一、財富管理服務進入戰國時代,開發新客戶的兩難
一般而言,企業開發新客戶有兩大方向:
- 提供更誘人的價值服務去競爭對手的圍牆內擄獲對手客戶的芳心
- 提早接觸、教育未來的潛力客戶,耐心等待他們成熟後的價值
但在財富管理這塊特殊市場,要成功搶佔競爭對手的忠誠客戶機率幾乎是很低的
因為這些忠誠顧客的轉換成本很高,特別是他們花長時間才建立起來的信任關係。
這些擁有高資產且需要複雜資產配置與傳承規劃的人,例如投資、節稅、遺產規劃和信託等項目,通常已經和自己信賴的財富管理顧問有長久的合作關係,甚至這樣的合作關係還會延續到下一代。
除非他們對自己現在的顧問有嚴重不滿,或是配合已久的顧問到其他公司服務,否則他們不會輕易將自己的財富規劃交由其他公司處理。
那比較好的策略是?
開發那些新興富裕族群(Emerging Affluent),所謂的「新富族」,他們是還在就業市場上的中壯年族群,有一定的財富且持續累積當中,並願意提早請專業人士來共同規劃退休準備的人。
但這群新富族,因為也還在累積資產的路上,資產總額的可操作價值不像高資產族群那麼高,還需要花一段時間慢慢經營這類潛力族群。
目前多數提供財富管理服務的企業,就面臨了這樣的窘境:
高資產客群難以拉攏吸收,新富族又還不夠成熟
二、開始利用機器學習的技術,在既有客戶的歷史資料中,快速辨別被隱藏的重要線索
其實,不管是高資產還是新富族的劃分
企業經營者最關注的就是一個核心指標,也就是鎖定的客群是否能帶來高報酬、是否有足夠的利潤產生。
所以,真正的問題是,如何透過更多元的線索、且有系統的辨識出具有高報酬潛力的客群,而不是碰運氣去獲得偶然成功、或不斷走單一模式
在過去,多數負責財富管理業務的人員,會傾向從他們過去的成功模式來繼續開拓客源,或根據一些小道消息,知道哪些門路有機會能找到高價值客戶。
但缺點是,這樣的模式較難創造持續穩定、可預期的新客源、也無法將成功模式複製到其他業務人員上,只能靠某幾個明星員工去驅動業績營收。
現在,金融業者們已開始認知到,機器學習(Machine Learning)技術已經是分析龐大且繁雜數據量、找出大數據內隱藏模式的主流手段
他們開始更加重視企業內,既有客戶在過去累積的大量歷史資料,他們利用機器學習的技術,有系統地,找出這些歷史資料的共同特徵
更聰明的去辨別具有哪些特徵/線索的客戶,其實正是具有高價值、對財富管理業績營收將有重大貢獻的潛在客群。
三、用DataRobot自動化機器學習平台(Auto ML Platform),找出過去被忽略但很重要的特徵
幫你快速辨別出除了總資產、年齡、職稱等一般特徵以外的其他重要特徵欄位
(1) 透過DataRobot自動化機器學習(Auto Machine Learning)平台,你只需要決定你要預測什麼指標,決定要請DataRobot去預測的目標欄位(Target)
例如:你想要知道這個潛在客戶,在一年後會幫財富管理事業部帶來多少利潤?就需要有一個欄位叫做Annualized profit one year after on boarding
(2) 針對這個目標欄位,只要確保過去的歷史資料都有對應的數值
因為DataRobot 是屬於監督式機器學習(Supervised learning ),針對要預測的目標欄位,歷史資料中必須告訴機器正確答案是什麼,讓機器從已存在的模式中學習。主要回答 Regression & Classification 類型的問題
☞ 點此了解機器學習有哪三種類別
(3) 而剩下的就全交給DataRobot 處理,包含最花時間的特徵工程、選擇演算法、調整演算法參數等(如下圖)

(4) DataRobot 會幫你自動排名模型的優劣,選出最符合資料模式的模型
DataRobot 內建一百多種由Kaggle-top-ranked data scientists 訓練過的模型,但並不是每次都會把一百多種models跑過一次,而是取決於上傳的數據集特性、Target Variable而有所變化。
☞ 還有其他對DataRobot的好奇?先來看看大家最常問的這5個問題

(5) 最佳模型出來後,接下來就可以拿來做潛在客戶名單的分群
當DataRobot透過足量的客戶歷史資料去做學習,並找到最符合過去資料模式的模型後,便可以針對潛在客戶資料庫,甚至是整個組織的客戶群進行「預測」,而這些預測結果再用來做客戶分群
如此一來,你的客戶區隔可能不再只有高資產&新富族這兩種所有金融業者都知道的大分群,而是可以找到基於個別公司過去的經驗,專屬於你們公司可以獲利的細分客群,進而知道應該把精力聚焦在何處。
(6) 進入細節,除了選出最佳模型,還可以知道哪個客戶特徵(Feature),對目標預測欄位(Target Variable)的影響最大
DataRobot 的 Feature Impact 功能,解決了「演算法黑盒子」的疑慮,因為你可以知道在某個演算法下,不同資料欄位(客戶特徵)對預測結果的影響程度
影響程度最大的那個欄位,就是辨別高價值客戶不可不掌握的一項重要資訊
也就是,當你知道哪些客戶資訊至關重要時,你便可以依此展開業務細節,例如:第一線面對客戶的業務單位,有哪些收集客戶資訊的問題欄位一定要設計進去等。

此外,DataRobot的熱點圖HotSpot,將這些重要的客戶特徵,進一步做組合,可以知道,哪幾種特徵組合最值得優先去開發。
如下圖,深藍色點部分,應該是優先鎖定的客戶分群。



推薦閱讀
【DataRobot @金融業應用】用Auto ML 提高既有AML Program的執行效率
【DataRobot初登場】ML訓練師的秘密武器!AutoML到底是什麼?
☞ 若您對DataRobot 也有興趣,歡迎點此留個言跟我們說,我們迫不及待想幫你加速!🚀
