获奖作品｜腾讯移动分析MTA优化思路.docxVIP

获奖作品｜腾讯移动分析MTA优化思路 PAGE 1 获奖作品｜腾讯移动分析MTA优化思路 本文作者在对腾讯移动分析进行产品体验，并在此分享其对产品的优化思路，enjoy~一. 移动应用分析产品定位使用腾讯移动分析MTA的客户是希望通过移动应用分析获取更多有价值的信息，更快更有效的做出商业决策。如果产品只提供基础数据的陈列，那产品需要专门的数据分析员进行数据分析、模型预测、归纳总结等步骤后，再向决策者报告，则需要客户投入更多的人力资源。因此，移动应用分析产品需要的不仅仅是基础数据的陈列，而是需要在数据中通过合理的方法从数据中提取进一步的更接近商业决策的信息。方便使用者决策判断使得分析工具具有更高的价值，本次腾讯移动分析产品的优化应该让产品更能满足决策者要求。图1 – 移动应用分析定位对比二. 腾讯移动分析优化框架图2 – 腾讯移动分析优化框架三. 借贷业务分析版块优化为了向移动应用分析产品客户提供更可靠的决策依据，借贷业务分析版块可以提供更有针对性的借贷数据，并且接入模型预测功能，利用机器学习模型等对数据进行预测，来提供更直接的借贷业务需求变化，借贷产品推广策略和风险控制警示等决策有用信息。1. 借贷画像功能优化（1）增加用户分类自定义目前借贷画像功能中已对用户进行分类，分为借款老用户，新用户，逾期用户等，后台已设置好用户的分类规则，但是对于不同的APP客户的不同需求，可以提供自定义的用户分类可以提高适用性。比如，房贷APP客户可以定义无逾期记录有房产月薪五万的30岁已婚用户为高净值用户；小贷APP的客户可以定义逾期两个月以上或者欠款超过一万元的为高风险人群；同时理财类APP的客户可以设置有房产但没有车的用户为车贷推广用户。另外，还可以增加其他用户分类属性，比如地域，年龄，收入，婚恋等基础个人信息。比如，深圳用户的指标跟四五线城市用户的借贷指标衡量的标准不同，APP客户就可以用更符合自身情况的数据。图3 – 用户分类优化（2）用户画像细分目前用户画像的标签包括房产、汽车、金融、旅游、教育五大板块，可以针对已有板块进行深入优化，以及拓展新板块。① 已有板块深入房产板块可以增加房产多少套，房产总价值，是否有房贷，房贷总额，剩余房贷期数等指标。汽车板块同样可以反映客户拥有的汽车数量，车贷总额，剩余车贷期数。金融板块可以细分为长期资金，短期资金，流动资金等。旅游板块细分为旅游频率，旅游出游地（东亚、东南亚、欧洲、北美洲、南美洲等），旅游消费额等。教育板块氛围个人教育投资和子女教育投资，再细分为个人教育投资预算，子女数量，子女年龄，子女预期教育投资金额等。同时，可以提供自定义简单计算设置，如平均数，中位数，众数， 四分位数等。那么客户就可以选择某一个用户分类进行详细分析，比如可以知道深圳用户平均有多少房贷，或者通过旅游消费额前25%的用户手上有多少流动资金周转来预测贷款需求，或者通过消费记录预测还贷期用户是否还有子女教育贷款的需求等。② 增加新画像板块可以增加的新画像板块包括：个人信息数据：性别，年龄，学历，工资，月总收入；还款能力指标：征信记录，银行存款，信用卡数量，借贷产品数量，除房贷和车贷外的贷款额度，每月还款额占贷款额的比例；消费信息指标：衣食住行等硬性消费的金额，消费比例构成，大宗消费类别，大宗消费金额；通过用户分类自定义，用户画像已有板块深入和用户画像新板块扩展的借贷画像优化，用户分群整合，可以形成更立体的以借贷为目标的用户画像。比如可以分出本科毕业生，工资为3000至6000元，衣食住行硬性消费超过消费总额80%，有逾期记录的用户；或者月总收入大于50000元，硬性消费占消费总额50%以下，无逾期但是有大笔贷款的用户。这些典型的用户画像分别对应不同的消费能力，借贷需求，和借贷产品推广策略；获取了详细的全方位信息，不仅可以丰富用户画像，还有利于做授信分析和逾期分析。图4 – 优化后用户画像2. 授信分析功能优化目前授信分析功能已经开发了注册、申请贷款、获得贷款人数等统计指标，通过上一步用户画像的优化，有了更加细致的用户数据，可以进一步改善授信分析功能。此版块可以接入模型预测功能，即通过机器学习模型根据用户数据对每一个用户的可授信额度进行预测。此功能先经过判断数据类型，了解数据质量等先处理步骤，再自动在模型库中选择合适的模型进行预测，最后展示最优模型的预测结果。如下图所示，数据包含分类数据，文本数据，数量数据等，可以通过合适的数据转换步骤，再加入逻辑回归模型对授信额度进行预测。同时，此功能也可以允许客户自定义模型变量，通过尝试不同变量，来对比预测效果。经过预测，上述的本科毕业生群体通过模型预测其可授