本文作者在對騰訊移動分析進行產(chǎn)品體驗，并在此分享其對產(chǎn)品的優(yōu)化思路，enjoy~

一. 移動應(yīng)用分析產(chǎn)品定位

使用騰訊移動分析MTA的客戶是希望通過移動應(yīng)用分析獲取更多有價值的信息，更快更有效的做出商業(yè)決策。如果產(chǎn)品只提供基礎(chǔ)數(shù)據(jù)的陳列，那產(chǎn)品需要專門的數(shù)據(jù)分析員進行數(shù)據(jù)分析、模型預(yù)測、歸納總結(jié)等步驟后，再向決策者報告，則需要客戶投入更多的人力資源。

因此，移動應(yīng)用分析產(chǎn)品需要的不僅僅是基礎(chǔ)數(shù)據(jù)的陳列，而是需要在數(shù)據(jù)中通過合理的方法從數(shù)據(jù)中提取進一步的更接近商業(yè)決策的信息。方便使用者決策判斷使得分析工具具有更高的價值，本次騰訊移動分析產(chǎn)品的優(yōu)化應(yīng)該讓產(chǎn)品更能滿足決策者要求。

圖1 – 移動應(yīng)用分析定位對比

二. 騰訊移動分析優(yōu)化框架

圖2 – 騰訊移動分析優(yōu)化框架

三. 借貸業(yè)務(wù)分析版塊優(yōu)化

為了向移動應(yīng)用分析產(chǎn)品客戶提供更可靠的決策依據(jù)，借貸業(yè)務(wù)分析版塊可以提供更有針對性的借貸數(shù)據(jù)，并且接入模型預(yù)測功能，利用機器學(xué)習(xí)模型等對數(shù)據(jù)進行預(yù)測，來提供更直接的借貸業(yè)務(wù)需求變化，借貸產(chǎn)品推廣策略和風(fēng)險控制警示等決策有用信息。

1. 借貸畫像功能優(yōu)化

（1）增加用戶分類自定義

目前借貸畫像功能中已對用戶進行分類，分為借款老用戶，新用戶，逾期用戶等，后臺已設(shè)置好用戶的分類規(guī)則，但是對于不同的APP客戶的不同需求，可以提供自定義的用戶分類可以提高適用性。比如，房貸APP客戶可以定義無逾期記錄有房產(chǎn)月薪五萬的30歲已婚用戶為高凈值用戶；小貸APP的客戶可以定義逾期兩個月以上或者欠款超過一萬元的為高風(fēng)險人群；同時理財類APP的客戶可以設(shè)置有房產(chǎn)但沒有車的用戶為車貸推廣用戶。

另外，還可以增加其他用戶分類屬性，比如地域，年齡，收入，婚戀等基礎(chǔ)個人信息。比如，深圳用戶的指標跟四五線城市用戶的借貸指標衡量的標準不同，APP客戶就可以用更符合自身情況的數(shù)據(jù)。

圖3 – 用戶分類優(yōu)化

（2）用戶畫像細分

目前用戶畫像的標簽包括房產(chǎn)、汽車、金融、旅游、教育五大板塊，可以針對已有板塊進行深入優(yōu)化，以及拓展新板塊。

① 已有板塊深入

房產(chǎn)板塊可以增加房產(chǎn)多少套，房產(chǎn)總價值，是否有房貸，房貸總額，剩余房貸期數(shù)等指標。汽車板塊同樣可以反映客戶擁有的汽車數(shù)量，車貸總額，剩余車貸期數(shù)。金融板塊可以細分為長期資金，短期資金，流動資金等。旅游板塊細分為旅游頻率，旅游出游地（東亞、東南亞、歐洲、北美洲、南美洲等），旅游消費額等。教育板塊氛圍個人教育投資和子女教育投資，再細分為個人教育投資預(yù)算，子女數(shù)量，子女年齡，子女預(yù)期教育投資金額等。

同時，可以提供自定義簡單計算設(shè)置，如平均數(shù)，中位數(shù)，眾數(shù)， 四分位數(shù)等。那么客戶就可以選擇某一個用戶分類進行詳細分析，比如可以知道深圳用戶平均有多少房貸，或者通過旅游消費額前25%的用戶手上有多少流動資金周轉(zhuǎn)來預(yù)測貸款需求，或者通過消費記錄預(yù)測還貸期用戶是否還有子女教育貸款的需求等。

② 增加新畫像板塊

可以增加的新畫像板塊包括：

• 個人信息數(shù)據(jù)：性別，年齡，學(xué)歷，工資，月總收入；
• 還款能力指標：征信記錄，銀行存款，信用卡數(shù)量，借貸產(chǎn)品數(shù)量，除房貸和車貸外的貸款額度，每月還款額占貸款額的比例；
• 消費信息指標：衣食住行等硬性消費的金額，消費比例構(gòu)成，大宗消費類別，大宗消費金額；

通過用戶分類自定義，用戶畫像已有板塊深入和用戶畫像新板塊擴展的借貸畫像優(yōu)化，用戶分群整合，可以形成更立體的以借貸為目標的用戶畫像。比如可以分出本科畢業(yè)生，工資為3000至6000元，衣食住行硬性消費超過消費總額80%，有逾期記錄的用戶；或者月總收入大于50000元，硬性消費占消費總額50%以下，無逾期但是有大筆貸款的用戶。這些典型的用戶畫像分別對應(yīng)不同的消費能力，借貸需求，和借貸產(chǎn)品推廣策略；獲取了詳細的全方位信息，不僅可以豐富用戶畫像，還有利于做授信分析和逾期分析。

圖4 – 優(yōu)化后用戶畫像

2. 授信分析功能優(yōu)化

目前授信分析功能已經(jīng)開發(fā)了注冊、申請貸款、獲得貸款人數(shù)等統(tǒng)計指標，通過上一步用戶畫像的優(yōu)化，有了更加細致的用戶數(shù)據(jù)，可以進一步改善授信分析功能。

此版塊可以接入模型預(yù)測功能，即通過機器學(xué)習(xí)模型根據(jù)用戶數(shù)據(jù)對每一個用戶的可授信額度進行預(yù)測。此功能先經(jīng)過判斷數(shù)據(jù)類型，了解數(shù)據(jù)質(zhì)量等先處理步驟，再自動在模型庫中選擇合適的模型進行預(yù)測，最后展示最優(yōu)模型的預(yù)測結(jié)果。如下圖所示，數(shù)據(jù)包含分類數(shù)據(jù)，文本數(shù)據(jù)，數(shù)量數(shù)據(jù)等，可以通過合適的數(shù)據(jù)轉(zhuǎn)換步驟，再加入邏輯回歸模型對授信額度進行預(yù)測。同時，此功能也可以允許客戶自定義模型變量，通過嘗試不同變量，來對比預(yù)測效果。

經(jīng)過預(yù)測，上述的本科畢業(yè)生群體通過模型預(yù)測其可授信額度為月平均3000元；上述的月總收入大于20000元，硬性消費占消費總額50%以下的用戶群體則預(yù)測其可授信總額度為50000元。模型對每個用戶預(yù)測授信額度后，可以通過聚類模型，把類似的人群聚集，形成人群授信額度數(shù)據(jù)。比如高凈值用戶群的平均可授信額度為80000元，小貸需求用戶群的平均可授信額度為50000。

表1 – 模擬授信額度預(yù)測

在此功能下，可以先通過圖表展示授信預(yù)測結(jié)果，用戶可以選擇查看詳細的模型預(yù)測過程，包括數(shù)據(jù)經(jīng)過什么轉(zhuǎn)換過程，數(shù)據(jù)是否平衡，是否經(jīng)過默認的數(shù)據(jù)平衡處理，使用了哪些機器學(xué)習(xí)模型，每一個模型的的正確率，Confusion Matrix的對比，使用LOSS的提升方法和效果，和各個模型存在的優(yōu)缺點。

3. 逾期分析功能優(yōu)化

逾期分析功能現(xiàn)有逾期時間段分類，逾期賬單數(shù)，逾期人數(shù)等趨勢圖實時跟蹤。對授信階段的數(shù)據(jù)同樣可以用于逾期分析階段，同樣運用機器學(xué)習(xí)模型預(yù)測，分類模型可用于預(yù)測用戶時候會逾期，邏輯回歸模型可以預(yù)測用戶的逾期率，而且可以通過統(tǒng)計計算預(yù)測整體逾期總額。逾期的模型預(yù)測有利于公司提前進行風(fēng)險控制，給公司提供高逾期率人群的用戶畫像，知道那些人群有更高的欠款違約概率。

表2 – 模擬逾期概率預(yù)測

同樣，逾期分析功能可以先提供圖表向客戶提供最優(yōu)的模型預(yù)測信息，客戶也可以查看更詳細的模型細節(jié)。如果允許接入開源編程工具，則可以開放部分參數(shù)允許客戶修改模型，比如對不平衡數(shù)據(jù)的處理方法，神經(jīng)網(wǎng)絡(luò)種類的選擇， 神經(jīng)網(wǎng)絡(luò)隱藏層的數(shù)量，和模型優(yōu)化的算法等。

同時，逾期模型的預(yù)測結(jié)果可以隨時根據(jù)用戶的新數(shù)據(jù)進行更新，用戶數(shù)據(jù)越多模型越準確。逾期模型的結(jié)果和更新的用戶分群規(guī)則也可以反饋于授信分析模型，提高授信分析的準確率和用戶畫像的精確度。

圖 5 – 數(shù)據(jù)與模型之間和模型之間的相互促進作用

四. 新增購買分析版塊

通過上述的用戶分類，用戶畫像優(yōu)化等步驟，借貸業(yè)務(wù)分析版塊具有了詳細的借貸用戶數(shù)據(jù)，可以進行購買分析版塊的拓展。

1. 預(yù)測購買概率

根據(jù)消費數(shù)據(jù)，可以得知用戶的消費行為，消費習(xí)慣等，可以通過模型對購買力進行預(yù)測。 APP客戶可以先選取本公司業(yè)務(wù)重要的拓展產(chǎn)品和時間，選取某一產(chǎn)品進行購買概率預(yù)測。分類模型可以預(yù)測用戶是否會購買此產(chǎn)品，可以得出概率的模型如邏輯回歸，貝葉斯分類等可以預(yù)測用戶購買此產(chǎn)品的可能性。

比如根據(jù)數(shù)據(jù)可以預(yù)測上述的用戶是否會購買Iphone X， 假設(shè)本科畢業(yè)女生購買的概率是0.4，同時上述的月薪五萬的群體購買Iphone X的概率是0.9，那么移動應(yīng)用分析產(chǎn)品的客戶就可以考慮在購買概率有明顯差別的情況下，運用差別化營銷戰(zhàn)略，在Iphone X的預(yù)售階段向不同的群體投放不同的廣告，提高廣告效率。

表3 – 模擬購買概率預(yù)測

2. 預(yù)測貸款需求

同樣，當購買力不同的時候，對借貸的需求也不一樣。當購買概率預(yù)測得出結(jié)果后，可以得出每個人可能的消費路徑。此時可以接入模型，預(yù)測不同用戶對分期貸款產(chǎn)品的需求概率和可能申請貸款的金額，提前為貸款高峰時間段做準備。比如，本科畢業(yè)女生想通過分期購買Iphone X，按照她的收入水平預(yù)測可能的貸款需求為5000元，則再輸入模型預(yù)測此貸款逾期的概率。當用戶真正啟動申請貸款時，則可以更新數(shù)據(jù)，得出最新的授信分析預(yù)測結(jié)果和逾期分析結(jié)果，提供更優(yōu)化的決策信息。

五. 輸入輸出功能優(yōu)化

圖 6 – 輸入輸出功能優(yōu)化

1. 輸入功能優(yōu)化

目前尚未在移動應(yīng)用分析產(chǎn)品中發(fā)現(xiàn)可以自定義的導(dǎo)入功能，如果產(chǎn)品接受導(dǎo)入，的確需要更強大的數(shù)據(jù)處理能力和更復(fù)雜的數(shù)據(jù)處理功能，但是接受多元化來源的數(shù)據(jù)可以豐富數(shù)據(jù)庫，優(yōu)化模型，為日后的開發(fā)做準備。

（1）接受結(jié)構(gòu)化數(shù)據(jù)輸入

結(jié)構(gòu)化數(shù)據(jù)包括客戶處理好的Excel文件，數(shù)據(jù)庫導(dǎo)出文件等，結(jié)構(gòu)化數(shù)據(jù)更容易處理，可以優(yōu)先開放輸入通道，可以接受本地上傳，騰訊云傳輸?shù)取?/p>

（2）接受非結(jié)構(gòu)化數(shù)據(jù)輸入

常見非結(jié)構(gòu)化數(shù)據(jù)包括文本，圖像，網(wǎng)頁鏈接等?？蛻舻奈谋拘畔⒖梢酝卣棺匀徽Z言處理功能，對文本進行分析。比如客戶從其他途徑得到的APP用戶評價數(shù)據(jù)，可以對其進行分詞處理，標簽化，情緒分析等文本分析，來為客戶提供更多元的分析結(jié)果。

2. 輸出功能優(yōu)化

（1）輸出格式多樣

目前移動應(yīng)用分析產(chǎn)品提供導(dǎo)出CSV文件的選項，增加常見輸出格式可以提高適用性?？梢钥紤]允許移動應(yīng)用產(chǎn)品生成的圖導(dǎo)出成圖像，表格導(dǎo)出為xlsx， 原數(shù)據(jù)導(dǎo)出為JSON文件等。

由于考慮目前使用移動應(yīng)用產(chǎn)品的為數(shù)據(jù)分析員，他們目前得到產(chǎn)品上的圖表之后，需要自己用CSV文件數(shù)據(jù)重新制作圖表。如果圖表可以直接導(dǎo)出，可以提高他們的工作效率，節(jié)省客戶的人力資源。而且，移動應(yīng)用產(chǎn)品能生成熱力圖，地圖等高級圖表，日常的數(shù)據(jù)分析員如果重復(fù)畫圖則需要更多的時間精力。

（2）與騰訊云鏈接

可以開放移動應(yīng)用分析產(chǎn)品和騰訊云的傳輸通道，輸出的圖表和數(shù)據(jù)都存儲在客戶的騰訊云賬戶上，提高了騰訊云的利用效率和用戶黏度，也方便用戶進行數(shù)據(jù)管理。

（3）保證版權(quán)所有

在開放輸入輸出通道的同時，必須保證移動應(yīng)用分析的版權(quán)所有。數(shù)據(jù)是極富有價值的資源，理應(yīng)保護，避免損傷自身產(chǎn)品的利益。騰訊移動分析可以限制所有輸出的打開方式，并且應(yīng)該在輸出圖表數(shù)據(jù)上標識版權(quán)所有，維護合法權(quán)益。

六. 結(jié)語

無論是借貸業(yè)務(wù)的用戶畫像、授信、逾期分析的優(yōu)化，是購買分析的探索，還是系統(tǒng)設(shè)計上輸入輸出功能的補充，都是希望騰訊移動分析MTA能做更接近決策者的目的出發(fā)，在決策者使用產(chǎn)品的時候可以用最快的速度得到合理范圍內(nèi)最優(yōu)化的結(jié)論信息。這樣MTA的使用者就可以節(jié)省人力資源，節(jié)省從數(shù)據(jù)中發(fā)掘信息的時間成本，以及提高商業(yè)判斷效率，為發(fā)展爭取時機。

相關(guān)閱讀

騰訊移動分析產(chǎn)品測評大賽報名開啟，豐厚大獎等你來！

騰訊移動分析測評大賽結(jié)果公布｜這一次，且聽我娓娓道來

原標題：做更接近決策者的移動應(yīng)用分析

作者：駱羿，研究生畢業(yè)于美國福特漢姆大學(xué)商業(yè)分析專業(yè)，現(xiàn)紐約Namely公司（開發(fā)HR SaaS 平臺的高成長初創(chuàng)公司）從事數(shù)據(jù)分析工作。

本文為「人人都是產(chǎn)品經(jīng)理」社區(qū)和騰訊移動分析聯(lián)合主辦的“騰訊移動分析測評大賽”中的四等獎作品，未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Pexels，基于 CC0 協(xié)議