内容来源：本文为腾讯移动分析与人人都是产品经理联合举办产品测评大赛的参赛作品。
参赛者：杨雅如，某银行信用卡中心收益产品经理
编辑：Fiona
目前定位于APP移动统计分析的产品多如牛毛，旨在提供用户洞察、数据可视化、数据挖掘、渠道效果分析等综合数据服务。为服务到尽可能多类型的B端客户，移动统计分析类产品在设计上以找到共性需求为首要任务，如获客促活等指标监控、用户行为漏斗分析等，普适性强但在应用时难免有与企业实际业务不匹配，或者不能满足特定行业数据分析需求的情况。
简言之，不够专业化、个性化、定制化。
笔者作为传统银行里的信贷产品经理，目前也将运营重点越来越多的转移到线上渠道来。虽然APP的战略地位日趋重要，传统银行业务“轻前端重后端”的天然属性——即依赖复杂的风控体系、金融产品设计、线上线下多渠道客户触点，都要求APP数据分析不仅要关注金融客户在APP平台上的转化，还得站在信用卡客户生命周期、以及全渠道组合、贷前贷中贷后全链条的角度上整合数据进行分析。现就MTA产品的体验做简要的讨论。
MTA的优点非常突出。
首先，统计口径严谨详细，这无疑是要求精确的金融业最基础的需求，但就目前试用过的不少平台，甚至目前我司正在使用的APP移动统计分析产品而言并未达标，虽然常用指标大同小异，但其实统计口径的差异会让最后得出的结论大相径庭。
而腾讯移动分析在每个指标下方以问号标出,甚至连目前无法实现的盲区都详细说明，可谓非常有诚意了。
第二，行业对比这一功能极有亮点，在公平的前提下尽可能消除了竞争对手之间的信息不对称，行业标杆应该是怎样的，竞品之间需要动多大的力去追赶将一目了然。但这个必须规模效应雏显，APP数据集成平台形成之后才能成为一个杀手级的应用。
同时，在数据沉淀后需要更加细分行业和企业属性，例如互金和银行APP都属于金融业，然而对渠道定位不一样客群也不一样，直接比较月活没有意义，再比如内容型的APP和低频工具类的产品看留存指标差异会非常大，没有可比性。
第三，在体验MTA的过程中可发现，MTA已开始输出专门的互联网金融模板——借贷业务分析，这样个性化的定制服务对于特定行业的APP数据分析有着里程碑式的意义。
同时也为行业内部的数据分析框架搭建建立了标杆。但可能由于还是面向互联网的B端客户，有所欠缺的地方主要在精细化和灵活度上，具体捡以下几个地方说说。
首先，页面分析模块的颗粒度。
在事件分析中，埋点平台一般提供的是以pageview为单位的统计。如在信用卡APP上申请办理账单分期，那么从客户登陆APP首页，到分期试算的页面，再到决策提交申请，返回审批结果的整个事件过程，拆解到每一步也就是拆解到每一个页面。
但是更细节一些的，同时对于信贷产品来说却是至关重要的要素，例如申请分期时选择的期数、金额、还款方式等，中间用户纠结的过程，反复点击计算的过程，如果能够留下来进行分析，会比定性调研更能了解到用户的需求点在哪。
说一个我们经历过的迭代，历史数据显示用户办理分期时12期的占比最高，而申请页面上试算模块之前设计的是默认选择12期，但这个真的代表用户最需要的就是12期吗？并且分期手续费收入=分期金额*期数*月费率，那把默认12期改成默认24期是不是就能达到收入提升的目标了呢？
ABTEST之后发现并不是，于是我们在开展定性调研时，让用户自己操作，才发现按照的页面设计，所有期数的试算在一屏显示不完，用户根本就找不到更长的期数可选，所以还款能力没那么差的客户会就选择12期算了，甚至还有部分高期数倾向的客户在发现不好选之后就直接放弃提交了。
如果这个客户在决策时反复纠结，折射在页面上也就是反复滑动选择的过程，可以用可视化的方式埋点下来，那么我们也许不需要通过ABTEST和定性调研相结合，仅通过数据分析就能洞察出客户准确的需求。
其次，时间选择的灵活度上。
因此数据统计产品的观测时间节点的设计上一定要足够灵活，灵活的意义不仅仅在于互联网要求的“唯快不破”——到天、到周，而是符合业务场景的预期。
举几个场景来看：一是季节因素，每年年底、618、双11这样的消费高峰期，消费高涨分期转化率自然提升，因此选择数据统计的对比月份非常重要，不能简单的对比之前多少天，多少月，而是可以自由设置来进行同比环比。
再比如：现在很多互金产品做平台化账务合并，而信贷类产品按期还款的属性就要求账户体系下有一个账单周期的概念，不同的用户群体在刚出账单到最后还款日之间，无论是申请办理业务还是还款都会受到账单周期的影响，简单的对比7天14天并不适用。
此外，风险管理是金融的重要一环，而风险需要时间沉淀才会逐渐暴露，当然结合互联网渠道快速迭代的脚步，周活、月活都看，但同时也要结合特殊的时间点、一定的时间长度去看。
第三，数据维度的多样性上。
目前MTA的用户分群，已经涵盖了可想到的多种维度并可同时选择多种条件，筛选出来的用户群体可以导出明细并查看用户画像。但用户画像的物理属性维度并不能和之前筛选的用户分群维度一并交叉，这样在做数据探索的时候需要筛选多次并每次都将用户画像保留，才可做比较。
建议无论是用户画像、还是事件分析、漏斗分析等，都支持多维度客户分群的对比统计分析，对于运营提出下一版的迭代策略来说才更有针对性。
第四，数据来源的开放性上。
上文也提到，“借贷业务分析”这个模块非常好用，除了传统业务上的漏斗分析外，还将风控指标数据全面兼顾，在信贷业务中，收益与风险本就相辅相成密不可分，放在一起去看可以让运营兼顾风险，避免为了KPI不顾坏账率死活，也可以让风险优化迭代时关注业绩，在边际风险成本和边际收益的博弈中制定合理的风控规则。
但在风险管理的过程中，这部分风险数据的监控在应用还是相对苍白，原因主要是缺少了两部分数据支持：
一是本行数据，例如用户办理和使用信用卡的客户画像。这个对于普通互金平台APP来说可能不是问题，因为APP埋点数据就是一切，不存在这样额外的数据信息，但对银行无论是用户运营还是风险管理来说都是至关重要的，对APP的引流和变现也起决定性作用。且随着现在互金与传统金融机构的深度合作日益紧密，引入此类数据是必然，统计分析时的应用也是关键。
二是第三方数据，例如公积金、同盾等反欺诈数据的引入，都可以结合用户在APP上的行为，如反作弊分析这个模块，更好的区分出坏客户，提升风险管理效率，及时防范。
最后
最后再多说点一句。关于APP统计分析产品的定位及目标，除了传统的统计分析外，能否往指导运营策略迭代、甚至智能化数据模型的可视化方向多走一步。例如：“页面路径”模块，可查看用户从一个页面去向其他各个页面的分流情况，默认展开用户访问最多的一条路径。
而运营往往最想知道的是，高分期倾向的客户是否会走这条默认的最多路径，他的上下游是什么样的，如果这个“页面路径”的模块可以承载一部分预测功能，前面会选择什么样入口的人，后面会更倾向于去用什么样的服务，无论是对做个性化推荐，还是入口菜单的优化，都有非常大的帮助。
再比如：登陆频次多少，停留时长如何的用户分期渗透率最高，可自动设置为Magic Number，并对符合条件的用户进行持续监测。至此，MTA可能不仅仅是个统计工具，而更多是个运用而不拥有数据的大数据产品了。
银行业APP的爱与痛，也是互联网和金融融合发展的重与责，MTA这样的产品，再依托云端服务的数据赋能，业务前景和商业变现能力都不言而喻。作为B端用户的一员，也相信其他的B端用户，一定会愿意为灵活多样，更加开放和智能化的服务付费。
相关阅读
腾讯移动分析产品测评大赛火热进行中，丰厚大奖等你来！
腾讯移动分析测评大赛结果公布｜这一次，且听我娓娓道来
本文为「人人都是产品经理」社区和腾讯移动分析MTA共同举办的#腾讯移动分析产品测评大赛#的参赛作品，转载请联系人人都是产品经理
有关产品测评大赛合作事宜，请联系邮箱：[email protected]