从数据化运营到效益数字化,洞察零售业转型的秘密

Markdown

近日,以“From Data to Data:从数据化运营到效益数字化”为主题的TalkingData 2018零售行业数据智能峰会(华东站)在上海顺利举办,与华东区的零售行业同仁一起,洞察大数据时代下的零售业态趋势,分享新零售转型的成功理念、经验与案例。

Markdown会议现场

作为会议主持人,TalkingData零售事业部总经理陈星霖首先分析了零售行业整体发展态势。在当前社会经济形势相对复杂和困难的情况下,企业需要更好地了解他们的用户,提供更个性化的产品和服务,以应对M型社会转型之下的分级消费趋势。除了支撑消费者分级管理,大数据还被越来越多应用到企业战略指引、商业洞察、营销决策、风险管控等多个领域,已经逐步成为企业经营过程中,非常重要的一种新型的生产力。

MarkdownTalkingData零售事业部总经理 陈星霖

正式进入会议议程,TalkingData咨询部总经理刘翔首先带来了“从数据化运营到效益数字化实现”主题的分享。刘翔指出,大数据对零售行业来说已不仅仅是一种新技术,而是一种新的商业模式,是能够颠覆传统模式、为行业带来新生机的一种力量。未来,零售业营销的关键在于如何攻占消费者的心智、满足其内心需求,而不再是比拼商品的性价比。

他通过三个典型案例,介绍了“TalkingData零售行业D2D数字化转型方法论”如何帮助零售企业打造以业务数字化为起点,以效益数字化为结点的数字化运营闭环,从而全面提升数字化能力。

以TalkingData与某全球知名餐饮集团的合作为例,基于D2D方法论,TalkingData帮助该企业建立数字化的会员运营平台,整合和打通1亿+会员、梳理和构建600+标签;助力旗下App的诊断和优化,3个月时间将日活提升了25%;通过目标人群精准圈选实现精细化营销管理,并帮助其财务部门、市场部门、数据分析部门显著提升日常数字化运营效率。

刘翔还提到,除餐饮外,TalkingData目前已与多家服饰、食品、电器、购物中心等领域的头部企业合作,在零售行业数字化转型方面积累了丰富经验与成功案例。

MarkdownTalkingData咨询部总经理 刘翔

会议特别邀请影儿集团CIO罗征先生,从行业实践的角度分享了“‘新’零售体系下大数据生态”。他首先表达了他对“零售”的理解——零售就是一场客户触达的生意,“触”是感知与获得认同,“达”是商品发生转移。而所谓“新零售”与“旧零售”之间的区别,就是利用科技手段,让“触达”在频度、空间和时间上发生方式和性质的改变。

而数据为零售带来了怎样的变化?“旧零售”时代,传统的触点在选择和购买夹断;而“新零售”时代,在技术的帮助下,接触是全时、全方位的,触点前置到需求产生、研究阶段,触点资源也变得无限制、无边界。而数据承载着顾客整个消费、体验生命周期,不只是交易本身。这也让“新”零售模式下竞争的关键在于对流量入口和流量感知的争夺,同时将顾客旧有的采买数据丰富成跨维度的行为数据,这也是影儿集团与TalkingData的合作试图去突破的。

在影儿集团的实践中,从采买数据画像转变成行为数据会员画像的传统方式已不能满足需求,新的数字化运营方式则是通过会员行为画像互动扩大消费场景。罗征还分享了包括与TalkingData合作在内,在建立会员运营框架、设置触发式会员运营模式、整合微生态能力、构建新媒体运营策略、常态化会员运营等数字化运营方面的经验。

Markdown影儿集团CIO 罗征

TalkingData高晓津带来了“TalkingData D2D数据探索”的分享。她首先以三个概念来总结零售业的数字化变革:“人的比特化”——行为更加清晰,人群范围扩大;“货的产消化”——人货交互可见,销售即是生产;“场的无界化”——交易交互无界,虚拟场域概念。那么当我们有了数据、可以用数字化的方式来洞察人的行为之后,我们能够做什么?高晓津从数据类型、效率应用、效益应用以及未来发展这四个方面进行了分析。

在TalkingData的D2D方法论中,重点强调的就是效率与效益的双重提升,她从识别业务特征、品牌选址、销售线索清洗三个方面讲解了数据在提升效率方面的应用;又从Marchtech和Adtech方面讲解了借助数据提升效益的方式和案例。针对未来发展,高晓津认为二方数据将是值得重点探索的方向,能帮助拓展潜客场域边界;而随着技术的进一步发展,情景感知与边缘计算将帮助我们更好的洞察人、增强业务。 MarkdownTalkingData 高晓津

TalkingData李楠分享了“TalkingData D2D数据应用”方面的理念和经验。他首先基于“3A3R”模型,分析了数据驱动下的运营闭环与数据闭环下的业务场景和需求,并介绍了针对各方面需求TalkingData所能提供的数据应用,如面向潜客挖掘和触达需求的TalkingData智能营销云、面向营销效果评估和分析的TalkingData移动广告监测、面向营销全流程管理需求的TalkingData营销闭环平台、面向线下门店选址需求的智选、面向线下客流采集和运营需求的TalkingData客流运营平台、面向线上行为采集和运营需求的TalkingData移动运营平台等等。 MarkdownTalkingData 李楠

最后,由TalkingData解晓恒重点解读了TalkingData近期与腾讯云联合推出的智能商业选址产品——智选。

新消费与数字化浪潮下,布局线下门店并把他们编织成一张有机网络进行用户触点交互和运营转化,成为很多企业的战略诉求。但传统的门店选址方式受数据制约,存在精度差、周期长、成功率低,难以标准化的问题。而智选产品一方面对码人的经验主义驱动的思维模式进行升级,整合基础地理信息,城市商业信息和人行为信息三层数据线索,将单点式的信息化成有化学反应的网络,带来充分的信息对称和量化决策;另一方面,用机器学习的方法进行营业额销售预测,将直接的解决选址的核心问题。

随着选址思路的打开,化繁为简的一键位置推荐、按需定制的深度区位洞察、历史经营数据的深度学习和对预开门店的高精预测等硬核功能都已在TD的选址服务平台上线,真正帮助零售企业获得竞争先机。

据解晓恒介绍,智选服务预期助力某快餐巨头实现选址成本下降50%、初期评估时间缩短90%的业务提效目标。 MarkdownTalkingData 解晓恒

零售业是时下数字化转型最受关注、应用最为广泛的行业之一,也是TalkingData近年重点探索的行业。此次TalkingData 2018零售行业数据智能峰会(华东站)只是开始,TalkingData计划继续深入国内其他零售业核心区域,与更广范围内的零售业同仁共议数字化转型的趋势、模式与未来,用数据驱动零售业的革命性升级。

Markdown

又一年!TalkingData和你相约在ChinaJoy

Markdown

一年一度的ChinaJoy即将拉开帷幕,今年TalkingData在 ChinaJoy 上又有哪些精彩活动呢,跟着这份活动指引,快来找我们玩耍吧!沙龙及展位均有小礼品为大家奉上,数量有限,先到先得!

【主题演讲】解读游戏生命周期曲线模型

时间:8月3日14:15pm-14:30pm

地点:全球游戏产业峰会(上海浦东嘉里大酒店三层上海厅3)

分享嘉宾:TalkingData副总裁 高铎先生

在2017年的ChinaJoy的分论坛上,TalkingData副总裁高铎给现场嘉宾们分享了《2017年中国手游十大趋势》,成为全场关注与传播的焦点。在2018年8月3日ChinaJoy全球游戏产业峰会上,高铎将给游戏开发者们带来极具含金量的“手游生命周期曲线模型”,全面解析手游行业的“冰与火之歌”,让我们翘首以待!

Markdown

【TalkingData展位】W3馆B901

时间:8月3日~5日 9:00~17:00

地点:上海新国际博览中心(龙阳路2345号) 领奖指南:现场完成小任务即可领取精美的伴手礼一份

【线下沙龙】【思·变】探索泛娱乐下的新机遇

Markdown

时间:8月2日(本周四)下午13:30—16:30

地点:(上海徐汇)乐山路33号1号楼1楼(源咖啡)

泛娱乐”圈里有这么一个说法:从2011年的崭露头角,到2013年的遍地开花,到2015年的如火如荼,到2017年的大浪淘沙,我们认为2018年依旧会是泛娱乐产业越来越成熟化的一年。在资本和互联网的助推下,泛娱乐产业将迎来更多的机遇和挑战。

TalkingData结合“泛娱乐”圈内现状,将在上海举办《思·变| 探索泛娱乐下的新机遇》为主题的线下沙龙,届时我们诚意邀请到TalkingData 华东区开发者业务高级经理 张亚刚、Tapjoy 中国区总经理 蔡志辉 、上海晨之科信息技术有限公司首席运营官 蒋钰和武汉斗鱼网络科技有限公司 活动策划总监 鲜明,为现场来宾们分享有关泛娱乐方面的营销、运营以及跨界合作等方面经验。

Markdown

重磅 | iView 发布 3.0 版本,以及开发者社区等 5 款新品

Markdown

7 月 28 日,我们成功地举办了 iView 3.0 暨神秘新品发布会,这可能是前端开源圈第一次举行线下+线上的发布会。现场座无虚席,线上直播也有超过 2 万人观看。

Markdown

iView 3.0到底有哪些重要更新?5款神秘新品又是什么?接下来就为你揭秘……

View 3.0:更轻量的设计,更强大的组件和功能

我们设计了全新的 iView Logo,维持了原先 i 和 v 的造型,并让颜色更立体:

Markdown

3.x 的版本代号依然沿用 iOS 优秀独立游戏的名称,3.0 的版本代号为两周前刚发布的 RPG 游戏 Battleheart。

全民彩蛋计划

Markdown

为庆祝 iView 两周岁生日,以及 3.0 版本的发布,我们在 iView 文档 (https://www.iviewui.com)中放置了三枚彩蛋,它们埋藏在不同的页面里,可能是一段隐藏的代码,或是一段需要破解的密码等等,总之,聪明的你一定会找到并破译它们。当然,找到三枚彩蛋,你并不能继承 iView 作者的遗产!彩蛋可以兑换大量的 IO 币,详见下文开发者社区(https://dev.iviewui.com)。

设计

许多用户选择 iView,很大的原因是认可 iView 的设计,所以在 iView 3.0 里,我们对 UI 进行了进一步的优化。

iView 的 icon 采用开源项目 ionicons 提供的图标,这次也是将 ionicons 图标库从 2.0 升级至 3.0。 3.0 的图标库在命名上更加的规范,只分为 ios ,md, logo 三种,图标也比以前丰富和好看。 3.0 还新增了属性 custom,可以自定义图标。

Markdown

整体的设计风格趋向于简洁、轻量,去掉了冗余的设计,部分颜色做了调整,看起来更加醒目,比如:

Markdown

Markdown

新组件

iView 的组件是全球同类产品里数量最多,功能最丰富的,3.0 更是增加了 5 个全新的组件。

相对时间组件 Timehttps://www.iviewui.com/components/time

锚点组件 Anchorhttps://www.iviewui.com/components/anchor

面板分割组件 Splithttps://www.iviewui.com/components/split

分割线组件 Dividerhttps://www.iviewui.com/components/divider

单元格组件 Cellhttps://www.iviewui.com/components/cell

相对时间组件 Time 用于表示几分钟前、几小时前等相对于此时此刻的时间描述。相比一个固定的日期时间,它更能体现出最近的状态。

Markdown

锚点组件 Anchor 可以快速跳转到页面指定的位置,经常用于导航文章或文档中的目录结构,随着页面的滚动,它可以自动定位当前浏览区域所对应的标题,点击对应的标题,页面也会跳转到对应的位置。

Markdown

面板分割组件 Split 可将一片区域,分割为可以拖拽调整宽度或高度的两部分区域,并支持嵌套使用。

Markdown

分割线组件 Divider,常用于对不同章节的文本段落进行分割,或者对行内文字/链接进行分割,例如表格的操作列。

Markdown

单元格组件 Cell 在手机上比较常见,在 PC 上则常用于固定的侧边菜单项。Cell 可以是一个简单的菜单项,也可以跳转到其它页面,或者跟 徽标 Badge 或 开关 Switch 等组件一起使用。

Markdown

新特性

iView 3.0 有超过 40 项新特性及功能的优化。 首先是全局配置——

https://www.iviewui.com/docs/guide/global),使用 iView 3 时,可以进行全局配置组件的一些属性。目前只支持配置 transfer 和 size 两个属性。组件会优先使用 prop 设置的属性,如果未设置,再使用全局配置。

transfer:所有带浮层的组件,是否将浮层放置在 body 内,默认为不设置,详见各组件默认的 transfer 值。可选值为 true 或 false。

size:所有带有 size 属性的组件的尺寸,默认为不设置,详见各组件默认的 size 值。可选值为 default、small 或 large。

用法如下:

Vue.use(iView, {

transfer: true,
size: 'large'

});

Button 是 iView 最基础,也是最常用的组件。看似再简单不过的一个组件,其实里面有很多学问。 iView 3 废弃了 type=”ghost”,而是新增了布尔选项 ghost,定义按钮为幽灵按钮,幽灵按钮的背景是透明的,常用于有色背景上面。

Markdown

还新增了 3 个用于跳转的 props:to、replace、target:

Markdown

添加 to 属性后,按钮会以 标签的形式渲染,点击可直接跳转,也支持传入一个 vue-router 对象,iView 会做智能判断。如果使用了 vue-router,会以前端路由的形式跳转,否则会用传统的方式跳转。 replace 属性开启后,跳转不会保存历史记录。 target 的行为和 a 标签类似,比如设置在新窗口打开。 支持 跳转 的组件,除了 按钮组件 Button,还有面包屑组件 Breadcrumb、菜单组件 Menu、以及单元格组件 Cell,这些组件都具有 to、replace 和 target 三个属性,体验也完全一致。后续还会支持到更多组件,比如 Dropdown。

Markdown

router 的编程式导航跳转方便的太多,并且会渲染为带有链接属性的 a 标签,在 SEO 上也更友好。

所有支持跳转的组件,都支持了键盘按键(Mac 为 command,Windows 为 ctrl)加鼠标左键在新窗口打开的特性(无论是否设置 target=”_blank”,这种组合行为都会在新窗口打开,与浏览器原生体验完全一致)。

对话框组件 Modal 新增了三个属性:

fullscreen 全屏

draggable 拖拽

mask 是否隐藏遮罩层

开启全屏属性 fullscreen 后,会铺满整个屏幕,并且只有内容区域可滚动。 开启拖拽属性 draggable 后,会默认隐藏遮罩层,此时拖动 Modal 的标题栏就可以移动了,可以支持同时开启多个 Modal 进行拖拽。

表格组件 Table 新增了两个属性

indexMethod

tooltip

当设置列有 type=”index” 时,可以使用 indexMethod 进行自定义序号了。 给某一列设置属性 tooltip=”true” 时,当该列内容过长,一行无法显示时,鼠标经过会以 Tooltip 的形式显示完整内容。

Markdown

其余的更新内容可以到 3.0 更新日志查看。

开发者社区 iView Developer

这是发布会最劲爆的一款产品了。过去的两个多月里,我们一直在投入社区的开发中,目的就是彻底解决开发者的问题,更好地服务开发者。 社区地址:https://dev.iviewui.com/

一对一提问

遇到编程问题,怎样才能有效解决呢?

QQ / 微信群

SegmentFault / Stackoverflow 等技术社区

问同事

每个人都期望加入大群,但都在小群活跃。QQ / 微信群是程序员很活跃的地方,iView 也组建过官方的 QQ 群,累计有 5000 人左右,每天都沉淀了大量的讨论,虽然我不会一一过目,但偶尔也会快速浏览一下。其中一部分问题是文档中已有的,一部分是比较基础的用法,还有一些相对综合的问题。提问的人很多,解答的人缺少,因为群里的人,绝大多数都是和“你”一类的用户,他们加群也是想解决问题来的,但事实上,并没有得到很好和及时的解决。

Stackoverflow 就不说了,这是一个门槛较高的程序员社区,不过对于高级程序员来说,是寻找答案最好的地方。我们来说说国内的技术社区。以 SegmentFault 为例,我们以往也一直鼓励除了 bug 反馈,都到 SF 提问,因为 GitHub 只适合处理 bug 本身的问题,对于如何使用不适合在上面探讨。

至于问同事和朋友嘛,首先你得有一个懂你的领域问题的同事或朋友,而且,对方得有时间和耐心。

为什么得不到有效解决?

其实理由很简单:

“你”问的圈子的人,也都跟“你”一样,是主动提问型的。

专业问题(比如 iView / Vue.js),不是所有人都知道。

能解决你问题的人,一般都是大牛,而大牛都很忙,根本没空理你。

说的很露骨,但却一针见血。

怎样才能解决问题

如果你想问 iView 的问题,那这个世界上谁对 iView 最了解?当然是 iView 作者本人了,那自然也对 Vue.js 的问题了如指掌。如果作者解决不了的,但基本也没什么人能解决,所以,要想彻底解决问题,就是直接向 iView 作者提问。

所以,一对一提问,是 iView Developer 最核心的功能,也是最能解决你痛点的。

Markdown

高级示例

针对 Vue.js 及 iView,精心编写了大量业务中的高级示例,对 iView 官方文档作补充。比如 Table 的服务端分页及服务端排序、过滤;Upload 的手动上传及七牛云的集成。所有示例都有详细说明、源码及演示,并可以收藏。高级示例会不断增加。

高级示例也是 iView Developer 另一重要的板块,里面会陆续更新丰富而针对性的实例,以 iView 和 Vue.js 为主。高级示例具体到某个详细的问题,比如 Table 组件和 Page 组件联合使用并做服务端的分页、排序、过滤。大量的最佳实践和详尽的代码讲解、浏览体验,对于 iView 使用者来说是很好的补充。

Markdown

每周都会更新一些示例,并提示您,并且可以对示例进行收藏。

除此之外,还有独家写作、商城等功能,期待你的探索!

iView Run:随时随地运行 iView 示例

iView Run 是一个集成了 iView 环境的在线运行 iView 示例的工具,左边写代码,右边预览,可以直接编写一个 .vue 文件,它包含了 template、script、style 三部分。 编写好的示例保存后,会生成一个链接,并可以预览,链接可用于提交 bug,或分享示例给他人参考。

地址:https://run.iviewui.com/

Markdown

iView Run(beta)目前仅支持 iView 环境,暂不支持 Less 和部分 ES6 语法,这取决于你的浏览器。未来将逐步支持,并提供示例共享平台,你可以分享或浏览别人分享的优秀示例。 并且 iView 的文档未来也会集成 iView Run,文档中所有的示例未来都可以直接在 iView Run 中运行。

iView Editor:简约而不简单的 markdown 编辑器

因为在 iView Developer 中,我们开发了一个使用起来还不错的 markdown 编辑器,所以把它单独开源出来。 iView Editor 参考 Github 的设计风格,可以在 markdown 和预览之间进行切换,当然,你喜欢实时预览的话,也是支持的。

地址:http://editor.iviewui.com/

GitHub:https://github.com/iview/iview-editor

Markdown

iView Weapp 2.0

我们在一个多月前发布了微信小程序 UI 组件库 iView Weapp,这次发布会我们带来了它的 2.0 版本。 2.0 文档:https://weapp.iviewui.com/ GitHub:https://github.com/TalkingData/iview-weapp

iView Weapp 2.0 新增了 7 个全新的组件: 索引选择器 Index

吸顶容器Sticky

滑动菜单 Swipeout

倒计时 CountDown

分隔符 Divider

折叠面板 Collapse

页底提示 LoadMore

扫描小程序码,立即体验 iView Weapp 2.0:

Markdown

iView Admin 2.0

iView Admin 2.0 也进行了一波大的升级:

基于 Vue Cli 3.0 重构所有代码 重写重要组件 全新权限方案 多级菜单路由 Mock 请求模拟 全局配置 清晰数据流

体验iView Admin 2.0: https://iview.github.io/iview-admin

GitHub:https://github.com/iview/iview-admin

7月28日也是 iView 的两周岁生日,发布会结束后,我们举行了生日会。特别定制的蛋糕太萌了,大家纷纷拍照留念。

Markdown

以上就是本次 iView 3.0 发布会的核心内容,完整的发布会视频之后会在 iView Developer 发布。

简明数据科学 第八部分:回归模型中的定性变量

Markdown

TalkingData 张永超

在之前的文章中,我们讨论了回归模型。费尔南多选择了最好的模型,他建立了一个多元回归模型,该模型的具体形态如下:

价格 = -55089.98 + 87.34 x 发动机大小 + 60.93 x 马力 + 770.42 x 宽度

该模型构建了一个根据发动机的大小、车辆的马力和宽度的函数,来预测或评估车辆的价格。而且该模型中所有的预测因子都是数值型的。

但是,如果有定性变量呢?定性变量是如何用来增强模型?定性变量又改如何解释呢?

这篇文章我们将针对定性变量进行讨论。费尔南多得到了两个类似的定性变量:

  • fuelType:燃油的种类。该值可以是汽油或者柴油;
  • driveWheels:驱动的种类。有三个可能的值,4轮驱动、前轮驱动和后轮驱动,分别表示为4WD、RWD、FWD。

Markdown

费尔南多希望找出这些定性变量对汽车价格的影响。

概述

定性变量是哪些非数值型的变量。适合用于将数据分类,也称为分类变量或者因素。此类变量带有一定的层级,而层级是特定定性变量的特殊值。

燃油种类由两个独特的值,汽油和柴油。这意味着燃料类型有两个因素。

驱动有三个独特的值。四驱、后驱和前驱。这意味着驱动有三个因素。

当回归模型使用定性变量的时候,需要将定性变量转变为虚拟变量,也就是简单的0和1。例如,样本数据中有5辆车的数据,每辆车都有柴油或汽油的燃油类型。

Markdown

燃料类型是一个定性变量。它有两个级别(柴油或天然气)。统计软件创建一个虚拟变量,创建一个名为fuelTypegas的虚拟变量,该变量需要0或1个值。如果燃料类型是汽油,那么虚拟变量是1,否则它是0。

写成数学形式如下:

  • xi = 1 如果燃油类型时汽油
  • xi = 0 如果燃油类型时柴油

接下来看看定性变量在回归模型中的表现,当只有价格和燃油类型的时候,简单回归模型可以提供如下的参数系数:

Markdown

只有一个系数斜率和一个截距,回归模型为定性变量的因子值(在此种情况下为汽油)创建虚拟变量。

如果虚拟变量为0,即汽车的燃油类型是柴油,则 价格= 18348 + 0×(-6925)= $18348;

如果虚拟变量为1,即汽车的燃油类型是汽油,则 价格 = 18348 + 1 x (-6925) = $11423。

处理双因素水平的定性变量的方式是明确的,即构建虚拟变量,其值非0即1。但是当具有多余两个以上级别的变量该如何进行处理呢?例如下例。

驱动方式是一个具有三个因素的定性变量。在这种情况下,回归模型会创建两个虚拟变量,假设样本数据有4辆车:

Markdown

两个虚拟变量会被创建:

driveWheelsfwd:如果驱动方式是前驱,则为1,否则为0

driveWheelsrwd:如果驱动方式是后驱,则为1,否则为0

数学形式如下:

  • 如果驱动方式为前驱,xi1 = 1 ,否则 xi1 = 0
  • 如果驱动方式是后驱,xi2 = 1 ,否则 xi2 = 0

需要注意的是,4驱并不存在于虚拟变量中。

那么他们最终是如何在回归模型中表现出来呢?回归模型对待此类虚拟变量的方式如下:

Markdown

首先,回归模型为价格估算创建了一个基准线,基线中并不包含定性变量对应虚拟变量的均值,此时的结果为截距值,基线方程为4驱方式的平均价格;

对于前驱:车辆的平均价格被估算为 基线 + 前驱系数,即 价格 = 7603 + 1 x 1405 + 0 x 10704 = $9008,意味着,前驱车辆的价格比四驱高出1405美元;

对于后驱:车辆的平均价格被估算为 基线 + 后驱系数,即 价格 = 7603 + 0 x 1405 + 1 x 10704 = $18307,意味着,后驱车辆的价格比四驱高出10704美元。

所有具有两个以上因子值的定性变量和具有双因子值的定性变量处理方式类似。

模型构建

有了对定性变量的处理方式的了解,费尔南多开始将这些定性变量应用在他的模型中,他的原始模型为:

价格 = -55089.98 + 87.34 x 发动机大小 + 60.93 x 马力 + 770.42 x 宽度

他添加了两个定性变量到模型中,燃油类型和驱动方式,于是模型被改写为:

价格 = β0 + β1.发动机大小 + β2.马力 + β3.宽度 + β4.燃油类型 +β5.前驱 + β6.后驱。

于是费尔南多尝试进行了一些训练工作,得到了如下的系数:

Markdown

模型现在为:

价格 = -76404.83 + 57.20 发动机大小 + 23.72 马力 + 1214.42 宽度 – 1381.47 燃油类型 -344.62 前驱 + 2189.16 后驱

这里有定量和定性变量的混合,这些变量是彼此独立的。

从结果中可以看到,调整的R平方为0.8183,意味着模型可以解释训练数据中81.83%的数据异动。但是并不是说所有的定性变量都有意义,在某些情况下定型变量对模型并没有任何意义。

结语 这个模型并不比原始模型好,但是也能够完整的完成工作,我们理解定性变量在回归模型中解释方式,显然,马力、发动机大小和宽度为因子的原始模型更好,但是这些因子是独立处理的。费尔南多思考:

马力、发动机大小和宽度之间有什么联系?

他们之间的联系是否可以模型化?

在下篇文章中将解决这些问题,将解释回归模型交互的作用和局限问题。

相关阅读:

简明数据科学 第一部分:原则与过程

简明数据科学 第二部分:统计学习的关键概念

简明数据科学第三部分:假设检验

简明数据科学 第四部分:简单线性回归模型

简明数据科学 第五部分:多元回归模型

简明数据科学 第六部分:模型选择方法

简明数据科学 第七部分:对数回归模型

Markdown

从数据运营到数据变现,TalkingData证券行业实战分享研讨会在深圳召开

2018年7月11日下午, TalkingData在深圳举行了证券行业数据运营实战研讨会,华南地区证券行业的科技部门与网络金融部门的相关负责人参加了本次研讨会,参会者覆盖了华南地区90%以上的证券公司。此次会议以“数据运营实战分享”为主题,探讨了数据场景变现的整体思路,从业务运营指标建设、数据场景变现、精准营销案例、大数据和人工智能应用等方面,面向证券行业用户介绍行业成熟案例和解决方案。

TalkingData从多年的证券行业实战角度出发,认为证券行业的数据运营要升级现有的思路,从客户视角转向用户视角,从获客发展转向存量经营,从产品关注转向用户关注,从投资通道转向财富管理。通过养数据、看数据、用数据的方式,打通内外部数据和行为数据,实现数据资产的统一视图。通过业务运营指标体系建设,帮助证券公司关注用户转化旅程、提升运营效率、降低运营成本、发现数据变现的机会。建设数字营销闭环缩短用户转化旅程,提升客户活跃度和客户价值。

MarkdownTalkingData高级副总裁 支宝才

TalkingData高级副总裁支宝才出席了本次会议。他在开场演讲中指出,现阶段是证券行业实现业务转型的关键时间点。中国证券行业已经完成了体系、指标的建设,在今天,大家更关注如何通过数据运营获得实际的业务收入。随着客户互联网使用习惯的改变,未来的获客、经营、资产提升、业务收益都将更多地转向移动互联网平台,领先的券商已经把移动互联网变成客户运营的主战场。

Markdown国海证券的数据运营专家 蒋愉

作为第一个重量级嘉宾,国海证券的数据运营专家蒋愉分享了国海证券建设指标体系的历程。通过证券行业指标体系的建立和分析来发现业务问题背后原因,根据数据分析结果制定运营策略,建立数据监测优化的闭环式模型,帮助国海证券实现从短期KPI实现到长期目标达成,再到数字化战略部署的提升。蒋愉表示,国海证券的数据化运营分为三个阶段:即探索、实践和精细化运营,而数据指标体系及平台的搭建是从实践到精细化运营阶段的重要基石,其可以帮助证券公司实现从指标洞察到运营优化提升。

国海证券与TalkingData合作搭建的指标系统投入生产之后,其使用率达到了80%以上,有效地帮助产品、运营各线完成了数字化运营的策略制定到落地实施。蒋愉指出,在推进该平台的使用过程中,国海证券通过OKR指标分解和领导层驱动提升了用户使用指标体系平台的频率,通过数据人员对指标价值的案例梳理和演示让大家进一步理解指标价值和应用方法,并通过收集客户需求及敏捷迭代提升了用户体验。

MarkdownTalkingData证券行业咨询总监 赵博

TalkingData证券行业咨询总监赵博从多年证券行业数据运营实战角度,分享了证券行业数字化运营体系建设的思路和案例,主要覆盖券商互联网转型、数据化运营体系建设思路、数据智能平台三大方面。赵博认为证券行业流量已趋于饱和,大型券商仍在跑马圈地布局年轻人群;中小型券商急于在同质化的服务中寻求自己的差异,投资者教育会是新的流量来源。市场上逐渐出现了产品、功能、内容满足客户所有需求的产品,行业垄断态势逐步显现。通过运营平台的建设完成精准服务、提升客户粘性成为未来主旋律。

赵博提出,指标体系是指导运营的底盘,应从指标体系中挖掘用户动向、探索运营场景,并反馈回指标体系持续监控形成业务闭环。有效的指标体系能够连接前端互联网行为数据和后端商业需求,数据运营是全局概念,是数据、运营、产品、推广等部门的多方协作,是一个全策全力的作战体系。证券公司需要建立数据运营和营销中台、以客户为中心进行数据化运营,具备同互联网企业一致的数据运营能力,将流失预测模型与客户体系分类有机结合,使数据和营销产生联动,让营销结果最大化。 Markdown广发证券大数据总监 王永强博士

华南地区领先的证券公司广发证券出席了本次研讨会。广发证券大数据总监王永强博士以“大数据和人工智能助力证券业务创新”为主题,结合自身互联网巨头和证券行业的从业经验,分享了人工智能和大数据发展趋势和广发证券的实践。 王永强博士指出,人工智能在国外的券商业务中已经有典型的应用场景,并从智能证券业务、智能监管以及数据化运营三方面显示了其巨大的价值和潜力。广发证券通过建立数字化平台和大数据平台,展开不同维度的数据分析和与模型分析,利用用户画像和指标分析来完善客户综合体系评估,实现公司的数字化运营能力的提升。最后王永强博士从损益、诊断、风控等多个方面介绍了广发证券在大数据和人工智能方向的探索。

MarkdownTalkingData高级产品总监 刘彬

在接下来的分享中,TalkingData高级产品总监刘彬指出数字化运营已经成为现今互联网业务或偏向互联网业务的核心方法论。现有交易类APP已无法满足O2O的传播和时效性,证券行业数据体量的消化能力、数字化处理能力都亟待提升, 未来需要从用户概念、场景(情景)感知、营销及归因、分析诊断四大方向着手,通过数据的驱动做到自动化业务的闭环。刘彬表示TalkingData的AE系列产品和数字营销闭环平台是为证券行业数据运营开发设计,可以作为证券行业的数据运营和营销的中台,洞察用户行为,优化产品功能,建立营销场景,分析营销活动的ROI,迭代营销方案,实现数据营销闭环。利用数据和模型进行数据试验,不断尝试、试错、总结、学习,最后完成精细化运营。

MarkdownTalkingData首席布道师 鲍忠铁

会议的主持人TalkingData首席布道师鲍忠铁则在分享中强调了数据增长对于企业的重要意义,他提出了证券行业数据增长的组织建设、工具建设、体系建设、数据增长营销平台建设的方法和建议,并总结了证券行业数据增长的八条经验:

  • 数据增长是个系统工程,必须所有团队参与,领导全力支持;
  • 产品是数据增长的基础,产品优化是数据增长首要任务;
  • 多次数据实验才可以形成标准营销方案,经验需要延续;
  • 电商的五次曝光理论仍然成立,单个用户的营销推送不要超过5次/天;
  • 初次数据实验的成功率在三分之一,转化率为1%是一个可以接受的结果;
  • 场景(事件)营销的转化率最高,业务规则和模型应用同样重要;
  • 指标建设是数据增长的基础工作,指标分析的目的 是from insight to action;
  • 营销中台是数据增长和提高产能的有效工具,建立自我强化的闭环。

研讨会上设置了问答环节,证券行业的同仁积极向演讲嘉宾提出疑问、进行互动,深入讨论了证券行业数据运营中的实际困难和解决方法。TalkingData今后也将继续举办此类活动,分享行业实战经验,与企业共同探索、携手成长。

Markdown

简明数据科学 第五部分:多元回归模型

Markdown

作者:张永超

上一节中,我们讨论了费尔南多的故事,一个数据科学家想买一辆车,于是他构造了一个车辆的价格和发动机大小的简单的回归模型来预测。

Markdown

费尔南多创建的回归模型预测了基于发动机大小的车辆价格。仅使用一个自变量来预测因变量的模型。

该简单的线性回归模型可以被表示为:

price = β0 + β1 x engine size

Markdown

按照最终的模型结果,车辆的价格可以被简单预估为:

price = -6870.1 + 156.9 x engine size

该模型从两方便进行评估:

  • 健壮性 – 使用假设检验
  • 准确度 – 使用确定系数例如R平方检验
  • 回想一下,R平方的度量解释了模型预测值与真实值之间的平均方差分数,位于[0,1]之间,越高的分值表示该模型能够更好的解释方差。而费尔南多的模型最终的到的R平方为0.7503,也就是在训练集上得到75.3%的分值,预示着该模型可以解释超过75%的变化。

然而,费尔南多想要更好的结果。

他考虑到: 如果我可以用更多的数据来送给模型?它会提高准确性吗? 于是,费尔南多决定通过给模型提供更多的输入数据,即更多的自变量来增强模型。他现在进入了多变量回归模型的世界。

基本概念 线性回归模型提供了一个监督学习的简单方法,其简单但是有效。

回想一下,线性意味着如下的含义:数据点几乎排列在一条直线或者近乎直线的附近,并一直延伸。线性表明,自变量和因变量之间的关系可以用直线来表示。

直线的方程式是y = mx + c,其中一维是y轴,另一维是x轴,可以在二维平面上绘制出来:

Markdown

如果将这种关系进行泛化,则得到:

y = f(x)

其意思是:将y定义为x的函数。例如将自变量定义为独立变量的函数。

如果因变量需要用一个以上的自变量来表示呢?广义函数变为:

y = f(x, z)

即将y定义为一些函数或者组合多个参数的函数。

此时便是三维的了,包含x轴、y轴、z轴,绘制出来类似下图:

Markdown

现在,我们有多个维度,我们需要将y定义为组合x和z的函数。

对于简单线性回归模型来说,直线表示y是x的函数,现在我们有一个额外的维度z,如果将z附加二维平面会发生什么呢?它会变成一个平面。

Markdown

该平面是将y表示为x和z的函数。推断线性回归方程,可以表示为:

  • y = m1.x + m2.z+ c
  • y是因变量,即需要评估和预测的变量
  • x是第一个自变量,即可控的变量,也是第一个输入
  • m1是x的斜率,决定了线x的倾斜角度
  • z是第二个自变量,即可控的变量,是第二个输入
  • m2是z的斜率,决定了线z的倾斜角度
  • c是截距,当x和z为0时确定y值的常数 这是多元线性回归模型的起源,有多个输入变量用于估计目标,具有两个输入变量的模型可以表示为:

y = β0 + β1.x1 + β2.x2 + β3.x3

多变量回归模型的广义方程可以是:

y = β0 + β1.x1 + β2.x2 +….. + βn.xn

模型构建

现在熟悉多元线性回归模型的概念,让我们回到费尔南多。

费尔南多向他的朋友伸出更多的数据,他要求他提供有关汽车其他特性的更多数据。

Markdown

以下是他已有的数据点:

  • make: 车辆品牌
  • fuelType:所使用的动力燃料
  • nDoor:车门数量
  • engineSize:发动机大小(马力)
  • price:最终的价格
  • 他有拿到了一些新的数据点:
  • horsePower:马力
  • peakRPM:最大功率输出时的转速
  • length:车辆长度
  • width:车辆宽度
  • height:车辆高度 费尔南多现在想建立一个模型,根据附加数据点预测价格。

他制定的多元回归模型是: 根据engineSize、horsePower、peakRPM、length、width和height估算价格。

定义的函数形如:price = f(engine size, horse power, peak RPM, length, width, height)

代入多元线性方程为:price = β0 + β1. engine size + β2.horse power + β3. peak RPM + β4.length+ β5.width + β6.height

费尔南多将这些数据输入到软件统计包中,来计算和预测相关的参数,最终得到如下的结果:

Markdown

多元线性回归模型为价格估算提供以下等式:

price = -85090 + 102.85 engineSize + 43.79 horse power + 1.52 peak RPM – 37.91 length + 908.12 width + 364.33 height

模型解读

多变量模型的解释提供了每个独立变量对因变量(目标)的影响。

上述等式提供了对价格平均值的估计。每个系数的解释与所有其他预测因子保持不变。

Engine Size:如果发动机尺寸增加一个单位,则平均价格将增加102.85美元。 Horse Power: 如果马力增加一个单位,平均价格增加43.79美元。 Peak RPM:如果Peak RPM增加一个单位,平均价格增加1.52美元。 Length:如果长度增加一个单位,则平均价格下降37.91美元(长度具有-ve系数)。 Width:如果宽度增加一个单位,平均价格增加908.12美元。 Height:如果高度增加一个单位,则平均价格增加364.33美元 模型评估 该模型已建成。它被解释。所有的系数都很重要吗?哪些更重要?模型解释多少变化?

Markdown

回想关于t-stat,p值和决定系数的定义的讨论。这些概念也适用于多元回归模型。该模型的评估如下: coefficients:所有系数都大于零。这意味着所有变量对平均价格都有影响。

t-value: 除长度外,所有系数的t-value均显着高于零。对于长度来说,t-stat是-0.70。这意味着汽车的长度可能不会影响平均价格。

p-value: 除长度之外,其他变量的p值的概率非常低。长度的p值是0.4854。这意味着观察到的t-stat偶然的概率是48.54%。这个数字相当高。

回想一下关于R平方如何帮助解释模型变化的讨论。当更多变量添加到模型中时,R平方不会减小,它只会增加。但是,必须有一个平衡。经过调整的R平方努力保持这种平衡。调整后的R平方是R平方的修改版本,它已根据模型中预测变量的数量进行了调整。调整的R平方补偿变量的增加,并且只有在新术语增强模型时才增加。

调整后的R-squared:R平方值是0.811。这意味着该模型可以解释训练数据中81.1%的变化。这比以前的型号(75.03%)要好。 结语 费尔南多现在有更好的模型。但是,他感到困惑。他知道汽车的长度不会影响价格。

他想知道: 如何选择模型构建的最佳变量集?有什么方法可以选择最佳的变量子集吗?

下一节,我们将讨论变量选择方法。

相关阅读:

相关阅读:

简明数据科学 第一部分:原则与过程

简明数据科学 第二部分:统计学习的关键概念

简明数据科学 第三部分:假设检验

简明数据科学 第四部分:简单线性回归模型

重磅丨2018世界杯热点报告

作者:TalkingData

刚刚结束的俄罗斯世界杯为全世界球迷带来了四年一度的足球狂欢。与往届世界杯相比,移动直播应用的参与为球迷观看比赛提供了新的平台,而看球时点一份外卖则成为了很多球迷夜宵的新选择。在《2018世界杯热点报告》中,TalkingData与美团、网易新闻合作,盘点本届世界杯对于移动应用的影响,描绘移动直播平台观赛人群画像,梳理世界杯下的球迷生活变化。

Markdown

世界杯开赛刺激移动直播应用用户增长

作为2018俄罗斯世界杯中国地区转播版权方,央视旗下两款直播应用——央视影音、CCTV5在世界杯开赛后迎来用户数迅猛增长,CCTV5应用周覆盖指数连续两周增速超过50%,而新媒体版权方咪咕视频应用周覆盖指数增速同样超过10%。

在开赛两周后,世界杯直播应用周覆盖指数告别快速增长,用户规模趋于稳定。

Markdown

广告虽然略显洗脑但是有用

本届世界杯的一大热点话题是移动应用也玩起了洗脑广告无限轰炸的套路,知乎、马蜂窝旅行、Boss直聘都在世界杯转播中进行了广告投放。虽然广告内容引发吐槽,但是大规模的广告投放对于应用用户增长仍然起了正面作用,三款应用周覆盖指数整体保持正增长态势。

Markdown

冷门迭出引爆关注,日本队自带流量

德国、西班牙两队分别爆冷输给韩国、俄罗斯的对决是半决赛前最受关注的比赛,两场比赛战报在网易新闻客户端中浏览量最高。日本队虽然止步十六强,但其击败哥伦比亚的比赛位居赛事关注度第三,而出局后整洁的更衣室又引发网友大讨论,关于日本队更衣室的讨论在世界杯新闻内容中热度最高。

Markdown

85后、90后男性是世界杯观赛人群主力

在俄罗斯世界杯移动端观赛人群中,26-35岁男性是占比最高的群体。足球仍然是男人的浪漫,世界杯观赛球迷人群中男性占比是女性人群的2.5倍。年龄分布中,26-35岁人群占比为49.9%,构成了观赛人群的主体。

Markdown

OPPO、vivo是世界杯观赛人群最常用安卓品牌

在世界杯观赛人群安卓设备品牌分布中,OPPO、vivo、华为居于前三位,OPPO、vivo品牌占比合计超过48%。安卓设备价格分布中,100-1999元是最受世界杯观赛人群欢迎的设备价位。

Markdown

德国队三十年老球迷占比最高

在阿根廷、巴西、德国等强队观赛人群中,英格兰队、巴西队最受女球迷青睐,法国队最受“钢铁直男”球迷欢迎。在各年龄段偏好中,19岁以下年轻球迷更喜欢西班牙、英格兰,而46岁以上老球迷更偏爱德国、巴西这两支传统豪强球队,86年的桑巴军团、90年的德意志战车是老球迷们永远的美好回忆。

Markdown

英格兰、法国比赛观众消费娱乐更为活跃

除视频、通讯社交外,游戏、金融理财、餐饮等类别应用在英格兰、法国比赛观众中覆盖率要高于其他球队。而在线下消费中,英格兰、法国比赛观赛人群在各消费类别中的活跃度也要明显高于其他球队观赛人群。

Markdown

搜索热度:看球、彩票、世界杯等关键词搜索量大涨700%+,毛豆、啤酒搜索量上涨超过40%,酒吧成为最热看球场所

Markdown

在家看球:比赛时段内送往住宅楼的外卖订单较平日上涨18%,男生最爱点炸鸡、烤串,女生则偏爱小龙虾、卤味

Markdown

梅西、内马尔等超级球星比赛的场次,夜间外卖较平日上涨17%

Markdown

酒吧看球:酒吧订单较平日上涨15%,清吧最受消费者欢迎,订单较平日增加18%

Markdown

出行+消费:世界杯期间,夜间周末出行订单较平日上涨18%,去往酒吧、KTV等娱乐场所的订单上涨14%

Markdown

 

TalkingData&链塔智库联合发布《2018中国区块链移动应用发展研究报告》

7月10日,智库BlockData与数据智能服务平台TalkingData联合发布《2018中国区块链移动应用发展研究报告》,展现2018中国区块链APP应用全景。

据悉,《2018中国区块链移动应用发展研究报告》(以下简称《报告》)调查覆盖中国7亿活跃移动互联网用户,从超过12万款热门应用中选取区块链App,从区块链App应用方向、项目类型、人群画像等多个维度展现中国区块链移动应用发展现状及创业生态,并对典型区块链APP进行重点分析。

Markdown

区块链企业高度集中北上广深杭

《报告》显示,从地区分布来看,区块链企业主要集中在北上广深杭,从行业分布来看,金融服务及企业服务是主力军。近几个月来,区块链企业融资增多,增速超过 P2P 金融及移动支付等 Fintech 技术。

根据技术发展情况,我国区块链应用主要场景包括:金融领域,企业服务,社交,文娱传媒,硬件,物联网,医疗健康,公益慈善,交通运输,人工智能,电商,房地产,教育,农业,工业,能源等领域。

《报告》强调,基于区块链技术的DApp尚处于早期探索状态,目前没有大规模实际应用价值的DApp出现,区块链相关App还是市场上的主力军。

和加密货币相关的App更受关注

链塔数据库收录了90款区块链相关App,根据苹果商店的分类划分,新闻类App最多共计38家,占比42%;财务类App共有17家,占比19%;参考类App有10个,占比11%;实用工具类App有12个,占比14%;工具类App共计6个,占比7%;其余合计占比7%。大部分的App还是和新闻和财务相关,说明这两个领域比较热门,符合行业状况。

Markdown

在部分新闻类App中,火球财经和金色财经的季度用户规模均超过20K,币头条的季度用户规模超过了10K。从使用率(活跃用户规模/安装用户规模)来看,贝壳头条最高为10.33%,说明下载贝壳头条的用户使用频率较高,而其他App的使用率大概在4%。

Markdown

其他类别的App中,OKEx的季度用户规模最大,超过了70K,但使用率不高,说明用户下载后并不是使用得很频繁。MyToken和OKCoin的季度用户规模超过30K。这三个App都是和加密货币交易相关,说明用户对此类App感兴趣。

区块链App人群以男性为主

区块链App使用人群中,男性人群占比超过70%,男性占比要比移动互联网用户中男性比例高17.7%。

Markdown

区块链App使用人群中,26-45岁人群占比合计超过70%,构成区块链App使用的主力;46岁以上人群占比要低于移动互联网同龄用户,中老年人群对于区块链应用的兴趣要低于青壮年人群。

区块链App人群更关心车子房子票子

相比于移动互联网用户整体,区块链App人群的应用兴趣更多的集中在汽车、房产、金融理财、家居等领域,对于物质条件的追求更为直接。

Markdown

而在网购、影音、生活等类别应用上,区块链App人群的兴趣要低于移动互联网用户,手机游戏是区块链应用人群最喜欢的娱乐方式。

区块链App人群偏好金融、运动类消费场所

与移动互联网用户相比,区块链App人群更加偏好金融、运动健康类线下消费场所,对于资产管理、个人健康管理更为热心。

Markdown

区块链App人群在经济发达地区集中度更高

在地域分布中,区块链App人群主要集中在广东、浙江、江苏、山东等东南沿海经济发达地区。在城市分布中,北京、深圳、上海、广州这四个一线城市包揽了前四位置。

区块链App人群在北京的工作地更多的集中在中关村、上地、望京、国贸、金融街等互联网、金融公司密集区域。而在上海的工作地分布区域更为广泛,并没有明显的区域聚集中心。

Markdown

Markdown

区块链App人群更偏好中高档价位手机

Markdown

相比于移动互联网用户,区块链App人群所使用的安卓设备中2000元以上价位占比更高,2000-3999价位占比要高出11.3%。区块链App人群更加偏好中高档价位手机。

在区块链App人群安卓设备品牌占比中,OPPO、VIVO、华为包揽了前三位。三者相加占比已超总体50%,市场集中度相对较高。

Markdown

需要完整版《2018中国区块链移动应用发展研究报告》的用户,可以关注链塔智库(公众号ID:liantazhiku)或网站,均可免费阅读完整版报告全文。

TalkingData合伙人&高级副总裁蒋奇:大数据如何为社会赋能?| 2018商业新生态峰会

2018年,商业创新迈进了新的阶段,在业务飞速发展的同时,风口大热背后的认知沉淀与实践积累也随之而来。7月10日,36氪与《零售老板内参》联合举办的2018商业新生态峰会在北京举行。本届峰会以“质”为主题,希望在时代浪潮下的新商业企业可以看清商业本质,并最终完成新商业的革新与升级。

Markdown

TalkingData合伙人&高级副总裁 蒋奇

美国管理学家、统计学家爱德华·戴明曾说过“除了上帝,任何人都必须用数据说话”,互联网时代在给人们带来了各类便捷服务的同时,也使得大量的数据源源不断地产生,那么如何分析、挖掘与计算这些大数据为企业赋能、助力城市发展?TalkingData合伙人&高级副总裁蒋奇在大会上发表了以“智慧城市和人本数据”为主题的演讲,为大家介绍了TalkingData的数据探索之路。

一、数据能力提升的两大要素

在谈到数据的重生时,蒋奇认为,就如同武侠小说中主人公功力大增,靠的是大量功力传入和武功秘籍这两个基本要素一样,数据的能力提升也需要几个条件:首先要有更大量、更全面的数据。

截至2017年底,中国约有智能手机13亿部、可穿戴设备4千万台、物联网设备30亿台,整个数据量为350EB。到2019年中,人和物联网设备的比例将会达到1:200。

当设备量级增长带来了数据量级指数级增长后,就将进入下一阶段——将实体物质化转变为数字虚拟化。虽然大量数据是前提,但简单的数据堆砌是无用的,仍需进行很多尝试。

蒋奇表示,TalkingData从创业到现在,从专注互联网行业到进入零售等垂直行业,一直在帮助企业做运营和业务的虚拟化。例如TalkingData与腾讯云合作推出的数据智能应用——智选,将海量数据与机器学习有机整合,满足零售业实体门店的智能选址、商圈经营等场景,并对周边商圈的人群类型、消费能力进行详细分析。

而做这些事情的目的是什么?商业的转型升级,也必须构建在城市基础之上,由对人群不断深入的认知所驱动。面对城市中川流不息的人群,他们来自哪里、要做什么、又有怎样的诉求?如果能够通过高度真实的虚拟化场景来洞察整个城市、洞察城市人群,相信无论对城市治理还是商业经营,都会带来显著效果。

Markdown

TalkingData智选

二、通过大数据打造“智慧城市”

蒋奇表示,除金融、零售等行业之外,TalkingData也一直眼于“智慧城市”的打造。通过大数据的手段对城市人群进行深度剖析,了解其需求与痛点,通过真实的、可透视的虚拟化场景,将城市展现在政府管理者或企业主面前,助力城市治理与企业经营。

因此,TalkingData不断地探索数据在智慧城市中的应用。蒋奇通过一个案例,来解读以人为本的数据,在人群洞察、构建智慧城市中的意义。

以往,对人群的分析和定义通常是基于非常单一的属性,给人群打标签是比较主流的模式。但中国经济发展如此迅猛,每时每刻都在诞生新鲜事物,每个人的思想与触媒习惯都在发生剧烈的变化。蒋奇认为,再用三年前的标签策略去判断人群属性在当今是不可行的。

因此蒋奇认为,在洞察人群时,需要新的维度与思维。TalkingData在此方面做了创新尝试,例如整合人群的线下位置分布、线上行为特征等多种数据,去重新定义在飞速变化的社会中的人群属性,以对在城市生活的所有人群有一个清晰、准确的认知。

比如将喜好购物和美妆、经常去线下文艺演出场所观看表演的人群等,定义为“比较文艺的买买买人群”;因共享经济应运而生的代驾、司机等,具有很强的流动性以及一定的消费能力与就业能力,可以定义为“城市自由人”;还有偏好娱乐、网购,消费能力不是很强、但消费意愿极强的“新鲜人”人群等。

以这样的视角来定义和描述人群此前从未有过,TalkingData目前专门建立了一个团队在做此类研究。

Markdown

TalkingData还打造了基于数据城市仿真的一套整体系统——“城市透镜”,能够多维度地洞察城市,对世界进行可视化呈现,最后把这些观察和需求,与基于AI 的动态学习模型相结合,在虚拟世界和现实世界转换中,增强对世界的感知和认知能力。

Markdown

统计魔方

​人口统计对城市治理有基础性的指导意义。以往的人口统计中,只需要了解一个家庭的人数、性别、年龄;而现在,还需要了解家庭的收入结构、购物倾向、旅游倾向、对政府治理的建议等等,来辅助国家的经济运行。

由于现今城市人口流动性很大,导致传统的人口统计模式很难精准,影响政策、施政目标的落地,因此TalkingData也与国家统计局设立了联合实验室,结合移动大数据的,探索更为准确、动态、及时、多维度的全新人口统计方式。此外,基于在人口统计方面的经验,TalkingData还专门推出了的移动大数据人口统计应用——“统计魔方”。

蒋奇认为,这些研究不能纯粹以商业化为目的。而“开放”也是2018年TalkingData战略布局的核心关键词之一,TalkingData希望将这些前沿性研究的成果,以非功利的方式开放给所有的企业和政府机构,给未来提升政府治理、智慧城市和商业变革带来助力。

券商转型互联网财富管理的三大核心方向

前言

2018年已经过半,随着券商佣金费率不断降低,国内去杠杆、美联储加息等多种因素导致的市场行情不佳、IPO业务及承销业务的持续低迷,券商经纪业务从传统通道服务向财富管理模式转型,俨然成为国内券商的当务之急。此外,当今互联网高速发展,大数据、人工智能等概念纷至沓来。金融科技又将如何助力券商转型互联网财富管理? 这一议题也引发了越来越多的券商行业从业者的思考。
TalkingData 依据自有数据,结合服务多家券商的咨询经验,形成此次报告,结合金融科技的应用,分别从用户、产品、服务三大方向,为券商转型互联网财富管理提供相关建议和新的启发。

互联网财富管理规模究竟有多大?转型空间还有多少?

据波士顿咨询公司发布的2018年全球数字财富管理报告显示,截至2017年底中国的互联网财富管理规模已达到6千亿美元。与五年前的百亿级美元管理规模相比,年化增速已超过50%。同时,截至2017年中国个人持有的可投资资产总额高达188万亿人民币,可投资资产超过1000万的高净值人数更是高达187万人。
在互联网行业飞速发展的今天,高速增长的个人财富带动了大量的线上金融资产配置需求,这无疑给互联网财富管理市场的发展创造了巨大空间。

目前互联网财富管理的竞争格局如何?

随着互联网财富管理市场规模的迅猛发展,市场上逐渐显现出如下四类主流互联网财富管理的竞争格局。其从客户、产品、服务三个方面显现出的特点也不尽相同。
注:点击可查看高清大图,下同
Markdown

券商开展互联网财富管理转型的现状

  1. 主流券商互联网化已趋于完善
随着2014年国金证券推出“佣金宝”,证券互联网元年的正式开启,券商先后经历了2015年的互联网导流、2016年的移动APP打造、2017年的智能化浪潮阶段,目前移动APP已成为券商零售业务新模式和互联网财富管理的重要载体。
TalkingData基于数据角度对目前券商APP活跃度进行评估,发现互联网化起步较早的券商,趋于完善的产品功能和运营,较优的APP活跃度都意味着这些券商的互联网化趋于完善。线下交易的线上化,为其逐步积累了大量的线上投资客户,同时也是为其互联网化财富管理的转型之路打下了坚实基础。
Markdown
  1. 转型之路的战略布局已开始
其实财富管理转型话题一直在券商行业引发诸多讨论和思考,不少主流券商也早已在不同方面对财富管理转型进行了战略布局。例如在内部架构方面,华泰证券重新构建了零售及财富管理、机构客户服务两大业务体系;国金证券撤销原经纪业务管理总部,成立了经纪业务执行委员会;广发证券新设立了私人银行部等。客户分层方面,中信证券对交易型和财富型这两类客户的服务各有侧重点,而国金证券也区分了普通投资者和专业投资者。投顾服务方面,华泰证券的财富管理体系以投资顾问为核心,投资顾问占从业人员的比例高达 25.43%,行业排名第一。
  1. 转型之路仍是机遇与挑战并存
尽管券商的互联网化逐渐趋于完善,也已开始财富管理转型的战略布局,但对比目前拥有一定市场规模的主流互联网财富管理机构,券商其自身还是存在如下优劣势。
Markdown

数据时代券商转型互联网财富管理的三大核心方向

结合券商转型互联网财富管理上自身的优劣势,其需要基于移动APP,着眼于客户、产品、服务三大核心方向,利用大数据科技手段,以服务客户为中心,给予客户投资前、中、后三阶段的完整投资生命周期体验,协助投资人实现全方位专业资产配置的财富管理需求。
  1. 客户方向

  • 客户认知重塑:打造全方位综合型财富管理品牌
现阶段证券公司主营业务收入仍是以代理买卖证券业务及证券承销与保荐业务收入为主, 客户认知上比较固化,投资者对券商的普遍认知还仍以股票交易为主,并非财富管理或理财。因此,券商需在财富管理市场中定位其核心竞争力,重塑客户的品牌认知,从而打造全方位综合型的财富管理品牌。
  • 客户需求洞察:通过KYC描绘精准、多维的客户投资画像
客户需求洞察,做到企业比客户更懂客户,向来是提升业务运营的坚实基础, 同样也是提供针对性综合服务最有力的切入点。
TalkingData建议从客户的资产量、交易行为和用户特征三大方面着手,建立多维度交叉立体的KYC数据体系。全方面了解客户特征,洞察客户投资需求。例如TalkingData AE5.0用户洞察功能可以协助传统券商实现数字化KYC,目前其已有效协助国泰君安证券、民生银行等多家金融机构,成功构建KYC数据分析平台,利用数字化手段勾勒出投资客户画像,为企业后续精细化运营打下坚固的基础。
Markdown
  • 客户需求洞察:利用大数据科技精准定位高净值客户群体
TalkingData 可以按照客户需求,通过地理聚集原理,建立数据模型,利用机器学习加工某个特定区域的高净值人群设备,再将这些设备通过TDID等信息打通数据,以最终实现帮助客户精准定位到高净值客户群体。
Markdown
  1. 产品方向

金融产品多元化:打造全品类资产配置并通过KYP定位产品优势
  1. 提供风险收益比更高的固定收益产品:专业的客户资产配置中,固定收益类产品所占比例通常较大。且以固定收益类产品作为与客户交流的起点,更容易得到客户的认同和接受。
  2. 包装创新金融产品:金融市场不断发展,监管环境不断变化,也应面向市场不断推出新的金融产品。包装成功的创新金融产品也是抢占市场流量的有效方式之一。
  3. 打造综合资产配置概念:摆脱传统券商单纯炒股的资产保值理念,结合更多不同理财型资产类别,实现多元专业的金融资产配置。
  4. 通过动态竞品分析软件实现KYP(Know Your Product),动态跟踪市场上金融产品全面数据信息并进行分层排序,从而迅速掌握市场金融产品情况,实现更精准专业的资产配置,利于调整产品运营的策略,完善自身金融产品多元化。

三. 服务方向

提供差异化服务:线上线下联动,搭建以客户为中心的专业服务体系
  1. 发力投资者教育
Markdown
  1. 建立投后管理服务
传统的投后管理多以客户发出指令或提出服务需求、理财顾问被动响应的模式为主。
而做出差异化投后服务,可变被动为主动。 利用“智能客服” 去主动触达客户,解决客户日常基本咨询问题甚至投资收益跟踪提醒,释放出更多人力,以提供定制化资产配置、法务及税收等方面的咨询服务。
TalkingData AE5.0营销活动管理是国内首个将营销闭环整合至移动分析平台的行业产品,其不仅能追踪并分析营销活动效果,同样在投资者教育和投后管理服务方面也可以起到相似的作用。协助券商客户追踪并分析投资者内容教育方面的转化,评估投后管理服务的推送点击情况及客户满意度,进而不断帮助业务人员优化财富管理的服务体系。
Markdown
“智选”是TalkingData与腾讯云联合,依托于各自强大人本数据和地理信息数据,结合经典模型和预测算法,对特定区域周边的人群进行整合分析的数据智能平台。券商可以借助智选平台,整合各线下营业网点周边的客群特征、客群需求、客群流量等,进而调整网点经营和营销方面的策略,以达成提升线下网点服务质量的最终目的。
Markdown
更多财富管理转型咨询,请联系——
400-870-1230
support@tendcloud.com
Markdown