序一：行业回顾
互联网金融从2007年开始发展，短短数年，经历了波峰波谷的骤然转变。2007年到2013年上半年还处于发展缓慢，逐步破土的阶段；2013年到2015年上半年，互联网金融就如潮水般涌入市场；但2015年之后，互联网金融降速发展，开始走下坡路。整个过程如抛物线一般。（2017年为笔者预测值）
序二：行业寒冬
2016年，互联网金融的门槛逐渐攀升，监管也愈发严格。我们找了相关的新闻。近半数的互联网金融企业纷纷跑路，与此同时国家“十三五”规划又积极鼓励互联网金融发展。压力、风险、挑战、机遇迎面而来，我们如何迎难而上？（思考-P2P金融危机是不是整个互联网金融就没活路？）
序三：行业前景
未来金融业的电子数据交换量将成几何数级增长，IDSS(智能决策支持系统)渗透至个人客户的理财服务。随着居民生活水平的不断提高，消费者所拥有的金融业务量也不断提高。虽然今天互联网金融困难重重，但是明天总会到来。它依然迎合社会的需要，依然为中国金融市场发展起着正面推动的作用。
有人说互联网金融的三驾马车是渠道、技术和数据。今天就针对数据来进行讨论。那么互联网金融企业运营具体有哪几个需要分析的模块呢？
用户分析：（思考-要哪些指标分析用户？什么方法分析？什么工具分析？）
1.目标用户是谁，目标用户的分级体系？——用户指标
（信用评级、活跃度、存留率、转化率、评级投资额、用户分布、互动指标等）
2.通过什么渠道找到目标用户，竞价？微信？渠道合作伙伴？——营销渠道指标
（渠道来源、渠道转化率、渠道成功率、渠道成本）
3.用户通过什么渠道进行支付？——支付渠道指标
（渠道转化率、渠道成功率、支付渠道来源、渠道成本等）
风险分析：（思考-要分析哪些风险指标？什么方法分析？什么工具分析？）
1.怎样进行风险控制，包括政策风险、项目风险、系统风险、操作风险？——风控指标
（项目审核通过率、风险备用金、项目流动性风险指标等）
2.合作伙伴是谁？担保公司、银行、信托、渠道等？——合作方指标
（合作带来的项目数、项目通过率、风险系数、成本等）
3.相比于竞争对手更好吗？——竞争性分析
（竞争对手分析指标、互联网舆情监控指标）
产品分析：（思考-要分析哪些产品指标？什么方法分析？什么工具分析？）
1.金融产品的价值（收益、风险、流动性等）？——产品指标
（产品组合、投资人数、投资金额、满标时间、收益率、流标数、风险系数、受欢迎度等）
2.IT支撑平台是否好用稳定用户喜欢？——平台指标
（响应速度、可靠性指标、安全性指标）
营销效果分析：（思考-要分析哪些营销效果指标？什么方法分析？什么工具分析？）
什么样的营销活动可以扩大影响力？——营销活动指标
（活动成本、活动渠道来源、活动转化率、传播数、新增用户数）
管理分析：（思考-要分析哪些管理指标？什么方法分析？什么工具分析？）
是否有服务好客户？－客服指标
（投诉指标、接通率、投诉渠道、响应速度、满意度等）
可以看出，需要分析的指标非常多，相信这些指标所需要的大部分数据各个公司都是可以获取到的。但是数据那么多，要分析首先要可视化。然而明确的道路方向也不如想象中的一帆风顺，在数据可视化的道路中，也存在各种各样的问题。就以上的指标来说，是否有公司已实现上述指标的完全分析，又是否有公司对上述指标中的分析覆盖率还达不到30%？不解决可视化道路中的这些问题，公司数据可视化建设只能低速发展，完善的数据分析体系也将长期是诗和远方。
那么互联网金融的数据化建设究竟应该如何做呢？互联网金融的数据化建设要做的事情很多，要解决的问题也很多。然而千里之行始于足下，要解决这些问题完成目标效果的分析，笔者认为是要有计划分阶段的实施的。针对于互联网金融行业的数据分析建设，需要以下几个阶段和注意点：
（思考-现在自己的公司有没有已经在做这块的实施？有哪些宝贵实施的经验和教训？是不是有比分四个阶段实施更好的方案？）
阶段一.合理规划：什么样的规划才叫做合理规划，又是什么样的规划才叫不合理规划？前文中已经列出了许多的指标，计划在三个月内都做出来怎么样？这就是不合理规划。选取其中的一个或两个模块，根据本公司技术储备，用不超过3个月的时间来建设，以此尝试为基石，修改第二个三个月计划，如此的分步骤规划设计就是合理规划。数据化建设本身其实是一个长期的过程，需要一步一步去实现。所以建设过程最好分期，比如一期做风控分析、二期做产品价值分析。
阶段二. 业务梳理：最终的分析是为了应用于业务，互联网金融行业专业性相对较强，很多指标并非看一眼就能够理解。若没有深入研究，业务理解偏差可能性也很大。这一步相对来说是IT人员比较容易忽视的。若没有做好，最终完成的数据可视化效果也只是摆设。
阶段三.迭代开发：互联网金融的从业IT人员普遍水平较高，应用开发的技术不是门槛。但是需要注意的是开发过程中的迭代与交流，既要高效开发，又要避免进入开发陷阱。如何做到呢？高效的开发离不开工具，借助合适的功能完善的报表类工具开发个性化分析页面，通过简单易用的自助BI工具来实现快速分析和交付。同时积极和业务人员沟通，让IT人员了解业务，让业务人员掌握BI工具自主分析。如此齐头并进，实现企业个性化的数据分析系统的高效迭代开发。
阶段四.收集反馈：数据分析本身是一个长期的阶段。在完成一期之后，收集一期效果、缺陷、问题，可以对下一阶段的开展带来正面价值。同时把收集反馈的流程可以用数据分析系统实现电子化，让业务人员在使用过程中，随时可以留言反馈，IT部门就能及时得到反馈并更新迭代。
几个阶段下来听起来是很理想化，也确实少有公司能够把每一阶段都做好，否则就没有失败的项目，而事实上失败的项目遍地都是。然而不论眼前的道路怎样，我们都是要奔着理想的方向去的，要想射中天上的太阳，瞄的一定要高。
一张图总结
本文出自帆软数据应用研究院
— 帆软数据应用研究院 —
帆软数据应用研究院专注于企业的数据应用研究，致力于让数据成为生产力。主要分享行业趋势、市场动态、理论观点以及企业的数据应用实践案例。