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。

TalkingData高铎:数据智能驱动数字经济

8月16日,由IDG主办的以“新时代·数字经济”为主题的“iWorld数字世界博览会”在成都拉开帷幕。TalkingData 副总裁高铎先生在此次峰会上发表了《数据智能驱动数字经济》主题演讲,并与现场嘉宾们分享了最新的行业观点。

TalkingData 副总裁高铎‍

三年前高铎先生提出过一个观点,大家都在讲大数据,但是由于数据的不完备性,大部分企业使用的都是“小数据”;去年在成都的大数据会议上,提出了三个数据孤岛群概念,就是运营商、政府和头部互联网企业(如BAT)的三大数据孤岛群各自难以打通。通过TalkingData几年来在大数据领域的实践,我们认为,大数据开始从概念走向具体应用,同样的在数据治理和数据应用层面,如果能解决好这几个问题,“开放”、“连接”、“智能”和“安全”,那么数据智能将会强烈推动数字经济的发展。

‍建立开放数据的前提认知到数据割裂性‍

  • 第一, 移动应用层数据的割裂性,我们每个人都拥有一台智能手机,手机上少则装了十几款APP,多则上百款,每个APP的数据是割裂的,因为它属于不同的企业。
  • 第二, 跨屏数据的割裂性,我们每个人有4个屏幕,电视、电脑、手机以及车机屏幕,它们相互间是割裂的,它们属于不同的系统,甚至不同的产业。
  • 第三, 场景数据的割裂性,我们在商场里面,在会场,在不同的消费场景里面,都在贡献自己的数据,但它隶属于不同的消费场景。

总之,我们每个人,每时每刻都在生产数据,但是由于数据生产出去之后,分属于不同的企业,不同的机构,不同的场景。它很难关联,很难整合起来给我们提供更好的服务,这就是我们倡议要建立一个开放数据环境的前提。

如何开放数据?数字化、数据在线、数据实时与安全的标准开放协议

放数据,需理解四个概念:

  • 第一, 业务真正是数字化的。原因很简单,如果不是数字化的就没有了大数据的来源。
  • 第二, 业务数据是在线的。数据只有在线,对业务的了解才能全面深刻及时。
  • 第三, 数据是实时更新的,我们想做决策的时候,需要数字化的业务是可以实时回传到调度中心,运营中心以或者控制中心,以进行快速决策。
  • 第四, 开放数据必须建立并遵循安全标准的开放协议。

如何连接数据?ID稳定性、数据可连接、安全机制

大多企业都有这样一个观点:“我有数据,这是我的资产”,但都有一个特点,就是都不愿意拿出去用,却觉得拥有无限财富。真的如此吗?其实并不是,没有应用场景的数据就是一堆字节和服务器,只是公司的成本罢了。但是,如果放出去又觉得不值得、价值低估了、安全有风险了等等。所以我们提一个概念叫数据连接。一旦能建立连接,就可以做联合建模、做深度数据挖掘,实现业务闭环,又避免了企业的各种担忧和敝帚自珍。

数据连接要求:

  • 首先,拥有稳定加密的ID。
  • 第二,数据是可连接的。
  • 第三,健全的安全机制,要保证所有设备信息的安全使用,保证企业业务数据的安全使用。

如何打造 数据智能?数据模型、数据产品、数据场景、数据闭环反馈

在保证数据安全开放和可连接的基础上,我们才能谈数据智能。比如客户要对业务流程进行优化,可以推出针对性的数据模型进行决策;客户有新客获取及老客回流等业务需求,可以推出以目标群体数据画像为主的产品帮助客户营销;在特殊的应用场景中,如风控领域,可以帮助客户更好的区分坏人,更好的对好人的授信额度进行细化。

这里,有一个非常关键的点,我们要认识到,数据的使用是一个闭环,数据应用的过程是螺旋上升的过程。当认识到这一点,在利用数据解决问题的时候,我们才会有耐心,才真正愿意在算法模型上做投入,而不是抱着数据是万能的心思幻想着使用一下就可以毕其功于一役。

‍数据安全贯穿数据生命周期‍

随着大数据的发展,一方面我们享受到了带来种种好处,另一方面也让普通用户有很多质疑,大数据真的安全吗?对我们的隐私做到足够好的保护了吗?

所以我们使用大数据的时候必须要具备安全意识和并落到具体应用的每个环节。

在数据收集端,要收集合规合法的数据;在数据传输端,要做到多层加密;在数据加工端,有相应的脱敏加工机制,和分权加工机制与管理机制;在应用端,也要有相应的安全技术处理,做到各个角度都是不可逆的,不可溯源的,但又是能对业务起到良性帮助的。

‍未来的数字经济图景‍

总结一下,提到未来的数字经济,我们认为,:

首先数据应该是实时在线的,且能够做批量规模化处理,同时在不同的数据源之间有开放安全的标准协议;其次,连接层面有稳定的ID和安全机制,在AI算法上,有能解决具体业务问题的产品或者模型;

  • 再次,应用场景是闭环、且螺旋上升的;
  • 第一, 安全机制贯穿始终,如何强调都不为过。
  • 这是我们从数据和技术层面理解的未来数字经济图景。

产品专栏丨移动运营平台5.0全新改版发布

近日,TalkingData正式发布移动运营平台5.0,本文将从产品的角度回顾和分享TalkingData移动运营平台从2.0到5.0的经验和思考。

一、移动运营领域的经验推动改版

  • 超过6年以上移动端企业级应用的经验
  • 服务用户平均日活>100万的企业级应用
  • 服务金融机构头部用户>60%的企业级应用

TalkingData从2012年就开始尝试大型机构的移动端运营,如今已经保持了行业相对领先的优势,俗话说得好,春江水暖鸭先知,移动运营平台在头部市场这么多年的经验可以帮助我们更好地理解企业需求以及洞察需求的变化。

移动运营的三个阶段:

  • Facts:获取更多更细颗粒度的数据
  • Indication:更快的获取到Facts中间的风险和机会
  • Take Action:尽快地消化数据、规避风险或者抓住商机形成业务结果

在移动运营2.0时代,我们帮助企业获取更多的行为数据补充业务结果,用来解决数据的几个问题:一是时效问题,二是传统企业只能看到结果看不到过程的问题。

在移动运营3.0时代,TalkingData推出“3A3R”理论,帮助企业更好地规整展现数据,简单来说就是:如何看报表。

在移动运营4.0时代,企业的需求逐步从Facts向Indication转型。数据越来越多,颗粒度越来越小,而挖掘机会和规避风险的成本越来越高,于是TalkingData提出无代码埋点帮助业务更快的获取所需数据,推出自定义报表让业务人员按需配置及呈现。

而移动运营5.0时代,是Insight To Action时代。企业越来越关心如何消费数据和ROI,而不是将分析结果看过且过。TalkingData多年来的行业积累、埋点策略和指标体系也逐渐凸显出价值。

因此推动了移动运营平台5.0的全新改版——从统计分析到分析运营的升级!

二、TalkingData移动运营平台5.0做了什么

前文叙述了移动运营的3个阶段:Facts、Indication、Action。接下来,回到运营的本质看移动运营平台5.0都有哪些改进和升级。

移动运营平台5.0的设计框架UIMA:

  • User:强大的人群定义和画像能力
  • Identification:移动运营的场景核心是主路径的定义和识别
  • Marketing:碎片化的交互模式,需要可碎片化的场景触发式营销
  • Analytics:更灵活的采集,更有价值的模板,更方便的ROI归因
  • User: 强大的人群定义和画像能力

首先,来谈下对于用户的定义。移动统计分析平台5.0提供了对于用户的两种定义和选择。传统金融行业的实际业务场景是强账户的登录和交易,因此强账户的业务形态是多平台客户的对应问题。对于电商和零售行业而言,可能存在着多人同时使用一个账号的情况,例如一个家庭只有一个电商类应用的账号,通过账户很难定位用户偏好,因此通过区分行为发生的设备可以更好地定义用户属性和行为特征。

此外,传统的人群分群方式是定义用户属性,但在移动的应用场景中还要关注用户的行为。例如分析信用卡用户可以根据用户的持卡等级以及用户浏览过的分期产品,去定义不同的目标人群,并运用平台的场景触达的能力,编排目标人群的营销策略(Marketing部分会进行详细介绍)。

  • Identification:移动运营的场景核心是主路径的定义和识别

移动运营5.0平台提供了基于用户POI的分析,通过同比和环比的快速切换,即可看到用户分布变化。另外,对于新零售和传统金融机构网点转型的需求,结合TalkingData庞大的移动设备覆盖量,后续将提供更多基于“地图”的分析模块。

至于场景洞察漏斗的分析,将分为两个场景的定义方式:一是主动的场景转化漏斗,二是智能路径。由于现在的应用交互大多仍是界面式交互:一个点击一个页面,因此天然会形成一个路径(游戏除外)。有些产品会设计一些路径,但其实用户可能并没有按照我们的设计去产生行为。

高级转化漏斗可以帮助运营人员观察所涉及的路径的转化情况:有多少用户走了这些路径、转化率情况等。移动运营5.0平台提供了页面和事件混排的转化漏斗,可以一个事件一个页面的去设计漏斗,并且支持漏损人群的下钻,详细分析漏损人群的特征。

如果用户没有走设计好的路径,我们就需要去设计智能路径。设置好页面或者事件的起始点,系统会计算所有用户走过的全路径,并且通过人数、转化率、步骤数量,提示运营人员应该如何优化页面逻辑和页面话术引导。

  • Marketing:碎片化的交互模式,需要可碎片化的场景触发式营销

当完成了对目标用户的定义和对于场景的分析洞察后,会发现很多风险和机会,而移动运营的环境决定了用户在平台上的时间是碎片化的,这是常规触达和运营抓不住的机会。此时可以依靠可视化营销任务编排的能力去实现场景触发式营销,抓住每一次与用户的最好的沟通机会。并且系统会自动记录每一次触达后用户的反馈和对指标的贡献,自然形成数据闭环和业务闭环来优化策略,亦或是为下一次大型营销活动提供基础参照。

  • Analytics:更灵活的采集,更有价值的模板,更方便的ROI归因

基础分析模块,基于多年的企业服务经验及用户分析,移动运营平台将曾经260多个指标精简到了58个,这些核心指标是业务和运营人员经常查看或已经进入业务KPI范畴的。而剩下的指标分析千变万化,因此提供了自定义报表的功能以便业务人员自行梳理业务分析逻辑;此外,还提供TalkingData多年行业服务所积累下来的分析模板,助力业务分析,并将分析逻辑和结果更快的分享到团队内部进行反馈。

在私有化版本的移动运营平台5.0中,同样新增了小程序的分析模块。在社交时代背景下,app的分享目前是受到限制的,但我们可以很容易分享一个小程序或H5。并且,小程序、H5和app之间可以相互调用的趋势已经十分明显。这样,就可以通过分享一个小程序来吸引用户下载一个更稳定和丰富功能的app。

最后,在技术人员不断的技术攻关下,移动运营平台5.0完成了也许是史上最强的无代码埋点。运营人员既不用读懂复杂的SDK集成文档,也不用去理解某个元素是否可以埋点。系统能够自动识别可埋点的元素,并且可视化埋点支持参数的上报,帮助获取“订单金额”、“产品分类”、“产品名称”、“ 交易类型”、“ 交易方式”等等一系列的相关事件的采集。平台还提供“当前元素”、“当前位置”和“同类元素”的采集逻辑,降低了手工埋点的重复性工作。另外,无论是app、h5还是混合模式,都支持在PC端完成一站式埋点,设置足够丰富的参数和埋点逻辑。

三、移动运营平台未来会做什么

看到这里,您可能会问TalkingData移动运营平台未来的发展方向在哪里。我们依然从移动运营的3个阶段来看:

  • Facts: TalkingData本质是大数据公司,我们将逐步输入TalkingData移动端行为数据的绝对优势,帮助企业还原用户画像、洞察潜在价值用户。
  • Indication:挖掘机会和规避风险是有成本的,通过同行业跨企业的经验积累,逐步形成基于模型和规则的预测预警体系。
  • Take action:更多的触达平台和能力对接。

TalkingData: 从客户体验到客户经营,电子银行的数据增长之路

近日,“科技重构金融未来”——中国电子银行联合宣传年2018贵阳高峰论坛顺利举行,贵阳市政府、近百家银行相关部门领导、金融科技企业和学术专家共计约150余人参会。TalkingData首席金融行业专家鲍忠铁出席本次论坛,并就数字时代下的电子银行、从客户体验到客户经营以及数据增长工具和案例三个方面分享了关于电子银行的数据增长之路的思考。

MarkdownTalkingData首席金融行业专家 鲍忠铁

在过去的几年中,国内电子银行的产品功能和用户体验日渐趋同,从应用商店的评分看,差距不大。TalkingData移动数据研究中心的报告指出,移动智能终端用户平均安装与平均每日打开应用款数已持续两年出现下滑,平均每天打开的应用款数从24.6降为20,手机流量向头部APP迁移。线上流量成本过高,获客告别野蛮增长时代,移动互联网已进入了存量经营的时代。

手机银行如何定位?是线上渠道还是线上网点?鲍忠铁认为,中国手机银行出现时定位为渠道,为客户提供移动金融服务,而在未来它将转向线上经营场所,其数据运营能力需要向互联网头部APP学习。互联网产品讲究三分产品、七分运营,手机银行的运营工具和运营能力均需要提升。

麦肯锡在其分析报告中提出了银行应具备的五种数字化能力,即数据驱动的数字化洞察力、一体化的客户体验、数字化营销、数字化运营以及下一代技术。其中数字化运营能力及数字化营销能力是电子银行需要高度重视的两大能力,也是所有手机银行应该重视和投入资源的方面。如何从数据中发现商业机会,找到营销点、找到场景?银行需要利用营销提高数字化转化率,手机银行不仅仅需要服务固有客户,也要作为一个网点去吸引其他客户。

对于电子银行未来的发展,鲍忠铁指出,电子银行未来的发展需要从客户体验逐步转为客户经营。在确保产品体验和功能不落后行业的前提下,逐步建立数字化运营体系,将重点转向客户经营。通过数字化运营体系的建立来提升客户活跃度、满意度、单个客户的价值,并建立数字运营闭环。

数据驱动增长的目标,是在所有的营销活动和业务运营中,找到投资回报率最高的方式。数据增长和精准营销也有所不同,精准营销偏向于客户的获取,在广告界更为常用;而数据增长关注的是整个用户生命周期,强调量化结果、优化产品、传播产品、数据驱动业务增长。鲍忠铁认为,要实现数据增长的理论目标,需具备三项基础:理论方法、工具平台、团队。先从理论方法入手,增长理论包括北极星指标、增长模型、用户心理学、增长流程。二是数据分析工具,支持增长需要平台,数据中转时需要数据分析工具,包括了指标体系、统计分析、漏斗分析、趋势分析。最为关键和核心的是要进行数据实验。

有关数据增长营销中台的建设,营销中台上层是业务需求,比如财富管理人群、流失客户预警以及潜在高价值客户的寻找、促活、转化,这些都是业务需求,需要事件营销场景去支持。在很多传统的金融企业、特别是电子银行里缺少这样的营销中台,而更多只有数据中台。TalkingData针对数据增长的理论和框架推出了AE系列产品,目标是打造与互联网企业具有同样领先能力的运营中台,目前已经迭代到了最新的5.0版本。

AE 5.0具有基础分析、行为分析、精细分析、用户洞察和人群细分几大功能,所有功能都是为了支撑客户体验优化,包括产品迭代和数据资产变现。AE 5.0的一大特点就是可以无码埋点、零动分析,所有的埋点都可以自动化操作,对线下网点分析、线下活动、线下网点开设都有指导作用。

最后,鲍忠铁还分享了一个实际案例,某银行与TalkingData合作,将行内的数据与TalkingData的数据打通,通过筛选、建模形成用户画像,对不同人群进行精准营销。与以往粗犷式营销相比,不仅降低了成本支出,还保障了营销运营成本风险的可控性。

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。

T11 2018数据智能峰会完整注册流程

T11 2018马上就要开始啦,相信很多小伙伴都想问,该如何注册参会呢?本文就教给大家! PC端注册流程

1、复制下方活动链接,并在浏览器中打开

http://www.huodongxing.com/event/1451528267400

2、 点击“我要参加”,选择对应的票种及数量,如有优惠码可进行输入

Markdown

3、点击“使用”进行优惠码验证,点击“我要参加”,验证联系方式(如无优惠码,直接点击“我要参加”,验证联系方式)

Markdown

4、填写报名表单,点击“提交”,进行付款

Markdown

移动端注册流程

1、点击文末“阅读原文”

2、如有优惠码可点击“我有优惠码”进行输入

Markdown

3、点击“确认”进行优惠码验证,点击“立即报名”(如无优惠码,直接点击“立即报名”)

Markdown

关于发票

购票发票(增值税普通发票)将于活动结束后10个工作日内邮寄,开票信息及邮寄信息请发邮件至:T112018@tendcloud.com 注:需附订单截图、预定人姓名及订单号

好啦,以上就是 T11 2018的注册流程,小伙伴们,我们9月11号见!偷偷地告诉你们,后面的文章或互动活动中,小编会发放优惠码和T11门票哟,请持续关注TalkingData公众号!

T11 2018报名参会,请点击