Oracle：客户体验驱动的互联网银行营销服务

ZDNET至顶网CIO与应用频道 07月14日 综合消息：主题为“新银行 新蓝海”的2014年中国银行业座谈研讨会在青岛召开，甲骨文（中国）软件系统有限公司葛孙葳介绍了传统银行怎么充分利用出现的新渠道跟新技术开展精准营销活动。

葛孙葳指出，Oracle同文思海辉有很多的合作，首先我们可以给银行提供规划，整合线上和线下的数据，为营销提供支持，构建实时系统。我们已经在国内好几家银行做了，实施层面，Oracle也能为整个方案提供采集。

甲骨文（中国）软件系统有限公司葛孙葳

以下为演讲实录：

互联网银行给传统银行带来了很多机会，我们可以基于新的渠道给用户提供更好的服务。最重要的一点，互联网银行给我们带来的是业务上的创新，比如人行在3月份公布了电子帐户管理办法的征求意见稿，实际电子帐户的出现让电子银行从传统交易渠道的拓展变成了银行真正可以开展营销和获取客户的渠道，突破了物理网点的限制，这让所有银行重新站在了同一个起跑线上。

当然有机遇必然就有挑战，传统银行在往互联网银行转型的时候，其实也会碰到很多困难和问题。大家现在都在谈互联网金融，包括昨天我跟贾总聊，我们都觉得对于银行来说要做的是互联网银行。过去一年里，银行的业务部门和技术部门都会碰到很多观念上的碰撞跟冲击。当互联网公司开始开展金融服务的时候，我们需要跟他学习什么？我们更应该学习的是它的业务模式还是他的业务？很显然当然是前者。因为互联网公司在开展金融服务的时候其实有两个前提：第一个前提是互联网公司大部分是没有金融牌照的，这时候他必须走一些曲线救国的道路来开展金融业务，而银行不必这样，因为我们本身是有牌照的。第二点，互联网公司没有纳入到中国相对严格的金融监管体系里去。这两点决定了，我们不能照搬互联网公司做的金融业务，而要学习他灵活的业务模式和更好的客户体验。

从银行科技部门角度同样面对这个问题，银行的科技系统传统上是面向交易设置的，那么我们现在是不是要照搬互联网公司架构的模式，去部署很多PC服务器来实现银行的业务？我相信，这种架构跟传统银行的架构之间绝对是融合和补充，而不是替代的关系。这种差异实际上更多是体现在，我们把它叫做交易型的IT架构跟家户型的IT架构的差别，传统银行的特点是交易复杂，交互相对简单，而互联网公司正好相反。

所以，现在银行在面对互联网金融冲击的时候，其实我们更应当做的是怎么样借鉴互联网公司在客户交互层面的经验，弥补我们在过去交易层面的不足，处理好交易式IT跟交互式IT之间的关系。

从另外一个层面看，我们发现市场的博弈关系正在发生变化，我们刚才提到电子帐户的出现让银行突破了物理网点的限制，也就意味着传统上我们的大行依靠网点所获得的优势不复存在了，从这个意义上来说，大家重新站在了同一条起跑线上。另外，大家知道国内的金融监管是比较严格的，这导致银行在产品层面同质化是比较严重的。在这样的前提下，我们会发现用户选择的主动权在变大，因为用户对大行网点优势的依赖在降低，除此之外大家提供的产品都差不多，那这时用户更重视的是什么呢？毫无疑问是客户体验。就是哪家银行能够给我更好的客户体验，能够在更好的层次上给我提供个性化跟定制服务，这时候我自然会倾向于选择这家银行的服务。

所以我们会看到，在互联网时代，我们的营销观念会发生转变，传统上我们在做精准营销的时候，我们的思路是，我们有这样一个产品，我现在需要找到一个客户群体给他们做推荐。但在互联网时代的特点不是我们去主动找客户，而是客户会来找我。这时我们会发现，我们面对的情形是我们有一个客户，我应该为这个客户提供什么样的产品、什么样的服务，或者产品跟服务的组合。

也就是说，我们需要去构建一个跨渠道的、一致的客户体验管理体系，在这样的基础上，我们希望能够实现在合适的时间通过合适的渠道，去给客户提供合适的建议或者推荐。要实现这样的机制和体系，要求我们有全面的数据去做支撑，因为有了数据我们才能更全面的了解客户。

需要什么样的数据呢？传统银行已经积累了大量的数据，这些数据的特点是来自于我们的交易系统，在互联网跟大数据出现之后，其实我们面对的新的数据形态更多的是属于交互数据，也就是说体现的是客户在交易之外发生的事情，客户在进行交易或者进行业务申请流程过程当中，发生了什么样的事情，有没有遇到什么困难？他在完成产品购买或者完成交易之后做了什么？他是不是又看了一些什么产品，或者他是不是在社交媒体上针对媒体发表了一些评论？这是我们希望知道的。对银行来说，这样的数据首先会存在于我们的电子银行系统。其次，这样的数据会存在于社交媒体。

我们刚才提到我们需要去采集交互数据、用户行为数据，为什么要采集这些数据？首要的原因是，我们希望能够洞察客户的真实意图。举个简单的例子，如果我们现在发现有一个客户在我们的网站上浏览某一个理财产品，或者他点击了一个理财产品，但是最终没有完成购买，这样的行为折射出这个客户对这个产品的兴趣，或者说他要买这个产品的意图是清晰的，针对此做精准营销的成功率会很高，是非常简单和直接的。

其次，我们要提升客户体验，那么怎么样知道客户真实的体验到底是什么样的？这就要求我们把客户跟银行之间交互的过程记录下来，针对这些过程我们会去分析，客户在跟银行发生交互过程中他做了什么事情，他是不是在某些环节遇到了困难，他是不是在某些业务中途退出了等等，通过这样的手段对客户体验进行还原和分析，有助于我们切实提升银行的客户体验。

第三，通过线上行为数据的采集可以丰富客户画像，利用客户的行为信息对传统的客户360视图进行扩展，实现对客户更好的洞察和理解。

所以大家看到这张流程图，我们从一个访客浏览我们网站开始，知道他浏览了什么网页，浏览了什么产品，通过分析我们会知道什么样的产品是最近比较受欢迎的，正在浏览这个网页的客户对什么产品感兴趣。再结合我们现有营销活动的信息，就可以给这些客户有目的、有针对性的推动他完成我们在互联网银行交互过程中最重要的转变，就是从浏览到交易的转变。

当他开始启动购买或者交易的流程之后，这时我们获取的信息会比之前的信息多很多，基于这些信息进行分析，我们会看到，用户是不是最终完成了交易？如果没有完成，原因是什么？比如一个信用卡申请会有四五个步骤，我们会分析到底客户在哪个步骤退出的比例是最高的，那我们要反思这个流程设计是不是有些不合理的地方，让客户难以填下去。用户没有完成交易还有一个常见的原因，比如一个客户有30万，他在网银里购买了一个50万起售的产品，所有银行都会弹出一个出错信息您的余额不足，如果我们对这些交互行为进行跟踪，这时候就可以给他一个推荐，我们有一个产品跟这个产品在风险等级和收益水平层面是类似的，但它是30万起售的，您可以选择购买这个产品。大家设想一下，作为客户你会更希望看到哪种情况？毫无疑问是后一种情况，这些都基于我们对行为交易数据的采集和分析。基于这些分析的基础之上，我们希望做一些交叉销售。

无论用户有没有完成交易最后他都有离开的时候，离开的时候他完成了一次完整的访问历程，我们希望把这次访问里有价值的信息处理并积累下来，比如这个用户浏览了什么网页，看了什么产品，做过一些什么样的业务，有没有没有完成的业务，这里有哪些是值得积累沉淀下来体现这个用户的特征的。一旦这些信息积累下来，这个用户对我们再次访问的时候这时他已经不再是一张白纸，我们可以有针对性的对他进行推荐。所以，我们希望构建覆盖用户访问全生命周期的分析体系，丰富客户画像，把线上跟线下的信息整合起来。

当然，客户画像提供给我们的是一个基础信息，我们希望通过这些实现精准营销和推荐。精准营销我们已经做了很多年，但我们会发现传统精准营销流程在互联网时代是不适用的，因为我们的客户跟银行的交互是实时的，我们希望我们做出的推荐是能够马上能到达客户这儿的，基于这样的目的我们的模型不能太复杂。关键点在于，首先我们的营销是事件驱动的，我们的任何促销行为都是用户的行为触发的。另外，在互联网时代，客户的行为实际是非常多样化的，他的行为属性远远比传统银行面对用户的属性多的多，我们很难通过规则的方式把结果罗列出来，所以我们需要有一个决策引擎。除此之外，这种营销一定是互动性的，因为互联网是个典型的双向功能渠道，传统的时候最难的是怎么样获取反馈，这在互联网时代不是问题，我们希望通过客户的反馈来优化未来的推荐策略。

这样的精准营销体系包括四个部分：渠道交互层、数据获取、数据处理与存储、决策引擎，其中决策引擎是整个体系的关键。

下面简单看一下决策引擎的决策流程是什么样的，一个功能完备的基于互联网的实时推荐的决策引擎，首先需要有一套自动的规则和预测模型来确定可用的推荐，然后对这些推荐进行评分，最后选出评分最高的规则推给用户。比如王先生在浏览基金产品，通过历史数据我们知道王先生是一个低风险偏好者，我们有两种决策的机制，一种是基于规则的，这是由业务人员定义的，根据条件决定给客户推荐什么样的产品。第二种是基于自学习的预测模型的，因为互联网上客户的行为是非常多样化的，我们很难去穷举客户行为属性与结果之间的关联规则，而且对于海量规则的管理，对业务人员也是难以承受的。这时候我们更多依赖的自学习、自适应的学习模型，最终实际应用其实我们都是基于规则跟预测模型的结合，业务人员可以灵活调整两者的权重来实现对推荐的人为控制。

最后再来看线上的行为信息怎么影响我们推荐，例如通过线上行为信息采集和分析，发现用户最近浏览高收益、高风险的基金比例明显上升了，这个原因我们可能不知道，也许是他的投资理财理念发生了改变，也许是最近股市行情比较好，但无论原因如何，这种行为预示着用户的投资偏好发生了改变，这时候我们会发现原本在推荐的准入阶段就被排除的一些高风险高收益的产品，现在已经可以在图上的决策树里走到评分环节了。

下面看一下Oracle互联网营销体系推荐的场景，从数据层面我们会发现客户有在线下的交易数据，这样的数据通常会通过数据仓库或者数据集市来处理，并且加载到客户体验的分析视图里面来。另一部分是大数据时代的新数据，这是客户交易之外的数据，体现了他的行为和兴趣，这些数据需要通过大数据平台处理，再进到客户体验的分析平台里面来。最终，我们希望把这两类数据整合起来，做为推荐引擎的输入。

在客户当次的交互过程中，我们会把相关的上下文属性传递给推荐引擎，比如他这次看了什么样的网页、看了什么样的产品。推荐引擎会结合刚才所讲的决策流程，得出一个下一步最佳的推荐返回给交互系统，并且再从交互系统里获取反馈，用来优化未来的推荐，形成一个完整的闭环流程。

在这样的体系里，Oracle可以做什么？其实之前我们跟文思海辉在这个领域也有过很好的合作，首先我们可以给银行提供全面的规划，怎么样整合线上和线下的数据，来为营销提供支持？怎么样构建我们刚才所讲的实时推荐系统。这方面我们已经在国内好几家银行做了，包括大行跟小行都有。从实施层面，Oracle也能为整个方案提供从产品到交付的全面支持，相信通过我们跟文思海辉的合作，能给商业银行在这方面提供价值。