“全球有50%的用户已经更换或者正准备更换他们使用的银行。在美国和加拿大，消费者变更自己银行的比例正在上升。”
——GlobalConsumer Banking Survey 2012, Ernst & Young.
用户流失以及用户参与度已经成为大多数银行的一项最重要的议题
有研究表明：“发展一个新客户的成本是维护一个老客户的3-8倍，一个老客户贡献的利润是新客户的10倍以上。”用户参与度每下降5%，则企业的利润将下降25%。获得新用户的代价要远高于保留住现有用户，而重新获得已经流失的用户代价更高。事实上，经过一系列的测试以及研究证实，用户流失是对公司利润的最大破坏。
近期，福布斯杂志上刊登了一篇由各公司领导层关于缺乏对客户理解的文章，“缺少积极的、持续的来自企业或品牌关怀相关的用户体验，会导致企业丢失掉惊人的20%的年收入。这就是银行类企业每年会有一笔数额巨大到上亿元损失的原因！本质上，理解用户的需求、偏好、情绪、动作以及更换银行的倾向已经成为银行最为重要的事。
社交化本地化移动化（SoLoMo）是如何影响到用户体验以及流失的？
在现今这个万物互联的时代，在爆炸式的社交媒体中，坏消息的传播速度惊人。经调查，调查显示，有接近63%的用户使用在线个人网络以及社交网站作为获取可靠银行产品信息的来源。并且，有45%的用户会在社交媒体中对他们获得的服务作出评价。因此通过数据，跟踪到用户的想法并及时的作出相应的决策为客户提供更好的服务及合理的定价策略。
但是，不同渠道的用户情感和用户体验信息存在于各种结构化和非结构化的数据中，这些数据可能会说谎；更不幸是，各种数据之间没有贯通，存在着信息孤岛；这些现实情况使得银行对客户进行全面整体的了解，银行想较早获得客户流失预警信号并启动挽留措施变得异常困难。
最重要的是了解客户以及预测流失
为了能够尽早的鉴别潜在的用户流失倾向，首先需要对你用户的行为进行分析并有一个全面的了解。需要了解银行的客户是怎样使用银行服务的，拨打客服电话、在网站上或移动银行上的交易、又或者是在社交媒体上的互动？。这些历史数据能够让银行较早的了解到一些预警信号，比如交易量减少了，自动支付中止了，或者其他什么对于用户的负面体验，根据这些预警采取具体的措施进行补救来减少流失的发生。
但是，我们前面也提到，客户的信息没有贯通，这让第一时间监测到预警信号并采取措施变得很困难；结果就是，银行最终从不同的碎片化的不完整信息进行策略拟定与实施，导致客户容易流失，损失惨重。
大数据是如何帮助预测潜在流失的？
用户数据生成的数量、种类以及速度的快速增长，使得利用传统的数据管理技术几乎无法存储更无法实时的进行分析并提出有价值的信息。
现在大数据可以帮助我们解决这些困难，并平衡结构化和非结构化的数据。例如银行访问，客户来电日志，网页交互日志，信用卡记录的交易数据，以及客户在社交媒体上的交互数据。
大数据技术解决了数据随着数据的增加可以弹性的扩展，这就让银行可以接触到用户的实时行为，能更好的提供流失预警。此外，精湛的数据匹配能力能链接客户在各个渠道上的交互数据，建立管理问题，通过解决存储、分析、检索大量多样化的结构化非结构化的数据，并且起一个全面的360度画像，全面了解客户，将它转化为可执行的数据决策。
建立预测流失模型
360度的客户画像，对于银行预测潜在流失的客户是否足够呢？要想全面利用好用户的信息，需要建立一个可行的预测流失的模型。有效的客户流失模型的高预测值帮助识别具有高流失风险的客户且能够过滤“羊毛党”，并且对每个流失模型能够构造出效果提升曲线，可视化的展示出相比于不使用模型，使用流失模型所起到的提升作用。
另外，如果银行业不能针对单个客户给出有针对性的营销方案，那么即使能够准确的预测流失客户也是不够的。那些通用的基于大范围客户分类的营销方案会导致挽回率下降。我们需要更加精细化、有明确目的、并且有针对性的制定不同的营销方案，来挽回高流失风险用户，降低流失率。例如使用协同过滤这样的机器学习算法可以有效的提供个性化的解决方案。
简单来说，基于业务流程的用户智能管理，结合大数据技术和成熟的机器学习技术，会让银行在预测以及阻止用户流失，推行个性化推荐和提高用户忠诚度上取得一个全新的、更有竞争力的进步。
西桥科技｜大数据精准营销 解决方案
西桥科技是国内领先的大数据产品与服务提供商，致力于为企业提供完整的基于大数据用户行为分析 的一站式解决方案。已在民生银行、兴业银行、江苏银行等落地应用。
