为什么在科技金融行业，用户行为数据的效力是金融数据的4倍

越来越多的企业已开始挖掘用户行为数据的商业价值，利用行为数据进行精准有效的数字营销。以科技金融行业为例，某知名企业的数据表明：用户行为数据的效力是金融数据的4倍。

一、企业的数据来源

企业收集、存储、分析数据，其目的就是为了解决业务需求，优化业务运营流程，提高其经营效率并降低成本。企业业务数据通过数据挖掘、深度分析和可视化展现，充分发现业务运营中的问题，进而制定更科学合理的运营策略，实现数据的价值。

企业有三类数据：

企业内部的交易数据企业同用户之间的交互数据第三方数据，或称为外部数据

过去，企业的数据资产大多是建立在交易数据之上的，利用用户属性、销售数据、物流数据、内部流程等数据建立数据资产，开展商业应用。随着“用户时代”的到来，拥有数据的规模、灵活性，以及收集、运用数据的能力，将决定企业的核心竞争力。

通过挖掘收集的业务信息，企业可以预测市场需求，进行智能化决策分析，从而制定更加有效的战略，此外，以用户数据和业务数据为核心优化运营，通过用户画像、市场和渠道分析、销售数据的分析提升产品性能、优化运营效率、进行精准营销。

二、行为数据的采集和分析

用户行为数据：主要包含用户在网站和移动App中的浏览/点击/发帖等行为，行为数据其实有很大的商业价值，只是很多企业不知懂如何进行应用。用户行为数据采集基本上采用SDK方式，采集用户在页面的点击行为，同时也可进行参数回传。SDK就是几行轻量级代码，采集数据的类型取决于埋点。SDK在数据采集上没有技术壁垒，行为数据应用的主要技术壁垒在于海量行为数据的处理和分析。

1、SDK采集数据的私密性？

很多企业总认为SDK采集数据会涉及个人隐私，这主要还是不了解SDK数据采集的技术原理。

SDK，Software Development Kit，直译过来就是软件开发包，用N行软件代码采集数据。SDK采集的任何数据都来自用户的主观行为，企业在正常商业活动中获取的个人隐私数据并不违反法规，在没有得到用户授权的情况下，个人隐私数据被企业和第三方使用才是违法行为。

2、数据处理与分析，有多难？

用户行为数据的处理和分析具有较高的技术门槛：

SDK会采集到大量的“脏数据”，包含一些空白区域和特殊符号，甚至根本没有见过的数据类型，这些脏数据的处理和分析具有较大的技术挑战，特别是数据的实时采集和处理。通常技术人员只有经历了海量数据采集和处理，填平了大量“技术坑”之后，才能形成成熟的技术架构。

数据的采集和处理是个脏活累活，需要在真实数据环境进行实战，具有较高的技术壁垒和门槛。

3、难道，就这样放弃了吗？

为了降低数据采集和处理的技术壁垒，帮助企业准确且高效的采集数据，诸葛io在积累的大量业务实践中总结出一系列成功经验，供您直接“拿来主义”，直接跨过这条技术鸿沟。在数据采集阶段，诸葛io全程为您保驾护航，从数据分析需求梳理，埋点文档整理，到最终的技术执行，手把手让您走稳数据分析的第一步。

三、用户行为数据的商业价值

为了保证用户的产品使用流程流畅平滑，从用户出发进行产品设计就需要密切关注用户的反馈和需求，通过观察用户行为数据或者直接与用户对话来得到这些反馈，找到用户在哪里卡住了、出错了，如此才能打磨出最佳的用户体验路径，这就是用户行为数据的价值所在。在行为数据发挥价值之前，需要进行结构化和标签化：

结构化，指将行为数据的展现形式从非结构数据转为结构化数据，并进行归类和统计；标签化，指根据业务场景将行为数据打上业务标签，围绕设备并与业务场景深度结合。

为行为数据打标签，通常有以下3个数据维度：时间、频次、结果。

1、时间

行为数据时间维度主要关注行为发生的时间段和持续时间，其中时间段数据用于目标设备时间范围选择，用于营销活动分析和营销推广计划设定。时间段也可以用于风控和反欺诈的场景，特殊群体的App使用行为在时间段具有较高的相似性。持续时间关注行为发生的过程，记录了行为起始和结束时间。

某一用户的全部会话记录

说明：全视角的用户画像，包括用户访问时间段，访问时长，甚至可以精确到用户发起会话、结束会话的时间点。

持续时间对于分析用户行为具有重要意义，不同时间长短代表用户不同特征，根据用户所处的生命周期，可洞察到用户与产品的交互状态。在一些数据模型分析中具有较高的商业价值，既可以用于购买人群分析、产品体验分析，甚至用于反欺诈分析。

2、频次

行为数据的频次主要关注某些特定行为发生的次数和趋势，其中次数同用户的兴趣具有较大的正相关度，在一定时间段内，点击浏览次数同用户购买需求成正比。次数经过标签化之后可以用于营销，识别潜在用户。

此外，通过页面的点击分析，了解产品体验和用户需求，从而优化产品布局，进行关联产品的销售。次数同产品成交和用户购买需求是弱相关关系，但是结合点击浏览次数等趋势数据，这些数据即可反应出产品转化和用户购买行为。

例如：用户在某段时间内突然频繁登录汽车类产品，从趋势分析上可以预测用户的购买需求，在某些场景下，趋势数据比频次数据的商业价值更高，可以直接预测客户的购买需求。

3、结果

行为数据的结果主要关注是否完成交易，用于判断用户点击浏览的结果。结果数据分为成交和不成交，基于业务需要也可采集填充的数值实现进一步的应用。

成交数据，可用于产品体验分析，用户体验分析，渠道ROI分析；不成交数据，可用于二次营销，对潜在用户进行再次营销，结合时间段、持续时间、频次数据进行综合分析，筛选出目标客群。此外，结合成交数据和时间数据，在锁定产品问题后，更精准的优化产品体验，分析转化漏斗。

结果数据可用于直接营销，可加入到数据模型中，作为一个重要维度的参考数据。

场景举例：

筛选出有长期理财产品偏好的用户

说明：通过条件设置，在最近30天内搜索并查看长期理财产品分类及详情页大于等于3次的用户筛选出来，定义为有长期理财产品偏好的用户，可以针对这一客群进行潜在用户的二次营销，比如为其推送长期理财产品的加息券等，鼓励其完成投资。

四、行为数据的场景化应用

从业务需求（业务场景）出发，寻找同其高度相关的行为数据，是建立场景化行为数据标签的思路之一，分析某个业务在产品中的交易路径（交易步骤）。在接近交易路径的前几步，根据时间、频次和结果来建立其场景化标签。

基于行为数据的营销，需要将重点放在营销效果的衡量和营销方案迭代优化上，通过多次营销尝试找到一个比较合适的行为标签建立方式，确定频次、时间段、结果等选值，并逐步建立起一个稳定的运营方案和运营计划，其中一些固定运营方案可以固化在一周的某一天，甚至某个时段，形成固定的运营计划。

营销成功的关键在于不断的尝试，优化场景化标签中的各个数据维度和数值，同时在效果达到预期的方案固化，形成标准的运营方案。

场景举例：

1、促进首单转化：不断减少从新增到首投的时长周期

以首单转化场景为例，给新增用户设定一个条件：如果注册成功后一天未完成开户行为，即推送一条短信/移动端PUSH。在完成运营动作后，可自动衡量效果，统计出在执行运营动作后3天内实现“首单投资”的用户数，分析绝对数量/转化率/交易额。

2、促进追加投资：引导追加资产促进用户价值层级迁越

对于新手期的活跃用户，可通过手动设置完成运营：筛选出资产小于5万且最近30天内没有投资行为的用户，为其精准推送现金券，通过自动衡量查看效果：3天内实现使用现金券投资的用户数，自动分析绝对数量/转化率/交易额。

基于用户行为数据，以用户为中心，所有的功能体验都围绕用户需求、用户感知而展开，才能很好地提升用户满意度，那么转化率的提升也就显得水到渠成。

Growth Hacker
介于技术和市场之间的新型团队角色；
懂数据，懂人性，懂方法，懂执行…