
TalkingData:未来10年是大数据价值变现的阶段
“未来几年,所有的金融企业,包括现在的银行、券商、保险和所有在线上风起云涌做金融生意的运营商,争夺的就是一件事情——那就是国民财富账户。国民财富账户如今是通过什么样的渠道去会聚、去使用、去体验的呢?那就是指尖上的银行。TalkingData不仅拥有移动数据,同时我们跟线上、线下的大型金融企业、金融机构和金融运营商进行了很多深入的合作。我们举办这样一场发布会,就是想从TalkingData的角度,看一看今天在指尖上所有做金融相关业务的状态是什么样子。”TalkingData执行副总裁林逸飞在TalkingData移动金融应用行业数据报告发布会开场发言中如是说道。
“用数据说话”是TalkingData的一贯秉承的宗旨,这里有个问题是大家比较关心的,那就是TalkingData的数据是怎么来的呢?据介绍,TalkingData有以下几大数据源,首先,通过提供SDK插件,TalkingData可以从8万多款合作应用和游戏的应用端直接掌握数据。第二,TalkingData和安卓类应用商店合作,获取数据。第三,在合规、合法,不侵犯任何合作方利益的情况下,TalkingData采用数据交换和合作的方式,获取更多元的数据。最后,TalkingData还会在线下做布局,采集线下的数据,以此跟线上数据打通、做匹配,形成一个全行业遍布的数据网。
今年年初,这家独立第三方数据服务提供商曾发布报告解读2014年国内移动互联网,当时覆盖的数据蓝本是10亿移动智能设备,而在最新发布的《TalkingData移动金融应用行业数据报告》中,TalkingData覆盖的移动智能设备为13亿。下面就让我们来看看这些智能移动设备向我们揭露了哪些移动金融趋势吧!
移动金融众生相
经过近2年的发展,互联网金融的规模发展迅速,覆盖用户数量巨大。从用户规模上来看,2014年第一季度,移动金融应用的用户数量为3.3亿;而2015年的第一季度,这一数字达到了7.6亿,增幅高达130%。
移动金融用户性别分布较为均衡,整体来看,女性用户较多;从细分行业来看,男性用户相对喜欢证券和理财产品,而女性用户更偏爱银行和生活应用;移动金融用户呈年轻化分布,80后中青年用户成为移动金融的中坚力量,占比达到52.7%,其次是90后,占总体用户的23.2%,与传统线下金融的客户年龄分布有很大的不同。
从用户的地域分布上来看,移动金融应用的用户主要分布在东部沿海及中部经济相对发达的地区,不过从增长速度上来看,三线城市起点较低,因此增长迅猛,潜力巨大。
应用类型方面,主要集中在理财和证券两类上,二者之和高达58.4%;而生活应用、支付类应用,则因行业内存在巨头,所以总体数量相对较少。
从用户规模细分来看,移动保险、移动理财产品整体用户数量相对较少,发展空间巨大。
事实上,在每个用户的设备中,安装的移动金融App数量远不及其他类型的应用,日常打开这些应用的频率也并不高。一方面,金融类应用背后依托的是金融机构提供的服务,服务迁移成本较高,用户粘性好;另一方面,对于绝大多数金融类应用而言,往往只有在需要的时候用户才会开启,目的明确,不会像工具、游戏等类型的应用需要经常打开使用。而不同城市的用户对金融应用的喜好也有所不同。
一线城市的移动金融用户呈现不同的应用偏好,北京用户偏爱理财产品和生活应用,上海用户更关注证券,深圳用户偏爱银行和保险。
从金融应用的使用情况来看,证券类应用日常使用次数最多。
移动金融覆盖率Top20的应用中,支付宝钱包覆盖率最多,高达35.0%;银行类应用数量达到8个,占主流;此外,支付类和证券类应用也较多。
移动金融活跃率Top20的应用中,银行类应用占据7席;闪银和你我贷两款新兴P2P理财产品亦榜上有名,分别位列第8、15位。
移动金融进入高速发展期
在过去的20年中,移动金融经历了1995—2005年的混沌期(金融机构互联网化:银行、保险等传统金融机构利用信息技术将业务照搬到网上)、2005—2012年的萌芽期(互联网金融兴起:第三方支付逐渐成长壮大,P2P网络借贷开始萌芽,互联网与金融的结合深入到业务领域)、2012—2014年的初步发展期(互联网金融多样化:P2P网络借贷快速发展,众筹融资起步, 银行、券商对业务模式进行重组改造,加速建设线上创新型平台),进入2014年至今的高速发展期(互联网金融移动化:互联网金融全面移动化,支付、银行、证券等细分行业相继成熟)。
目前,各大银行、券商,以及互联网新锐企业,都在移动金融领域展开布局。TalkingData认为,从目前的情况来看,大体的产业布局几近完成,各个金融细分领域,都有对应的移动应用和服务可供用户选择。移动金融已经进入高速发展期,支付、银行、证券等细分行业相继成熟,记账、信用卡管理等更多移动金融新形态出现,并且逐渐在功能及用户体验方面高速演进。
除了传统金融行业,互联网企业在金融领域的布局也已经初现端倪。无论是BAT还是京东,都已经开始凭借庞大的用户群,借助互联网及移动互联网向金融领域渗透。
而传统金融企业,也正在逐渐加速向移动互联过渡。
而高速发展的产业,也带来了一些问题和机遇。此前火爆的P2P网贷行业就亟待一套行之有效的方法加以监管,P2P网贷行业利率正在回归理性化;而问题平台数量激增,行业或将大规模洗牌;同时,P2P向移动端快速渗透,移动端将成为未来一段时间各家企业必争之地。此外,HCE的崛起,让互联网公司进入NFC支付领域成为可能;手机厂商直接参与移动支付渐成趋势;免密支付这种新兴的形式,也将助力移动支付飞速发展。。。
不仅发布数据报告,与企业合作是重头
最近一段时间,TalkingData发布报告的频率非常高,这也让很多人觉得TalkingData只是做报告的企业,其实并不是这样,除了服务于6万多应用开发者,TalkingData的客户还包括腾讯、百度、网易、搜狐、360、Google、Yahoo、Zynga、宝开、嘀嘀打车等知名互联网企业,以及中国银联、招商银行、中信银行、平安保险、国信证券、Orchirly、碧桂园、亨得利、全城热恋等传统行业巨头。
TalkingData有几条业务线:首先是开发者服务,第二是数据服务平台,数据观象台就属于这条业务线,第三数据商业化平台,这也是TalkingData的赚钱大部,服务于各大银行和其它传统企业,第四,咨询服务,帮企业做数据分析、APP优化,还有跨界营销等服务。
TalkingData认为,2012-2015是大数据1.0时代,行业应用主要是大数据采集、存储、处理、挖掘、分析等,解决的是效率问题。2015-2025是大数据2.0时代,大数据行业应用开始蓬勃发展,包含大数据风控、精准营销、精细化运营、金融分析、大数据预测等等,解决的是大数据价值变现问题。TalkingData首席金融行业专家鲍忠铁指出,“2015年开始进入大数据的2.0时代,也就是大数据变现的时代。此前,所有的厂商、企业都是在解决大数据的效率问题,也就是解决了大数据的存储、分析问题。其实大数据还有更大的魅力,还有更大的价值。TalkingData的愿景是,基于数据帮助所有企业改变决策方式,另外也让所有的企业了解数字化环境。我们的使命就是帮助所有企业进行大数据的价值变现。”
可以说,金融机构做大数据已经有几年的时间了,但由于数据的量和精度不高,他们的大数据应用都偏向于内部数据,大部分金融机构在大数据应用还处于初级阶段,大数据的价值还没有被充分发掘,特别是移动大数据没有被充分利用。在大数据2.0阶段,也就是大数据变现时代,金融机构可以通过使用移动互联网数据,也就是这些描述用户个人属性的数据,补充自己的用户画像。需要注意的是,TalkingData提供的是基于设备的类的数据,而不是每个人的数据,不会提供诸如身份证号、手机号这样的信息。
在移动金融领域银行应用主要关注三个方面,一是利用移动运营统计分析平台洞察客户;二是对移动APP进行优化,提高客户体验;三是移动APP的跨界营销,创造新的业务收入。
鲍忠铁指出,没有经过梳理的数据是没有价值的数据,而TalkingData的强项在于不但有数据,还会对所有的数据打标签,以此形成360度用户画像。再借助360度用户画像,帮助企业做营销、风险评估等数据变现的事情。“通过TalkingData的数据库,我们可以帮助所有客户进行360用户画像。这样就可以知道他的用户的兴趣偏好、生活习惯,以及潜在消费能力等等。我们曾帮助一个银行做精准营销,在没做精准营销之前,他通过广播式投放获客率只有0.38%,首次精准营销后,客户的获客率提升到3%,第二次精准营销之后,客户的获客率达到了5%。”
写在最后
移动大数据平台是未来驱动各个行业发展和创新的重要工具,TalkingData与其他的数据平台并不相同,真正做到了大数据服务所必需的独立,没有通过与数据相关的具体业务来实现数据变现,而是通过数据本身的价值找到了大数据应用落地的全新方式。通过将移动数据与传统行业的结合,TalkingData实现了很多跨行业的大数据应用创新。
除了定期发布的数据报告外,TalkingData在2014年9月面向公众提供免费数据查询系统——TalkingData移动数据观象台,通过移动数据观象台,使用者可以方便的查询移动互联网行业的关键数据,比如热门机型、操作系统等,方便用户了解行业动态。除此之外,观象台还具备国内安卓应用排行查询功能,能够提供包括应用覆盖走势在内的安卓应用分类排行榜
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23CDA 数据分析师:以指标为钥,解锁数据驱动价值 在数字化转型的浪潮中,“用数据说话” 已成为企业决策的共识。但数据本身是零散 ...
2025-09-23当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15