券商经纪业务转型的秘诀：券商APP的大数据战略
同时，大数据技术席卷而来，为金融企业提供了数据及技术支持，证券企业如果想赢得未来市场、赢得客户，取得在金融市场的领先优势，就必须了解客户的标签属性数据，研究客户的交易数据及App交互行为数据。
通过用户数据采集、挖掘、分析来反应运营的实际状况，分析客户的需求，发现运营中存在的问题。
进而通过更为合理地运营策略及产品设计，来改进产品、洞察客户需求、满足客户需求，来提升产品的用户体验，加强运营能力，提升业务转化，在行业中取得先发竞争优势。
基于在大数据行业深厚的积累及与金融行业客户多年深入合作的基础，我们提出了数据运营的三重门概念，将驱动企业数据化运营的数据分为交易数据、交互数据及公开市场数据。
证券行业过去主要分析交易数据、资产数据、产品数据、人口属性数据。
典型数据应用场景如利用数据库营销中的关联分析和交叉销售。
交易数据对营销具有较大的商业价值，特别是老客户经营。
例如某些产品的客户复购率较高，利用交易数据可以进行多次营销，降低营销成本。
过去证券行业主要分析交易端数据，基于用户的一方数据，如交易信息数据、资产数据、人口属性、地理位置，进行产品的相关推送式营销或者对老客户进行复购营销；
现在则可以通过分析App端/PC端的用户交互数据，如用户点击行为、用户浏览数据、用户的评论分享行为数据，直观的分析产品各功能和内容受欢迎程度及用户转化路径；
辅之以用户点击热点/页面浏览路径及基于交互行为的时间、频次、状态三个维度，来构建用户精准画像，依据用户浏览点击行为进行精准推送；
通过用户点击热点及业务转化中各功能点的影响因素来合理规划产品内容；
通过业务转化漏斗及相关节点的用户行为数据来改善产品逻辑，优化转化路径。
1、行为数据主要指标及分析方法
App行为数据主要收集的指标和维度
页面统计:
主要统计App中各页面的访问次数、访问人数、访问时长、页面跳出率及页面间的访问路径关系。
事件埋点可以基于单个点击按钮、点击区域、弹窗，以及一些交互触发的返回状态值。TalkingData数据埋点采用事件、标签、属性的三级结构标签采集体系：
事件：当前统计业务的主体，可以是点击按钮、点击区域（如banner区）或者业务流程（如注册流程、开户流程等）
标签：当前统计业务的分支，如事件的各阶段动作、点击区域的单个模块等
属性：事件/分支发生时瞬间状态或者参数；App首页banner模块中单独banner的活动名称、上线时间等。
2、行为数据分析
在证券App的主要分析思路及应用意义
1、通过交互行为数据构建转化漏斗，优化业务转化
依据不同的业务流程，通过组合自定义事件和访问页面的方式，构建业务转化漏斗，观测各个转化环节的数据表现。
对于转化流失明显的环节，通过分析该环节的自定义事件或者分析页面路径图分析用户的点击行为及访问流向，判断用户是直接退出了App还是流向了其他功能页面。
进而，分析用户流失的原因，找出产品环节中可以优化的点进行改进，并通过灰度测试的方式验证改动效果。
2、通过交互建立用户标签群体优化服务营销效率
通过用户的点击浏览行为数据，分析用户的产品偏好和投资风险偏好，通过用户的行为数据，打造用户行为标签；
基于行为标签对用户进行分群，并进行精细化运营，提供针对性的产品、服务和营销推送。
如: 对频繁访问活期理财产品的用户发送新手理财体验券，对于浏览某板块行情的频次较高用户推送相应板块资讯，对于入库成功但是迟迟没有开户的用户进行电话营销，促进开户转化。
通过用户行为构建的用户分群可以有效的优化用户服务的路径，提升用户体验，同时针对性的精准营销也可以高效提升运营效率。
3、分析用户点击行为，优化产品功能展示配置
目前大多数券商App的功能都在追求大而全，把所有的服务和产品功能都堆砌在一个App上，包括各种交易决策功能、营业厅功能、活动、投资资讯等内容。
然而一个App的优质资源位往往集中在几个大的版面的显著位置，如首页的前两屏、交易行情的上方、个人中心首页等。
通过分析用户的点击次数、点击频率来判断用户的喜好，判断哪些功能内容对用户价值大，从而合理调整产品功能和内容的布局，更好的以用户为中心，围绕用户需求来调整产品，提升用户体验。
4、用户交互时间、频次、状态分析，优化产品业务逻辑
交互行为数据中，除了最基础的用户点击、浏览等数据，还应该从以下几个维度去分析：
时间：用户访问时段、访问时长、某个功能点/场景访问的平均消耗时间，用户访问时段体现了部分业务的高并发时段，访问时长则体现了用户对产品/内容的接纳程度。
但是一些业务流程异常的访问时长也可能是由于业务逻辑问题造成的，有优化的空间，例如：
券商线上开户业务中用户开户行为主要集中在哪个时段、在视频验证环节平均等待多久，通过时间维度的数据，合理配比线上审核人员，提升验证效率。
频次：某些功能发生的频率，用来识别用户的兴趣点及改进产品体验。
如某个新手理财产品平均被点击3次以上，可以重点去营销推送；
线上开户入库流程中，用户验证成功平均需要点击发送验证码N次，高于行业均值，说明短信验证不通畅，需要更换服务商或者增加语音验证选项。
状态：一个业务流程最终的结果是什么，理财购买支付成功/开户成功/开户失败，失败后返回的状态参数是什么，主要由于哪几个原因造成，汇总分析后，可用于产品改进和二次营销。
5、解析业务转化核心行为模式
通过对用户不同的交互行为与业务转化/用户留存/用户活跃等目标的匹配分析，发现明显提升运营指标的关键点，并在后续的运营工作中去强化。
如使用了模拟炒股的新手用户开户率明显提高，访问了牛股的用户添加自选更高，浏览精确匹配的投顾资讯的用户交易特征更明显等。
3、开户、理财、交易
几个场景下的行为数据应用案例
1、App行为数据在开户环节的应用
开户证券App用户转客户的核心步骤，对于证券App意义重大。
然而由于开户流程多，部分环节信息录入较为繁琐，所以从用户开户入库到开户成功会有很大的漏损。
通过数据埋点，分析用户在开户流程中的行为数据，判断用户流失的原因，进行针对性的产品流程改进，从而改善开户体验、提高开户转化率。
首先：构建开户流程的转化漏斗
通过转化漏斗可以发现，身份证上传及信息确认、视频验证及开户审核这几个步骤，是用户流失比较明显的环节。
依据埋点数据，查看个人信息填写页面的点击数据：
可以发现用户的点击/表单填写行为随着页面的下移，在逐步降低。
而最上面的身份证信息确认区域本来是通过ORC识别录入的方式自动填充，然而还是有很高比例的用户通过手动录入，猜测ORC识别不是很准确，用户需要手动纠错。
此外电子邮件地址由于预设了一个默认邮箱地址，所以大部分用户没有填写，导致到后续的信息确认环节时，很多用户重新返回修改。
另外涉及到用户职业相关信息内容，用户填写意愿明显降低，导致下面的信息选择比例明显降低。
基于以上数据可以考虑优化ORC识别系统，在合规允许的条件下，适当的降低不必要的信息收集；
视频验证环节，收集用户点击视频验证到验证开始/成功的平均等待时间，发现用户大部分情况下集中在晚上某一时段进行视频认证，平均等待时间超过三分钟。
同时，收集开户用户的视频验证频次，发现视频验证是所有开户环节中重复频次最高的，推测可能由于验证集中在一部分时间段，导致验证排队人数多、等待时间长，大部分用户放弃。
从优化用户体验的角度，可以通过繁忙时段增加验证人员或者采用用户视频录制上传的方式，减少用户排队等候时间，提升验证效率。
此外，在用户提交开户后，收集审核失败的不同状态比例，发现审核失败的主要原因并进行产品优化或者优化用户引导，如：
开户审核失败中很大一部分用户是由于身份证拍照时模糊，可以通过优化拍照指引的方式或者采用自动扫描的方式来替代传统的对焦拍照方式，提高信息上传的准确率和成功率。
2、行为数据在理财商城的应用
行为数据在理财场景下的应用主要包括基于构建转化漏斗，分析用户流失环节；
通过用户浏览点击行为和自定义事件传递参数，分析造成用户流失因素及改进方向；
通过不同产品的点击销售数据，来调整产品的曝光权重，合理分配产品的展示位置；
基于用户的点击数据构建理财偏好群体，进行相关产品推送及复购营销。
优化产品和业务转化逻辑
优化理财产品的产品体验和业务转化逻辑依然从转化漏斗着手；
从用户点击——点击购买——支付——交易完成的转化路径中，观察用户在各个环节的漏损数据；
然后依据埋点数据中的点击行为，交互状态属性来判断导致用户的可能原因是什么，后续根据假设做针对性改进并验证效果。
例如：
某理财产品通过转化漏斗发现，产品在点击-购买环节用户漏损明显高于其他类产品。
通过用户页面点击行为发现，用户浏览点击到产品的收益计算环节后，大部分用户失去了后续流量购买的动力，纷纷离开了产品页面，猜测可能是产品的收益规则写的不是很清晰，后续进行重点优化。
通过用户交互行为进行分群营销
在理财产品的售卖中，行为数据很重要的另一个价值就是借助行为标签进行分群营销，通过筛选合理的数据标签，结合频率、时间等维度进行人群构建，并对构建的人群进行实时的短信/PUSH推送。如：
注册三天内，点击新手理财超过三次的用户；
收藏了某个基金产品，五天内没有购买行为的用户
股票交易下交互数据的应用探索
券商App交易流程基本没有区别，产品方面主要的差异化在于辅助决策功能以及一些页面功能点布局的不同。
以股票买入为例，分析用户的行为，更好的服务用户可以从以下几个方面去思考：
1）分析股票购买的核心路劲
例如，股票购买的主要路径有以下几种：
行情——板块——个股行情——买入——交易完成
行情——自选——个股行情——买入——交易完成
交易——买入——搜索股票——买入——交易完成
分析以上几种不同的交易路径发现，通过行情——自选进行交易是用户购买股票的主要方式。结合页面的访问路径图：
可以发现自选股是中心节点，是进入股票购买的最关键路径。
在产品优化中，调整功能布局、提升自选股位置、及通过辅助产品功能/活动的方式强化添加自选，来匹配用户的购买习惯，如：
个股行情页面强化添加自选标识；
交易模块点击交易后除了搜索外增加用户自选模块；
牛股等功能强化添加自选；
2）分析股票交易与决策功能关联
目前证券App除了传统的研报、K线等决策功能外，还附加了众多的辅助决策功能，如相似K线、智能诊股、十档行情、缠论结构等。
通过用户在交易过程中的交互行为数据，确定各个功能与交易转化的关联数据：
通过用户交易过程中点击行为可以发现，十档行情对用户交易转化影响最为明显，但是由于是付费功能，所以使用率不高，但是可以作为运营活动的激励去提供给客户。
K线也是影响交易的重要因素之一，可以提供基于K线分析的相关功能，如相似K线等，而对交易影响较小的功能则可以分析效果不佳的原因，进行优化。
基于用户的点击浏览行情行为，进行用户分群，利用资讯精准推送影响客户投资
根据点击行为统计，证券App中行业板块和个股行情的点击比例及频次远高于其他模块。
依据用户在App中对不同行业、板块、概念股票行情的点击浏览行为，为用户打上标签分群，并按照标签分群精准推送相应的资讯信息，能明显提升股票交易转化。
4、结语
总之，移动App行为数据的分析和应用，可以帮助券商改进产品体验和业务流程，同时针对用户在产品层的交互行为进行针对性的内容及营销服务推送。
结合交易数据和第三方数据，还有很多应用场景和价值值得挖掘。
来源：TalkingData（ID:Talkingdata）