傳統的做法 — 一個「定期存款」的案例

銀行閑談 (30) — Machine Learning 將如何扭轉銀行的 Marketing Campaign

一個「定期存款」的案例

加入了 Medium 快要一年,也沒發覺太多有關 Data Science 的華語文章,今天也班門弄斧一下,說個很 Fancy 的題目:

Machine Learning 將如何改扭轉銀行的 Marketing Campaign 呢?

以推廣「定期存款」的 Campaign 為例,該類 Campaign 一般由主管存款產品 (Deposit Product) 或客層管理 (Customer Segment Mgt) 的部門牽頭發動 ,除了要 SCR、寫 T&C、過 compliance、做 budget、做 PM、做 UAT、做 artwork、做 branch memo 等等一大堆 BAU 的事情需要處理外,有 2 個很重要關節需要決定

  1. 「遊戲方法」,例如「多少定期存款可以多得多少額外利息」?
  2. 「目標客戶」,我應該要把宣傳訊息發給什麼客層、年齡、歲數、結餘、曾參加什麼 Campaign、有多少產品在我們銀行的客戶呢?

這兩個問題的傳統做法是,牽頭部門會利用它們對「客戶的認識」及對「類似 Campaign 經驗」作決定 (那當然有多少 budget 也是第一考慮點啦),例如 :

「這次就向 30 — 50 歲、有 50 — 100 萬結餘、同時最近信用卡有大額消費的客戶宣傳吧」!

好兒戲?喂,人哋喺呢行做咗 20 年,你落去白撞都唔係咁易贏到人哋個喎。btws,那成效怎麼樣呢?

華田的經驗是,以存款的 Campaign 為例,你每出 100 封DM / e-DM / SMS,有 10+ 個客戶回應真的非常不錯,很多時候都是 single (very) low digit,即是說每 100 個宣傳信息,最少也有 80+ 個是在燒銀行的錢 (郵費最平都 2 蚊喇大佬),也在燒客戶的時間 (田太按:銀行又 send 埋晒啲垃圾畀我喇)。

但 Machine Learning 將會徹底逆轉這個事實。

kaggle 是一個提供真實數據作 machine learning 比賽與交流的平台,今次便利用一家葡萄牙銀行一個定期存款的 campaign 案例作一個示範,展示 machine learning 將如何解答上文第二個問題:

誰是我們的「目標客戶」呢?

先給 machine 一些 training

銀行經已先行致電約 34,000 個客戶,其中只有少於 12% 的客戶參加 campaign,失敗率是 88%。我們一般統稱這 34,000 個案例為 training set。

我們可以首先抽出這 34,000 個客戶的資料,包括基本資料 (如歲數、性別、婚姻況狀、教育程度)、上回 campaign 的反應 (如有沒有參加、電話談了多久、上回致電是星期幾、致電用什麼方式) 和其他周邊資料 (如隔了多久沒有再聯絡客戶、同時有多少 campaign 指向同一客戶等),然後標上「yes」 /「no」的標籤,再要求電腦找出相對應的 pattern,例如製作以下的 decision tree。

再把這套 decision tree 套在未知的 data 上,找出 decision tree 認為會成功的客戶作為「精選」客戶。結果如何呢?

machine 在 training 後的表現

我們一早預留了約 11,000 個系統未曾見過的 record 作測試 (testing set), decision tree 提議致電其中 373 個客戶,當中有 230 個參加 campaign,成功率為 62%!

當然心水清的讀者會說,11,000 個客戶中,理應有約 12% 即 1,300 人會參加 campaign,系統只找到當中 230 個,錯失了當中的 1,079 個,太水了吧。

這裏有 3 點要回應的:

  1. 聯絡了、但沒有參加的客戶將直接對銀行構成成本,所以 call list 的命中率才是關鍵哦!
  2. testing set 中只有 11,000 人作比對,但現實世界中銀行還沒有聯絡的客戶才不止 11,000 人呢。這個 testing set 只是告訴我們,decision tree 能精選出當中 3.1% 客戶,當中成功率為 62%。
    即是說如果銀行還有 2,000,000 的客戶,只需向精選的 61,000 人宣傳,便能得到 37,000 參加 campaign!
  3. Decision Tree 只是一個起點,還有更多更切合這個案例的 model 可以應用,例如利用 Random Forest,華田便得到了成功率更高的精選方案了。同時,我們可以把「精選」的門檻調底,在接受更多失敗個案的同時,確保沒有錯失會參加的客戶。

21 世紀的銀行業將會是 data-driven 的年代,機器能做的、甚至比人做得更好的將會統統都交給機器去做。以上述的例子,不要說是 62% 的成功率,就算是 40% 都會是史無前例地成功,誰的「經驗」可以做到這個效果?

那「人」會做什麼?

Agile、Scrum、Design Thinking、Co-Creation 等等的新名詞近年於銀行界不絕於耳,人將只會做需要「創意」的事、需要「感覺」的事。

保特多快也不夠錢七快,跑步還是留給機器吧。

各位 bank worker,未來得及退休的,繫好安全帶吧。

銀行閑談 (28) — 「 刷臉支付」要進軍全國了
「 刷臉支付」會是未來電子支付的主流嗎?medium.com
銀行閑談 (26) — 仲用現金夾錢吃飯?用快速支付 Faster Payment 啦!
銀行界 9 月份的最大新聞,一定是 (盛傳) 於 9 月 18 日推出的快速支付系統 (Faster Payment System, FPS),一眾的 bank workers 已嚴陣以待確保這個被 HKMA…medium.com