随着互联网尤其是移动互联网的爆发式增长，全球数据量正在以几何级数增加。这得益于移动设备普及以及数据抓取技术成熟。智能手机市场基本已经饱和，在经过2012-2015大幅增长后，全球智能手机出货量同比增长已经放缓到10%-20%；平板电脑2014年销量达到2.74亿台，之后达到稳定的增长状态；中国市场目前人均有1.2个手机号，1.5个QQ号，剔除少儿、老人人口比例，人均能达到2个手机号。基于移动、电脑、可穿戴设备上的数据每年增长率在40%左右，每两年多数据就能翻倍。
传统金融机构，由于数据及技术的不成熟，能获取到的用户数据有限，在数据应用上，多限于风险控制和内部管理。根据用户提供的资产、流水，历史借贷以及其他行的借贷数据，计算违约概率和损失率，决策最高贷款额。内部管理则主要通过企业财务报表，在月报、季报后对企业经营状态做滞后性经营建议。
互联网金融机构崛起，多维度、海量、结构化数据的可获取，让数据应用层面扩展到指导营销策略、优化产品设计、反欺诈措施等方面。本文仅限于介绍大数据在互联网金融精细化运营方面的应用。
一、数据源
与传统金融机构相比，互联网金融公司能获取用户在产品上的大多数行为数据。主要包括以下类型：
统计级数据：访问客户数、注册客户数、订单量、订单收入、订单转化率等
明细级数据包括：
a.人口属性数据：年龄、性别、学历、职业、收入、地址等
b.用户行为数据：渠道来源、访问时间、访问时长、访问路径、浏览页面、点击、评价及转发、跳出页面、跳出率
c.用户交易数据：订单时间、订单额、下单频率、客单价、订单产品等
互联网金融公司分类：银行系、电商系、P2P系，不同类型能使用到的金融数据不同。
这些数据的可获取是精细化运营的前提。
二、数据应用
大数据在互联网金融精准运营方面的应用：精准获客、个性化推荐、精准产品优化。
精准获客
传统金融机构产品销售大多依赖客户经理线下的一对一销售，如客户贷款资料齐全，需要层层审批，客户较为优质，欺诈风险低，但缺点也显而易见：销售成本高，获客效率低。
互联网金融和线上营销方式发展大大降低了客户准入门槛，提高了获客效率。相比线下广告，互联网广告效果更容易实时监测、衡量和即时调整。随着互联网广告获客成本越来越高，根据用户流量、产品转化数据，互联网广告调整周期可以到达分钟级。
通过数据埋点，市场部可以准实时了解到各推广渠道流量、转化率、用户质量等。通过实时数据分析反馈推广效果，并及时调整投放渠道，提高广告投放投资回报率。
个性化推荐
在产品生命周期进入成长期后，对存量用户运营就更为重要。个性化推荐作用开始凸显。
个性化推荐系统的概念在1995年的美国人工智能协会上被首次提出，2001年IBM公司在其电子商务平台Websphere中添加了个性化功能以开展个性化服务。直至今日，Amazon、Facebook、淘宝、微博等各大互联网公司也都使用了个性化推荐系统来扩展市场，销售量得到大幅提升。
个性化推荐基于关联规则的推荐算法、基于内容的推荐算法、协同过滤算法和人工免疫算法等。这同样适用于互联网金融产品，通过用户浏览、购买金融产品进行关联推荐。不过互联网金融产品较为单一，同质化严重，二八效应更为显著：80%的用户购买集中在20%的产品上。
个性化精准推荐，在积累海量数据后可以对用户个体打标签，包括：属性标签、价值标签、偏好标签、行为标签等。用户标签体系的完善将进一步促进推荐的精准化，并能在产品推广、促销活动等方面应用。
精准产品优化
数据还能指导优化产品。传统金融产品，往往很难从销量中看到消费者对产品喜好或厌恶的原因。但互联网产品能捕获用户线上轨迹、行为，通过跳出率、停留时长、错误日志等过程数据能看到用户的不满原因，从而直接指导产品优化模块。比如谷歌，通过用户搜索和点击，Google搜索页面会进行时时动态调整，让推荐更符合用户心意，提高搜索效率。
目前大部分互联网公司都会有产品运营岗位，其中主要的一项工作就是根据运营数据指导优化产品，产品更新迭代块，难免有bug，如没有数据跟踪时时优化，直接影响业务收入。
通过数据能了解到用户注册、使用、购买等数据，如果发现数据出现异常就要关注对应的产品模块，建立相应业务假设，通过技术迭代改善产品，验证假设是否合理。产品新功能上线、UI设计等都可以通过数据发现迭代优化。
以上就是利用大数据指导互联网金融精细化运营的案例。通过数据做精准营销让营销可追踪、可衡量、可优化，形成以数据为核心的营销闭环，不断优化营销。利用数据驱动实现业务洞察，是形成差异化竞争优势的关键所在。
#蔷薇记#： 记录生活之美和智慧之妙。
这是蔷薇石原创的第72篇文章。
