基於用戶行為對金融業務的研究

「摘要」本文將從營銷、用戶分群、回撈機制、風控四個方面去分析用戶行為模型；通過用戶行為，將用戶的一切需求數據化、可視化，圍繞用戶需求進行價值挖掘，好的數據模型會比用戶更加了解自己，從而可以找到更為低成本、更為高效的轉化用戶的空間。

1、背景

用戶行為研究在互聯網中有重要的作用，有利於提高業務相關指標，在低成本的投入下獲得較高的回報。

互聯網的高速發展在初期帶了很大的流量紅利，但是當下的互聯網流量紅利即將耗盡。

隨著互聯網的流量無法實現增量的情況下，如何有效並高效的轉化流量顯得尤為重要。

現在企業的獲客成本越來越高，因此需要對用戶行為進行分析，做群體劃分，構建用戶行為模型，形成一套高效地針對拉新場景的解決方案。

2、營銷

目前最火的詞就是大數據、精準營銷。用大數據對人群進行精準分析，提出注重效率、成本、效果的營銷方案顯得很重要。

只有演算法是難以形成商業模式的，因此需要融合深度垂直市場，對用戶數據佔先和深入的佔用，不僅要生產數據、獲取數據還要控制數據。

目前在這方面做得比較好的公司如**頭條，每天訓練樣本量150億，5萬台伺服器；其的推薦引擎正是結合用戶的碎片化時間和內容的海量化催生的精準推薦模型。

業務融合消費場景的精準營銷很值得探索。可以結合地理畫像、時間畫像、人群畫像等對未轉化用戶進行相關研究。

例如：如果一個用戶周一到周五下午6點喜歡在人大附小瀏覽理財產品或者瀏覽京商城商品，就可以從地理畫像、時間畫像、人群畫像上給出營銷的突破點，根據時間、地點可以判斷出此用戶是一個家裡有孩子的用戶，因此可以定向推薦少兒產品，發放專屬SKU的優惠券進行定向拉新。

從營銷角度講，不同的用戶群體對不同營銷活動的敏感度及響應率會有所不同，根據不同群體的用戶行為可進行精準營銷從而進行針對性拉新。

本人對各地區用戶進行了簡單的研究，發現激活量大的地區的滲透率不一定大，滲透率與激活絕對量不成線性關係，通過不同地區的對比，發現廣東、浙江等地區的潛在用戶挖掘空間很大。

以某流程為例，根據用戶的訂單金額、入口展示次數等做了差異化分析，簡單劃分了用戶群體，進行差異化營銷從而帶來激活量的明顯增加。

如果加入多維度的用戶標籤，融入機器學習演算法，根據該群體用戶做針對性的模型分析，結合拉新成本及用戶行為找到精準的拉新方案，既可以節約拉新成本，又可以帶來可觀的激活量。

3、用戶分群

可以針對不同人群和業務場景設計相應的激活流程，所有進到業務中的用戶流量，都會經過層層篩選，最後將用戶安排到最適合他的授信流程中去。

根據用戶風險等級及信息完整度等多個維護將預授信用戶進行分群，優質用戶可以走更便捷的授信流程，質量差的用戶需要走更繁瑣的授信流程（會收集更多的用戶信息徵信）；特殊人群可以走特殊通道進行專屬授信，這樣可以更精準的服務差異化人群。

4、回撈機制

基於用戶行為進行專屬回撈，用戶分群可能會適用於多個激活流程，根據優先順序會進到優先順序較高的激活流程，如果該用戶在優先順序較高的流程中激活失敗，系統會進行回撈，用戶再次進來會進入到其他的激活流程。

比如用戶之前激活失敗，但是近期用戶行為較好，有可能會進入到更快捷的激活通道中。用戶分群進入到哪個激活流程，很大程度上是取決於用戶行為。

5、風控模型

有研究顯示，目前黑產超過40萬人，身份證信息掌握在別人手裡的有3000萬左右，黑產年產值達到1100億。

因此，根據黑產的用戶行為研究相應的風控模型顯得尤為重要。黑產在填寫信息的時候有一些普遍行為，比如輸入地址，會有複製粘貼的情況，經常會刪幾個字再填幾個字等，因此可以監控用戶頁面操作行為進行風險監控。

賬戶的所有者在輸入密碼等時也有自己專屬的用戶行為，比如輸入第一個字元、第二個字元……第n個字元時，每個字元之間的停頓時長，用戶觸屏區域的熱點圖等都是用戶專屬的識別依據。

一旦不法之徒妄圖破解該賬戶，就會有異常於該賬戶所有者的行為，有了充足的用戶行為數據，就可以及時阻攔盜號者。

6、總結

用戶行為研究已經應用到激活流程中的各個模塊，如人群篩選、分群設計、回撈機制。目前並未充分的挖掘用戶行為數據，後續會更深入的運用用戶行為數據細化用戶。

如某流程可以根據用戶下單行為、對激活入口展示敏感度分析等做定向觸達；另一流程可根據用戶掃碼行為及頁面跳出行為做定向分析，優化流程增加流程轉化率等。

7、展望

用戶行為研究也為留存、促活提供支撐，在用戶量激增的情況下，如何留存、促活也是一個突出的問題。在促活方面，可以在貸前、貸中、貸後進行定向促活，貸前可針對用戶行為發送專屬優惠；貸中可根據活躍度做定價適時調整；貸後可做還款及展期優惠，做到全流程的活躍度監控，根據用戶生命周期及業務流程節點做定向促活。

本文作者：京東金融-技術研發部張清翔