[恒丰银行]基于大数据的精准营销模型应用

【案例】恒丰银行——基于大数据的精准营销模型应用 https://mp.weixin.qq.com/s?src=3&timestamp=1500159788&ver=1&signature=pCHfpePVrKXUGp39JEg577lopIPT9KCdx9FqIL2LbRmunZMQ-86itFcexY XKcX3Vb1ypwGo8v0IU6fkNgcs QIafGAccsZFmMb6yBYcuPdqH63EKBvL88BGFaUrBBPQl0v*mpgzYxrTCkcaJGaX2iIFRHZEDNCmuM0qhqqN294=

本篇案例为数据猿推出的大型 “金融大数据主题策划” 活动 （查看详情） 第一部分的系列案例/征文；感谢** 恒丰银行** 的投递

作为整体活动的第二部分，2017年6月29日，由数据猿主办，上海金融信息行业协会、互联网普惠金融研究院合办，中国信息通信研究院、大数据发展促进委员会、上海大数据联盟、首席数据官联盟、中国大数据技术与应用联盟协办的 《「数据猿·超声波」之金融科技·商业价值探索高峰论坛》 还将在上海隆重举办 【论坛详情】 【上届回顾（点击阅读原文查看）】

在论坛现场，也将颁发 “技术创新奖”、“应用创新奖”、“最佳实践奖”、“优秀案例奖” 四大类案例奖

本文长度为 6000 字，建议阅读 12 分钟

如今，商业银行信息化的迅速发展，产生了大量的业务数据、中间数据和非结构化数据，大数据随之兴起。要从这些海量数据中提取出有价值的信息，为商业银行的各类决策提供参考和服务，需要结合大数据和人工智能技术。国外的汇丰、花旗和瑞士银行是数据挖掘技术应用的先行者。在国内的商业银行中，大数据的思想和技术逐步开始在业务中获得实践和尝试。

面对日趋激烈的行业内部竞争及互联网金融带来的冲击，传统的上门营销、电话营销，甚至是扫街营销等方式跟不上时代的节奏。利用精准营销可节约大量的人力物力、提高营销精准程度，并减少业务环节，无形中为商业银行节约了大量的营销成本。

虽然恒丰银行内部拥有客户的基本信息和交易等大量数据，但是传统的营销系统并没有挖掘出行内大量数据的价值，仍然停留在传统的规则模型。当下，恒丰银行接入了大量的外部数据，有着更多的维度，如果将内部数据与外部数据进行交叉，则能产生更大的价值。客户信息收集越全面、完整，数据分析得到的结论就越趋向于合理和客观。利用人工智能技术，建立精准营销系统变得可能且必要。

恒丰银行基于大数据的精准营销方案是利用大数据平台上的机器学习模型深入洞察客户行为、客户需求，客户偏好，挖掘潜出在客户，实现可持续的营销计划。

周期/节奏

2016.4-2016.5 完成需求梳理和业务调研，并在此基础上进行总体方案设计。

2016.5-2016.8 整理银行内、外部数据，根据营销需求制定客户标签和设计文档，实施用户画像。

2016.8-2016.10 在用户画像的基础上，构建理财产品个性化推荐系统。其中包括个性化推荐算法调研，模型对比等一系列工作。

2016.10-2017.1 客户需求预测并对客户价值进行建模，并完善整合精准营销应用模型。

2017.1-2017.3 用户画像、个性化推荐、客户价值预测等精准营销模型上线。

客户名称/所属分类

恒丰银行/客户管理

任务/目标

根据零售业务营销要求，运用多种数据源分析客户行为洞察客户需求，实现精准营销与服务，提高银行客户满意度和忠诚度。

针对不同的客户特征、产品特征和渠道特征，制定不同市场推广策略。为了完成以上任务，主要从以下几个方面构建精准营销系统：

1.用户画像： 结合用户的历史行为和基本属性给用户打标签。

2.精准推荐系统： 给用户推荐个性化理财产品， 例如在微信银行中给每个客户推荐他喜欢的产品，帮客户找到其最适合的产品，增加产品的购买率。

3.需求预测和客户价值： 新产品发售的时候，找到最有可能购买该产品的客户，进行短信营销，进而提高产品响应率。客户价值精准定位，根据客户价值水平制定不同的推荐策略。银行通过计算客户使用其产品与服务后所形成的实际业务收益，充分了解每一个客户的贡献度，为管理层提供决策支撑。

挑战

项目实施过程由用户画像，精准推荐系统，需求预测和客户价值建模三部分组成，采用TDH机器学习平台Discover所提供的算法和模型库进行开发和验证。

（一）用户画像的建立

客户标签主要包含客户基本属性，客户等级标签，客户偏好标签，客户交易特征，客户流失特征，客户信用特征，客户终身价值标签，客户潜在需求标签。

（二）精准推荐系统的建立

由于系统复杂，且篇幅有限，仅对其中最重要的理财推荐系统做详细阐述。精准推荐系统架构图如下。

2.1业务问题转化为机器学习问题

业务问题

银行理财产品个性化推荐给客户。 例如在微信银行中给每个客户推荐此客户喜欢的产品，帮客户找到其最适合的产品，增加产品的购买率。

将业务问题转化为机器学习问题

理财产品种类繁多，产品迭代速度很快，客户在繁多的产品中不能快速找到适合自己的产品，因此有必要建立一个自动化推荐模型，建立客户理财偏好，给客户推荐最适合的产品。

将银行理财产品推荐业务问题转化为机器学习问题，进而利用人工智能技术提高推荐产品的点击率和购买率。例如在恰当的时间，通过用户偏好的渠道给用户推荐产品，推荐的结果为用户购买或者未购买。这个问题可以看作一个典型机器学习二分类问题：基于历史营销数据来训练模型，让模型自动学到客户购买的产品偏好，并预测客户下次购买理财产品的概率。对模型预测出所有客户对所有产品的响应概率进行排序，可选择客户购买概率最高的topN个产品推荐给客户。

下面将叙述如何构建该推荐预测模型。

2.2数据源准备

在建立的一个理财推荐模型之前，可以预见到相似的客户可能会喜好相似的产品（需要表征客户和产品的数据），同一个人的喜好可能具有连续性（购买历史交易数据，包括基金国债等），他的存款、贷款资金可能决定了他能购买什么档次的理财等等。因此，我们需要准备以下数据。

客户基本属性：客户性别，年龄，开户时间，评估的风险等级等等。

产品基本属性：产品的逾期收益率，产品周期，保本非保本，风险等级等。

客户购买理财产品的历史：在什么时候购买什么产品以及购买的金额。

客户的存款历史： 客户历史存款日均余额等。

客户的贷款历史： 客户历史贷款信息等。

客户工资：客户工资的多少也决定了客户购买理财的额度和偏好。

用户画像提取的特征：用户的AUM等级，贡献度，之前购买基金，国债的金额等。

2.3特征转换和抽取

有了这么多数据，但是有一部分特征是算法不能直接处理的，还有一部分数据是算法不能直接利用的。

特征转换

把不能处理的特征做一些转换，处理成算法容易处理的干净特征。举例如下：

开户日期。就时间属性本身来说，对模型来说不具有任何意义，需要把开户日期转变成到购买理财时的时间间隔。

产品特征。从理财产品信息表里面可以得到风险等级，起点金额等。但是并没有标志这款产品是否是新手专属，是否是忠诚客户专属。这就需要我们从产品名字抽取这款产品的上述特征。

客户交易的时间信息。同客户的开户日期，孤立时间点的交易信息不具有任何意义，我们可以把交易时间转变为距离上次购买的时间间隔。

特征抽取

还有一部分数据算法不能直接利用，例如客户存款信息，客户交易信息。我们需用从理财交易和存款表中抽取可能有用的信息。

用户存款信息：根据我们的经验，客户购买理财之前的存款变动信息更能表明客户购买理财的真实想法，因此我们需要从客户历史存款数据抽取客户近三个月，近一个月，近一周的日均余额，以体现客户存款变化。

客户交易信息：客户最近一次购买的产品、购买的金额、及其相关属性，最近一个月购买的产品、购买的金额及其相关属性等等。

以上例举的只是部分特征。

2.4构造、划分训练和测试集

构造

以上说明了如何抽取客户购买理财的相关特征，只是针对正样本的，即客户购买某种理财时候的特征。隐藏着的信息是，此客户当时没有购买其他在发售的产品。假设把客户购买了产品的标签设为1，没有购买的产品样本设为0，我们大致有如下训练样本（只列举部分特征）。

其中客户是否购买产品是我们在有监督训练的标签，也就是我们建立的是一个预测客户是否会购买产的模型。

划分训练集和测试集

考虑到最终模型会预测将来的某时间客户购买某种产品的概率，为了更真实的测试模型效果，以时间来切分训练集和测试集。具体做法如下。假设我们有2016-09-01 ~ 2017-03-20 的理财购买相关数据。以2016-09-01 ~ 2017-03-19的理财交易数据作为训练，2017-03-20这一天的客户对每个产品是否购买的数据作为测试。以2016-09-01 ~ 2017-03-18的理财交易数据作为训练，2017-03-19这一天的客户对每个产品是否购买的数据作为测试，以此类推。

2.5模型训练

根据提取的特征，组成样本宽表，输入到分类模型，这里选择了TDH平台机器学习组件Discover所提供的近百个分布式算法进行建模和训练，同时我们还使用了特征的高阶交叉特性进行推荐的预测和分析。

2.6模型评估

评价推荐好坏的指标很多，比较常用的有

1.ROC曲线下面积（AUC）

2.logloss

3.推荐产品第一次命中rank的倒数（MRR）

4.TopN

针对银行的理财推荐实际业务，客户当天绝大多数是只购买了某一款理财，MRR(Mean Average Precision 的特殊情况)能反应这种情况下推荐的好坏。另一种直观的评价指标是TopN，假定我们只推荐N个模型认为客户最有可能购买的产品，并和真实情况比较，就能得到当天推荐的结果的混淆矩阵，TN，TP，FN，FP，recall，precision等。

我们在生产上验证了最近十天的推荐效果，即测试了2017-03-20， 2017-03-19，…… , 2017-03-11等十天的推荐效果，以下是这些结果的评价。

AUC

Logloss

MRR

0.89

0.45

0.78

也可以把新客户（之前没有购买理财）和老客户（至少购买过一次）分开评估效果。 新客户的购买占了整个理财购买的1/3 以上。

测试新客户的预测效果，可以看出模型对冷启动问题解决的好坏。

对新客户的预测效果

AUC

Logloss

MRR

0.80

0.73

0.32

对老客户的预测效果

AUC

Logloss

MRR

0.92

0.38

0.88

2.7模型优化

1.上线之前的优化：特征提取，样本抽样，参数调参

2.上线之后的迭代，根据实际的A/B testing和业务人员的建议改进模型

（三）需求预测和客户价值

“顾客终生价值”(Customer Lifetime Value)指的是每个购买者在未来可能为企业带来的收益总和。研究表明，如同某种产品一样，顾客对于企业利润的贡献也可以分为导入期、快速增长期、成熟期和衰退期。

经典的客户终身价值建模的模型基于客户RFM模型。模型简单的把客户划分为几个状态，有一定意义但不一定准确，毕竟RFM模型用到的特征不全面，不能很好的表征客户的价值以及客户银行关系管理。

为了方便的对客户终身价值建模，有几个假定条件。其一把客户的购买价值近似为客户为企业带来的总收益，其二把未来时间定义在未来一个季度、半年或者一年。也就是我们通过预测客户在下一个时间段内的购买价值来定义客户的终身价值。因此，我们将预测的问题分为两个步骤：第一步预测这个客户在下一个阶段是否会发生购买（需求预测）。第二步对预测有购买行为的客户继续建模预测会购买多大产品价值。

3.1需求预测

提取客户定活期存款、pos机刷卡、渠道端查询历史等特征，以这些特征作为输入预测用户在当前时间节点是否有购买需求，训练和测试样本构造如下：

1.历史用户购买记录作为正样本。

2.抽样一部分从未购买的理财产品的用户作为负样本集合Un，对于每一个正样本Un中随机选取一个用户构造负样本。

3.选取2016.04-201610 的购买数据作为训练样本，2016.11的数据作为测试样本。

使用机器学习算法进行分类训练和预测，重复上述实验，得到下列结果:

AUC: 0.930451274

precision: 0.8993963783

recall: 0.8357507082

fmeasure: 0.8664062729

进一步对客户分群之后，可以更好的对新客户进行建模，对于老客户我们可以进一步提取他们的历史购买特征，预测他们在下一段时间内购买的产品价值（数量，金额等），对于新客户，可以进根据他的存款量预测其第一次购买的产品价值，把存款客户变成理财客户。通过分析客户存款变动于客户购买理财的关系，我们发现客户购买理财的前一段时间内定活期的增加的有不同的模式，如下图。

根据需求预测模型，我们给出新客户最有可能购买的top N 列表，然后由业务人员进行市场推广。

3.2客户价值预测

进一步预测有购买需求的客户的购买价值高低。这是个回归问题，但是预测变量从二分类变量变为预测连续的金额值。训练的时候预测值取训练周期内（一个月或者季度）客户所购买的总金额。

算出客户的当前价值（即当前阶段购买的产品价值）和未来价值（预测的下一个阶段的客户价值）可以帮助我们鉴定客户处于流失阶段，或者上升阶段，或者是稳定阶段。当前价值取的是当前时间前三个月的交易量。对流失阶段高价值客户可以适当给予营销优惠，对于有购买意向的客户适当引导。如下图所示。

结果/效果

一是提高银行营销准确性。随着客户不断增加，理财产品也在不断推陈出新，在实时精准营销平台的帮助下，银行从以前盲目撒网式的营销方式转变到对不同客户精准触达，提高了理财产品的营销成功率，降低销售和运作成本。理财产品推荐的上线以来，产品推荐成功率比专家经验排序模型最高提升10倍。

二是增加银行获客数量。精准营销系统洞察客户潜在需求和偏好，提高了银行获取目标客户群的准确率。从数百万客户中,通过机器学习模型,找到最有可能购买产品的客户群，通过渠道营销，实现响应率提升。相比传统盲发模式，发送原38%的短信即可覆盖80%的客户。

通过构建基于大数据的精准营销方案，恒丰银行深入洞察客户行为、需求、偏好，帮助银行深入了解客户，并打造个性化推荐系统和建立客户价值预测模型，实现可持续的营销计划。

大数据在银行业的应用

一、舆情分析

对于银行来说，舆情分析包括：银行的声誉分析、品牌分析和客户质量分析。它主要是通过分析网络社交媒体的评论，对于客户的流失情况进行预警，还可以通过对新闻热点的跟踪以及政府报道的分析，为银行提供个性化的分析场所。

二、客户信用评级

银行可以通过手机客户申请xyk的数据，分析客户的信用程度，从而帮助业务人员做出相应的决策。

三、客户与市场洞察

银行可以通过跟踪社交媒体的评论信息，利用各种非结构化数据，对客户进行细分，改进客户的流失情况。这是银行对于市场的趋势分析。

四、运营优化

银行通过大数据平台对各种历史数据进行保存和管理，同时可以对系统日志进行维护、预测系统故障，从而提升系统的运营效率。

五、风险与欺诈分析

主要包括财务风险分析、贷款风险分析、各种反洗钱和欺诈调查和实时欺诈分析等内容。所谓财务风险分析是分析信用风险和市场风险产生的数据；贷款风险分析是从媒体或者社会公众信息中提取企业客户和潜在客户的信息。提高对于风险的预测能力和预警能力；反洗钱与欺诈调查是提取犯罪记录的信息；实时欺诈分析则是对大量的欺诈数据进行分析。

银行数据架构规划

随着银行业务的扩展，可以对数据进行架构规划。大数据的数据架构规划可以采用Hadoop技术，即通过与节后或数据进行关联，进一步拓展对非结构化数据的处理。其数据源包括结构化数据、半结构化数据和非结构化数据。半结构化数据和非结构化数据通过网络爬虫的方式来搜集，再经过内容管理处理，将数据进行结构化处理，然后可以将内容管理处理得出的数据信息存放到基础数据存储中。这是基于HDFS存放的非结构化数据。

大数据为银行创造的价值

当银行客户与银行产生交易，会产生大量的数据，这些数据具有大量的业务价值，为银行进行有针对性的营销创造了机会。

在大部分的应用中，随着数据量指数级的增长，特别是一些非结构化数据的快速增长，大量的数据导致分析时间增长，传统的商业智能已经无法满足需求，阻碍了业务的发展，以FineBI为代表的新型BI的涌现，无论在数据处理量和速度上都相比传统BI有突破性的进步。

在很长的一段时间内，银行的大部分业务是建立在客户和银行的交易过程中的，但是为了能更好地为客户服务，光靠依赖这些数据是不够的。随着技术的进步，银行可以通过很多途径来搜集客户的资料。从而进行有针对性的营销。

随着互联网技术的发展，客户可以通过电子渠道对银行业务发表看法或者购买银行产品。这些 *** 作都是为增强对于客户的了解，降低信息的不对称性。

目前来说，在利率市场化的趋势下，存款的稳定性降低，存贷款的利差收窄，数据分析已经逐渐成为银行实现核心业务价值的重要手段。金融脱媒会导致大量客户的流失和客户忠诚度的降低。银行作为“支付中介”的地位开始动摇，客户对于银行服务的要求越来越高。

在这种情况下，银行需要通过大数据深入全名了解客户的基本信息，提升业务运行的效率，逐步提高客户的体验。通过对大数据的加工以及挖掘，可能为银行带来极大的效益，特别是商业银行。

对于银行来说，风险管控和用户营销是未来最重要的两个方向。而对客户的信用评分是实现这两个方向的重要条件之一。信用评分是根据申请人的申请信息和证明材料，帮助业务员作出决策，降低坏账率。

比如：我们可以根据大数据的分析和查询，有针对性地为客户提供理财产品建议和提醒，同时通过对大数据的分析和挖掘，来评估客户的信用风险和资金偿还能力，降低了银行的各种风险。

在银行业中使用数据科学不仅仅是一种趋势，它已成为保持竞争的必要条件。 银行必须认识到，大数据技术可以帮助他们有效地集中资源，做出更明智的决策并提高绩效。

以下我们罗列银行业使用的数据科学用例清单，让您了解如何处理大量数据以及如何有效使用数据。

（1）欺诈识别

（2）管理客户数据

（3）投资银行的风险建模

（4）个性化营销

（5）终身价值预测

（6）实时和预测分析

（7）客户细分

（8）推荐引擎

（9）客户支持

（10）结论

1、欺诈识别

机器学习对于有效检测和防范涉及xyk，会计，保险等的欺诈行为至关重要。 银行业务中的主动欺诈检测对于为客户和员工提供安全性至关重要。 银行越早检测到欺诈行为，其越快可以限制帐户活动以减少损失。 通过实施一系列的欺诈检测方案，银行可以实现必要的保护并避免重大损失。

欺诈检测的关键步骤包括：

获取数据样本进行模型估计和初步测试 模型估计 测试阶段和部署。

由于每个数据集都不同，每个数据集都需要由数据科学家进行个别训练和微调。 将深厚的理论知识转化为实际应用需要数据挖掘技术方面的专业知识，如关联，聚类，预测和分类。

高效欺诈检测的一个例子是，当一些异常高的交易发生时，银行的欺诈预防系统被设置为暂停，直到账户持有人确认交易。对于新帐户，欺诈检测算法可以调查非常高的热门项目购买量，或者在短时间内使用类似数据打开多个帐户。

2、管理客户数据

银行有义务收集，分析和存储大量数据。但是，机器学习和数据科学工具不是将其视为合规性练习，而是将其转化为更多地了解其客户以推动新的收入机会的可能性。

如今，数字银行越来越受欢迎并被广泛使用。这创建了TB级的客户数据，因此数据科学家团队的第一步是分离真正相关的数据。之后，通过准确的机器学习模型帮助数据专家掌握有关客户行为，交互和偏好的信息，可以通过隔离和处理这些最相关的客户信息来改善商业决策，从而为银行创造新的收入机会。

3、投资银行的风险建模

风险建模对投资银行来说是一个高度优先考虑的问题，因为它有助于规范金融活动，并在定价金融工具时发挥最重要的作用。投资银行评估公司在企业融资中创造资本，促进兼并和收购，进行公司重组或重组以及用于投资目的的价值。

这就是为什么风险模型对于银行来说显得非常重要，最好是通过掌握更多信息和储备数据科学工具来评估。现在，通过大数据的力量，行业内的创新者正在利用新技术进行有效的风险建模，从而实现更好的数据驱动型决策。

4、个性化营销

市场营销成功的关键在于制定适合特定客户需求和偏好的定制化报价。数据分析使我们能够创建个性化营销，在适当的时间在正确的设备上为合适的人员提供合适的产品。数据挖掘广泛用于目标选择，以识别新产品的潜在客户。

数据科学家利用行为，人口统计和历史购买数据建立一个模型，预测客户对促销或优惠的反应概率。因此，银行可以进行高效，个性化的宣传并改善与客户的关系。

5、终身价值预测

客户生命周期价值(CLV)预测了企业从与客户的整个关系中获得的所有价值。 这项措施的重要性正在快速增长，因为它有助于创建和维持与特定客户的有利关系，从而创造更高的盈利能力和业务增长。

获得和维系有利可图的客户对银行来说是一个不断增长的挑战。 随着竞争越来越激烈，银行现在需要360度全方位了解每位客户，以便有效地集中资源。 这就是数据科学进入的地方。首先，必须考虑大量数据：如客户获得和流失的概念，各种银行产品和服务的使用，数量和盈利能力以及其他客户的特点 如地理，人口和市场数据。

这些数据通常需要大量清洗和 *** 作才能变得可用和有意义。 银行客户的概况，产品或服务差异很大，他们的行为和期望也不尽相同。 数据科学家的工具中有许多工具和方法来开发CLV模型，如广义线性模型(GLM)，逐步回归，分类和回归树(CART)。 建立一个预测模型，以确定基于CLV的未来营销策略，这对于在每个客户的一生中与该公司保持良好的客户关系，实现更高的盈利能力和增长是具有非常有价值的过程。

6、实时和预测分析

分析在银行业中的重要性不可低估。机器学习算法和数据科学技术可以显着改善银行的分析策略，因为银行业务的每个使用案例都与分析密切相关。随着信息的可用性和多样性迅速增加，分析变得更加复杂和准确。

可用信息的潜在价值非常惊人：指示实际信号的有意义的数据量(不仅仅是噪声)在过去几年呈指数级增长，而数据处理器的成本和规模一直在下降。区分真正相关的数据和噪音有助于有效解决问题和制定更明智的战略决策。实时分析有助于了解阻碍业务的问题，而预测分析有助于选择正确的技术来解决问题。通过将分析整合到银行工作流程中，可以实现更好的结果，以提前避免潜在的问题。

7、客户细分

客户细分意味着根据他们的行为(对于行为分割)或特定特征(例如区域，年龄，对于人口统计学分割的收入)挑选出一组客户。数据科学家的一系列技术如聚类，决策树，逻辑回归等等，因此它们有助于了解每个客户群的CLV并发现高价值和低价值的细分市场。

没有必要证明客户的这种细分允许有效地分配营销资源，并且为每个客户群提供基于点的方法的最大化以及销售机会。不要忘记，客户细分旨在改善客户服务，并帮助客户忠诚和留住客户，这对银行业是非常必要的。

8、推荐引擎

数据科学和机器学习工具可以创建简单的算法，分析和过滤用户的活动，以便向他建议最相关和准确的项目。这种推荐引擎即使在他自己搜索它之前也会显示可能感兴趣的项目。要构建推荐引擎，数据专家需要分析和处理大量信息，识别客户配置文件，并捕获显示其交互的数据以避免重复提供。

推荐引擎的类型取决于算法的过滤方法。协同过滤方法既可以是基于用户的，也可以是基于项目的，并且可以与用户行为一起分析其他用户的偏好，然后向新用户提出建议。

协同过滤方法面临的主要挑战是使用大量数据，导致计算问题和价格上涨。基于内容的过滤与更简单的算法一起工作，其推荐与用户参考先前活动的项目相似的项目。如果行为复杂或连接不清，这些方法可能会失败。还有一种混合类型的引擎，结合了协作和基于内容的过滤。

没有任何方法是普适的，它们每个都有一些优点和缺点，正确的选择取决于你的目标和情况。

9、客户支持

杰出的客户支持服务是保持与客户长期有效关系的关键。作为客户服务的一部分，客户支持是银行业中一个重要但广泛的概念。实质上，所有银行都是基于服务的业务，因此他们的大部分活动都涉及服务元素。它包括全面及时地回应客户的问题和投诉，并与客户互动。

数据科学使这一过程更好地实现了自动化，更准确，个性化，直接和高效，并且降低了员工时间成本。

结论

为了获得竞争优势，银行必须承认数据科学的重要性，将其融入决策过程，并根据客户数据中获得可 *** 作的见解制定战略。 从小型可管理的步骤开始，将大数据分析整合到您的运营模式中，并领先于竞争对手。

由于这种快速发展的数据科学领域以及将机器学习模型应用于实际数据的能力，因此可以每天扩展此用例列表，从而获得更多更准确的结果。

---