至少12億元收支差,分析運營商7大資料產品應用
零基礎學產品,BAT產品總監帶,2天線下集訓+1年線上課程,全面掌握優秀產品經理必備技能。 瞭解一下
釋放雙眼,帶上耳機,聽聽看~!
00:00
00:00
本文只圍繞運營商的7大資料產品應用分享一些心得,並對3要素核驗、在網狀態、在網時長這幾個產品預估其市場規模。
本文不討論運營商在大資料的應用上暫時的頹勢,也不評擊其擁有金庫卻見不著有數的著的商業模式。或許是因為運營商們探索時間起步較晚;也可能由於運營商對於如何開放使用者資料還沒想明白;又或者是歷史遺留的使用者資料還存在業務線條分割、區域分割,資料分散情況較嚴重,企業內部不同系統之間的資料格式也不一致,而且沒有建立起統一的大資料基礎性平臺導致的商用很難。
在這裡,獵人只想分享現在市場上相對成熟或有潛在機會的基於運營商資料的一些應用產品型別、場景如何使用的、大概有多少潛在規模及一些跨行業應用的思考。當然主要還是偏網際網路金融領域為主。
本文只圍繞運營商3要素核驗、在網狀態、在網時長、位置核驗、爬蟲介面、運營商使用者畫像、運營商大資料平臺這7大資料產品應用分享一些心得。並對3要素核驗、在網狀態、在網時長這幾個產品預估其市場規模。預估方式可能導致最終結果不太準確,僅供參考。
一、運營商3要素
規模驅動因素評價:有政策推動規模增長,同時有金融風控場景強需求增持推動。用於驗證姓名+身份證+手機號的準確性。
3要素核驗,這個介面都是在運營商實現大部分實名制之後才實現的對外介面。也就是通過實名制這個過程,運營商逐漸有了把手機號與個人身份資訊繫結的資料,手機號對應上了個人的姓名和身份證號資訊。
這才有了運營商要素核驗的介面對外,正常情況非風控環節有個舊產品運營商2要素,它呼叫次數會比3要素核驗更多點,原因是很多行業的註冊環節只看手機號是否實名,2要素核驗便可以實現。
但由於重名的情況很普遍,2要素核驗無法定位到真實的個人身份,則在風控環節應用不夠嚴謹;因此現在基本只會呼叫運營商3要素核驗,精確定位到的使用者是誰,這個號碼是這個人身份資訊繫結的。
隨著保監會對投保人資訊準確性的要求,很多投保機構也開始對存量和增量客戶進行運營商3要素核驗,確保代理人上傳投保客戶的聯絡方式是客戶本人的。這個要求既保證了保監會可以對個人投保真實意願進行有效回訪,也可以提高各保險機構的續保率,須知各保險機構的存量客戶聯絡方式多是代理人的,想直接觸達到客戶是沒門的。
這裡獵人將針對運營商3要素的呼叫次數和市場規模做個預估,這個預估的前提僅限於在互金行業的風控場景及投保場景。其他場景對於使用者是否繫結的是自身實名手機大多不在乎,沒有與資金安全或風險防控相關的場景需要運營商3要素核驗的需求不大,因此不用考慮。
風控環節必須進行運營商3要素核驗的前提,還是基於對個人繫結非個人實名號碼後續催收或做關聯圖譜時不準確的考慮。要不然運營商3要素的存在感就更弱了。
獵人通過2018年的呼叫量預估2019年大概的規模,各位可以作為後續規模的參考。這個是不考慮市場滲透率及替代介面的前提。
互金風控環節的3要素呼叫次數=2018年借貸人數/20%
單筆呼叫價格按0.25一筆計算,三網價格不一樣,這裡做平均處理。
2018年借貸人數怎麼找?
獵人從這段互金協議的資訊中發現了累計的借款人數9685萬人,這個資料不知道是否做了去重,獵人當是去重了。如果按照互金的歷史從2011年正式算起,平均每年也有個1200萬的借款人數。
中國互金協會稱,為規範網貸類會員機構資訊披露行為,提升網貸行業資訊披露透明度,保障金融消費者知情權,協會根據《網路借貸資訊中介機構業務活動資訊披露指引》有關要求以及《網際網路金融資訊披露 個體網路借貸》(T/NIFA 1—2017)團體標準,堅持不懈推動網貸機構資訊披露和產品登記,加速全國網際網路金融登記披露服務平臺(以下簡稱登記披露平臺)的建設工作。
目前,協會按照網貸類會員機構自律管理相關要求,對外通告了2018年9月網貸類會員機構在登記披露平臺上披露資訊的情況。通告顯示,共有100家會員機構在登記披露平臺上披露了2018年9月的運營資訊,其中貸款餘額合計6376億元,累計交易總額40359億元,累計服務出借人數3760萬人,累計服務借款人數9685萬人。
然後獵人抽查了已接入互金協會,這些已公開運營資料的近百家機構的部分機構2018年的借貸人數,前5的頭部機構基本借款人數都有個幾十上百萬,尾部機構就幾萬人數。另外上千家未接入的借貸人數暫忽略。以此估算了2018年的活躍借貸人數,在1200萬左右,應該是算保守預估合理區間。
互金行業,多頭借貸傾向比較嚴重,這裡暫按20%的佔比計算。有同時在3家及以上機構借款則算借貸。則1200萬借貸使用者中,起碼有240萬的多頭借貸使用者,這部分使用者貢獻了至少720萬次的借貸次數( 借貸次數決定了介面呼叫次數 ) 。
借款人數指成功放貸的人數,在成功放貸前有個申請貸款的環節,申請貸款到成功借款有個20%左右的通過率,也就是說:
申請貸款次數=(1200萬+(720-240)萬)/20%=8400萬次
原則上這些機構在對這些申請貸款的使用者都是1:1的呼叫運營商3要素核驗實名手機號,確認使用者沒有填寫不正確的3要素或者識別是否故意填寫非本人號碼,則2018年應該有8400萬筆的運營商3要素核驗次數(PS:運營商3要素核驗為查詢收費,則失敗部分也會計費,這裡不考慮這部分) , 則:
2018年運營商3要素核驗市場規模=8400萬筆*0.25元=210萬收入
這樣一算,這個介面真沒啥市場規模。即使將筆數放大10倍,也就2100萬元規模,換成利潤空間的話,也養活不了幾家資料公司。屬於剛需卻不賺錢的產品。
那這個塊資料介面還有存在的意義麼?——有的。
最近獵人已發現很多銀行在使用者換繫結號碼時都要求或核驗手機號是否本人的,也算是實名制後的一個趨勢,歷史的卡號與手機號繫結只要求使用者常用,不核驗是否本人實名。後續銀行綁卡環節和支付環節都要求手機號是本人實名的,這塊市場空間就厲害了。【規模可以簡單用——卡數*換號次數*費用 比例來計算,潛在利潤空間還是挺大的,這裡不做測算】
另外,還可以通過徵信報告個人查詢次數,預估未來的市場規模。
今年3月10日,央行副行長陳雨露在全國兩會期間舉行的新聞釋出會上表示:“徵信很多現在逐漸用到了社會領域,我們看到很多女孩找男朋友,未來的岳母說你得把人民銀行的個人徵信報告拿來讓我看看。”
所謂信用報告已成為反映企業和個人信用行為的“經濟身份證”。目前,個人和企業徵信系統已採集9.9億自然人、2591.8萬戶企業和其他組織的資訊,分別接入機構3564家和3465家,年度查詢量分別達到17.6億次和1.1億次。
這裡的17.6億次代表上徵信的產品申請使用者被查詢次數,假設徵信查詢能通過資質稽核部分使用者只有10%,需對這部分使用者進行手機號3要素核驗,則也有1.76億筆查詢量,這裡可以產生
1.76億*0.25元/筆=4400萬元
另外,保險投保場景屬於政策驅動。
2018年6月4日,銀保監會網站釋出《保險實名登記管理辦法(徵求意見稿)》(下稱《徵求意見稿》),要求保險機構及其從業人員在為投保人、被保險人、受益人辦理保險業務時,依法核對上述人士的身份證件並查驗和登記實名資訊。
其中,身份證件包括居民身份證、戶口簿或出生證明、護照、港澳居民來往內地通行證、臺灣居民來往大陸通行證、外國人居留證件等合法身份證件。而實名資訊就包括投保人、被保險人、受益人的姓名、身份證件型別和證件號碼、手機號碼等資訊(姓名與身份證件號碼合稱身份資訊)【雖然這裡沒有明確對手機號也需要做實名,但根據實名制的推行,及上層需要對下層實名管控,直接要求手機號也為本人實名會更容易合規管控,因此判斷後續投保人的身份登記,運營商3要素應該會強制要求進行】
根據銀保監會披露的資料顯示,2019年我國壽險保單持有人只佔總人口的8%,人均持有保單僅有0.13張。我國的保險賠付佔災害損失比重遠低於國際上30%的平均水平。根據全國人口普查資料庫的最新資料顯示(近期公佈人口資料),我國2018年全國人口數量為13億9008萬人。
據公安部統計,2018年全國新註冊登記機動車3172萬輛,機動車保有量已達3.27億輛,其中汽車2.4億輛,小型載客汽車首次突破2億輛;機動車駕駛人突破4億人,達4.09億人,其中汽車駕駛人3.69億人。
2019年1月29日,中國銀保監會發布2018年保險資料統計報告。據統計,2018年保險業新增保單件數290.72億件, 同比增長66.13%。其中,產險公司簽單數量282.63億件,增長70.10%;人身險公司本年累計新增保單8.09億件,下降8.46%。
從險種看,貨運險簽單數量48.90億件,同比增長31.91%;責任險72.70億件,增長81.70%;保證險22.86億件,增長35.62%;車險4.48億件,增長12.09%;壽險本年新增累計保單0.89億件,下降19.86%;其中普通壽險5549.10萬件,下降20.35%;健康險32.01億件, 增長417.28%;意外險64.99億件,增長168.51%。
其中車險、壽險、健康險、意外險等獵人相對熟悉,這種針對個人的投保場景均逐漸由上往下推動投保實名制的落實。因此這裡往後每年的新增投保次數及存量使用者非實名部分數量,應該都當做核驗運營商3要素的潛在呼叫次數。
但險種計件應該是按照險種種類數量計算的,不同險種產品每次購買的件數不一樣,例如購買健康險,健康險就可選醫療險、住院險、門診險等,一個人可能產生至少3-5個的投保件數,而運營商3要素核驗每次按照個人計算。
根據獵人的經驗,車險每人每次購買2個險種;壽險,每人購買1個;健康險,每人購買3個;意外險,每人每年起碼購買5個。
則年潛在收入規模:
(4.48億件/2+0.89億件+32.01億件/3+意外險64.99億件/5)*0.25元=(2.24+0.89+10.67+12.998)*0.25元=7億元
則預估這個介面可以創造 7.46億元的收支差。
二、在網狀態
規模驅動因素評價:無相關政策驅動,介面無法通過政策推動規模增長,只能依賴場景需求。
用於判斷手機號的狀態情況,包括:正常使用、停機、在網但不可用、不在網、銷號、未啟用、異常、預銷戶等。
【預銷號:比如當你手機長時間停機或者欠費,運營商就把你的手機號碼預銷號,當這個時間達到運營商的上限後,就直接銷號了。比如預銷號時間段內,你充值了,號碼是可以回來的。預銷號有時候運營商也會只讓你接電話,不能打電話。在網但不可用:號碼剛買完還未進行啟用的中間過程或者預銷號,或長時間關機。】
場景驅動為主:貸前風控、貸後催收、電話營銷等。
運營商在網狀態,是根據使用者歷史的繳費狀態形成的介面產品,用於判斷使用者的手機號是否正常使用或有其他異常狀態。一般返回引數包括停機、關機、在網但不可用、不在網、銷號、未啟用、異常、預銷戶等。
在風控環節一般是在貸前稽核環節查詢使用者提供的手機號狀態是否正常,手機號如果是非正常狀態,則可能觸發風控預警規則,側面體現這個使用者這個號碼可能貸後無法聯絡或存在風險行為。
我們通過這樣幾個場景瞭解:
1.有欺詐行為的個人使用者,申請貸款時提供不常用的實名手機號,這個號碼常處於欠費或關機狀態或銷戶狀態,因為不希望貸款成功後,有人聯絡到自己,所以提供了非常用號碼。
2.收入拮据的使用者,想要貸款用於不明用途,但自己平時連手機費都無法按時繳費,手機可能處於非正常狀態,這種客戶不該通過風控。
3.黑中介幫資質不滿足的使用者進行材料包裝,需要使用者提供一個號碼作為代接稽核電話,這個號碼正常情況關機或不使用,稽核時的短期間才會啟動。
而在貸後催收環節和營銷,涉及到這樣一個場景:
貸後催收一般是人工催收,雖然現在很多情況都通過機器人代替,但催收率來看,人工催收的話術不是一般機器話術短期內可以替代。同理,營銷環節特別是理財、保險等高階產品營銷,人工可以適應各種話術場景,因此這個環節大多還是會通過人工電呼,這個在成本可控的前提,會通過在網狀態來識別哪些號碼是正常狀態,哪些非正常狀態,減少人工撥打的這個時間,提高效率。【這裡有個替代產品是空號檢測,這個成本可能幾釐就搞定,邏輯是非空號可以撥打或發簡訊】
因此基於以上場景,在借貸環節預估筆數和收入規模還相對容易,催收環節佔比不多,營銷環節難以估算。
在網狀態的潛在市場規模可以這樣預估下:
上文估算的互金借貸次數大概為8400萬,據瞭解在網狀態部分機構在這個貸前核驗環節會查在網狀態,部分會在反欺詐或某規則通過後才呼叫在網狀態,看手機號正常與否,來給使用者評分或人工通知客戶提交正常使用的號碼。因此這裡做個50%的折算,即有4200萬的呼叫次數,4200萬次*0.15元/次=630萬的收入規模。
另徵信相關產品1.76億查詢中,查詢狀態的環節折算率比互金的低很多,按20%計算,則收入規模:
1.76億*20%*0.15元=528萬
營銷環節產生的收入規模,理論上比借貸風控環節的多很多。如果按照互金的借貸人數為基數,理論上撥打-貸款成功的轉化率應該有0.3%,以此簡單推算撥打號碼次數為:
8400萬/0.3%=280億次
如果1:1查詢實名狀態,起碼也有個42億的收入規模。當然這個環節真用得上實名狀態的比例應該會更低或者計費會遠低於0.15元的市場價。這裡即使按10%的有效折算(10%撥打次數查狀態或收費折算),也有個4.2億的規模,遠高於風控環節的規模。
則預估這個介面在金融行業最少可以創造 4.3億元的收支差。如果加上全行業營銷量級,這種查詢號碼狀態的介面市場很有想象空間。
三、在網時長
規模驅動因素評價:無相關政策驅動,介面無法通過政策推動規模增長,只能依賴場景需求。用於判斷手機號在網時間,一般返回區間值(0,3],(3,6],(6,12],(12,24],(24,+),T-1等,(0,3]表示在網時長0-3個月。
場景驅動為主:貸前風控。
運營商在網時長,是根據使用者歷史的繳費歷史記錄形成的介面產品,用於判斷使用者的手機號繳費了多久,是否新使用的號碼及號碼穩定性,一般返回引數按照月劃分的區間值。
在風控環節一般是在貸前稽核環節配合查詢狀態是否正常,正常的話使用者提供的手機號時長是多久,新開的手機號,則可能觸發風控預警規則,側面體現這個使用者這個號碼可能是使用者為了申請貸款新註冊的手機號,存在風險傾向。
我們通過這樣幾個場景瞭解:
1. 有欺詐行為的個人使用者,因為不希望貸款成功後,有人聯絡到自己,因此申請貸款時提供的不是自己的常用號碼,只是臨時申請了個新號碼。
2. 有欺詐行為的個人使用者,自己常用的號碼可能在多處借貸有留過資訊或者借過給別人申請貸款;或者自身是黑中介或號碼曾經因為其他原因被運營商錄入黑名單,為了繞過風控,臨時開個新號碼,防止被查到關聯的不良資訊。
3. 黑中介幫資質不滿足的使用者進行材料包裝,需要使用者提供一個號碼作為代接稽核電話,這個號碼是新註冊的。
在網時長的市場價格一般在0.2元左右,呼叫筆數可以參考在網狀態的互金呼叫筆數和徵信呼叫筆數。約可以創造1544萬的收支差。
四、位置核驗
規模驅動因素評價:屬於剛需功能。
各機構都希望知道自己使用者的位置資訊,例如借貸機構與銀行。借貸機構希望知道使用者的申請地址的真實性及位置軌跡,銀行希望知道使用者的資金髮起是否本人非盜刷,這些場景都是風控相關。還有更多的場景用於其他,下文細說。
因此關於位置的產品,一直很吃香,但因為敏感的問題,基本無相關位置具體資訊查詢的介面。但各擁有位置資訊的機構為了合規,推出了核驗類產品,不主動告知機構使用者位置,只根據機構提供的使用者位置做是否的反饋。
要知道位置核驗產品的邏輯,需要先知道位置資訊一般有哪些來源.
1. GPS,經緯度精細定位使用者位置,各種APP上大多會記錄個人GPS資訊。5-20M以內誤差。GPS定位原理是用手機自帶的GPS模組,通過GPS衛星定位系統判斷出當前的位置座標(東經 北緯 ),然後通過行動網路(GPRS)傳輸到後臺伺服器上,後臺伺服器將之顯示在地圖上,使用者可以通過網路進行隨時檢視。
2. 網路IP地址,每個IP地址有相應的位置,例如WIFI和區域網。IP一般是公里級誤差,WIFI是20-50M。
3. 運營商基站(LBS),手機需要有通訊訊號,需要與各基站連線上。精確位置一般1-5KM誤差,與基站密度有關。
LBS定位的優勢是方便、成本低,因為它是通過現有的基站進行定位的。理論上只要計算三個基站的訊號差異,就可以判斷出該裝置所在的位置,而不受天氣、高樓、位置等影響。
缺點:這種基站定位的方法,在沒有基站的位置上,誤差範圍會比較大,並且有些地方沒有基站是不能實現定位功能的,因此如果手機是使用LBS定位的,就一定要問清自己所在的地方是不是有服務基站。
4. 電商及物流公司,歷史收貨位置資訊,可得治工作或常住地址,但無法實現實時監測。
以上位置獲取方式的不同,造成了不同位置產品的準確性不一樣。基於GPS的定位方式是利用手機上的GPS定位模組將自己的位置訊號傳送到定位後臺來實現手機定位的。這種技術在我們手機APP上很常見。而基站定位則是利用基站對手機的距離的測算距離來確定手機位置的。這種技術也就是運營商所使用的。
但由於GPS與網路IP這些都容易被位置修改軟體攻破,現在用來做位置核驗,電商物流公司的位置只是定點位置,不能實時獲取。因此現在就準確性來說基站的位置資訊相對更精確,在一些非追逃、法院傳票的場景,例如盜刷、及使用者城市變動風險判斷有一定的使用場景。當然應用更廣泛和顆粒度更細的肯定是GPS打點獲取的位置。
一種位置核驗產品舉例:
位置核驗入參:手機號+具體住址或城市名,部分機構要求提供使用者身份資訊。
返回:是/否,或者告知與定點的誤差距離(這個距離一般以位置到基站的距離為準)。
我們通過以下使用場景瞭解下:
1. 使用者申請貸款,在住址和公司地址一欄填寫的資訊不知道是否真實,通過位置核驗介面,查詢驗證準確性及距離誤差,來判斷使用者是否填了虛假資訊。
2. 銀行使用者網上交易,風控一般要求使用者發起交易地址與使用者所在地址是一致的,以防異地盜刷,通過發起交易地址與使用者所在地址進行校驗,發現位置不一致,則可能存在盜刷,及時通知使用者,攔截交易。
3. 公安需要對目標名單人群做監控,監控規則是監控名單是否經常不在本市,經常去澳門(有賭博嫌疑),外國(有高消費或出逃嫌疑),通過定時發起位置核驗,查詢監控群體位置變動情況,及時做防範。
這裡暫不針對GPS的位置資訊做解析,主要GPS容易被修改,且定位的是手機位置,基站定位的是手機卡位置,兩者還是有區別的,雖說正常情況,卡機一般是一起的。針對GPS的應用在下文另提。
這幾個場景如何預估市場規模?
首先借貸風控環節,這裡的呼叫筆數可以根據上文提到的借貸呼叫次數計算:
8400萬筆*0.6元+1.76億次*20%*0.6元=7152萬元
銀行盜刷規模,與銀行的非本人卡轉賬支付交易次數有關,這塊暫不展開。公安監控的也暫不展開。有興趣的可以私下交流。
五、爬蟲介面(非運營商體系內)
規模驅動因素評價:無相關政策驅動,介面無法通過政策推動規模增長,只能依賴場景需求。
使用者詳單資料,運營商沒有單獨出這樣的詳單分析介面,但在資料行業,被眼尖的機構做成了集合爬蟲介面,前端使用者申請借貸,需要主動輸入手機號及登入密碼,機構爬蟲進去把使用者在運營商的詳細資料都爬取出來,然後主要把資料詳單這塊資料做文章,各機構疊加自己的一些資料形成運營商詳單分析報告。因此獵人在這裡將其列為非體系內,但是成功依靠運營商資料賺錢的一種成熟方式。
詳單欄位主要包括:
起始時間、通話時長、呼叫型別(主被叫)、對方號碼、本機通話地、對方歸屬地、通話型別、業務型別、通話費。
機構疊加欄位:號碼庫對應機構名或使用屬性。例如座機號碼一般都可以找到對應的機構,以此區分銀行、信用卡、互金機構、催收機構等,業務型別多指手機號的使用者屬性,催收機構人員、黑中介、黑名單使用者等。
如何應用分析?舉幾個例子:
1. 輔助判斷是否非常用手機:雖然風控環節會做在網時長核驗,但時長再長,也不能排除養卡行為,養卡行為通話次數和時間肯定會有異常,這樣可以輔助判斷,避免通過新手機號進行騙貸的情況發生。
2. 基於號碼的關聯圖譜評價使用者資質:驗證聯絡人中是否存在黑名單使用者,與黑名單使用者聯絡頻繁,可能會是一夥人或者受黑名單使用者影響。驗證聯絡人中是否存在公安、法院、銀行風控、催收機構等,公安不會無緣無故經常和你通話,法院也不會無緣無故與你聊天,與這些機構聯絡頻繁,說明這個使用者存在很大風險問題。驗證聯絡人中的是否存在優質使用者,比如通話記錄中有多個系統內部標註的高淨值使用者,且聯絡頻繁,主要看撥出時間和是否有主動呼入,這些人屬於優質使用者,通過二度關係間接判定使用者的資質。
3. 催收號碼庫來源:通話詳單有詳細的非脫敏通話號碼清單,機構獲取後,可以為後續的催收做準備的,這些號碼比使用者主動填寫的緊急聯絡人還管用。這樣機構催收時,如果無法通過該號碼與借款人取得聯絡,可以通過通訊錄中的他人號碼間接與借款人取得聯絡。
4. 其他:根據通話時長及頻率判斷關係緊密度;根據號碼歸屬地,判斷關係圈區域範圍;根據通話時間分佈,判斷是否有非正常時間活動,例如大半夜常通話;配合APP內建爬蟲,將通訊錄名字標註與機構記錄的標註對比,分析使用者可疑行為,例如在使用者通訊錄備註的催收人員號碼為快遞號碼,但機構記錄的是某催收公司職員,等
六、運營商使用者畫像
規模驅動因素評價:無相關政策驅動,介面無法通過政策推動規模增長,只能依賴場景需求。
運營商擁有從底層的裝置和網路資料到上層的使用者行為資料,我們結合電信行業的具體情況,可以將運營商的資料特徵總結如下:
只用用過手機的使用者,基本都會在運營商留下資料痕跡。我們通過日常場景來反推運營商內部可能儲存的使用者資料維度,來推測還有哪些運營商資料可以用來做介面產品或者平臺產品。這裡暫時排除工業物聯網等場景,只針對個人使用者。
移動端入口:手機品牌,手機型號;日常通訊互動產生的資料-通話時間、通話語音、通話物件(個人或公司)、通話型別(呼入撥出);簡訊時間、簡訊圖片、簡訊物件、簡訊內容;日常上網產生的:APP名,APP開啟時間、APP在網時間、WIFI地址、網頁地址、網頁流量、網頁時長網頁型別;基站記錄相關-開關機時間、基站切換導致的位置變換。可以衍生類似APP型別,APP使用軌跡等。簡訊內容中可以提取使用者餘額、轉賬、借貸註冊、借貸情況、還款情況等體現使用者資質的內容。基站打點、WIFI等可以得知使用者常在位置軌跡及區域,判斷消費能力和資質能力等。
PC端入口:IP地址、網頁地址、網頁型別、網頁流量、網頁檢視時長。這些基本欄位又可以產生很多衍生欄位。
物聯網入口:智慧手錶、智慧電視、智慧空調、智慧冰箱等智慧傢俱,可以知道使用者在室內的各種行為軌跡,這裡不展開了。【獵人預測往後的優質資料來源及更精準的使用者畫像將在物聯網機構巨頭中產生】
可以看出運營商體系,可以得知一個個人的超級詳細的畫像,但由於各種原因:資料使用合規性原因-如何脫敏輸出很難界定;各類資料儲存分省分部門,聚合起來就非常難;資料產品化,無法指定到哪個部門進行研發,中間的利益關係太複雜,想要推動這個事情還存在很多問題。因此才有了外部資料公司的存在價值,開發各種爬蟲適配各省各市各運營商的使用者資訊頁面獲取詳單資料。
另外一個原因是運營商使用者畫像,除了運營商3要素、時長、狀態和位置核驗是在風控層驗證過比較有效可用的資料,在金融風控領域可以直接產生一定的規模價值,運營商上文提到的各種詳細欄位形成的使用者畫像,由於價格和建模關聯度等影響,在風控建模領域遲遲得不到良好的應用。
因此運營商及運營商旗下科技子公司逐漸在商業應用層進行平臺產品的盈利模式驗證。
七、運營商大資料平臺
運營商大資料平臺集合了一切運營商可用及脫敏的資料,針對的是群體決策類業務,大多以使用者GPS打點的位置為主,使用者運營商畫像為輔,可以應用於除金融風控場景的眾多場景。這個應用過程,大多需要結合或借鑑使用機構的歷史資料及經驗,雙方才可以有深度的結合產生好的效果。
1. 群體精準營銷
運營商通過挖掘使用者歷史資料及實時資料,形成使用者的基本資訊、生活習慣、消費行為等特徵資料,利用模型演算法等,提煉並整理符合匹配金融機構或其他型別機構目標客群的使用者的特徵、行為偏好的關鍵詞和特定標識,通過簡訊、網路營銷等渠道為各行業提供有效的大資料精準營銷分析與觸達服務。
2. 網點洞察評估與選址
通過對網點服務範圍內的人群GPS軌跡分析,找出各個軌跡匯集點,也就是人群大概率進出經過的路徑上進行網店佈局。並對已建網點及自助終端機進行提供拆除或優化建議。網店評估及選址適合銀行網店佈局、店鋪開店選址、各種服務網點選址優化等。
3. 區域客群駐留特徵分析
提供對指定商業區域(如商場、商鋪、連鎖門店等)的客群駐留特徵、客群常駐地、客群到訪偏好、客群屬性特徵、客群網際網路特徵、區域主幹道人流熱力、通達圈分析的全面洞察分析,做到“知人知地”。
舉例:為一家商場進行客群軌跡監控,監控哪個門客流大-這個門做活動招商效果會更好,場內客流哪個路徑走動更多-這條路徑鋪租可以提高,哪類店鋪更受客群喜好-可以多引進這類店鋪,哪些離開的客群去了外面其他場內沒有的店鋪-引進沒有的店鋪型別等。
4. 人流與交通線路優化
根據城市人流出行軌跡,規劃地面與地下公共交通路線設計與站點選址,方便城市居民出行。
深入分析駛入交通節點車流來源方向和駛出交通節點去向,瞭解重要交通結點(跨江大橋、十字路口等)早晚高峰人流量,為分析城市擁堵原因合理設計交通訊號燈的整體規劃提供資料支撐,結合車流量、客流出行軌跡、出行時長、車速等資料分析每路段的公路疲勞指數。
以上只是一些運營商大資料平臺的應用場景舉例,其實運營商資料現在逐漸在與各政府部門聯合,例如可以監控各洗浴場所人流情況、監控城市常駐及外來人口變動情況、監控城市各商圈人流流動情況、各景區人流來源及出行方式等。
其實用窮舉法與行業場景拆解後可以交叉形成非常多的可以實現商業價值的產品。邊幅問題,本文暫分享到這裡,關於金融領域的各種風控、反欺詐、營銷等場景及跨行業場景的資料應用歡迎交流。
最後,運營商內部的資料資源是很豐富的,除了常見的運營商3要素核驗、在網狀態、在網時長、位置核驗、爬蟲介面、運營商使用者畫像、運營商大資料平臺這7大資料產品,及主要在金融領域相對應用更成熟外,其他行業也有其可以應用的環節。
例如電商快遞需要實名繫結手機號,交友產品需要核驗個人身份資訊外,確保手機號也是交友本人的,在網狀態和時長公檢法可以用來判斷監控物件手機號使用是否正常,減少無謂的聯絡動作,各種營銷場景需要豐富使用者興趣偏好、資質能力、當前手機型號等可以結合運營商的使用者畫像標籤欄位建模使用,提高客戶分層能力。
要清晰知道各資料來源及各資料欄位如何應用在各行業各環節場景,需要同時熟悉場景需求及資料產品形成的邏輯。後續獵人會對金融行業常用的各種型別資料欄位的來源及形成邏輯及應用邏輯展開分析,給予各位讀者一些參考方向。
#專欄作家#
大資料獵人,微信公眾號:date-hunter,人人都是產品經理專欄作家。多年金融行業(基金、理財、保險、信貸等行業)相關戰略研究、行業分析、商業模式搭建經驗,熟悉金融+大資料+風控+營銷領域。
本文原創釋出於人人都是產品經理。未經許可,禁止轉載。
題圖來自 Unsplash,基於 CC0 協議