银行在历史上依赖于人口统计数据到分部客户,看着年龄,种族,性别,教育水平和地理位置,以设计营销计划和其他客户参与策略。但技术创新加上年轻一代的不断变化的偏好和需求 - 为银行铺平道路更具战略性和在他们的方法中量身定制。此转换的关键正在分析行为数据,以更好地了解消费者的习惯,偏好和财务需求和能力。

两个主要司机正在为这一趋势做出贡献:

  • 机器学习的兴起(ml):ML型号可以轻松使银行能够使用预测分析以识别大量数据之间的模式,让他们能够查看客户的历史活动,以确定哪些服务最适合他们 - 而不是依赖人口统计资料信息来做出假设。
  • 数字服务:随着人们每天使用无数数字产品和服务,银行可以访问各种第三方数据来源,他们可以用来补充自己的信息并设计更多有针对性的优惠。

由于生成Z进入劳动力,因此行为分析所做的个性化对银行尤为重要。到2020年,这个小组将包括20%的劳动力,该数字只会在未来几年增加。作为最近的意见作品的作者美国银行家写道,“Z Z如何看待世界的重要因素,这将影响银行如何到达它们。Gen Z比几代人和抵抗种族和性别的传统定义更为社会意识,使得难以应用这种传统的人口因子。“

如果您是一家希望利用更多知情和成功的客户策略的行为数据,以下是一些要考虑的关键事项:

  • 设置特定目标,KPI和指标:清除定义具体目标以及您将衡量成功的方式应该是任何行为分析策略的第一步。
  • 确定您的数据源:您的数据来源可能会因您的目标和目标而有所不同。例如,您将分析为目标潜在买家的数据与新的抵押贷款提供的数据会与信息通知现有客户的存款证书(CD)计划。
  • 确保此信息的质量:如上所述,银行现在可以访问许多第三方数据来源。这提出了众多可操作分析的机会,但银行首先在运行任何分析之前确保此信息的质量至关重要。

当然,没有坚实的商业智能和分析平台就无法实现上述效益。In order to avail of behavioral analytics (and any other form of analytics, for that matter), it’s critical that companies invest in the right core technology to efficiently access, cleanse, and integrate data from disparate sources and to easily make this information actionable to the variety of stakeholders who need it.

有关银行业的行为分析,请在整体中查看美国银行家这里