實(shí)際上，除了單獨使用Lookalike算法進(jìn)行高價(jià)值人群擴大，在證券行業(yè)中，TalkingData也通過(guò)一、三方數據的聯(lián)合建模定位高價(jià)值客戶(hù)。因為除了較強的金融標簽外，很多客戶(hù)在機構交易墻內表現出來(lái)的行為信息（資訊點(diǎn)擊、功能使用）、交易信息等也是衡量其價(jià)值屬性非常重要的維度。TalkingData與某券商合作，在河北百度愛(ài)采購公司中針對高資產(chǎn)種子人群使用一、三方數據聯(lián)合建立模型，發(fā)現大量潛在高價(jià)值客戶(hù)，以線(xiàn)上產(chǎn)品為抓手，通過(guò)線(xiàn)上、線(xiàn)下聯(lián)合的方式，觸達高價(jià)值客戶(hù)。在進(jìn)行轉化的過(guò)程中，通過(guò)實(shí)驗組（模型選取的高凈值客戶(hù)）和對比組（隨機挑選的客戶(hù)）進(jìn)行對比驗證，得出在資金凈轉入、資產(chǎn)增量、交易量、傭金四項指標上都遠超對照組，說(shuō)明模型是有效的。模型挑選出的潛在高浄值客戶(hù)經(jīng)過(guò)分公司合理地推廣營(yíng)銷(xiāo)，轉化為高凈值客戶(hù)的概率較高，而隨機挑選的客戶(hù)，推廣營(yíng)銷(xiāo)工作的成效較低。網(wǎng)點(diǎn)作為銀行營(yíng)銷(xiāo)和服務(wù)的主要渠道，其作用將越來(lái)越重要，但同時(shí)也面臨著(zhù)嚴峻的挑戰，如激烈的競爭、不斷改變的客戶(hù)偏好等。事實(shí)上，河北百度愛(ài)采購往往缺乏信息數據，分析工具也不夠健全，那么如何采用科學(xué)的方法充分收集有關(guān)市場(chǎng)數據，并對網(wǎng)點(diǎn)進(jìn)行合理的布局規劃和選址，將成為銀行提升自身形象、提高市場(chǎng)競爭力所面臨的迫在眉睫的問(wèn)題和重大的挑戰。
    過(guò)去較多銀行的機構設置和網(wǎng)點(diǎn)布局由于忽視了市場(chǎng)容量和市場(chǎng)屬性，以及不能及時(shí)掌握和處理影響市場(chǎng)變動(dòng)的大量其他數據，在某種程度上造成了網(wǎng)點(diǎn)分布及建設的盲目性，也造成了網(wǎng)點(diǎn)單產(chǎn)低、業(yè)務(wù)趨同，不能很好地適應經(jīng)濟發(fā)展水平的提高和客戶(hù)個(gè)性化的需求。如何了解目標顧客的分布規律，他們在何處居住、工作和活動(dòng)，有哪些銀行使用習慣和偏好也成了選址前重要的評估方面，而TalkingData有著(zhù)巨大的移動(dòng)設備覆蓋量及PO信息，恰好可以滿(mǎn)足上述需求。如圖1一10所示，某銀行有三個(gè)可供新建網(wǎng)點(diǎn)的地址。TalkingData首先了解該銀行目前人群的特征，并在三個(gè)位置設置經(jīng)緯度和半徑（設定500米），選擇相關(guān)公共設施標簽；將得到數以萬(wàn)計的PO數據信息，利用圍欄技術(shù)，圈出某月出現在圍欄內數以萬(wàn)計的設備信息；再將設備信息與TalkingData大數據庫進(jìn)行TDID匹配，這樣就可以清晰地洞察到三個(gè)位置圍欄內人群的基礎特征，包括其人口數、年齡分布、競爭銀行用戶(hù)群體分布；再對不同時(shí)段的人群情況進(jìn)行分析，最終幫助該銀行確定選址位置。實(shí)際上，除了網(wǎng)點(diǎn)選址外，大數據還可以根據目標人群岀現的時(shí)間、地點(diǎn)的聚集情況，進(jìn)行線(xiàn)下的營(yíng)銷(xiāo)活動(dòng)，更大范圍的接觸目標客群，降低運營(yíng)成本，達到較好的效果。