银行--天气对用户消费行为的影响--地理位置营销模型

　　作为咨询行业的技术顾问，服务于各个银行等金融机构，基于用户的业务特点推出适合用户的解决方案。这个方案是最近一个月为某银行量身定做的营销方案，最后因为数据的问题被砍掉了。由此我想到，马云爸爸说的大数据是新的石油是正确的，但是我的解读是，并不是数据越多越好，而是数据的多样性越多越好，只有这样才能将各种各样的数据联系结合起来挖掘他们的价值，仅仅只有一方面大量的数据也难以挖掘出石油。

1，背景介绍　　

　　有一个多月在为某银行做解决方案，客户没有明确的需求，只是想做点有价值的东西，但是不知道做什么，同时要求成本小见效快。风萧萧兮易水寒 壮士一去兮不复还，托着我29寸行李箱来到客户现场后，在和客户密切交流了半个月后，我结合客户的的整个数据和业务情况我另辟蹊径推出了《探索-天气对人消费偏好的影响下的地理位置的活动商户营销》。

　　这个思路的背景来源于之前服务的某信用卡中心，当时是基于CEP规则进行配置的，用户推送什么商户完全是业务人员根据自身经验进行配置的。客户使用信用卡消费后，信用卡中心会拿到消费的信息里面包括地理位置的信息，然后根据配置的CEP规则选择一个商户的活动信息，通过各种渠道微信，短信等推送给用户。

　　这种方式去做营销，相比传统向所有用户发送活动信息的暴力方式，它缩小的营销的人群，只有在活动商户附件的人收到营销信息了才可能去店里刷羊肉，离活动商户50公里以上的客户基本会认为是垃圾短信，极大的提高了营销的转化率，同时也节省了发短信的费用。

2，天气，节日对用户消费偏好影响影响

　　传统基于业务经验的方式进行营销是没有任何问题的，只是完全可以业务决策和数据决策相辅去进行营销，通过挖掘用户消费偏好和天气的联系，我们进一步缩小营销的用户范围，结合地理位置，在不同的天气状况下向用户推荐更符合自己口味的活动商户。

　　用户消费偏好和天气状况，节日都是有一定联系的，挖掘他们之间的联系在合适的天气，合适的节日向合适的用户去营销。在上面的思路上，再加上用户的籍贯作为一个维度，不同的籍贯他们的口味是有很大的差异的，上海人喜欢甜，重庆人喜欢辣。（或者不需要，针对每一个人的用户偏好模型，不可取，地理位置营销做到人这么细没有太大意义）

　　推荐模型 天气:籍贯——消费偏好

3，分析数据支撑状况

　　历史数据:信用卡交易数据:交易金额，交易时间，交易商户（pos机来说，位置信息的获取，固定的可以的，移动的不能。网银交易走第三方支付宝更是拿不到位置信息，但是如果走信用卡APP支付则可以拿取地理位置。当然，办法多，比如很多信用卡都会绑定该信用卡的微信公众号获取交易信息，这个时候间接通过微信去拿用户地理位置也是可以的，更甚至用户没有开GPS，可以和电信合作，根据最近的基站获取用户的大致位置范围。

　　支付宝，微信交易的交易数据中商户名称要进行去噪，有些不具有参考意义，比如我在一个面馆用微信消费，显示的商户为包头农村商业银行，所以我们要过滤掉这些商户信息后进行中文语义分析，这一块难度是比较大的，或者不去噪了。

　　POS机和信用卡APP交易的商户名称以及银联报文MCC码。MCC是Merchant CategoryCode的简写，中文名称是商户行业代码。全国有几千万上亿的商户，银联给商户布POS的时候，会设置一个商户编号，这个编号是大有讲究的，这个编号通常是 15 位，由机构代码（3位）+地区代码（4位）+商户类型MCC码（4位）+商户顺序号（4位）组成，而MCC码是这个商户编号的重要组成部分。http://www.360doc.com/content/18/0128/08/35924208_725696422.shtml MCC码表 

　　一机一码，持卡人在商家的POS机上刷卡消费成功后会打印出小票，上面有商户编号，从第8位到11位（4位数）即为商家这台POS机的mcc码，这个码对应的就是商家经营的行业。

4,实施思路

　　第一步：历史交易数据本行APP交易的交易数据获取交易位置信息（数据量比较少）；微信，支付宝交易通过用户绑定的微信公众号间接获取交易发生的位置信息；pos机交易通过pos机的地区代码可以知道发生交易的城市（无法精确到区）。至此我们已经对历史交易记录补全了位置信息。

　　第二步:根据交易信息补充交易位置信息，同时结合交易时间去天气服务供应商查询该地区当时的天气情况。

　　第三步:整理交易数据关键字段:用户籍贯,交易金额，交易时间，MCC码,交易地点，天气。

　　我们可以根据城市编码调用高德接口获取该城市的天气(历史交易数据补全当时天气可以去掉其他api获取，高德不支持历史天气查询，这里不讨论细节问题):

　　高德返回的天气现象码表 53种，我们精简一下:

　　第四步:半年一批次，统计出每种天气下，每种籍贯交易类型最多的商户类型。（交易金额作为一个门槛，以防大量小笔的便利店交易的噪音影响）

　　第五部:半年一批次，统计出每个节日下，交易类型最多的商户类型。（交易金额作为一个门槛，以防大量小笔的便利店交易的噪音影响）

比如营销的合作商户交易门槛都是50，那么统计消费偏好过滤掉50以下的金额。或者折中，4个偏好模型，天气-商户-50元门槛，天气-商户-无消费门槛，节日（包含节日前后5天）-商户-50元门槛，节日（包含节日前后5天）-商户-无消费门槛。

　　ps:是否需要在统计每一个用户消费金额区间来作为一个决策方式？有些用户基本消费习惯都是50元以下，那么向他推荐200元以上的消费也是无法促进转化率的

　　我们已经可以跑出什么天气或什么节日下不同的籍贯用户更加喜欢进行什么类型的消费，以此作为依据结合与信用卡合作的活动商户进行精准匹配推荐。实时交易发生以后，对交易数据处理后得到关键信息交易金额，交易时间，交易商户MCC,交易地点（大部分比较模糊无法精确到区）,天气，然后去模型中获取到可以推荐的商户列表（但是这里面不是合作商户）。这里建议：因为商户都要行业码表，所以将合作商户的数据替换到偏好模型里面。然后从偏好模型中依次遍历，判断的条件是该用户是否还有优惠，如果没有优惠，则推送下一个有优惠的商户。同时要判断商户在用户的周边。

　　例如:偏好模型 天气-商户-无消费门槛

　　目前无法根据店名识别是卖什么的，只能人工去打标签。天气状况不超过50种，每种天气消费类型偏好排序10也就500个，模型数据跑出来后，根据店名去补充。同时录入的合作商户也会带有消费类型（人工添加）。

5，死亡

　　最后因为MCC码不准确那么后面细化方案就没有意义了。业务知识大小额支付系统的交易流动方式。