大数据分析——如何消除金融不肯定性

“信息是用来消除不肯定性的东西。”——香农《信息论》

“大数据的本质，就是经过信息消除不肯定性。”——吴军《硅谷之谜》

桑文锋很是认同这两点，引入更多的信息，能够消除更多的不肯定性，这就是为何信息是重要的。显然大数据是更多的信息，在数据处理上能够在业务中起到更多做用。

数据到底能作什么？一点是数据驱动决策，另外一点是数据驱动人工智能。

数据驱动决策主要是 BI 方面，不管是作产品改进、营销、运营监控、商业决策，都是经过收集更多的数据，让决策变得更加有效，而非拍脑壳凭感受。

数据驱动产品智能方面更多体现数据价值，驱动决策只能发挥 20% 的价值。基于数据改进产品，数据的价值远远大于几张报表。驱动产品智能更多称为 AI 人工智能，智能就是在数据的基础上，经过一些策略算法，例如深度学习，得出结果，把结果回归到产品里，产品自己具备学习能力就是一种智能。

数据处理的第一步是数据采集；第二步是数据建模，整合数据模型；第三步是经过数据模型作数据分析；最后一步是作指标。

第一步 数据采集

数据采集原则

数据采集离不开数据源，这是桑文锋八年百度构建数据平台的经验之谈。数据分析出问题，每每是数据自己收集不够好，基于如此的基础上建高台，确定是不稳定的。基于为所欲为的需求出业务报表，就会发现往后的想法没有数据支撑。如何把数据源整好？原则就是大、全、细、时。

• 大”强调宏观的“大”，而非物理的“大”。大数据不是一味追求数据量的“大”，好比天天各地级市的苹果价格数据统计只有2MB，但基于此研发出一款苹果智能调度系统，就是一个大数据应用；

• “全”强调多种数据源。大数据采集讲求全量，而不是抽样。除了采集客户端数据，还需采集服务端日志、业务数据库，以及第三方服务等数据，全面覆盖。

• “细”强调多维度数据采集，即把事件的维度、属性、字段等都进行采集。如电商行业“加入购物车”的事件，除了采集用户的 click 数据，还应采集用户点击的是哪一个商品、对应的商户等数据，方便后续交叉分析。

• “时”强调数据的时效性。显然，具备时效性的数据才有参考价值。

数据采集方式

数据采集方式共有三种：第一类是经过界面配置采集的可视化埋点；第二类是经过前端和后端将核心逻辑的数据信息、维度信息记录下来的代码埋点；第三类是人工审核数据，实时、批量引入的辅助工具导入。

第二步 数据建模

数据建模阶段，许多人对数据分析存在一个很严重的错误理解：将数据库当成数据仓库使用。这将致使三个问题。

• 业务人员难以理解，没法直接使用复杂的数据库，或者业务数据常常改变，达不到人人皆可用数据的状态，效率下降。

• 常规数据库性能下降。常规数据库没法很好地支持大批量数据或长时间跨度数据分析。

• 数据不全，没法灵活组合作分析。

第三步 数据分析

针对用户的运营状况，咱们有不一样的模型进行专业分析，如用户分群、漏斗分析、留存分析等。之因此能够作到专业化、标准化，是由于前期数据基础采集与建模工做的专业，使数据分析工做变得容易。

第四步 指标

把业务常关注的东西指标化，是数据分析的正确思想。金融行业自然跟数据打交道，在获取信息的过程当中，你们须要围绕业务创建指标体系，如获客渠道、用户激活状况、复投复购率、交易数据、引荐奖励等，这些指标也都体如今了 AARRR 模型中。

案例一 渠道优化

金融类产品的获客成本仍是相对较高的，渠道分析很是重要。以互金行业融 360 为例，融 360 做为一个链接贷款机构的中间平台，肩负桥梁做用，贷款机构的许多数据不能作到实时交互。若是广告推广只能跟踪到点击行为，没法跟踪转化与消费，就会缺失核心数据，因此要进行渠道分析。

如上图，将用户的价值数据打通，为公司提供能够全景观察的数据，在渠道分析层面，市场部门经过对效果转化的分析来判断广告取舍，从而让每一分钱都花的更有价值。

案例二 产品优化

互联网金融产品业务复杂，产品更需优化。举个例子，某产品有一个拉新的理财项目，新人第一次使用返利 9.9%，不少人在使用过程当中发生了获取验证码失败的问题，用户只能流失，而且还容易损伤产品口碑。这个例子充分说明了拉新容易留存难的事实。细致监控用户注册、转化、激活过程，优化产品功能，让用户体验到产品的优点，有助于用户留存。

案例三 用户流失

用户流失率是每一个产品的核心指标之一。每个用户都是企业花钱“买”来的，拉新成本很是高，企业更但愿用户在自建平台上持续活跃，而非每次都要经过广告跳转过来。这也是自建平台的核心价值之一：为用户提供落地页，减小营销成本。甚至咱们还但愿用户引荐身边的人，进一步下降获客成本。对用户进行详细的留存分析和流失分析，能够及时找到运营问题环节，对用户“查漏补缺”。

优质运营的本质是不断细分，针对不一样的用户使用不一样的策略。最极端的案例就是个性化运营，每个人都拥有定制版本。传统银行业务一般采用这种方式，可是互联网用户过多，因此须要用有限的设备和工具作精细化运营。

神策数据的产品神策分析有三个特色：

• 私有化部署，帮助金融产品保障数据源头安全。

• 基础数据采集与建模，为客户梳理搭建数据基础。

• PaaS 平台深度开发，帮助金融产品对接自有的系统。

欢迎你们关注“神策分析”，或访问咱们的官网了解产品：神策数据