得分與大數據

這是一個簡單的事實,獲取和服務客戶比以往任何時候都更具挑戰性。客戶隻是從各方期待更多與他們做生意,更多的服務,更多的附加值,提高透明度,更多的一切。幸運的是,新技術領域的預測分析和先進的“決策樹”正在使用大數據的現實滿足這些不斷增長的客戶的期望。

到目前為止,熟悉的邏輯回歸方法已被用於分析和評估風險和銷售機會,結合更具體的決策樹。然而,增加的速度,市場和客戶需求不斷變化,這種組合方法越來越過時。例如,我們需要敏銳地意識到,因為邏輯回歸通常是15 - 20個變量有限,很大程度上的準確性是至關重要的在選擇變量。此外,使用決策樹時我們必須注意的是多麼重要,相關規範中包含的客戶可以平等的類別。

現在一個新的和改進的方法。有效地評估複雜的組合風險和挑戰新的銷售機會,最好的方法是多個決策模型用於彼此平行。但是,挑戰並不止於此。這些模型的結果必須是透明的分數秒,在一個可訪問的方式才能有效地應用於客戶端管理過程。

大數據驅動的評分模型的五個步驟:

1. 成千上萬的變量從非結構化大數據被送入模型
2. 隱式關係在這些變量轉化為“最好的”變量,導致可用的數據格式
3. 從這些數據格式、元變量,在特定的特征(新)客戶端存儲
4. 元變量隨後送入決策模型,每個模型認為在評分過程中一個特定的方麵
5. 每個特定決策模型給出了總結果通過加權投票的最後得分

隻有無限的信號的相幹分析客戶風險和銷售機會可以優化分析和應用。這個不應該被低估的重要性:識別信用風險的附加值和顯示銷售機會是巨大的。

在這種方法中,許多風險指標中沒有檢測到傳統的評分模型現在包含在大數據評分過程中,提供更全麵和最終鋪平了道路更好的業務決策。此外,相關性和趨勢在廣泛的數據集可以完美地顯示交叉銷售和追加銷售機會,最大化營業額的潛力。

的各種應用程序的好處,大數據在所有行業的廣泛討論。然而,在這麼多,他們繼續談論它的潛力,而不是它的實際應用。不在:大數據驅動的評分模型,已經使它可以預測未來,而不是僅僅分析過去。

克雷格•埃文斯格雷頓的業務發展