银行业移动应用运营数据分析指标白皮书

 

2014年7月,TalkingData发布《银行业移动应用运营数据分析指标白皮书》,本书结合银行移动应用特点,对传统移动应用运营数据分析方法中的常用指标进行调整并统一,更适合银行移动应用领域,有助于运营人员理解、分析用户行为,改进产品,制定运营策略,让数据化运营更有效率。

目前,随着银行业在以互联网金融、金融互联网化为代表的金融业务创新方面投入持续加大,银行内部的电子/网络银行部门已经逐步从后台走向前台,直销银行模式逐渐成形,成为重要的事业部/利润中心。相应的,银行移动应用产品的重要性也逐渐显现,各家银行都在发力打造金融类移动应用,将其作为重要的渠道入口和重要的大数据来源。

但根据TalkingData行业报告显示,目前银行移动应用产品的用户覆盖率、用户活跃率等指标都明显低于互联网企业的金融类应用。而用户活跃度的高低一方面决定了相关业务的收入贡献,另一方面也对移动大数据,尤其是其质量和密度有重要影响。因此如何提升用户活跃度成为各家银行的重要课题。

TalkingData高级顾问张迎春认为:“用户活跃度”这个指标本身属于结果指标,是移动应用运营水平的综合成果体现,同市场推广策略、产品和业务的持续优化等紧密相关。因此银行需改变“重开发、轻运营”的思维,利用数据驱动实现精细化运营,这样才能有效的提高移动应用的用户体验和粘性,从而最终实现用户活跃度的提升。

通过与多家银行的深度交流,TalkingData顾问团队发现,虽然目前各个银行的移动应用运营团队结合本行实际情况,都能够有一部分的运营量化指标,但与移动互联网的最佳实践相比,银行在移动产品运营层面存在一些分歧和误区,主要体现在:

1. 量化指标缺乏方法论指导,也不够全面,对于整体运营能力提升的指导作用有限;

2. 数据指标偏重结果指标,有将业务KPI和分析指标混为一谈、孤立过度强调某些指标的趋势,而忽略了综合分析、长期跟踪、定期比对指标的重要性;

3. 存在数据指标的名称相同,但统计方法、计算方法却有较大差异的情形;或者反过来,数据指标的计算方式相同,但名称却各异。

这些分歧和误区带来的首先是指标有效性的问题,缺乏整体考量而设置的指标,以及错误的指标分析方法,会产生错误的分析结果,进而影响运营层面、产品改进方面的决策;另外,定义不统一的指标会带来极大的沟通障碍,让沟通效率极低,往往为一条指标的定义就要浪费大量的时间反复争论、验证,行业Benchmark也成了空谈,没有任何参考价值。

TalkingData 在2012 年2 月就提出了一套专门针对移动应用数据化运营的数据分析、挖掘模型,即AARRR 数据运营模型,该模型推出后已成为移动互联侧尤其是手机游戏版块的标准和最佳实践。

0

白皮书点击下载:银行业移动应用运营数据分析指标白皮书

发表评论

电子邮件地址不会被公开。 必填项已用*标注