研究互联网金融可以参考哪些数据？

一、研究互联网金融可以参考哪些数据？

同求。我现在的数据来源主要是各p2p网站的公开数据，用了一些技术手段。人行的官网， 余额宝的公关稿，

吴江鲈乡农村小额贷款股份有限公司的招股说明书，算是官方的公开数据。其他没找到足够权威的能拿来做论文统计口径，如果有，欢迎私信我。

二、互联网金融数据类型有哪些？

在互联网金融服务工作中，需要实现对各类客户信息、产品信息、服务信息、交易信息等进行搜集、清洗、分类、汇总等简单统计，也需要对产品交易、服务质量、客户偏好等数据信息进行深度分析，以支持业绩统计、信息披露、管理决策等。当前，互联网金融数据类型包括用户数据、交易数据、文本数据及其他数据。

1、用户数据。互联网金融离不开用户参与，需要严格管理各类用户信息，为用户交易过程中的资金提供安全保障，使各类金融活动能够有序进行。在企业信息体系中，对用户个人信息、互联网金融产品、服务数据等进行保存。用户数量是企业规模的直观体现，关乎企业未来发展。

2、交易数据。互联网金融以信息化处理方法为主，无论产品，还是服务都离不开用户交易。在互联网平台上进行交易，信息系统会对整个交易过程进行自动记录和保存，确保交易安全，提高互联网金融服务质量。将用户交易数据作为参考指标，还能够对用户的交易偏好进行分析，从而对各类交易风险进行有效防范。

3、文本数据。在信息交流过程中，互联网具备平台优势，其存储了海量交易信息、用户评价、反馈等，直接反映了用户对产品的态度，在一定程度上影响互联网金融运转。倘若关注度不足，很容易存在安全隐患。

4、其他数据。互联网金融影响囚素非常多。诸如国家宏观经济发展情况、通货膨胀率、行业发展水平等。采用专业方法，搜集、整理、分析各类相关数据互联网金融公司实现平稳发展。

三、互联网金融盈利数据

互联网金融是近年来兴起的一种金融模式，利用互联网技术与金融服务相结合，为用户提供更便捷、高效的金融服务体验。随着互联网金融行业的快速发展，人们对于其盈利能力产生了浓厚的兴趣。本文将通过互联网金融盈利数据的分析，为大家揭示互联网金融行业的盈利模式和发展趋势。

1. 互联网金融盈利数据分析

互联网金融行业的盈利模式多样，以下是一些常见的盈利方式：

• 手续费收入：互联网金融平台通常会收取用户在平台上进行交易的手续费，比如提现手续费、充值手续费等。
• 利息差：互联网金融平台以借贷、投资等方式获取收益，通过利息差来盈利。
• 推广费用：一些互联网金融平台通过推广合作、广告等方式获取合作伙伴的费用。
• 理财产品销售：互联网金融平台通常会推出一些理财产品，获取销售收入。

根据近几年的数据统计显示，互联网金融行业的盈利能力呈现出以下特点：

首先，互联网金融行业的盈利能力较强。随着互联网技术的发展和用户对金融服务需求的增加，互联网金融平台的盈利能力不断提升。

其次，互联网金融平台的盈利模式日益多样化。在市场竞争激烈的环境下，互联网金融平台不断探索新的盈利模式，以满足用户多样化的需求。

再次，互联网金融平台的盈利能力受经济环境和监管政策的影响。经济环境的变化和监管政策的调整都会对互联网金融行业的盈利能力产生一定的影响。

最后，互联网金融行业的盈利能力存在一定的不确定性。由于市场竞争激烈和监管政策的变化，互联网金融平台的盈利能力存在一定的不稳定性和风险。

2. 互联网金融盈利模式的发展趋势

互联网金融行业的盈利模式将会呈现以下发展趋势：

• 创新技术的应用：随着科技的进步，互联网金融平台将更加注重创新技术的应用，通过技术手段提升盈利能力。
• 风控能力的提升：互联网金融平台将加强风险管理和控制能力，提升盈利的可持续性。
• 多元化的产品和服务：互联网金融平台将推出更多样化的产品和服务，满足用户不同的需求，扩大盈利空间。
• 合规运营：互联网金融平台将更加重视合规运营，积极响应监管政策，降低盈利风险。

综上所述，互联网金融行业的盈利能力取决于多个因素，包括市场竞争、经济环境、监管政策等。在不断变化的环境下，互联网金融平台需要不断创新、提升风控能力、推出多元化的产品和服务，以保持盈利能力的持续增长。同时，合规运营也是互联网金融行业盈利的关键。

四、互联网金融大数据的获取途径有哪些？

1、从互联网金融平台获取。互联网金融机构根据自身业务的需要建立不同的互联网金融平台。互联网金融平台按照应用领域的不同可分网络金融服务类、众筹融资类、P2P类、第三方支付类等。这些互联网金融平台有大量的交易数据如理财产品数据、保险产品数据产品组合数据、支付数据等。利用数据采集软件可以很方便地从这些平台中精确采集到针对不同主题的大数据，并能够生成自定义的、易用的数据格式。

2、从金融蝼数据库中获取。目前国内有代表性的金融数据库有国泰安数据库、锐思数据库、万德数据库、CCER经济金融数据库等。这些数据库中提供了我国经济金融方面的完备的、权威的数据。为了满足使用者个性化的数据需求这些数据库还提供专门的数据搜寻和定制服务同时对原始数据进行了大量的二次开发提供大量计算加工的衍生数据通过这些金融数据库的网站，使用者可以获取满足需要的金融大数据。

3、通过数据接口包获取、如python语言中的Tusharc财经数据接口包该数据包实现了对股票等金融数据从数据采集、清洗、加工到数据存储的全过程管理通过该数据包可方便获取高质量、多维度、多层次的便于分析的金鬲融数据。如通过R语言中quantmod包可以方便获取国内的股票数据其中包括上证、深证、港交的股票数据。这些数据接口包的使用可以大大减轻数据获取的工作量。

4、通过移动金融app中获取。移动金融app被银行、证券、基金、保险等互联网金融公司广泛应用为其客户提供便捷的移动金融服务。移动金融app的种类很多如支付类、理财类、记账类、借贷类等具有快捷、简单、方便等特点在客户端的应用越来越普遍。从这些广泛应用的移动金融app 中可以获得大量的互联网金鬲融人数据。另外还可以从数据公司、专业调查公司、消费者研究公司等机构购买或者从客户授权的其他系统中获取。

五、互联网消费金融大数据

互联网消费金融大数据的重要性

互联网消费金融行业正日益受到大数据技术的影响和推动。随着科技的快速发展和互联网的普及，消费金融机构越来越多地开始关注和利用大数据，以更好地为客户提供个性化的金融服务。

互联网消费金融是指借助互联网平台为个人和小微企业提供便利、快捷的金融服务的业务模式。而大数据则是指海量的、多样的、高速的数据，通过精确的分析可以获得有价值的信息。互联网消费金融大数据是将大数据与消费金融相结合，通过对海量数据的挖掘和分析，帮助金融机构洞察客户需求、风险评估和精确营销，进而提高金融服务的质量和效率。

大数据在互联网消费金融中的应用

大数据在互联网消费金融中的应用非常广泛。首先，大数据可以帮助金融机构更好地了解客户。通过分析客户的行为数据、消费习惯、兴趣偏好等信息，金融机构可以绘制客户画像，从而为客户提供更加个性化的产品和服务。

其次，大数据可以提升风险评估能力。传统的风险评估方法往往基于有限的数据样本，容易产生误判。而通过大数据的分析，金融机构可以获取更多样本，建立更准确的模型，从而提高风险评估的准确度。这对于互联网消费金融来说尤为重要，因为该行业往往面临着高风险和高不确定性。

此外，大数据还可以提供精确的营销策略。通过对客户数据的分析，金融机构可以找出目标客户群体，并根据不同客户的需求和偏好量身定制营销策略。这不仅可以提高客户的购买体验，还可以提高金融机构的营销效果，提高销售额。

最后，大数据还可以提升运营效率。互联网消费金融机构通常面临着庞大的数据量，包括客户数据、交易数据、市场数据等等。通过大数据的分析和挖掘，金融机构可以提高数据的利用率，优化业务流程，降低运营成本。

互联网消费金融大数据的挑战和解决方案

然而，互联网消费金融大数据也面临着一些挑战。首先，数据安全问题。互联网消费金融机构必须保护客户的个人信息和交易数据，防止数据泄露和滥用。其次，数据质量问题。大数据分析的结果往往依赖于数据的质量，而互联网消费金融机构的数据质量往往受到数据源的限制和数据采集的难度。此外，数据隐私问题也是一个挑战。互联网消费金融机构需要合法合规地收集和使用客户数据，保护客户的隐私权。

要应对这些挑战，互联网消费金融机构可以采取一些解决方案。首先，加强数据安全管理，建立完善的数据安全防护体系，包括合理的权限管理、数据加密等措施。其次，提升数据质量，改善数据采集和处理的流程，确保数据的准确性和完整性。此外，重视数据隐私保护，遵循相关法律法规，明确收集和使用客户数据的目的和范围，以及保护客户的隐私权。

互联网消费金融大数据的前景

互联网消费金融大数据的发展前景非常广阔。随着科技的进步和技术的成熟，大数据技术将不断演进和完善，为互联网消费金融带来更多的机遇和挑战。

首先，大数据将为互联网消费金融带来更多的创新。通过对客户数据的分析，互联网消费金融机构可以不断创新产品和服务，满足客户的个性化需求。而且，大数据还可以帮助金融机构发现新的商机和市场机会，为公司的快速发展提供支持。

其次，大数据将提升互联网消费金融机构的竞争力。在激烈的市场竞争中，提供高质量、个性化的金融服务将成为互联网消费金融机构的核心竞争力。而大数据正是实现个性化服务的重要工具，可以帮助金融机构赢得更多的客户和市场份额。

最后，大数据将推动互联网消费金融行业的整体发展。随着大数据技术的广泛应用，互联网消费金融行业将变得更加智能化、高效化。大数据将促进消费金融机构与其他行业的合作和创新，为整个金融行业的发展带来新的机遇和动力。

结语

互联网消费金融大数据是互联网时代的产物，将为互联网消费金融行业带来巨大的机遇和挑战。通过充分利用大数据的分析和应用，互联网消费金融机构可以更好地了解客户、提高风险评估能力、实现精准营销和提升运营效率。然而，互联网消费金融大数据也面临着数据安全、数据质量和数据隐私等挑战，需要金融机构加强管理和保护。未来，互联网消费金融大数据将继续发展壮大，为行业的创新和发展注入新的动力。

六、本周互联网金融回顾数据

本周互联网金融行业迎来了一系列令人瞩目的数据，这些数据不仅反映了行业的发展趋势，也给投资者和从业者提供了有价值的参考。

1. 互联网金融市场规模达新高

据统计，本周互联网金融市场规模再度突破记录，达到了XX万亿元人民币。这一数字不仅体现了互联网金融行业的增长速度，也显示了投资者对互联网金融产品的信任与热爱。

2. 互联网金融用户数量持续增长

数据显示，本周新增互联网金融用户数达到了XX万人，总用户数超过了XX亿人。互联网金融的普及程度不断提高，越来越多的人选择通过互联网渠道进行投资理财。

3. 互联网金融平台成交额创新高

各大互联网金融平台的成交额也在本周刷新了历史纪录，达到了XX亿元。这表明互联网金融平台的交易活跃度持续提升，用户对平台产品的认可度和使用度也在逐步提高。

4. 互联网金融行业监管加强

本周，互联网金融行业监管力度进一步加大。监管部门发布了新的规定，从合规性、风险防控等方面对互联网金融平台进行了严格要求。这一举措进一步维护了互联网金融市场的健康发展，保护了投资者的利益。

5. 互联网金融创新产品蓬勃发展

本周互联网金融行业涌现出多款创新产品，如XXX。这些产品通过运用互联网、大数据、人工智能等前沿技术，为用户提供了更多元化、便捷化的投资理财方式。

6. 互联网金融行业面临挑战

尽管互联网金融行业取得了长足的发展，但也面临着一些挑战。例如，部分互联网金融平台存在风险控制不严、产品信息披露不透明等问题，这需要相关部门和平台方共同努力解决。

总结

本周互联网金融行业的数据显示了其快速发展的势头，市场规模、用户数量、平台成交额均取得了新高。同时，也需要重视行业监管和风险控制，并加强产品创新，以不断提升用户体验。互联网金融行业的未来充满着机遇与挑战，投资者和从业者需要密切关注市场动态，把握机会，规避风险。

七、互联网金融运营需要关注的数据有哪些呢？

曾做过两年多的互联网金融数据运营，运营工作过程中对数据一直比较关注，以我的理解：

互联网金融运营的数据，相对比较复杂，涉及面广，即包括互联网运营的数据，还有金融的数据，也就是业务数据。

互联网相关数据，和平常的互联网公司一样，参考AARRR模型，包括获客、促活、留存、获取收入、传播、提高各阶段转化率等。

金融的数据比较复杂，需要根据公司的实际业务进行分类，比如P2P公司：就包括资金端（出借人）数据、资产端（借款人）的数据。

互联网运营相关数据

网站流量数据

数据来源：CNZZ、百度统计

主要关注指标：浏览量（PV）、访客数（UV）、新访客数、IP数、跳出率等。

APP用户数据

数据来源：友盟、易观、TalkingData等数据分析平台，各应用商店

主要指标：新增用户、活跃用户、累计用户、启动次数、使用时长、日均登录次数、近30日日均登录

SEO数据：来源：站长工具、爱站网

主要指标：ALEXA排名、百度权重、百度流量预计、百度收录数量、百度索引数、反链数、关键词排名、搜索指数等

ASO数据：来源：七麦数据、ASO114、蝉大师、APPDUU

主要指标：下载量、搜索指数、评分、关键词数量、关键词排名、TOP3关键词、 TOP10关键词

营销数据：主要针对广告投放，包括投放渠道、曝光量、点击量、点击率、消耗、CPC、CPM、CPA、获客成本、投资回报率（ROI）等

活动数据：活动参与人数、各活动页面的转化率、转发人数、转发次数、活动成本、活动效益

用户渠道来源数据：搜索引擎、微信公众号、广告、好友邀请、线下扫码等， 都有相关的链接。

客服服务数据：接听电话数、在线咨询数、电话服务时长、投诉数、解决投诉数

用户运营转化数据：（参考AARRR模型）

当日注册人数、当日实名人数、当日绑卡人数、充值人数、投资人数、复投人数、邀请好友数、实名转化率、绑卡转化率、投资转化率。

用户画像数据：

年龄、性别、地区、职业、有无子女、有无汽车、教育程度、收入情况，这些数据比较难获取

互联网的数据和大多数互联网公司的一样。

金融相关数据

金融相关的数据与具体业务相关，数据表格分为明细表和汇总统计表。

用户明细表：

用户风险承受能力表：（针对投资理财用户）

年龄、性别、家庭可支配收入、投资占比、债务情况、投资经验、投资期限、风险偏好、风险承受能力评分

借款用户信用评估表：（针对借款用户）

年龄、性别、职业、收入、信用情况、历史逾期情况、负债情况、信用评分等

理财产品数据：产品名称、收益率、风险等级、期限（流动性）、购买人数

充值数据：充值金额、充值人数、各渠道充值情况、充值失败金额、充值失败人数、大额充值人数、大额充值笔数、充值明细

提现数据：提现金额、提现人数、提现失败金额、提现失败人数、大额提现人数、大额提现笔数、提现明细

出借数据（针对P2P公司）：

投资编号、投资标的、投资金额、收益率、期限、投资时间、服务费、借款人

借款数据：（针对互联网小贷公司）

借款编号、借款标的、借款人、借款金额、借款利率、借款期限、借款时间、服务费、是否逾期等

审核数据：

借款编号、借款项目、上线时间、初审人员、复审人员、产品状态

合作方数据：

合作方名称、合作时间、累计合作单数、当前单数、合作金额等

运营报告数据：（可以参考一些平台的运营年报）

• 累计注册用户数、累计投资人数、累计借款人数、当前待还人数、当前待收人数
• 累计成交金额、累计成交笔数、为用户赚取收益、平均单笔借款期限
• 出借用户区域分布、年龄分布、性别分布、出借金额分布
• 借款用户区域分布、年龄分布、性别分布、借款金额分布、借款期限分布
• 金额逾期率、项目逾期率

另外，还有还款情况、资产存量统计、资产明细、已还款资产、明细资产等数据，需要根据实际业务汇总。

互联网金融运营的数据，主要作用包括：

1、数据监测，发现运营问题，主要是看日常数据是否正常，比如某天注册人数大幅下降，你就要查看是不是注册渠道出了问题；

2、数据化运营，通过数据提高运营效率，像流程优化、用户行为分析、用户分层等；

3、风险管理，像风控模型、反欺诈模型、信用评估模型等。

做数据运营，主要是从数据中发现问题，找出规律，然后进行优化或做出相关运营决策。

比如我曾对我平台的用户在注册、投资的间隔进行分析（就是从注册开始到投资所花的时间），发现：

投资用户中有80%的用户在注册以后24小时内完成充值投资。

也就是说如果一个用户注册一周内没有投资，那以后投资的概率就会越来越低。所以，对还没有投资的新用户，最好在注册一周内进行激励转化。

另外，还有“二八定律”，在金融行业很普遍，也就是20%的用户，投资额占平台的80%。

从效益角度考虑，平台的服务核心应该放在那20%的高净值用户身上。但很多平台往往本末倒置，过于关注大多数用户的需求，盲目搞活动，发加息券，福利都向小额用户倾斜，结果产生成本倒挂的现象。大额用户对平台贡献更大，但平时没时间关注平台，活跃度低，参加活动少，反而运营成本低。反而早那些小额用户，甚至羊毛党用户，参加活动很积极，对平台贡献一般，平台却支出大量的成本。

有时间再补充。

八、互联网金融发展指数如何构建，在哪里找得到数据？

其中的第二点，”北京大学互联网金融发展指数”

希望能帮到你

九、如何进行互联网金融运营数据的分析，都有哪些方法？

我们之前做过一期互联网金融的公开课，「互联网金融增长宝典：三大步骤提高转化，搞定用户运营」，主讲人是 GrowingIO 的业务增长负责人徐主峰，曾任职 Criteo、Microsoft 等公司，有丰富的电商、互联网金融客户解决方案经验。 这是公开课的速记整理。

这是一篇互联网金融宝典，我推荐给所有转化率只有 1%、总是为谁可能是你的购买用户而犯愁的互联网金融的高管、PM、市场运营和销售们。本文通过实战案例，手把手教你建立转化指标、 梳理分析思路、提供分析步骤并最终建立用户行为分析模型。

文 / 徐主峰

大部分的互联网金融公司最为纠结的一点是，流量这么大，获客成本这么高，为什么最后的的转化率和成单量却这么低？怎样才能提高用户运营效率？用户行为数据分析怎样把处在不同购买决策阶段的用户挑选出来，帮助互联网金融公司做到精益化运营？

我们的客户中很大一部分来自互联网金融，比如人人贷等行业前 10 的互联网金融公司。在服务客户的过程中，我们也积累了大量的数据驱动业务的实践案例，来帮助客户创造价值。

一 、互联网金融用户四大行为特征

互联网金融平台用户有四大行为特征：

第一流量转化率低，下图是某互联网金融公司网站上，新客户过去 30 天整体购买转化漏斗，其转化率只有 0.38%：

而这并非个例，实际上，绝大多数互联网金融公司，在 web 端购买的转化率基本都在 1% 以下，APP购买率在 5% 左右，远远低于电商或者其他在线交易的购买率。

第二，虽然转化率低，但是客单价却很高。一般来说，电商行业客单价在几十到几百，而互联网金融客户，客单价从几千到几万，某些特殊领域甚至高达几十万。而客单价高，就意味着用户购买决策会更复杂，购买周期也会更长。

第三，用户购买行为有很强周期性。电商的客户下次购买时间是不确定的，但是互联网金融平台上，真正购买的用户，是有理财需求的用户，在资金到期赎回产品后，一定还会进行下一次购买，只不过未必发生在你的平台上。

下图是一个典型互联网金融用户的交互趋势图：

可以看到，每隔一段时间，这个用户就会有一段集中的、大量的交互行为。当用户购买完成后，用户的交互行为又变得很少，可能偶尔来看看产品的收益率，但整体的交互指标不会太高，直到他下一次购买。这个用户理财需求的周期是一个月左右。

最后一个特点是「很强的特征性」，主要包括两个特征：

A：用户的购买偏好比较容易识别，理财产品数量和品类都很少，所以用户购买的需求或者偏好，很容易从其行为数据上识别出来。

B：用户购买过程中的三个阶段特别容易识别：

• 用户在购买决策阶段，有大量的交互事件产生，他会看产品，比对不同产品的收益率和风险，比对不同产品的投资期限等等；

• 但是一旦他完成了产品的购买，就不会有大量的交互行为产生，他可能仅是回来看一看产品的收益率。

• 当用户的产品资金赎回之后，又有大量的交互事件产生，实际上他处在下一款产品购买的决策期。

二、互联网金融用户运营的三大步骤

针对互联网金融用户行为的四个特征，在用户运营上有三个比较重要的阶段性工作：

1.首先，获取可能购买的目标用户，合理配置在渠道上的投放预算，以提高高质量用户获取的比例：

渠道工作的核心，主要是做好两方面的工作：宏观层面，优化整个渠道的配置；微观层面，单一渠道角度来说，根据渠道配置的策略，有针对性地实施和调整。

具体渠道的实施，大家都比较熟悉，但是对于整个渠道组合配置的优化，很多人接触的其实并不多。

这张图是整体转化漏斗，从不同维度可以做对比，比如我们先选出流量前 10 的渠道：

以渠道一为例，总体的转化率是 0.02%；在过去 30 天站内总体的流量是 18.9K，漏斗第一级到第二级的转化率是 3.36%，这样一共是五级，我们看到最终渠道一带来总体的成交用户一共是 4 人。

类似的，前 10 的渠道数据都很清晰。不同渠道带来的流量，不同渠道总体的转化率，以及不同渠道在整个转化路径上每步的转化率都可以看到。

这里面有几个渠道很有特点：

• 渠道一的特点，渠道一带来的流量是所有 10 个渠道里最大的，但是它的总体转化率却是低的；

• 渠道二和渠道七，渠道二的量很大，但是转化率是零。渠道七量比较一般，转化率也是零；

• 渠道九和渠道十，这两个渠道是所有渠道里转化率最高的。但是这两个渠道特点，是带来流量不是特别大……

结合典型渠道特点，可以做一个象限图：

第一象限（右上角）渠道质量又高，带来流量又大的，这里面渠道三四五是符合这个特征的，渠道策略应该是继续保持和提高渠道的投入。

第二象限（左上角）渠道的质量比较高，但带来的流量比较小，这里面包含的主要渠道就是八九十。对应的主要策略是，加大渠道的投放，并且在加大投放的过程中，要持续关注渠道质量的变化。

我们先看第四象限（右下角），渠道质量比较差，但是带来流量比较大，这里面主要有渠道一和渠道二。相对应的渠道策略，应该在渠道做更加精准的投放，来提高整个渠道的质量。

第三象限（左下角）这个象限里渠道质量又差，带来流量又小，比如渠道六跟渠道七。我们是否要直接砍掉？这里建议是，策略上要比较谨慎一些。所以在具体渠道的策略上，业绩保持监测，然后小步调整。

根据上面数据分析得出的结果，做过渠道优化后，就会为我们带来更多高质量的用户。

2.接下来就要把高价值的用户——真正有购买需求，愿意付费、购买的用户找出来。

将资源与精力投入到真正可能购买的用户上的前提是，我们要能够识别出，哪些是真正有价值的用户？哪些是价值偏低的用户？

其实对于互联网金融平台来说，甚至所有包含在线交易的平台，用户的购买意愿，是可以从用户的行为数据上识别出来的。由于互联网金融平台的特殊性，相比于电商平台来说，商品品类更少，平台功能也更为简单，所以用户的行为数据，也更能反应出互联网金融平台上用户的购买意愿。

把用户在平台上的所有行为总结一下，核心的行为其实并不多，具体包括：

用户查看产品列表页，说明有一些购买意愿，点击某个产品，说明用户希望有进一步的了解。用户最终确认了支付，完成了购买，购买流程就走完了，他的理财需求已经得到了满足。每一种行为都表示出用户不同程度的购买意愿，所以获得用户在产品里的行为数据就十分重要。

既然用户行为数据这么重要，那么怎样获取呢？GrowingIO 以无埋点的方式，全量采集用户所有的行为数据，根据我们对业务的需求，配比成不同的权重系数，并按照每个用户购买意愿的强弱，进一步分群。

这是我们一个客户制作的用户购买意愿指标的范例，刚才的前 5 个行为，都是用户在购买前典型的行为：

每种典型事件的权重系数不一样，用户购买意愿是越来越强的：用户点了投资按纽，甚至点了提交的按钮，显然要比他单单看产品列表页，或者单单看产品页、详情页的意愿强。越能反应用户购买意愿的事件，你给它分类的权重应该是最大的，这是大的原则，0.05 还是 0.06 影响并不大，所以不必纠结。

这样通过这种方式，我们就可以按照每个用户的所有行为，给用户做购买意愿打分的指标，最终形成用户购买意愿的指标。

这是我们从高到低截取部分用户购买意愿打分的情况，第一列是每个用户的 ID，第二列是按照购买意愿给每个用户打分的情况。得分高的，就是购买意愿最强烈的用户。

拿到所有用户购买意愿之后，我们就可以按照用户购买意愿的强烈与否，把所有的用户分成不同的群体，来做针对性的运营。

这是在把用户在过去 14 天内，由其产生的所有行为数据，按照购买意愿打分的权重，把打分大于 5 的用户找出来，在总体用户里，这部分用户购买意愿排名前 20% ，我们给它起个名字，叫购买意愿强烈的用户。

类似我们还做了购买意愿中等的用户分群，这是购买意愿排名在 20-60% 之间的用户；购买意愿排名在最后 40% 的用户，是购买意愿最弱的用户分群。

分群之后，点击任意一个分群，都会以用户 ID 的形式列出来。因为你要有用户的 ID ，才能对这些用户施加运营策略。每个用户最近 30 天的访问次数，最近的访问地点，最后一次访问时间都可以看到。

接下来针对这些购买意愿强烈的用户，怎样推动用户的转化呢？

3.采取针对性的运营策略，提高高价值用户的转化率。

首先我们来看一下购买偏好，互联网金融平台商品品类是比较少的，用户购买的目的性也比较清晰，一般商品的品类有这么几种：

第一种：债券型理财产品

第二种：股票型理财产品

第三种：货币型理财产品

第四种：指数型理财产品

第五种：混合型理财产品…

我们把用户在不同品类商品上的访问时长占比算出来，就能比较好地了解用户的购买偏好。比如下图，我们用用户访问债券型产品详情页的访问时长，除以用户在站内总体的访问时长，就能够得到用户在债券产品上访问时长占比的指标。

我们还是使用用户分群的工具，把在债券型产品上的访问时长占比大于40%的用户分出来，这是有非常强烈表征的客户，他购买的偏好就是债券型的产品。

同时我们再设定另外一个指标，比如用户购买意愿指标，之前我们做过大于5，也就是购买意愿排名在前 20% 的。

通过这两个条件，我们就可以把购买偏好是债券型产品，同时有强烈购买意愿的用户找出来，这两个指标的关系是并（and）的关系。同样我们可以按照用户的购买偏好，把关注其他品类的用户，都做成不同的用户分群，然后形成不同购买偏好的用户群体。

针对这些用户，其实在运营策略上，我们可以从三个层面来展开来进行做：

从购买阶段的角度，首先我们把所有用户可以分成新客和老客。对于这两个群体来说，运营策略和运营重点是非常不一样的。

新客群体，是从来没有在平台上发生过购买的用户，我们要根据用户的购买意愿，做进一步的运营。

老客群体，也就是在平台上已经发生过产品购买的用户，除了关注用户的购买意愿之外，用户的资金状态（资金是否赎回）也是非常重要的参数。

用户是否购买过产品？购买产品的用户是否已经赎回资金？这两个内容，其实是一个用户当前的属性。在我们分群的工作里，这有个维度的菜单，通过这个维度菜单，我们就可以把具有某种属性的用户找出来：

这里我做了一个分群，我们可以看一下。在维度的菜单里，我们把是否购买过产品的维度值设置成了 1 。把资金是否已经赎回这个维度的值，也设置成了 1 。实际上是把那些资金已经赎回的老用户找出来；同样在指标这个菜单里，我们同时也把有强烈购买意愿的用户找出来，时间是过去 14 天，指标大于 5 。

这样我们就制作了一个用户分群，而这个用户分群里所有用户，要满足下面的三个特征：

特征一：购买过产品的老客。

特征二：他们的资金，目前已经赎回了。

特征三：过去 14 天内的行为数据，表明这个用户有着强烈的购买意愿。

同理我们把所有用户，整理为下面几个不同类别，对应不同的运营策略：

比如新客里，当前有购买意愿的，其实他属于购买决策期的新用户。应该根据用户的购买偏好，推荐这种比较优质的理财产品。并给予一定的购买激励，来促进这些新客在平台上的第一次购买，这个对于新客来说是非常重要的，以此类推。

相比于电商或者其他行业，互联网金融平台结合行业和用户的特点，从用户行为数据分析的角度，驱动产品业务以及提高用户的转化率，有更加重要的意义。

备注：本文中数据产品截图来自于 GrowingIO 硅谷新一代数据分析产品 。

十、大数据和数学模型，能拯救中国互联网金融吗？

大数据只是一种比较高端大气上档次的叫法，背后的原理也不是这几年才用，只是这几年才把这个名词推向台面。互联网金融的问题是需求和质量的问题，这些问题不是大数据可以拯救的，行业需要沉淀和进步。

顶一下

(0)

0%

踩一下

(0)

0%