销售员怎么才能不被裁?搞关系根本没用,还是得靠硬本领!
一、数据分析实战案例
1、背景
厦门某银行陆续打造了线上线下、丰富多样的客户触点,来满足客户日常业务办理、渠道交易等需求。本文将介绍作者如何通过针对性营销数据分析购买预测来挖掘不同理财产品对客群的吸引力,从而找到目标客群,进行针对性营销,实现“把合适的商品推荐给潜在购买用户”的分析过程
2、思路
二、具体介绍
1、总体分析
了解银行的「资产情况」、「用户分布」、「获客渠道情况」,如下图所示:
该银行客户集中在东南沿海一带,有较强横跨陆港澳及辐射东南亚的国际化特色和优势,建议A银行构建起“以内地为主体、以港澳为两翼”的“一轴两翼”战略布局。于此同时我们也发现该银行在内陆的布局较为有限,仅在四川有部分业务,建议深挖西北发展机会。
新媒体(微博)的获客能力远远落后于行业水平。可以提升其线上运营能力,打造年轻人喜欢的爆款产品,例如与“知乎、网易云、斗鱼”推出联名卡。
2、客户分析
从「月流失用户」这个重要指标中,作者观察到流失用户过高。
为了能够降低流失用户带来的损失,作者运用 RFM 模型将重要挽留用户筛选出来,银行运营人员可以有重点的对这些即将流失的重要用户加大挽留力度。
3、产品分析
结合疫情情势,作者看到 19 年后客户更加喜欢规避风险的投资,黄金和储蓄类产品很受欢迎。可以加大对避险类产品的研发力度。
另外作者对所有产品分析进行了 帕累托分析 (也叫二八分析),找出贡献最多销售额的 1 类产品,在产品分析市场已验证受欢迎的情况下,可以加大对 1 类产品的宣传力度。
4、购买分析
线上购买行为分析
对线上用户从「浏览产品」到「完成支付」中间的购买行为分析使用漏斗图进行转化率分析。通过购买行为分析监控转化率并寻找流程优化点可提高层级与层级之间的转化率,最终提高总成交金额。
渠道复购率分析
对比分析每个渠道的质量,19 年之后很显然是线上复购率效果更好。而该银行线上渠道的获客率远低于行业平均,需要加大优质渠道的获客投入。
(以上均使用FineBI制作)
5、针对性营销数据分析模型预测
作者针对性营销数据分析使用了两个模型:
购物篮分析:寻找产品与产品之间的关联度。在线上界面中可以将关联度高的产品放在一起。或者用户购买完一个理财产品后,跳出对应的联想产品页面给用户做推荐。
Kmeans分析:对用户行为进行聚类分析,可以直观看出要预测的用户(蓝色星星图标)聚类分析后是处于「未购买的用户区域」,还是「已购买的用户区域」。若处于已购买区域,说明该用户极有可能购买产品,可加大对该用户的推广及运营力度。(Kneans 模型分析由作者使用 python 处理分析)