本文整理自桑文鋒在消費金融沙龍上的精彩分享，演講主題是《大數(shù)據(jù)分析——如何消除金融不確定性》。

---

“信息是用來消除不確定性的東西?！薄戕r(nóng)《信息論》

“大數(shù)據(jù)的本質(zhì)，就是通過信息消除不確定性?！薄獏擒姟豆韫戎i》

桑文鋒非常認同這兩點，引入更多的信息，可以消除更多的不確定性，這就是為什么信息是重要的。顯然大數(shù)據(jù)是更多的信息，在數(shù)據(jù)處理上可以在業(yè)務中起到更多作用。

數(shù)據(jù)到底能做什么？一點是數(shù)據(jù)驅(qū)動決策，另一點是數(shù)據(jù)驅(qū)動人工智能。

數(shù)據(jù)驅(qū)動決策主要是 BI 方面，不論是做產(chǎn)品改進、營銷、運營監(jiān)控、商業(yè)決策，都是通過收集更多的數(shù)據(jù)，讓決策變得更加有效，而非拍腦袋憑感覺。

數(shù)據(jù)驅(qū)動產(chǎn)品智能方面更多體現(xiàn)數(shù)據(jù)價值，驅(qū)動決策只能發(fā)揮 20% 的價值?；跀?shù)據(jù)改進產(chǎn)品，數(shù)據(jù)的價值遠遠大于幾張報表。驅(qū)動產(chǎn)品智能更多稱為 AI 人工智能，智能就是在數(shù)據(jù)的基礎上，通過一些策略算法，例如深度學習，得出結(jié)果，把結(jié)果回歸到產(chǎn)品里，產(chǎn)品本身具有學習能力就是一種智能。

數(shù)據(jù)處理的第一步是數(shù)據(jù)采集；第二步是數(shù)據(jù)建模，整合數(shù)據(jù)模型；第三步是通過數(shù)據(jù)模型做數(shù)據(jù)分析；最后一步是做指標。

第一步 數(shù)據(jù)采集

數(shù)據(jù)采集原則

數(shù)據(jù)采集離不開數(shù)據(jù)源，這是桑文鋒八年百度構(gòu)建數(shù)據(jù)平臺的經(jīng)驗之談。數(shù)據(jù)分析出問題，往往是數(shù)據(jù)本身收集不夠好，基于如此的基礎上建高臺，肯定是不穩(wěn)定的?；陔S心所欲的需求出業(yè)務報表，就會發(fā)現(xiàn)日后的想法沒有數(shù)據(jù)支撐。如何把數(shù)據(jù)源整好？原則就是大、全、細、時。

• 大”強調(diào)宏觀的“大”，而非物理的“大”。大數(shù)據(jù)不是一味追求數(shù)據(jù)量的“大”，比如每天各地級市的蘋果價格數(shù)據(jù)統(tǒng)計只有2MB，但基于此研發(fā)出一款蘋果智能調(diào)度系統(tǒng)，就是一個大數(shù)據(jù)應用；

• ?“全”強調(diào)多種數(shù)據(jù)源。大數(shù)據(jù)采集講求全量，而不是抽樣。除了采集客戶端數(shù)據(jù)，還需采集服務端日志、業(yè)務數(shù)據(jù)庫，以及第三方服務等數(shù)據(jù)，全面覆蓋。

• “細”強調(diào)多維度數(shù)據(jù)采集，即把事件的維度、屬性、字段等都進行采集。如電商行業(yè)“加入購物車”的事件，除了采集用戶的 click 數(shù)據(jù)，還應采集用戶點擊的是哪個商品、對應的商戶等數(shù)據(jù)，方便后續(xù)交叉分析。

• “時”強調(diào)數(shù)據(jù)的時效性。顯然，具有時效性的數(shù)據(jù)才有參考價值。

數(shù)據(jù)采集方式

數(shù)據(jù)采集方式共有三種：第一類是通過界面配置采集的可視化埋點；第二類是通過前端和后端將核心邏輯的數(shù)據(jù)信息、維度信息記錄下來的代碼埋點；第三類是人工審核數(shù)據(jù)，實時、批量引入的輔助工具導入。

第二步 數(shù)據(jù)建模

數(shù)據(jù)建模階段，許多人對數(shù)據(jù)分析存在一個很嚴重的錯誤理解：將數(shù)據(jù)庫當成數(shù)據(jù)倉庫使用。這將導致三個問題。

• 業(yè)務人員難以理解，無法直接使用復雜的數(shù)據(jù)庫，或者業(yè)務數(shù)據(jù)經(jīng)常改變，達不到人人皆可用數(shù)據(jù)的狀態(tài)，效率降低。

• 常規(guī)數(shù)據(jù)庫性能降低。常規(guī)數(shù)據(jù)庫無法很好地支持大批量數(shù)據(jù)或長時間跨度數(shù)據(jù)分析。

• 數(shù)據(jù)不全，無法靈活組合做分析。

第三步 數(shù)據(jù)分析

針對用戶的運營情況，我們有不同的模型進行專業(yè)分析，如用戶分群、漏斗分析、留存分析等。之所以可以做到專業(yè)化、標準化，是因為前期數(shù)據(jù)基礎采集與建模工作的專業(yè)，使數(shù)據(jù)分析工作變得容易。

第四步 指標

把業(yè)務常關注的東西指標化，是數(shù)據(jù)分析的正確思想。金融行業(yè)天然跟數(shù)據(jù)打交道，在獲取信息的過程中，大家需要圍繞業(yè)務建立指標體系，如獲客渠道、用戶激活情況、復投復購率、交易數(shù)據(jù)、引薦獎勵等，這些指標也都體現(xiàn)在了 AARRR 模型中。

案例一 渠道優(yōu)化

金融類產(chǎn)品的獲客成本還是相對較高的，渠道分析非常重要。以互金行業(yè)融 360 為例，融 360 作為一個連接貸款機構(gòu)的中間平臺，肩負橋梁作用，貸款機構(gòu)的許多數(shù)據(jù)不能做到實時交互。如果廣告推廣只能跟蹤到點擊行為，無法跟蹤轉(zhuǎn)化與消費，就會缺失核心數(shù)據(jù)，所以要進行渠道分析。

如上圖，將用戶的價值數(shù)據(jù)打通，為公司提供可以全景觀察的數(shù)據(jù)，在渠道分析層面，市場部門通過對效果轉(zhuǎn)化的分析來判斷廣告取舍，從而讓每一分錢都花的更有價值。

案例二 產(chǎn)品優(yōu)化

互聯(lián)網(wǎng)金融產(chǎn)品業(yè)務復雜，產(chǎn)品更需優(yōu)化。舉個例子，某產(chǎn)品有一個拉新的理財項目，新人第一次使用返利 9.9%，很多人在使用過程中發(fā)生了獲取驗證碼失敗的問題，用戶只能流失，并且還容易損傷產(chǎn)品口碑。這個例子充分說明了拉新容易留存難的事實。細致監(jiān)控用戶注冊、轉(zhuǎn)化、激活過程，優(yōu)化產(chǎn)品功能，讓用戶體驗到產(chǎn)品的優(yōu)勢，有助于用戶留存。

案例三 用戶流失

用戶流失率是每個產(chǎn)品的核心指標之一。每一個用戶都是企業(yè)花錢“買”來的，拉新成本非常高，企業(yè)更希望用戶在自建平臺上持續(xù)活躍，而非每次都要通過廣告跳轉(zhuǎn)過來。這也是自建平臺的核心價值之一：為用戶提供落地頁，減少營銷成本。甚至我們還希望用戶引薦身邊的人，進一步降低獲客成本。對用戶進行詳細的留存分析和流失分析，可以及時找到運營問題環(huán)節(jié)，對用戶“查漏補缺”。

優(yōu)質(zhì)運營的本質(zhì)是不斷細分，針對不同的用戶使用不同的策略。最極端的案例就是個性化運營，每一個人都擁有定制版本。傳統(tǒng)銀行業(yè)務通常采用這種方式，但是互聯(lián)網(wǎng)用戶過多，所以需要用有限的設備和工具做精細化運營。

神策數(shù)據(jù)的產(chǎn)品神策分析有三個特點：

• 私有化部署，幫助金融產(chǎn)品保障數(shù)據(jù)源頭安全。

• 基礎數(shù)據(jù)采集與建模，為客戶梳理搭建數(shù)據(jù)基礎。

• PaaS 平臺深度開發(fā)，幫助金融產(chǎn)品對接自有的系統(tǒng)。

點擊下方“閱讀原文”，下載干貨PPT。↓↓↓

總結(jié)

以上是生活随笔為你收集整理的【干货下载】大数据分析——如何消除金融不确定性的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。