可以模拟出各种推广天数-获得新客户数的情况，算出实际收益，并依据各种情况等可能发生的原则构建列表矩阵，由此就能得出决策 分析方法：运筹学-等可能性分析矩阵 前端获取数据：推广费用X0，新客户下限M1，新客户上线M2，未达到下限损失的销售额X1（元/人） 样本量：近一周的人均成交额 FINEBI自动计算数据：7天-新客户上线M2收益矩阵（如等可能性准则收益矩阵） 最佳决策：取列表中的最大值 数据显示：（1）指标卡：近一周的人均成交额（自动计算得出） （2）前端获取入口：推广费用X0，新客户下限M1，新客户上线M2，未达到下限损失的销售额X1（元/人） （3）文字：分析过程及最佳决策结论 （4）右侧图表：等可能性准则收益矩阵 3.3.5 思考与总结       问题分析往往使用的技术手段是机器学习，思维养成可以是数据挖掘方法，在这个过程中我们走了很多弯路，也尝试了很多方法，试图将复杂的、不可实现的功能在FINEBI上实现。        每当实现了一个定量分析，我们又在想，能够不限制数量，从前端过去用户填入的数值，进行随机性的分析，这样的想法和做法才是符合当今这个“多变”的社会。于是，我们利用FINEBI上的参数进行前端获取数值的动作，推翻之前的定量分析，重新制作计算逻辑。      事实证明，决策分析往往需要历史数据与制定指标的双重结合作为数据基础，再利用清晰的分析思路计算出对应值，即可获得可靠的分析结果。而BI的落地及接地气，是我们觉得我们项目能够长久运营下去的根本！ 3.4 客户分析 3.4.1待解决问题 由概览中可知，支付转化率只有50%左右，说明我们公司对新客户的挖掘、老客户的留存方面做得不佳，需要结合客户分析，寻找提高转化率的方法 3.4.2分析思路 3.4.3 页面展示   3.4.4 思考与总结        在客户分析中，我运用了用户画像、RFM模型、风险评分对用户进行分类，避免犯过于单一、局限的错误。在分析汇总过程中，我们着力解决的3个核心问题分别是：1、高频用户是谁？2、用户价值的分类？3、用户本身存在的风险与人均销售产出（这点在前面的分析中有列出来）根据对高频用户、重点（价值）用户的展示，达到按需满足用户，对症下药。另外，希望个性定制能够在一定程度上提升老客户的留存率，增加新客户的数量，提高支付完成率。 4、最终结果呈现的页面布局   三、参赛总结 1、FineBI工具       我们团队本身对于BI工具的使用是比较高频的，但是在准备本次比赛的过程中，我们又刷新了对BI工具的认知，对“参数”的使用，DEF_ADD的使用让我们觉得，其实BI工具远远不是我们了解得那么简单，BI工具可以结合前端获取的数据，做更深度的数据挖掘，做到很多从前只有Python或者R语言做出的分析！希望以后BI能够支持二开，我们也会持续学习~~ 2、参赛总结        本次比赛收获了很多，在前期的选题过程中，我们本来是要选择“城市幸福感预测”这一主题，但后面准备着准备着，包括和市场部门进行多次沟通，了解了他们对营销手段、决策分析的痛点、难点，我们还是决定选择金融行业中定期存款的市场决策分析作为支点，目的当然是提升支付完成率，提高销售额。        比赛过程中，收到很多以前同学的帮助，了解了各行各业的数据分析手段及挖掘思路，我们两个人也更加坚定了自己要走数分人这条道的决心，希望我们都能够在这个纷扰的世界中坚持当初的理想~