附报告解读 | 电商人群最具投放价值奖揭晓

近日,“智胜营销峰会暨 Best Audience Buying 颁奖盛典”在TalkingData T11 2018数据智能峰会期间举办。

在本次颁奖盛典中,TalkingData基于移动大数据的智能营销能力,通过数据加工及算法处理,以及对移动互联网人群进行洞察并综合多方数据进行考量,从中定位电商行业用户群及消费者“TA”的聚集地,并针对电商行业评选出了最具投放价值的媒体。

从传统营销到数字营销,再到已成趋势的智能营销,营销理念在不断的颠覆和创新。但如何在营销投放中找到目标客群?如何全面的了解目标客群?什么媒体是目标客群的聚集地并能达到有效转化?这些依旧是电商行业的营销难题。

TalkingData一直致力于帮助电商行业以数据为关键依据,前瞻发展趋势、理解市场现状、认知目标人群,并以数据为核心引擎驱动产品发展、改善用户体验。

通过评选,获得“Best Audience Buying”大奖—电商人群最具投放价值媒体奖的应用分别为:B612咔叽、快手、WiFi万能钥匙。

在本次颁奖典礼中,TalkingData诚意邀请京东商城大快消事业群全球购业务部总经理 杨叶作为颁奖嘉宾为获得电商人群最具投放价值媒体奖的获奖应用颁奖,并解读《TalkingData 电商人群洞察报告》

从左到右依次为:获奖媒体B612咔叽、快手、WiFi万能钥匙的领奖嘉宾与颁奖嘉宾杨叶女士

现在,我们具体回顾一下颁奖典礼现场,由京东商城大快消事业群全球购业务部总经理 杨叶解读的《TalkingData电商人群洞察报告》(下文中,均简称为“报告”)。希望通过本次颁奖和报告解读,能够为广大开发者、广告主明智选择投放渠道、精明使用投放费用提供重要参考,从而助力行业加速迈进更精准、可扩展、可优化、见实效的智能营销时代。

移动电商用户规模达到9.35亿 社交电商等模式拉动用户增长

2017年Q1-2018年Q2期间,移动电商规模处于匀速增长状态。像平板电脑、智能手表等设备的生产,使用户可以在更多环境下使用智能设备进行购物,截止2018年Q2移动电商用户设备规模已达到9.35亿台。

在2018年初,电商行业中社交电商模式开始崛起,成为行业新风口。比较典型的例子像小红书主要用户群是一、二线城市有海淘需求的人群。随着“张雨绮分享购买钻石经验”的视频爆红,使小红书一度成为社交电商中的热点话题。社交电商在2018年初的兴起,刺激移动电商用户规模环比增长率显著提升。

团购 海淘和生鲜继续发展 主流应用用户日均启动次数增长

世上无难事只怕有心人,从来都不是一句空话。在JD、淘宝等电商巨头夹击下,移动电商为了生存另辟蹊径,着眼细分领域。虽然综合电商应用用户日均启动次数仍居高位,但启动次数已有下降趋势。得益于近年海淘比代购更加有品质保证和售后服务保证,使海淘应用用户启动次数增长势头猛烈。

截止2018年6月,生鲜、海淘和团购领域主流应用的用户日均启动次数均呈同比增长态势。移动电商在细分市场下继续深耕,相信未来在其他细分领域也会产生像小红书这样优秀的移动电商,这些移动电商也将开拓创新给用户来带更多不一样的购物体验。

典型移动电商用户人群剪影——学生、蓝领、白领

通过对电商人群洞察,典型移动电商用户人群剪影可划分为学生、蓝领、白领三类。学生人群剪影偏好特征关键词有活力、学习、娱乐等,这些关键词很符合学生人群特别点,活力四射,学习是生活中的主要“工作”。

蓝领人群剪影偏好特征关键词有早睡、保守、早起、人力等,可以看出蓝领人群作息规律从事劳动力工作以男性为主。白领人群剪影偏好特征关键词有女性、知识、熬夜等,这部分人群女性居多受过高等教育,经常熬夜加班或刷剧。

学生人群性别平衡 蓝领人群男性主导 白领人群女性担当

相信在对典型移动电商用户人群剪影偏好特征关键词解析中,已经对学生、蓝领、白领人群特性有了一定了解。现在,我们看一下典型移动电商用户人群性别TGI指数,学生人群性别TGI指数比较均衡,这很符合上一页数据中,学生人群剪影的偏好特征关键词。

蓝领群体以男性为主,男性TGI指数达到124,他们性格保守很少会有工作变动,在各自的岗位上敬业持家。白领人群中女性占比不可小觑,女性TGI指数达到130。她们独立自信在工作能独当一面,为国家做出的贡献毫不逊色于男性。

白领人群爱熬夜 蓝领人群善早起 学生人群享自由

典型移动电商用户群体24h活跃指数又是什么样的呢?现在深入分析一下学生、蓝领和白领的属于哪种生物钟类型。学生是典型的“金丝猴”型,除了0点有小幅度凹进,其他时间基本都处于活跃状态中,且下午活跃度更高,可谓是活跃四射,年轻无极限。

蓝领人群养成了早起早睡的作息习惯,属于“百灵鸟”类型。通过活跃指数可以了解到蓝领人群相当敬业值守,尤其在下午直线凹进。蓝领人群在非工作时间刷刷快手,邀三五好友撸个串,又何尝不是另一种惬意人生。白领人群的生物钟类型和蓝领呈相反状态,属于“猫头鹰”类型,熬夜煲剧刷淘宝、看趣味视频刷朋友圈已成为白领人群的日常。

下期预告《TalkingData游戏人群洞察报告》,请保持关注哦~~

TalkingData2018母婴行业洞察报告-母婴市场前景可期

报告背景

随着二胎政策的实施、消费结构的升级,育儿观念的转变和新零售模式的崛起,加之母婴群体从妈妈扩大至爸爸和祖父母,母婴行业的发展迎来更多推力,母婴市场充满机会,基于此TalkingData联合品木传媒发布《2018母婴行业洞察报告》本报告将从母婴行业现状,母婴行业人群应用画像,不同级别城市母婴人群差异,以及母婴行业未来发展趋势四个方面为您全面解析母婴市场。

母婴行业前景可期,消费升级、理念转变,中产崛起等共同助力

母婴人群孕育观念和消费理念升级,带动更高层次情感/精神需求

母婴市场形成线上线下联动生态,资本和运营驱动行业发展

移动智能终端提升母婴人群渗透,移动母婴活跃用户达到1.3亿

截至2018年6月,移动母婴行业用户规模达到1.3亿,同比增长13.2%,以智能手机为代表的移动智能终端为母婴人群融合线上线下渠道,通过产品+渠道+服务等增强消费体验。

母婴人群比较关注健康状态和知识,健康助手应用占比4成

2018年6月,移动母婴主流应用中,母婴健康助手应用的款数占比40.0%,高于母婴电商、母婴实用工具和母婴社区,健康成为母婴人群优先关心的领域。

母婴人群注重孕育经验学习和分享,母婴社区应用使用时间长

2018年6月,移动母婴主要细分领域中,母婴社区的月均使用时长接近150分钟,母婴人群相对偏好利用社区平台学习、分享相关孕育知识。

母婴应用领域尚未形成垄断格局,移动母婴市场存在发展机会

移动母婴市场还处于发展初期,格局未定移动App在母婴人群中的渗透率有待进一步培育。

母婴应用细分领域TOP5

母婴人群约85%为妈妈或准妈妈,一半以上年龄位于26-35岁

母婴人群孕育阶段以妊娠期和新生儿居多,妊娠期比重占34%

从母婴人群孕育阶段分布看,准妈妈人群超1/3,34.0%的用户处于妊娠期,26.6%的用户开始照顾新生儿。

准妈妈人群通常按期检查健康状态,较为偏好设施完善型医院

准妈妈较为看重媒体内容价值,整体更加相信医院权威

母婴人群主要通过母婴平台,获取母婴知识、记录宝宝成长

从母婴人群使用母婴平台的主要动机看,获取母婴知识是最为优先考虑的内容,其次是为了记录宝宝成长,第三则是有关育儿问题的咨询。

图文、短视频以及综艺/影视植入广告,更容易获得母婴人群认同

母婴人群点击广告主要是为了,满足自身的兴趣或需求

从母婴人群点击广告的主要影响因素看,母婴人群更加容易受到兴趣/需求相关广告的影响,其次是有创意的广告,第三则品牌知名度高的广告。

专家达人以及同龄用户,更容易引导母婴人群消费

母婴用户城市洞察:网络兴趣大同小异,消费层次大相径庭

不同城市婴人群媒介偏好基本一致,整体偏好社交、娱乐、网购

不同城市母婴人群常用主流母婴App偏好接近,城市各异应用趋同

一线城市母婴人群爱熬夜,二线偏好早起,三四线则晚间活跃

一线母婴人群更加钟爱苹果,二、三、四线则较为偏好国产品牌

一线城市母婴人群消费能力高,三、四线则偏好娱乐、家居等消费

母婴人群步入消费升级,消费呈现多元化特征

母婴人群触媒习惯全面转向移动互联网

本报告为TalkingData&品木传媒联合发布

针对金融、电商、游戏、汽车、新零售人群,哪些媒体最具投放价值?

与广告主的日常合作及沟通中我们发现,在营销及投放阶段中都有着各种不同的困扰:

比如,如何通过需求分析,全面了解目标投放人群画像及特征?

又如,如何通过人群特征分析,找到目标“TA”的聚集地?

再如,如何通过数据进行精准触达“TA”,并持续优化形成营销闭环?

此次,TalkingData基于移动大数据的智能营销能力,通过数据加工及算法处理,以及对移动互联网人群进行洞察并综合多方数据进行考量,从中找到了各行业的用户群及消费者“TA”的聚集地。

即将于9月11日举办的T11 2018暨TalkingData数据智能峰会上,我们将评选出金融、电商、游戏、汽车、新零售,这五大行业人群最具投放价值媒体奖,暨“Best Audience Buying”。同时,五位圈内大咖还将在现场与来宾们分享五大行业的人群画像及特征洞察报告,助力广告主们“智胜”营销!

演讲嘉宾

峰会议程

券商App累计下载,谁主沉浮

一直以来,各大证券公司为为吸引更多投资者点击、下载、使用自家App,在软件研发、测试、上架阶段投入力度均较大。那么,究竟何种方式才能正确吸引客户、激发其内在需求、引导其下载“对的”证券投资App,是不少证券公司在移动App的发展过程中可能会面临的难题之一。

我们经市场调研后发现,证券公司在移动运营层面普遍注重App的下载量,而下载量往往受到ASO优化、主打App款数、更新品频次等多重因素的影响。整体来看,高下载量的App往往更注重获客层面运营细节的雕琢。

用ASO优化推动下载量

华为官方市场证券类App

累计下载量统计表(截至2018年8月21日 )

影响累计下载量的主要因素可分为软件内部因素与外部环境因素。

数据来源:华为官方应用市场


其中,ASO作为一款软件呈现给投资者的“门面”,重要程度可想而知。观察累计下载量排名靠前的证券公司移动App应用市场呈现页面可得,累计下载量越庞大的券商在ASO优化方面投入力度越大。

ASO(App Search Optimization),其为“应用商店优化”的简称。ASO在起步之初,其主要是指App在iOS端的优化,之后逐渐演变为App在iOS、安卓等各个渠道的优化。通过分析,现阶段证券行业内ASO优化可归纳为如下几个特点:

累计下载量越庞大的券商在ASO优化方面投入力度越大,呈现效果越好。

以现阶段华为应用市场证券类App累计下载量为主要调查依据,观察排名靠前的证券公司在华为应用市场(安卓端代表市场)及App Store对应界面的ASO呈现方式可知:诸如涨乐财富通、e海通财、国泰君安君弘等拥有庞大用户体量的App,在应用市场对于该款软件的功能呈现越全面。

其中,在华为应用市场,大型券商应用标签数量一般为5-6个,软件截图数量一般为5-6个,且呈现图片均为该款软件的引导界面,以期将该款软件的核心功能呈现给拥有潜在需求的用户;在App Store中,上述券商的应用界面呈现中除应用名称外,一般包含副标题或“一句话简介”用以诠释该款软件的核心功能。

与此同时,无论是华为应用市场还是App Store, 大型证券公司的ASO界面均可做到“应用简介”模块行文措辞的明晰化与条理化,大型证券公司应用简介均围绕核心模块展开,重点介绍该款软件可向用户提供的个性化服务,应用截图、应用图标等也基本可做到与软件实时更新情况的匹配。

累计下载量相对较低的证券公司在ASO呈现方面相对较弱,投入力度也略显不足。

与大型证券公司相比,中小型证券公司由于资金支持、资源分配、用户体量等原因,在安卓应用市场及App Store市场的呈现相对较弱。

例如:在华为应用市场,小型券商的应用界面其应用标签个数一般在2个左右,应用截图一般也以软件内主要板块页面的直接呈现为主而非引导界面的呈现;在App Store,中小型证券公司应用标题栏一般无副标题或“一句话简介”将该款软件的核心功能做出概括,应用介绍一般较为概括且字数较少。用户通过上述太过简略或模糊化的ASO呈现无法快速识别该款软件的个性化功能,从而影响该款软件的下载量。

总体而言,影响一款证券公司App累计下载量的因素很多,而该款App ASO的呈现一定程度上决定了拥有潜在下载需求的客户对于该款App的第一印象,优秀的ASO呈现势必汇给该款App加分。对于证券公司本身而言,除了好的ASO呈现之外,App本身的个性化、突出化、鲜明化更为重要。

用突出主打锁定下载量

近年来,证券公司为获取线上客户、联动线下资源形成闭环争取更大的用户体量,均在证券移动App的研发与投入上发力,因而发展出多样化的证券App竞争市场。

证券行业移动App数量分布图

如上图所示,现阶段国内证券公司通常拥有多款App,主要是针对不同的业务功能进行分别开发。但同一家证券公司在具有多款名称相似的App情况下,主打App易缺乏辨识度,从而导致自然流量客群的错误性分流。在无其他营销服务或开发商相关宣传/引导的前提条件下令客户自行下载证券公司App,势必存在由于主打App不突出而导致的“下载难”或“下载错”等一系列问题。为了降低App下载错误所导致的卸载率攀升,需要明确应用市场中不同款App的定位差异,突出综合性的主打App,确保客户直接下载到符合意向的App。

如何帮助客户进行意向识别,则是运营人员在获客阶段首要痛点。不同于营销引流,自然流量所带来的客户更容易受到不同信息的干扰,而导致客户无法快速识别主打App的原因可归纳为以下四个类别:

一是证券公司多款App功能各有侧重:

调研发现,证券公司普遍存在多款App功能各有侧重导致不同App功能之间存在重叠、冗余等现象。以证券公司开户专用App为例,多家证券公司存在主打App开户功能与开户专用App主打功能完全重合的情况。为节省证券公司人力、财力等相关成本,建议证券公司突出强调主打App而非推出多款App。

二是证券公司合并导致合并后存在多款App:

通过调研发现,部分证券公司存在由于公司合并/重组后原公司已有App与新推出App同时在应用市场上架的情况。该情况出现原因主要为合并前原证券公司线上App的客户存量尚未在合并后及时转化而导致新、老版本App同时并行的情况。针对该情况,建议证券公司在合并之后积极引导存量转化,加大合并后证券公司主打App宣传力度。

三是证券公司框架更换引发App版本替换:

证券公司在发展初期多采用第三方合作方式进行产品开发,因而后期开展App版本升级、迭代等工作时需进行框架的整体更换,从而开发出不同版本的App。客群迁徙到另一款App的过程中需要确保原始数据的平滑对接以及功能布局上的充分引导,从而确保存量客户的有效运营。应用市场上及时修正旧版App的描述信息以及下架已停止运营产品,可以减少存量客群的分流。

四是证券公司新版App尚未在安卓/iOS市场上架:

调研发现,部分证券公司存在新版App在不同应用市场上架时间不同步的情况,常常出现iOS市场已上架新版本而安卓市场却尚未上架。针对这一现象,建议证券公司及时上架新版App并保持适中的App更新频率。

用稳定更新留住下载量

App的发展需要不断地进行产品迭代与优化并引导、提醒客户更新到“对的”版本。通过对证券公司移动App版本更新次数的统计(图2.2.1),现阶段,证券公司移动App在评测期间(2017/7/1-2018/6/30)的平均更新次数为9次。按频率区间来看,25%的券商更新次数小于或等于5次,属于统计数据中的较低更新频率;而25%的券商更新次数大于或等于11次,属于统计数据中较高的更新频率。

证券行业移动App 更新频率统

相较于互联网公司App的频繁迭代,出于行业特性的考量,证券App普遍在更新速度上有所放缓。一般来说,过快的更新频率,会造成较高的更新成本以及过于频繁的bug修复、证券公司移动App的功能重复性更新等。同样的,过低的更新频率会导致证券移动App新功能上线过慢,或者该App不在应用市场全面投放而损失掉一定体量的客户

客户下载/更新引导建议

现阶段,为达到证券公司主打App被正确下载/及时更新的目的,证券公司应起到正确、适时的引导作用。证券公司引导建议可归纳为如下两方面:一方面,证券公司可通过ASO优化、官网宣传、线下推荐等方法进行正确的引导客户下载“对的”App,如引导潜客到综合主打App上进行开户,便于后续客户运营的及时跟进。另一方面,证券公司应引导客户更新“对的”App,该方面的实践除应用市场本身应对客户进行及时的更新提示外,证券公司App本身应在首页/关键页面及时提醒客户更新。

总体而言,从行业层面来看,证券行业移动App的数量并非多多益善,大多数证券公司会把自身拥有的App数量控制在合理的范围之内。传统意义上证券公司希望不同App能够适配不同的功能,比如将开户功能单独分离、与第三方合作再出一个App,但实际上用户在有限时间里并不可能去使用每一款App。所以应当去整合一次性的功能(比如开户)到一款App上,同时梳理自身情况去把握自有证券公司App的定位。证券公司App应当学会做减法,化繁为简,因为这样能够有效集中开发资源,便于收集到客户的交互数据,并提供伴随服务。

注重投放与引流的细节

1. 通过ROI计算梳理高质量渠道,加重该应用市场投放

App广告投放上最有效的业界衡量方式是通过渠道ROI或是推广ROI进行计算,从激活转化等数据上衡量投放的真实效果。投放所带来的单一点击、下载率容易被刷量所干扰,因而影响到实际效果的统计准确性。从ROI进行衡量,可以精准的筛选出高质渠道,从而帮助运营人员调整投放成本的分配,更高效的完成有效户转化。

2. 广告投放策略与ASO策略相结合,保持逻辑的连贯性

在重大功能上线的版本更新时,运营人员需配合展开系列的营销活动,如微信公众号上的宣传,App上活动、广告位的引导等。各种宣传广告的运营中应保证关键词汇的一致性,再将关键词汇应用到ASO的优化中,从而有效的延伸广告的投放宣传逻辑,更高效进行客户转化。

3. 通过灰度更新减少版本更新中bug版本的辐射范围

App在更新过程中,频繁修正bug版本会影响到整体的客户使用观感。为了减少bug版本导致的客户流失,稳定住前期的引流效果,除了加强发布前的测试强度,也可采取灰度更新的方式减少对客户的干扰。例如针对iOS客户,可在发布时设置为灰度发布,每天仅对5%-20%的客户的进行主动的版本更新。安卓端,对不同应用市场建立分阶段更新下载包的机制,从而平滑的完成全市场层面的版本更新。

注:感谢实习生杨丹虹对本文的鼎力支持与付出的贡献

重磅出击|TalkingData发布微信小游戏推广监测服务

微信小游戏红利的出现,成功招揽开发者们对其开疆拓土。随着微信小游戏数量与日俱增,想要在众多微信小游戏中脱颖而出也变得愈发艰难。加大力度全面推广,成为了开发者破局此境占得先机的一步重棋。

伴随推广策略的制定,更多值得开发者深思的问题也接踵而至。如何找到稳定优质的流量、如何及时优化推广策略、如何有效评估渠道质量……这些问题无一不说明,开发者需要指标更精细、数据更准确的推广监测服务。

作为国内领先的移动效果广告监测平台,TalkingDataAd Tracking正式推出了针对微信小游戏的推广监测服务。不仅能够有效解决上述业务难题,还具备以下优势:

推广场景全覆盖,广告流量细追踪

TalkingData Ad Tracking微信小游戏推广监测,支持微信广告全流量场景监测(包括:朋友圈广告、小程序广告、公众账号推文内广告、公众账号菜单广告等),为开发者每一次推广提供精细流量追踪;

定制化游戏指标,轻松获取高质量用户

TalkingData Ad Tracking微信小游戏推广监测,为开发者提供了媲美原生应用的深度转化事件监测服务,并可自定义创建角色、游戏收入、付费设备数等多个监测指标。开发者在渠道推广中,根据实时更新的监测指标数据定义渠道质量,调整推广策略,节约推广经费;

TalkingData Ad Tracking微信小游戏推广监测还为每个小游戏开放10个自定义事件接口,帮助开发者了解不同广告在关键效果点转化情况,为广告效果评估提供更多维度数据支持;

兼容多种游戏引擎,适配多类开发环境

TalkingData Ad Tracking微信小游戏推广监测服务SDK适配多种游戏引擎,包括微信小游戏官方引擎、Cocos、Egret及Laya,为不同开发环境的小游戏提供同样稳定的监测服务;

双维度数据分析,开发者可自由选择

TalkingData Ad Tracking微信小游戏推广监测,支持根据开发者创建的推广活动展示各渠道转化数据,同时支持根据微信官方定义的场景展示分析数据,开发者可根据自身习惯和分析维度自由选择。

TalkingData Ad Tracking微信小游戏推广监测服务,为开发者提供了更加精细化的数据监测平台。助力开发者轻松解读推广报表,进而高效评估渠道效果和用户质量。TalkingData Ad Tracking微信小游戏推广监测服务现已正式上线,欢迎开发者可以登录TalkingData Ad Tracking了解该服务的更多特点与具体功能。

 

产品专栏丨快速&简便,TalkingData研发轻量级报表构建工具

报表,是最为常用的数据可视化形式,也是数据分析中不可或缺的一部分。

TalkingData近日研发了一款简单、便捷的可视化报表构建产品——轻量级报表构建工具0.2版,可以实现分析报表类功能的快速交付,有效提升产品中数据分析功能的开发效率,构建效率由原来的天级缩短到分钟级。

TalkingData最新发布的移动运营平台5.0集成了该报表构建工具。

本次发布的报表构建工具最大的特点是门槛低、效率高。如类似下图-1所示的小程序分析页面,如果由前端工程师开发,通常需要约2天时间;而使用该报表构建工具,一个经过简单培训的人员只需不到30分钟就能够配置完毕(实际效果如图-2),效率提升近97%。

图-1

图-2

‍所见即所得的开发环境‍

该报表构建工具提供可视化、拖拽式、所见即所得的数据分析功能开发界面(如下图-3),页面布局精简、合理,界面中部留出了大片区域供配置人员拖拽组件进行布局,配置人员可以方便、直观看到组件布局变化及带来的影响。

界面中还提供了丰富的组件样式设置能力,可以控制组件的宽高、边距、背景和边框、图例、颜色、坐标轴等,所有的样式设置实时在界面上展示最终效果。

图-3

报表配置界面完全是所见即所得的设计界面,没有技术背景的业务人员经过简单培训也能进行数据分析页面开发。

丰富的页面组件

报表构建工具目前提供了19个组件,基本能满足日常的数据分析页面构建需求(新的组件持续构建中),具体包括:

  • 2个布局组件:水平容器、垂直容器
  • 8个图表组件:折线图、柱图、饼图、漏斗图、地图、面积图、留存图、表格
  • 9个其他组件:指标Tab、下载帮助、文本、统计摘要、日期范围、日周月切换、筛选器、更多筛选、条件筛选器

丰富的组件库让报表构建工具可以配置出各种风格的页面,如新增用户留存分析(图-4)、用户位置分析(图-5)、用户转化分析(图-6)等。

图-4

图-5

图-6

‍开放的组件插件框架‍

报表构建系统提供了开放的组件插件框架,根据页面组件规范开发的第三方组件可以快速插入到框架中、在报表配置界面使用。集成报表构建系统的业务产品可以根据不同的数据分析需求,开发定制化页面组件,减少业务产品对报表构建的依赖,提升满意度。

报表构建工具是TalkingData针对企业级市场的交付利器,显著加快产品交付效率,也使得移动运营平台5.0能够更深入洞察和满足企业需求,助力企业用数据驱动业务提升。

TalkingData-2018年6月移动游戏Benchmark

2018年Q2移动游戏行业盘点:主流明星游戏保持稳定,多款新上线作品得到市场认可:

2018年第二季度,移动游戏行业整体呈现稳定发展的态势,主流明星作品在用户中仍具有吸引力,沉淀了广泛的用户基础;新上线游戏则通过深挖垂直市场或细分人群,逐步抬高了在市场中的地位。

从重点游戏看,《绝地求生》系列2款作品进一步稳固了在“吃鸡”市场的领先地位;《第五人格》凭借与《黎明杀机》制作公司Behaviour的合作,利用玩法移植赢得市场认可;具有IP情怀的《武林外传》、《QQ炫舞》等经典游戏开始升温;迎合世界杯热点的实况足球、FIFA足球等体育作品适时推出;主打二次元风格的《非人学园》、《魔力宝贝》等游戏不断获得成长。

从Benchmark数据表现看,移动游戏用户在Android和iOS平台的各项指标相对稳定,活跃、留存、频次、时长以及付费等方面的表现延续Q1稳健趋势。

2018年6月移动游戏Benchmark解读:

付费率:2018年6月,移动游戏用户的付费率在Android和iOS平台整体保持稳定状态,其中,休闲类移动游戏的付费率在Android和iOS平台相比上月均有所提升,环比增长率分别为1.1%和1.9%;

用户活跃度:2018年6月,Android和iOS平台移动游戏用户的活跃情况总体出现升温,Dau/Mau环比上月持平,活跃率出现不同程度的增长,其中,iOS平台卡牌类移动游戏的周活跃率环比增长6.8%,月活跃率环比增长1.0%;

用户留存率:2018年6月,移动游戏用户的留存情况在Android和iOS平台有所增长,其中,动作类移动游戏在Android平台的一日玩家比例环比下降0.2%,其次日留存率和7日留存率则分别增长5.5%和1.0%;

使用时长&次数:2018年6月,整体上移动游戏用户的日均游戏次数环比增长,平均每次游戏时长略有下滑,其中,Android平台角色扮演类移动游戏的日均游戏次数相比上月增长3.6%,平均每次游戏时长则微增0.7%。

移动观象台

更多移动互联网的行业数据和报告请登录TalkingData移动观象

咨询专栏丨券商O2O大数据营销实践

随着互联网金融时代的到来和证券业市场化进程的推进,券商业务线上化加速,行业竞争加剧,佣金费率持续下降,对券商的经纪业务带来了很大的冲击。然而随着流量边际成本的提高,券商线上获客成本剧增,竞争从获客转为存量经营,传统券商的一个优势反而显现出来,那就是线下渠道。券商拥有大量的营业部和营销人员,对比其他纯线上的金融机构有线下优势。

线下营销渠道的优势主要体现在信任度和专业度上,尤其是在客户生命周期的早期,比如开户、投资建议和资产管理等方面。一对一的营销可以让客户产生信任感,客户经理可以有充分的时间来了解客户的需求和困惑,并发挥他们的专业知识来说服客户。相比之下线上的营销手段,比如MOT和短信,则受制于时间、长度和方式,只能倾向于提供短平快的信息,难以为客户量身定制深度的投资意见和建议。

然而,目前券商却受制于一系列问题,并没有发挥出线下渠道的优势。首先是覆盖问题。目前我国的证券市场的投资者约为1.2亿人,但是行业的投资顾问仅有1.5万人,即使加上客户经理等,每个人需要服务的客户数量也要达到数千人之多,这超出了大部分投资顾问的能力。为了覆盖更多的客户,很多券商大力投资于智能投顾,试图通过固化已有的投资理念和投资算法来为更多的投资者服务。然而智能投顾却仍然存在着信任度不足、效果不好、缺乏个性化等问题,很难得到投资者的信赖。

其次是效率问题。线下的投资顾问普遍存在盲目营销的情况,营销效率较低。很多投资顾问只是根据自己的经验来选择营销对象,却因为人均客户数量大、对客户了解少等原因,选择营销对象有相当的随意性,最后造成营销效果不佳。投资顾问浪费大量的精力来与转化意愿不强或潜在价值不高的营销对象沟通,然而接通率/有效沟通率等却往往不高,最后的转化效果更是难以令人满意(以用户转开户场景为例,电销接通率30%左右,有效沟通率不足20%,转化率不足1%)。

那么如何才能解决这些问题呢?办法就是更加深入的了解客户,不仅是他们的基础属性、投资属性,更要预测他们的偏好和意愿。

这样才能更好地服务于他们,并提高他们的忠诚度,给企业带来更多的收入。大数据时代的到来恰恰为我们深入了解客户带来了契机。随着券商的服务日益走向线上化和移动化,我们有更多的途径来了解客户。通过在手机的安装包内植入代码(SDK),企业可以收集到客户大量的交互数据。通过这些交互数据,我们可以深入地了解客户的行为特点和偏好。TalkingData还可以在企业获得用户授权的基础上,通过SDK来收集用户的应用偏好。在这些数据的基础上,还可以通过机器学习模型来推断客户的其他属性,比如客户的年龄、性别等等。

通过这些数据,我们可以得到一些以往并不了解的有用信息。比如一个客户长期出现在金融圈(比如陆家嘴),那么,这个客户的金融属性可能较强,更有可能开户或接受更多的金融服务。再比如一个客户晚上居住的区域是房价很高的小区,那么这个客户的潜在价值就可能较高。但是,如果只是单纯的条件筛选,相比于大数据建模,可以提供的名单却往往不足,而且转化效果也不佳。

为了更加充分地利用各种交互数据和用户的交易和资产数据,我们使用了机器学习模型来预测客户的属性。那么在线下营销的场景里,什么样的属性最为重要呢? 我认为是转化意愿和转化价值。这两个属性相乘,构成了客户的潜在价值。我们可以通过客户的这两个属性来挑选潜在价值最高的客户,提供给客户经理。这样,客户经理可以在庞大的可营销人群中,挑选出潜在价值最高的人群进行营销,这样避免了对大量潜在价值不高、转化意愿不强的客户进行的无效营销,解决了覆盖度的问题。

同时,客户经理可以通过模型来选出有不同意愿的客户(开户意愿强的用户,回流意愿较强的流失客户,比如理财型客户、股票客户等等),并有针对性的设计营销话术。实践结果表明,这些方法可以非常明显的提高营销的转化率,极大地提高了客户经理营销的效率。以用户转开户短名单模型为例,模型选出的用户的开户转化率在10% 左右,远远高于随机挑选出的名单1%左右的转化率,也高于模型选出但是没有拨打的名单的转化率(2%左右)。

机器学习模型不仅可以在很大程度上解决目前线下营销出现的问题,而且它还具有普适性,可以应用到客户生命周期的多个营销场景。从下载App开始,到注册手机号,到开户,到入金,到购买股票/理财产品,到流失,到回流,每个场景下,我们都有相应的模型可以应用,为营销人员提供大量的TDID。我们还可以将这些模型的流程自动化并落地到系统中,并对接到公司的营销平台进行分发,节省了大量的人力物力。

那么我们是如何建立这些模型,又是如何优化它们,并最终落地到系统中的呢?

  • 首先是确定模型目标。

这是非常关键的一步,对模型最终的业务效果有非常重要的影响。模型目标取决于多个因素。首先是要确定业务目标。以用户转客户模型来说,就是要提高注册手机号的用户最终开户的比例。然而,业务目标并不完全等于模型目标。以用户转开户模型为例:很多用户进入开户流程后,却因为各种原因终止了开户(比如身份证头像问题、视频验证问题等等)。这些用户已经表达了非常强烈的开户意愿,然而却被客观因素阻止了开户。因为我们的模型主要是用于预测客户的意愿,所以我们把这些用户也作为模型的正样本。除此之外我们还要考虑很多其他业务上的问题。还是以用户转客户模型来说,存在很多在注册手机号当天就开户的用户。这些用户很多在App基本没有点击行为。根据我们对业务的了解,这些手机号中有很大一部分来自于线下渠道,是通过客户经理的推荐才开户的,甚至就是由客户经理操作开户的。所以,不能从这些手机号的行为数据来预测客户的开户倾向,所以从正样本中予以删除。

  • 确定模型目标还要确定好目标的口径

客户在一段时间内的行为在时间的维度上有影响的范围。比如客户在昨天点击了很多股票的行情,还看了理财产品的推荐页面。一年后,这个客户购买了理财产品。然而,很难说客户昨天的行为影响了一年之后的购买行为。在讨论之后,我们把模型的目标口径定为在一周内的转化。于是我们把业务目标翻译成为可以从数据库中提取的模型目标。

  • 其次是确定模型的数据来源和收集范围。

对于不同的业务场景,预测的数据来源有很大的差异。比如对于用户转开户的场景,因为用户没有开户,所以没有任何交易和资产类的数据。所以所需的数据很大程度上来源于用户在设备上的交互数据。对于流失预警模型,数据则主要来源于用户在近期的交易和资产数据,以及近期的交互数据。而不同时间范围的数据重要性也有所不同,越近期的数据权重越高。对于营销欺诈模型,则渠道和设备的数据显得更加重要,因为营销欺诈往往在渠道、设备属性上有集中效应(比如喜欢使用老旧和廉价设备,某些渠道营销欺诈近期的比例较高)。对于预测客户的价值属性(潜在高价值客户模型),则客户的外部数据显得更加重要。因为我们看到客户在系统里的资产,往往只是客户资产总量的一小部分,客户在其他金融机构存放的资产是我们需要挖掘的目标。这方面TalkingData的数据可以给予很大的帮助,我们可以通过这些数据来预测客户的价值属性。

  • 然后则是数据的加工和处理。

目前,很多券商的数据整合度仍然不够,重要的数据还分布在各个子系统内,需要进行整合和加工。交易和资产数据来自于柜台交易系统,一般较为完备,客户的交互数据则不然。这些数据来自于STK包上传的日志,需要通过解析脚本来批量结构化。我们要对这些数据进行清理、加工、整合,最后开发为我们可以使用的结构化数据。最后我们还要利用TalkingData 的ID Mapping 技术对这些数据进行打通,使他们能够通过TDID关联起来,最后成为我们可以利用的去识别化的数据来源。

  • 完成数据整合之后是对数据的采集和处理。

我们使用结构化的计算机语言(SQL/Hive SQL)对数据进行压缩,提取有用的汇总数据,再通过表与表之间的关联将这些数据汇总到一张或数张宽表内,作为模型的原始数据。

  • 采集完数据后,我们还需要对数据进行校验和分析。

我们需要检查各个字段的饱和度和异常值,分析数据的质量,并对出现的问题进行分析,找出原因。分析这些问题是否对模型有影响,以及如何处理脏数据。然后,我们还需要根据业务逻辑来确定对缺失数据填补的逻辑,以及对于异常数据的处理方法。特别需要注意的问题是,要防止因果混淆的问题,要将用于预测的数据和模型目标变量完全的隔离开来,以免造成因果不分的情况。

  • 之后则是将数据加工为最终模型使用的特征。

这其中很大一部分工作可以在数据采集和处理过程中完成,其他的工作则在数据校验之后完成。需要对数值型的变量进行计算,生成加工后的特征值,可以计算最大值、最小值、平均值、变化率等等等,对于类别数据,则采用各种编码方法进行处理。类别较少的数据可以采用独热编码,类别多的数据可以考虑其他的各种编码方式。还可以用这个分类特征去关联其他的数据,并加工为特征。

现在我们有了大量的特征和目标变量,然而我们并不能直接把这些数据输入模型,需要对这些特征进行筛选和处理。缺失率特别高的特征需要给予删除,特征出现共线性则需要选择去除部分的特征。我们还可以使用一些模型自带的特征筛选器对特征进行筛选(比如随机森林自带的特征筛选器)。我们还需要根据最后运行的模型确定是否需要对特征进行标准化。对于树类的模型(随机森林 C4.5等),标准化往往不是必须的,对于其他的很多模型,为了加快模型损失函数的收敛速度,我们需要对特征进行标准化。有各种标准化的手段可供选择。

在最终运行模型之前,我们还需要通过对业务需求的判断确定模型的评估标准。常见的模型评估标准有查全率(recall)、准确率(precision)、F1、AUC等。比如对于营销欺诈模型,模型衡量标准主要是 KS值,业务部门的人员还对模型的准确率提出了特别的需求。对于各种转化名单,则需要在准确率和查全率之间进行权衡,往往通过一些综合性指标(AUC、F1)等进行衡量。我们还可以通过ROC曲线来分析模型在不同阈值上的表现情况。然而,最重要的衡量标准是模型在实际转化中的表现。

还有一个需要考虑的问题是不均衡样本的问题。在很多转化场景下,正样本的数量往往远小于负样本的数量。比如在流失回流的模型中,回流的正样本只占样本总量的0.3%。在这种情形下,模型的效果往往会受到严重的影响。我们于是采用了一系列采样的方法来加以应对,比如欠采样和过采样(如图)。

确定好模型的评估标准之后,则需要选用合适的机器学习算法。机器学习算法的原理比较常用的机器学习模型是基于决策树的模型,回归类模型还有神经网络类模型。树类的模型主要有决策树、C4.5以及结合集成学习方法生成的RF模型和XGBoost 模型等。回归类模型主要是由线性回归、逻辑回归、岭回归等一系列模型。我们对各个模型在测试集上的表现进行了评估,结果显示,XGBoost和RF模型是表现最好的模型之一,这也是我们最后选择落地的模型。

XGBoost模型和RF模型的原理图:

之后则是模型训练和模型优化。我们对数据进行分割,将数据分割成测试集、预测集和验证集。我们在测试集采用交叉检验的手段来防止过拟合的情况。我们还采用了正则化的手段,在损失函数中加入正则项以进一步防止过拟合。我们还使用网格搜索、随机搜索等方法对模型的参数进行调优,最终得到相对较优的模型。

然而,只在测试集表现好的模型是不够的,我们还需要在实际的业务中判断模型的效果,最后根据业务人员的反馈来对模型进行进一步迭代优化。比如在用户转开户的TDID名单模型中,营销人员反映接通率较低,于是我们通过黑名单对数据进行初筛,这样有效的提高了客户的接通率。同时,我们还对TDID的匹配方式进行了优化,最后的名单的转化效果也有了大幅度的提升。

最后我们还需要将模型落地,将模型的所有过程自动化,并写成计划任务定期执行。

我们与营销平台开发人员和数据库开发人员进行合作,对接数据源,形成数据流,最终使我们的模型结果直接展现在营销平台上,以供分支营销人员使用。最后我们还规范了模型反馈结果数据,把拨测以及实际转化的情况的跟踪代码落地为报表,以便持续自动地跟踪模型的表现,并根据反馈做进一步的优化。

这样,通过利用大数据建模,我们可以有效应对目前线下营销所遇到的困难,充分发挥线下营销的潜能,从而进一步完善券商的数据运营体系。线上营销专注于推送和千人千面,倾向于提供简短、精要,及时的信息,而线下渠道则是专注于根据客户的意愿、偏好和实际/潜在价值提供更加专业的服务。而两者,都由数据驱动,为客户提供更加精准,更加个性化,也更加人性的服务。

重磅丨粤港澳大湾区人口流动分析洞察报告

‍报告概述‍

TalkingData与华人大数据协会联合推出《粤港澳大湾区人口流动分析洞察报告》,旨在从人口流动的角度分析大湾区城市之间的相互联系。根据本报告,我们发现,广州、深圳是大湾区的核心城市,与其他城市人口联系较为紧密,且广州、深圳对于大湾区其他城市具有较强的就业吸附力;香港、澳门与大湾区其他城市人口联系强度较快增长;东莞不再向广州输出净劳动力,且对深圳的劳动力净输出程度也有所减弱,其就业吸附力增强。

‍粤港澳大湾区是国家建设世界级城市群的重要空间载体‍

粤港澳大湾区是由香港、澳门2个特别行政区和广州、深圳、珠海、佛山等粤9市组成的城市群,其面积为5.6万平方公里,人口超过6900万,2017年GDP突破10万亿,是全国经济最活跃的地区,是国家建设世界级城市群、参与全球竞争的重要空间载体。

‍广州、深圳是交通枢纽城市港澳是对外开放渠道‍

从粤港澳大湾区的城市功能定位来看,广州、深圳和珠海是交通枢纽城市,多为科技产业创新中心,以知识密集型产业为主;东莞、佛山和中山以技术密集型产业为主,是制造业创新中心;香港是国际金融、贸易和航运中心,澳门是旅游休闲中心、葡语国家商贸合作平台,香港和澳门作为大湾区的对方开发渠道,从金融、商贸、旅游等多方面推动湾区城市的对外发展。

‍粤港澳大湾区城市的常住人口稳健增长‍

粤港澳大湾区城市群中,广州的常住人口数量最多,其次是深圳,2017年,两城市的常住人口规模均超过千万;从人口增长速度来看,珠海市的常住人口增长最快,其次是深圳和广州,此外,其他各市的常住人口均呈现正增长,粤港澳大湾区城市的人口吸附力较强。

珠海用户跨市出行活跃度最高

从粤港澳大湾区城市用户的跨市出行指数来看,珠海市最高,即珠海用户的跨市出行活跃度最高,此外,澳门、中山和佛山用户的跨市出行活跃度也较高。

‍广州、深圳是大湾区的核心城市与其他城市的人口联系最为紧密‍

从跨市流入度和跨市流出度的对比来看,广州、深圳的跨市流出度较高,即广州、深圳为大湾区其他城市贡献较多的净出行人口;从与湾区整体人口联系强度看,广州、深圳的人口联系强度最高,广州、深圳是大湾区的核心城市,与其他城市的人口联系最为紧密,此外,东莞、佛山与大湾区城市的人口联系强度也较高。

‍澳门、香港、肇庆、佛山与大湾区城市的人口联系强度增长较快‍

2016年以来,粤港澳大湾区各城市与其他城市的人口联系均呈现出增强趋势,其中,澳门、香港、肇庆、佛山与大湾区其他城市的人口联系强度增长较快。

粤港澳大湾区GDP突破10万亿且增速较快,经济发展状况良好

2017年,粤港澳大湾区GDP达到10.2万亿,同比7.0%,略高于全国GDP同比增速,大湾区经济发展状况良好;分城市来看,香港GDP排在大湾区首位,为2.3万亿,深圳、广州分别为2.24万亿和2.15万亿,且深圳和广州的同比增速分别为8.8%、7.0%,高于香港的GDP同比,经济表现非常亮眼,深圳、广州与香港的经济差距正在逐渐缩小。

广州、深圳对大湾区其他城市具有较强的就业吸附力

广州、深圳、佛山、东莞的工作用户流动占比较高,即上述4个城市具有较多跨市通勤用户;从工作用户流入和流出量的对比分析,可以发现,广州、深圳拥有较多的工作用户净输入,广州、深圳对大湾区其他城市具有较强的就业吸附力,而佛山提供了较多的工作用户净输出,佛山是大湾区重要的劳动力净输出城市。

‍广州和深圳的劳动力输出方向发生变换广州向深圳输出净劳动力‍

2018年4月,除深圳外,其他城市均对广州产生劳动力净输入,其中,佛山是广州的主要劳动力净输入源,且佛山对广州的劳动力净输入呈增长趋势;大湾区城市均对深圳产生劳动力净输入,其中,惠州是深圳的主要劳动力净输入源,且惠州对深圳的劳动力净输入呈增长趋势。 2018年4月,广州和深圳的劳动力输出方向发生变换,广州由从深圳吸引劳动力变为向深圳输出净劳动力,深圳对广州的就业吸附力增强。

‍深圳、珠海的就业吸附力快速增长东莞转变为劳动力净输入城市‍

广州、深圳和珠海均为劳动力净输入城市,与2016年相比,2018年,上述3个城市的就业吸附力均呈现增强趋势,且深圳和珠海的就业吸附力提升效应明显。2018年,东莞的工作用户净流出率由正转负,即东莞由劳动力净输出城市转变为劳动力净输入城市,东莞的就业吸附力增强。

新功能|TalkingData推出线下推广监测服务

随着线上流量成本升高和红利消退,商家们着眼于线下流量挖掘。在线下推广场景中,商家多以扫描二维码的方式作为入口,但此方式无法识别设备ID用于后续归因进而评估营销效果。

线下推广中,依旧被多数商家应用的传统匹配监测逻辑,在多名客户使用同WiFi网络环境或扫码与下载使用不同网络环境的情况下误差率较高,极易因统计误差造成业务人员与商家出现纠纷。

Markdown

为使商家能够精准统计不同业务人员、不同商圈门店的拉新引流效果,TalkingData打破传统归因逻辑,推出了使线下推广统计更精准、商家管理更便捷、效果点更精细,基于注册行为精准匹配方式为归因逻辑的线下推广监测服务。

TalkingData Ad Tracking线下推广监测服务支持以下功能

  • 推广管理者可批量生成推广二维码,实时监测不同实体门店、不同业务人员的推广效果;
  • 推广二维码由推广管理者统一制作后自上而下逐一发放,同时也支持业务人员/实体门店自下而上申请认领,推广管理者可结合场景自由选择;
  • 支持Html5、WeApp、Android和iOS四大平台线下推广监测;
  • Android和iOS多平台推广时,基于EasyLink提供一码多平台智能识别解决方案;

TalkingData Ad Tracking线下推广监测服务适用场景更多元

  • 多商圈实体店推广

此类线下推广,可由推广管理者统一生成推广码,下发至各实体店。待各门店信息完善后,TalkingData Ad Tracking线下推广监测功能将新增数据及其后续转化行为精准归因至各门店,便于推广管理者对各门店指标横向对比和推广优化;

  • 多业务人员地推拉新

在此类场景中,业务人员数量较多、人员分散,业务人员拉新的质和量也与其业绩相关。为了便于推广管理者对业务人员的业绩统计和快速人码合一,TalkingData Ad Tracking线下推广监测功能,支持业务人员通过填写推广管理者提供的短链去完善个人信息,进而生成与业务人员相对应的推广二维码。

业务人员完成推广拉新后,推广管理者可通过TalkingData Ad Tracking后台,查看各业务人员带来新增的质与量,帮助推广管理者对业务员业绩和新增数据进行结算与评估。

如果您存在以下困境,推荐您使用TalkingData Ad Tracking线下推广监测服务

  • 无法准确评判推广业绩;
  • 无法获得线下推广后新增转化的后续行为数据;
  • 多门店/业务员推广统计效果不佳,无精准数据优化推广和完善策略;
  • 同一活动Android和IOS多平台推广,无法二码合一;

以上困境只要有一个与您相关,那么深度了解和使用TalkingData AdTracking线下推广监测服务,就一定会对您有所帮助!

目前,TalkingData Ad Tracking线下推广监测服务已正式上线,开发者可以登录TalkingData Ad Tracking平台了解该服务的更多特点与具体功能。点击即刻申请试用,更多线下推广监测场景应用期待您的发现。