大數據分析——如何消除金融不肯定性

「信息是用來消除不肯定性的東西。」——香農《信息論》

「大數據的本質，就是經過信息消除不肯定性。」——吳軍《硅谷之謎》

桑文鋒很是認同這兩點，引入更多的信息，能夠消除更多的不肯定性，這就是爲何信息是重要的。顯然大數據是更多的信息，在數據處理上能夠在業務中起到更多做用。

數據到底能作什麼？一點是數據驅動決策，另外一點是數據驅動人工智能。

數據驅動決策主要是 BI 方面，不管是作產品改進、營銷、運營監控、商業決策，都是經過收集更多的數據，讓決策變得更加有效，而非拍腦殼憑感受。

數據驅動產品智能方面更多體現數據價值，驅動決策只能發揮 20% 的價值。基於數據改進產品，數據的價值遠遠大於幾張報表。驅動產品智能更多稱爲 AI 人工智能，智能就是在數據的基礎上，經過一些策略算法，例如深度學習，得出結果，把結果迴歸到產品裏，產品自己具備學習能力就是一種智能。

數據處理的第一步是數據採集；第二步是數據建模，整合數據模型；第三步是經過數據模型作數據分析；最後一步是作指標。

第一步 數據採集

數據採集原則

數據採集離不開數據源，這是桑文鋒八年百度構建數據平臺的經驗之談。數據分析出問題，每每是數據自己收集不夠好，基於如此的基礎上建高臺，確定是不穩定的。基於爲所欲爲的需求出業務報表，就會發現往後的想法沒有數據支撐。如何把數據源整好？原則就是大、全、細、時。

• 大」強調宏觀的「大」，而非物理的「大」。大數據不是一味追求數據量的「大」，好比天天各地級市的蘋果價格數據統計只有2MB，但基於此研發出一款蘋果智能調度系統，就是一個大數據應用；

• 「全」強調多種數據源。大數據採集講求全量，而不是抽樣。除了採集客戶端數據，還需採集服務端日誌、業務數據庫，以及第三方服務等數據，全面覆蓋。

• 「細」強調多維度數據採集，即把事件的維度、屬性、字段等都進行採集。如電商行業「加入購物車」的事件，除了採集用戶的 click 數據，還應採集用戶點擊的是哪一個商品、對應的商戶等數據，方便後續交叉分析。

• 「時」強調數據的時效性。顯然，具備時效性的數據纔有參考價值。

數據採集方式

數據採集方式共有三種：第一類是經過界面配置採集的可視化埋點；第二類是經過前端和後端將核心邏輯的數據信息、維度信息記錄下來的代碼埋點；第三類是人工審覈數據，實時、批量引入的輔助工具導入。

第二步 數據建模

數據建模階段，許多人對數據分析存在一個很嚴重的錯誤理解：將數據庫當成數據倉庫使用。這將致使三個問題。

• 業務人員難以理解，沒法直接使用複雜的數據庫，或者業務數據常常改變，達不到人人皆可用數據的狀態，效率下降。

• 常規數據庫性能下降。常規數據庫沒法很好地支持大批量數據或長時間跨度數據分析。

• 數據不全，沒法靈活組合作分析。

第三步 數據分析

針對用戶的運營狀況，咱們有不一樣的模型進行專業分析，如用戶分羣、漏斗分析、留存分析等。之因此能夠作到專業化、標準化，是由於前期數據基礎採集與建模工做的專業，使數據分析工做變得容易。

第四步 指標

把業務常關注的東西指標化，是數據分析的正確思想。金融行業自然跟數據打交道，在獲取信息的過程當中，你們須要圍繞業務創建指標體系，如獲客渠道、用戶激活狀況、復投復購率、交易數據、引薦獎勵等，這些指標也都體如今了 AARRR 模型中。

案例一 渠道優化

金融類產品的獲客成本仍是相對較高的，渠道分析很是重要。以互金行業融 360 爲例，融 360 做爲一個鏈接貸款機構的中間平臺，肩負橋樑做用，貸款機構的許多數據不能作到實時交互。若是廣告推廣只能跟蹤到點擊行爲，沒法跟蹤轉化與消費，就會缺失核心數據，因此要進行渠道分析。

如上圖，將用戶的價值數據打通，爲公司提供能夠全景觀察的數據，在渠道分析層面，市場部門經過對效果轉化的分析來判斷廣告取捨，從而讓每一分錢都花的更有價值。

案例二 產品優化

互聯網金融產品業務複雜，產品更需優化。舉個例子，某產品有一個拉新的理財項目，新人第一次使用返利 9.9%，不少人在使用過程當中發生了獲取驗證碼失敗的問題，用戶只能流失，而且還容易損傷產品口碑。這個例子充分說明了拉新容易留存難的事實。細緻監控用戶註冊、轉化、激活過程，優化產品功能，讓用戶體驗到產品的優點，有助於用戶留存。

案例三 用戶流失

用戶流失率是每一個產品的核心指標之一。每個用戶都是企業花錢「買」來的，拉新成本很是高，企業更但願用戶在自建平臺上持續活躍，而非每次都要經過廣告跳轉過來。這也是自建平臺的核心價值之一：爲用戶提供落地頁，減小營銷成本。甚至咱們還但願用戶引薦身邊的人，進一步下降獲客成本。對用戶進行詳細的留存分析和流失分析，能夠及時找到運營問題環節，對用戶「查漏補缺」。

優質運營的本質是不斷細分，針對不一樣的用戶使用不一樣的策略。最極端的案例就是個性化運營，每個人都擁有定製版本。傳統銀行業務一般採用這種方式，可是互聯網用戶過多，因此須要用有限的設備和工具作精細化運營。

神策數據的產品神策分析有三個特色：

• 私有化部署，幫助金融產品保障數據源頭安全。

• 基礎數據採集與建模，爲客戶梳理搭建數據基礎。

• PaaS 平臺深度開發，幫助金融產品對接自有的系統。

歡迎你們關注「神策分析」，或訪問咱們的官網瞭解產品：神策數據