• 某國內領先股份制銀行信用卡中心
    交易分期精準營銷
    • 背景與挑戰

      作為國內最大的信用卡發卡行之一,該行的客戶每天使用該行的信用卡產生的刷卡交易達數百萬筆。基于海量的交易規模,結合營銷成本和客戶體驗的考量,該行僅能對非常有限的交易通過短信渠道進行交易分期的營銷觸動。因此,該行迫切地需要通過創新的技術手段,精準地刻畫與把握客戶的分期需求,提升營銷效率。

    • 業務目標

      針對每天數百萬筆的刷卡交易,通過分析每一筆交易持卡人的特征與歷史交易行為,對該筆交易是否可能存在分期需求進行精準的預測,通過實現營銷短信響應率的提升,最終實現交易分期手續費收入的提升。

    • 難點與關鍵成功因素

      相比于針對客戶的營銷,交易分期需要關注的對象更為地微觀——持卡人的每一筆刷卡交易。而每一筆交易是否可能辦理分期,與該持卡人歷史上的交易與分期行為可能存在潛在的相關性。因此,如何有效地利用海量的歷史交易與分期數據,刻畫每一筆交易背后的分期需求,是本項目的難點與關鍵成功因素。

      通過第四范式的先知建模平臺,建模專家與業務專家一起,構建了超過五千萬維的機器學習模型,并利用數千萬級別的歷史營銷樣本,對客戶的需求及偏好進行了深入的剖析和洞察——例如:歷史上在哪個MCC碼上進行過交易的持卡人更有可能辦理交易分期——通過上千萬個類似微觀特征的組合,實現對客戶行為與偏好的精細刻畫,從而挖掘的大量的潛在分期需求。

      此外,該項目另外一個難點在于對超高維度模型的實時計算與響應的支持。基于先知平臺提供的模型發布能力,在本項目中實現了該預估模型的線上毫秒級響應,強有力地支撐了業務實際的應用需求與最終收益提升。此外,該模型也通過不斷地收集短信營銷的結果反饋,進行定期的模型迭代與更新,提供持續優化的營銷決策。

    • 業務成果

      通過統計線上應用的效果,第四范式的交易分期模型,相比于專家規則提升了68%的響應率,最終為該行帶來了超過60%的手續費收入的提升;此外,自學習機制也為該模型提供了線上應用效果穩定性的保障,使該行的業務專家可以將精力更多地投入到機器學習在信用卡領域的應用探索中。

    • 展望未來

      基于不錯的業務效果,行方希望繼續嘗試賬單分期、現金分期、商品分期、差異化定價和期數優化等方案,持續與第四范式開展信用卡營銷領域的探索。

    水中色