TalkingData:未来10年是大数据价值变现的阶段

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介:

ZDNet至顶网软件频道消息“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

TD

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%。

TD

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。

TD

TD

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。

TD

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。

TD

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。

TD

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。

TD

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。

TD

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。

TD

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)。

TD

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。

TD

TD

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。

TD

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,点击查看

TD

原文发布时间为:2015年5月11日
本文来自云栖社区合作伙伴至顶网,了解相关信息可以关注至顶网。
相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
相关文章
|
数据采集 机器学习/深度学习 人工智能
大数据分析案例-用RFM模型对客户价值分析(聚类)
大数据分析案例-用RFM模型对客户价值分析(聚类)
1291 0
大数据分析案例-用RFM模型对客户价值分析(聚类)
|
2月前
|
存储 大数据 数据挖掘
【数据新纪元】Apache Doris:重塑实时分析性能,解锁大数据处理新速度,引爆数据价值潜能!
【9月更文挑战第5天】Apache Doris以其卓越的性能、灵活的架构和高效的数据处理能力,正在重塑实时分析的性能极限,解锁大数据处理的新速度,引爆数据价值的无限潜能。在未来的发展中,我们有理由相信Apache Doris将继续引领数据处理的潮流,为企业提供更快速、更准确、更智能的数据洞察和决策支持。让我们携手并进,共同探索数据新纪元的无限可能!
136 11
|
3月前
|
机器学习/深度学习 人工智能 分布式计算
理解并利用大数据的力量:解锁数据背后的价值
【8月更文挑战第7天】大数据已成为推动社会进步和经济发展的重要力量。通过理解并利用大数据的力量,企业可以解锁数据背后的价值,优化业务流程、提升决策效率和创新能力。然而,大数据应用也面临着诸多挑战和风险,需要企业不断学习和实践以应对。相信在未来的发展中,大数据将为我们带来更多的惊喜和机遇。
|
4月前
|
存储 算法 数据可视化
云上大数据分析平台:解锁数据价值,驱动智能决策新篇章
实时性与流式处理:随着实时数据分析需求的增加,云上大数据分析平台将更加注重实时性和流式处理能力的建设。通过优化计算引擎和存储架构等技术手段,平台将能够实现对数据流的高效处理和分析,为企业提供实时决策支持。通过优化计算引擎和存储架构等技术手段,平台将能够实现对数据流的高效处理和分析,为企业提供实时决策支持。
616 8
|
6月前
|
存储 分布式计算 算法
大数据处理:挖掘价值之道
大数据处理:挖掘价值之道
|
6月前
|
存储 数据可视化 大数据
大数据分析与处理:探索数据的深层价值
大数据分析与处理:探索数据的深层价值
93 2
|
6月前
|
存储 数据采集 机器学习/深度学习
大数据分析:挖掘数据价值的技术和方法
在数字化时代,大数据已经成为企业和科研机构的重要资源之一。然而,对于海量的数据如何进行分析和挖掘却是一个巨大的挑战。本文将介绍大数据分析的基本概念、技术和方法,帮助读者了解如何利用现代技术和工具,挖掘数据中蕴藏的价值。
659 0
|
机器学习/深度学习 人工智能 Cloud Native
【大数据趋势白皮书下载】IDC: 发挥数据智能价值,推动企业数字化创新
IDC认为,从提升企业中长期发展质量、降低综合投入成本的角度出发,大数据技术领域将呈现出两个显著趋势:一体化和融合化。企业应以战略和顶层设计为先导,用体系化的思维全面构建大数据能力架构,避免形成新的数据、业务和能力孤岛。 【下载地址见文末】
【大数据趋势白皮书下载】IDC: 发挥数据智能价值,推动企业数字化创新
|
数据采集 机器学习/深度学习 算法
大数据分析案例-基于RFM模型对电商客户价值分析(聚类)
大数据分析案例-基于RFM模型对电商客户价值分析(聚类)
1022 0
大数据分析案例-基于RFM模型对电商客户价值分析(聚类)
|
大数据