|
作品选题
银行外呼业务数据分析与精准营销优化研究
一、选手简介
1、选手介绍
（1）团队选手版
- 团队名称：刮风吃土队2.0
- 队长介绍：帆软社区用户工地民工。时隔一年，刮风吃土队“卷土重来”，进化为刮风吃土队2.0版本，我也从一名大学生转变为了与数据打交道的职场人，从事与建设项目相关的商务管理工作，目前对供应链方向的运维和数据分析感兴趣。
- 成员介绍：帆软社区用户金针菇。去年时候，和队长一起在建筑行业的比赛里大展手脚。论一年的时间能有多少变化：从建筑行业提桶跑路，更换赛道，转向银行业相关的数据分析。
2、参赛初衷
- 提升技能经验：通过参加FineBI数据分析大赛，可在实际业务场景中应用所学的技能，锻炼数据分析和建模能力，并以可视化的形式呈现。
- 拓展知识领域：银行外呼业务与精准营销优化是银行业的一个特定的领域，以此为主题参与FineBI数据分析大赛可以深入了解该行业的运作机制和现有挑战，在此基础上拓展知识面。
- 解决实际问题：银行外呼作为众多金融机构联系客户的有效方式，其业务数据对于对于客户关系维护、在线产品营销和客户价值挖掘具有重要价值，通过分析上述数据可对银行外呼业务的精准营销进行优化，提高外呼成功率和业务量。
- 进行学习交流：帆软社区既是一个知识密集、资源丰富的平台，也是一个与其他数据分析从业者交流的平台，通过参加比赛可以从其他优秀参赛者身上学习到新的数据分析思路和方法。
- 获得认可荣誉：希望能够继续展示本团队的数据分析和数据可视化的能力，延续去年的优秀成果，争取在2023年FineBI数据分析大赛中获得一个好成绩，带来荣誉和奖励。
二、作品介绍
1、业务背景/需求痛点
在当前的竞争激烈和快速变化的市场环境下，传统银行面临着巨大的挑战，为了保持竞争力并迎头赶上，中小银行必须积极拥抱数字化转型。银行外呼营销作为银行贷款业务获客最重要的渠道之一，是银行柜面服务的重要延伸和服务窗口，架起了银行与客户沟通的桥梁。而数字化的贷款外呼营销业务作为银行业数字化转型过程中的一个缩影，更需要银行注重数据的价值挖掘：通过对大量存量客户和外呼数据进行深入分析，银行可以了解客户的需求和行为，精准地定位目标客户群体，并提供个性化的产品和服务；通过数据驱动的决策和运营，银行可以有效地提高业务效率，降低成本，增加收入，从而在竞争中取得优势。总的来说，数字化转型对于中小银行来说不仅是谋现在的问题，更是谋未来的战略，只有通过积极拥抱数字化技术，加强数据驱动的能力，中小银行才能在竞争中脱颖而出，实现持续发展和长期成功。
根据目前业务存量客户数据分析，银行在外呼营销过程中存在客群区分不足的问题，银行倾向于将目标客群定位在收入和消费稳定的人群，例如蓝领、行政人员等，因为这些客群的风险可控且资金稳定。然而，这类客户所带来的单卡收入相对有限，在进行贷款外呼营销时，这部分客户的转化率通常不是最高的。此外，银行还存在将不同职业、不同年龄和不同性别的客户都推送相同贷款产品的情况，这种单一化的策略难以带来显著的收入增长。
外呼营销业务作为依托数据的银行业务，具备通过数据分析提升效能的潜力。然而，目前中小银行在外呼营销中自行开展数据分析与建模的数量有限，更多的仍然是通过海量外呼的形式开展业务，这相对效率较低。对于低转化率客户的外呼不仅浪费了外呼资源，还造成了一定程度的客户骚扰。为了改善这种状况，银行需要加强数据分析与建模能力，以提升营销的精准度和效率。外呼营销业务作为依托数据的银行业务，具备通过数据分析提升效能的潜力。然而，目前中小银行在外呼营销中自行开展数据分析与建模的数量有限，更多的仍然是通过海量外呼的形式开展业务，这相对效率较低，对于低转化率客户的外呼不仅浪费了外呼资源，还造成了一定程度的客户骚扰。为了改善这种状况，银行需要加强数据分析与建模能力，以提升营销的精准度和效率。通过深入掘客户数据，银行可以更好地了解客户特点和需求，从而制定个性化的外呼策略，针对性地吸引和转化潜在客户，这样不仅能够提高ROI，还能减少对客户的骚扰，提升客户体验。
2、数据来源
本团队在【2023年FineBI数据分析大赛】中主要用到了两个方面的数据，第一部分是银行业宏观指标和贷款金额相关数据，数据来源于波士顿咨询公司报告：面向 2020s：银行数字营销现状洞察、中国人民银行调查统计司（pbc.gov.cn）、中国经济数据库（ceicdata.com.cn）和中国电子银行网(cebnet.com.cn)；第二部分数据来源于kaggle（Kaggle: Your Machine Learning and Data Science Community）平台的银行业公开数据，其中包括某银行既有客户情况、外呼情况分析以及人工坐席分析。
以上两部分数据的部分信息如下图所示：
中国人民银行调查统计司 金融机构信贷收支统计
中国人民银行 银行家问卷调查数据
既有客户情况数据
外呼情况分析数据
人工坐席分析数据
- 分析思路
如【数据来源】部分所述，本次参赛数据包括两部分，其中第一部分是银行业宏观指标和贷款金额相关数据，第二部分数据来源于kaggle平台的银行业外呼营销公开数据。
对于银行业宏观指标和贷款金额相关数据，小组成员首先根据不同行业的数据产出强度，分析出银行业背后的数据量十分巨大，具有较大分析价值，接下来通过对银行业宏观及贷款相关指标分析，得出随着时间变化银行业，尤其是贷款需求呈下降趋势，这也间接说明了可以利用数据分析找出下行趋势的原因，并针对性地进行修正，最后利用个人用户对于数字银行营销的评价和描述分布，展现了银行数字化转型和精准外呼营销的必要性。该部分主要通过柱状图、折线图、饼状图等方式体现数据本身的价值，并选用了下钻分析，对各层级的贷款情况进行了说明。
对于银行业外呼营销公开数据，小组成员根据表单类别将本部分数据分析分为了客户分析和外呼情况分析两部分。在客户分析中，小组成员掌握的数据主要集中在某银行现有客户的个人基本信息以及与银行业务相关的业务，前者包括姓氏、地理位置、性别、职业、年龄、教育程度等指标，后者包括贷款情况、是否有信用违约、办卡任期、余额、是否流失等指标，小组成员选择对10000名既有客户进行分析，并对客户进行聚类处理，并以外呼结果为基础，针对各客群进行不同的营销策略分析。在外呼情况分析中，小组成员首先以指标卡的形式对外呼总数、接通数、意向率以及接通率等数据进行了展示，并以月份、交流次数等指标为维度对客户占比、外呼数、接通情况等进行说明。接下来，根据过滤和分类汇总的功能，分析意向等级的结构与分布，并以月份和省份为维度对外呼情况进行了分析，并基于客户关注点针对性地提出营销建议。在进件情况分析中，我们利用联动功能对不同进件渠道进行了分析，包括进件成功数、成功率，并参考波士顿矩阵思路，以客户聚类为类型，对外呼基础情况间的相关性进行了展示，并依据逻辑回归模型建立了目标客户是否订购银行业务的预测模型。
详细思维导图如下所示：
4、数据处理
- excel数据预处理
我们在kaggle平台上下载的数据已为标准的一维表格式，可直接导入FineBI 6.0中使用，该步骤主要对其余数据进行预处理，包括删掉标题、单位、数据来源等信息，并且将二维表转换为一维表。
操作示例如下：
- 删去多余信息
- 将二维表转换为一维表：利用Excel内置的查询编辑器
- 将预处理的数据导入FineBI 6.0
- 数据探索处理与模型创建——聚类算法
1、背景
一个银行客户的等级分类可由多个指标来综合表示，如“既有客户情况”表单数据可视，包括现有某银行已放款的客户名单，信用评分、性别、职业、年龄、预估收入等数据，根据数据对客户进行综合排名和客群聚类分析，并对结果进行解释。基于此背景，使用datahoop相关算法对银行既有客户进行综合分析。
2、分析思路
（1）明确问题：使用数据对银行既有客户的综合水平进行排序和聚类。
（2）数据获取：采用sql语句从数据库下载客户信息。
（3）数据探索与预处理：
1）对原始数据进行描述性统计：
描述性统计：无缺失值、数据形态基本满足正态分布（偏度系数都接近0，且直方图无明显偏差）、几乎无异常值（少数异常值考虑为实际情况，暂不处理）。
 
2）相关性分析：所有变量间相关性较弱，两两之间均为低度相关，可以直接做排序和聚类分析。
3）对数据进行名义化转化，进行独热编码。
4）标准化：因为各项指标之间的量纲不一致，对数据进行标准化处理。
5）主成分分析和聚类分析及结果展示：
主成分分析：选择4个主成分，贡献率累计达到80%以上，降维与排序结果如下
  
聚类分析：选择3个类别进行聚类，3个类别的个数和特征如下
3、分析结论：
0类客户得分和排名最高，属于信用度较低的大龄组，预估收入水平中等，信用度偏低；
1类客户得分和排名中等，属于中年高收入组，已有较高收入的二次借款者居多，信用度中等；
2类客户得分和排名较低，属于信用度较好的中年低收入组，首次贷款人群居多，此客群整体预估收入水平较低，信用度较高。
- 数据探索处理与模型创建——分类算法
- 背景
针对客户外呼时的特征及反馈建立客户是否订购银行业务的分类模型。
2、分析思路
（1）描述性统计：无缺失值、除年龄、客户薪酬、交流次数、AI通话时长、人工呼叫时长、客户最后一次从上一次活动中联系后的天数、打开app速度外全部为类别型变量，其中AI通话时长存在一定的右偏，进行box-cox变换，有部分异常值存在（异常值均为真实数据，且占比较少，暂不进行处理）。类别型变量有的是2分类有的是多分类，需要进行标签编码处理。
 
（2）box-cox变换，将年龄、客户薪酬、交流次数、AI通话时长、人工呼叫时长、客户最后一次从上一次活动中联系后的天数、打开app速度进行box-cox变换，调整为正态分布。
（3）标签编码：将贷款情况、意向等级、职类、结果等多分类变量进行标签编码。
（4）相关性分析：
1）连续性变量相关性：将编码处理后的所有变量与预测客户是否会订购银行业务进行相关性分析，结果发现“人工呼叫时长”、“客户最后一次从上一次活动中联系后的天数”这两个变量和“预测客户是否会订购银行业务”之间的相关程度中等，“预测客户是否会订购银行业务”和其余变量的相关性极低，不存在严重的共线性问题。
2）类别型变量相关性：
①职类与预测客户是否订购银行业务是否有相关性
原假设：职类对预测客户是否订购银行业务没有显著性影响
备择假设：职类对预测客户是否订购银行业务有显著性影响
卡方独立检验可得p小于0.05，原假设不成立，接受备择假设，说明职类对预测客户是否订购有显著影响。
②婚姻状态与预测客户是否订购银行业务是否有相关性
原假设：婚姻状态对预测客户是否订购银行业务没有显著性影响
备择假设：婚姻状态对预测客户是否订购银行业务有显著性影响
卡方独立检验可得p小于0.05，原假设不成立，接受备择假设，说明婚姻状态对预测客户是否订购有显著影响。
③是否信用违约与预测客户是否订购银行业务是否有相关性
原假设：是否信用违约对预测客户是否订购银行业务没有显著性影响
备择假设：是否信用违约对预测客户是否订购银行业务有显著性影响
卡方独立检验可得p小于0.05，原假设不成立，接受备择假设，说明是否信用违约对预测客户是否订购有显著影响。
④是否有住房与预测客户是否订购银行业务是否有相关性
原假设：是否有住房对预测客户是否订购银行业务没有显著性影响
备择假设：是否有住房对预测客户是否订购银行业务有显著性影响
卡方独立检验可得p大于0.05，原假设成立，说明是否有住房对预测客户是否订购没有显著影响。
⑤贷款情况与预测客户是否订购银行业务是否有相关性
原假设：贷款情况对预测客户是否订购银行业务没有显著性影响
备择假设：贷款情况对预测客户是否订购银行业务有显著性影响
卡方独立检验可得p大于0.05，原假设成立，说明贷款情况对预测客户是否订购没有显著影响。
⑥教育程度与预测客户是否订购银行业务是否有相关性
原假设：教育程度对预测客户是否订购银行业务没有显著性影响
备择假设：教育程度对预测客户是否订购银行业务有显著性影响
卡方独立检验可得p小于0.05，原假设不成立，接受备择假设，说明教育程度对预测客户是否订购有显著影响。
综上所述，对“预测客户是否订购银行业务”有相关性的有“是否信用违约”、“婚姻状态”、“职类”、“教育程度”、“人工呼叫时长”、“客户最后一次从上一次活动中联系后的天数”。
3、分类算法分析及结果展示：
（1）采用逻辑回归、决策树、SVM算法进行比较，比较得到逻辑回归模型更优：
逻辑回归：
训练集：
测试集：
分类模型存在训练集accuracy大于测试集的情况，结果不理想，可能是样本不均衡导致，需进一步处理。
（2）采用过采样进行处理后得到逻辑回归模型结果：
训练集：
测试集：
测试集accuracy>训练集accuracy，满足模型基本条件。
（3）建立分类算法模型公式：
Ln（P（Y=1）/P（Y=0））=-0.164- 0.098*“婚姻状况_transfer”-0.421*“是否信用违约_transfer”+0.006*“教育程度_transfer”+0.013*“职类_transfer”+0.0006*“客户最后一次从上一次活动中联系后的天数”+0.006*“人工呼叫时长”
（4）分析结论：
负值越大，为分母的概率就越大，也就是“是否信用违约”、“婚姻状况”系数越大，则预测客户不订购银行业务的概率越大；
反之，正值越大，为分子的概率就越大，也就是“教育程度”、“职类”、“客户最后一次从上一次活动中联系后的天数”、“人工呼叫时长”系数越大，客户越容易购买银行业务。
- 预测模型：
将需要预测的客户信息（相同维度）数据代入模型，进行标签编码与box-cox转换，代入逻辑回归模型进行预测，最终得到结果：
模型：
- 创建自助数据集
FineBI 6.0内置的自助数据集十分强大，可以对上传的数据进行进一步的处理，包括新增公式列、新增汇总列、合并、分类汇总、字段设置等等，我们主要用到了合并、分类汇总以及新增列的功能。
1、由于从kaggle平台下载的数据分为“既有客户情况”和“外呼情况分析”，其中“既有客户情况”表单中为客户基本信息，包括职业、教育程度、预计收入等等，“外呼情况分析”仅为银行对上述客户进行AI外呼营销和人工外呼营销的具体外呼情况，包括外呼日期、外呼时长、外呼结果等等，连接该两张表单的维度为“顾客ID”，为了以联系发展的眼光对数据进行分析，我们选择在FineBI 6.0中用“左右合并”的功能将所需数据列进行合并，以“职业”这一指标为例，将其添加到“外呼情况分析”表单，操作如下：
选择需合并数据的表单，并选择顾客ID和职业，点击确定
“职业”合并入“外呼情况分析”中
- 由于统计组內占比在仪表板中较难实现，我们发现可以在自助数据集中利用“分类汇总”及“新增列”的功能实现该操作，例如以“职业”为维度统计外呼营销转换率（即成功率），首先利用合并的功能将所需数据合并到一张表单中，选择“分类汇总”，以“职业”为分组，将“结果”复制为“结果为成功”后，将两者拖入汇总中，并选择“记录个数”，则可以分别统计出不同职业的外呼成功个数，为了计算出转换率，还需要利用“新增公式列”的功能，计算式为“结果为成功”/“结果，这一就可以较容易地汇总出组內占比，操作图如下：
5、可视化报告
- 第一部分：银行业——行业现状
- 数据产出强度与扩散指数
该组件通过柱状图和折线图的方式，辅以特殊显示和趋势线分析可知，与其他行业相比，银行业的数据产出强度高举榜首，但是近年来银行业各主要指标的扩散指数（扩散指数是一种实证的景气观测方法，将经济指标分为先行、一致和滞后指标，在此基础上构造先行、一致和滞后扩散指数，分析和预测商品市场的波动趋势）发展平稳，以贷款需求趋势为例，存在持续下降的趋势，如何利用银行业高数据产值的优势扭转这一局面是亟待解决的问题。
根据中国人民银行调查统计司的金融机构信贷收支统计进行下钻分析可知，目前企（事）业单位贷款认为银行贷款业务的主要来源之一，住户贷款紧随其后，对其进行下钻分析可知，中长期的消费贷款是主要的贷款类别，这也是本次数据分析和研究的重点。
该组件通过饼状图和柱状图的方式，展现了个人用户对对数字银行营销效果的评价和描述分布，可以看出公众对其的评价呈良性，并且大多数人认为数字银行营销能更便捷、精准地提供信息和服务，这证明了银行业可以以外呼营销为切入点，分析外呼情况并以此制定精准营销策略，积极拥抱数字化转型。
- 第二部分：客户分析
- 公司现有客户性别、购买产品数量分布图
“性别”与“购买产品数量”采用饼图的形式，可以看到：男性客户有5457位，女性客户有4543位，男女比例为1:0.8，男性购买贷款产品的人数居多。不论性别，大部分客户在银行中的产品数量是1~2件，因此对于银行现有购买产品的客户，尤其是只购买1件的客户，可以进行进一步的开发，将首购客户开发为二次客户。
 
 
对每个年龄的人数采用柱形图进行展示，可以看到贷款业务的主要客户分布在30-40岁，整体客户呈现轻微右偏。其中，35岁来进行贷款的人数最多，达到209人，此年龄正值中青年，产生大额消费的高峰年龄，有较多客户进行贷款用于创业、买房、购车等活动。
对客户年龄进行数据离散化，通过颜色表格可以看到目前在贷的客户人数最多，其次是结贷结贷4年以上和结贷两年的客户，各个客群的贷款主力客户年龄也是31-40岁的中青年。
注：【在贷】：目前在银行中有贷款的客户，为活跃用户。
【结贷24M】：距离上一笔贷款时间在2年的客户。
【结贷48M】：距离上一笔贷款时间在4年的客户。
【结贷48M+】：距离上一笔贷款时间在4年以上的客户。
采用玫瑰图与表格进行数据展示，可以看到：
客户职业占比：营销的客户中人数占比最多的三个职业分别为：蓝领、行政人员、技术人员。转化率最高的前三名是：学生 3.26%的转化率、蓝领 2.07%的转化率、技术服务人员 1.93%的转化率。虽然学生的转化率较高，但学生人数较少，占比总人数1%不到，不具有典型性。综上，蓝领、技术人员进行银行贷款的可能性更大，作为潜在目标客户，建议优先跟进，保持高频沟通。
采用玫瑰图与表格进行数据展示，可以看到：
客户教育程度占比：客户主要是高中、大学、基本九年的学历。从转化率来看，基本九年、专业课程、高中学历的客户转化率更高。
计算每位客户在全年（3月开始首次营销）累计在外呼名单中出现的频次数，单个客户每月名单中只出现一次。外呼名单中的客户共1万人（去重计数），根据客户在全年每月的出现频次分为6个频次。可以看到全年累计被营销1-6次的客户居多，且接通率随着外呼次数逐次降低。营销40-60次的老客户共9位，对于这9位客户应深入挖掘，对于愿意接听电话、有意向的客户进行利率优惠营销；对于不接电话的客户应暂停外呼活动，避免骚扰。
 
接通率=接通电话数/外呼电话数；意向率=意向电话数/接通电话数
该组件采用折线图进行展示。外呼营销从22年3月开始，12月结束。总体来看，外呼营销中未接通以及无意向的情况占大多数。以月份为维度对第二次人工外呼营销情况就行分析：接通率最高的月份集中在6-9月，但意向率最低的月份也在该时间段内，可在该时间段增加贷款业务的类型以供不同客群选择。4月、5月以及11月的接通率和意向率差距最小，可尝试提高人工坐席外呼数以及其业务水平。
可以看到全国范围内：陕西省、黑龙江省、甘肃省、广西省等地区，为银行贷款的主要营销客户，这些地区均为偏远地区，发展较为缓慢。从接通率来看：四川省、湖北省、河南省、广西省、云南省的接通率较好，客户触达的人数较多。海南省、山西省的接通率居于末尾，待采取策略进行改进。
首先以月份为维度用表格的形式展现出银行外呼营销的具体情况，并使用桑基图，按照有无意向/未接通——结果为成功/失败/不存在的层级逻辑展示了意向结构分布。总体来看，银行外呼营销未接通以及无意向的情况较多，仅1.82%的目标可以对营销产品有潜在意向并成功订购，通过分析成功客户的特征可为外呼营销精准营销提供策略。
该组件采用多指标折线图，以时间为维度，展现了每月客户意向等级，可以看出客户的潜在意向率较低，且变化不大，但是无意向率在4月至6月起伏较大，银行可从外呼内容、产品信息以及坐席业务水平等方面寻找无意向率升高的原因。
利用词云图与KPI指标卡构成客户关注点展示，KPI指标卡中的数字代表此关注点出现的次数（同一通营销电话中可能产生多个类别关注点，每个关注点只计算首次）。可以看到客户在营销活动中，最关注的六个点分别为：
通过对意向客户的分析可以看到：全年对客户进行外呼营销的最佳次数为3~4次，超过此营销次数后，客户意向率呈现断崖式下降。聚类分析得到的0类客户，也就是中端客群对于营销的意向率相对较高。客户收到营销活动后比较关注的点是不会进行产品的申请操作、想要和客户经理进行联系，在后续话术培训中，应更注重调整“申请流程”的优化调整，做到简洁明了，减少客户认为流程复杂而放弃申请的情况。后续营销活动的主要地区可以主攻：海南省、山西省、内蒙、江苏省、江西省。
 
该组件用迷你图、柱状图，配合文本下拉列表对外呼结果为成功的客户情况进行了统计，五种进件渠道中，向目标客户发送短信链接的成功率最高，其次为电话、老客推荐以及邮件的方式，成功率最低的进件渠道是社交媒体的宣传。该组件可以渠道为分类维度对该部分其他组件进行联动分析。
以月份为维度，采用折现堆积图的形式展示了有潜在意向的客户中最终进件成功的比例，该结果与外呼意向率曲线基本吻合，总体成功率和意向率最高的月份集中在5月至10月，该时间段内个人客户的消费或经营贷款需求处于较为旺盛的阶段，建议在该增加外呼坐席数，并针对不同客群推出不同的贷款服务。但是对各进件渠道进行联动分析后可知，各渠道每月的成功率不尽相同，以“老客推荐”渠道为例，甚至出现了与总体趋势相反的现象，可进一步探索不同进件渠道的营销策略。
该组件以横向柱状图的形式展示了不同进件渠道的客户打开app的速度，邮件、短信链接、电话这三者是打开app速度最快的三种进件方式，说明客户在接受营销后更倾向于点击现有的链接，建议精简话术，重点介绍近期产品信息并在显眼位置附上进件信息。
该组件参考波士顿矩阵分析思路，对【客户分析】中聚类的三类客群打开app的速度与客户最后一次从上一次活动中联系后的天数进行相关性分析，以1类客群：高端客群为例，银行对其的联系频率较低，通过下钻分析，对该客群而言，更有效的营销方式是通过邮件和老客推荐的方式。
该组件以散点图的形式展示了进件成功/失败两种结果下人工呼叫时长和AI通话时长的相关性，并引入警戒线，显示两者的平均值。以成功进件客户为例，若进行外呼营销，建议将通话时长控制在6分钟以内。
为了形成“获客-活客-价值转化”的闭环，提高精准营销效率，针对客户外呼时的特征及反馈建立目标客户是否订购贷款业务的预测模型。我们选择引入“web组件”，利用在线文档（进件预测 (shimo.im)），基于预测算法实现目标客户是否订购银行业务的预测模型。例如，在实际外呼过程中，出现了一位已婚、信用度良好、具有大学学历的企业家，上次联系天数为10天前，并且人工外呼时长为150秒的客户，那么根据预测模型，他较容易订购贷款业务。
 
- 最终结果呈现的页面布局
公共链接：https://bisolutions.fanruan.com/webroot/decision/link/ZkpM
三、参赛总结
今年的FineBI数据分析大赛是“刮风吃土队”参加的第二次比赛，在获得2022年FineBI数据分析大赛“最佳行业应用奖”的这一年內，两位成员的生活都发生了巨大的变化，其中一位成员顺利从大学毕业并且在对口的工作岗位上开始了自己的职业生涯，另一位成员也顺利转行，成为了一名专职数据分析师。再次参加FineBI数据分析大赛，除了想再续荣光，更多的是将数据思维融入日常生活，展现数据与FineBI结合的魅力。为了挖掘数据分析在其他行业的运用，团队以大家日常生活中经常会遇到的外呼营销为背景，选择了“银行外呼业务数据分析与精准营销优化研究”为主题，以此为契机深入了解该行业的运作机制和现有挑战，在此基础上拓展知识面。
虽然这是团队的第二次参赛，但是也遇到了一些挑战和困难，比如本次数据源非常庞大，处理起来比较复杂，为了确保预测模型的准确性，需要耐心地进行数据清洗和准备；其次在客群聚类的特征选择和算法优化上我们也花费了大量的时间，选择合适的特征和算法对于建立高效的模型至关重要，但这也是一个需要不断尝试和优化的过程。
在比赛过程中，通过帆软社区组织的多次培训，我们结识了许多优秀的数据分析师和团队成员，他们的经验分享和支持让团队受益匪浅，我们对数据分析有了更深刻的认识，认识到数据背后蕴含着无限的价值和潜力。当然，学习永无止境，数据分析领域变化快速，需要不断学习和进步，我们期待在未来能够为更多的问题提供数据驱动的解决方案，创造更大的价值。
——————————————————最新活动————————————————————
1、本篇作品将于11月19日在上海Fine Workshop活动上现场分享，活动报名：
2、线下活动设有研讨环节，建议参与现场活动的同学提前阅读本文，在本帖留言评论你想和作者交流的问题，交流话题不限于：
- 行业场景价值/行业经验分享......
- 数据分析价值/数据分析应用......
- 数据分析思路/技能/工具/职场......
- 数据文化氛围/团队协同配合......
- ......
3、留言评论，并参与现场研讨，即可有机会参与抽奖：
（1）留言评论请以 以下格式开头：11月19日上海Fine Workshop研讨交流，......
（2）抽奖奖品：
- 京东卡100元*10张
- 《三百六十行 行行FineBI：数据分析案例集》*10本
奖品丰富，欢迎留言评论，希望大家有所收获 | 
