营销成功的关键在于不断的尝试，优化场景化标签中的各个数据维度和数值，同时在效果达到预期的方案固化，形成标准的运营方案。

企业面临三类数据，一类是企业内部的交易数据，一类是企业同用户之间的交互数据，一类是第三方数据也称外部数据。企业过去的数据资产是建立在第一类数据之上的，利用人口属性、销售数据、物流数据、内部流程等数据建立数据资产，开展商业应用。

客户行为数据也被称为交互数据，主要包含客户在网站和移动App中的浏览和点击行为，也包含客户在论坛上的言论行为。客户主动发起的言论行为数据应用较多，主要用于舆情监控和客户关系管理，也有的企业将客户言论数据用于产品反馈和迭代。App内部的点击和浏览数据商业应用较少，主要应用于产品体验分析、渠道管理、用户运营等方面。App内部点击和浏览行为数据基本上很少被企业重视，也很少会进行商业应用。

App的行为数据其实有很大的商业价值，只是很多企业不知懂如何进行应用。在金融行业，Fintech公司Klarna发现用的行为数据的效力是金融数据的4倍，三个创始人中，有两个人硕士论文来研究如何利用行为数据进行金融冒险。一些企业也开始探讨App行为数据的商业价值，利用行为数据进行数字营销。

一.App 行为数据的采集和分析

App的行为数据采集基本上采用SDK方式，采集客户在App页面的点击行为，同时也可以进行参数回传。SDK就是几行轻量级代码，采集数据的类型取决于埋点。SDK在数据在数据采集上技术上没有技术壁垒，行为数据应用的主要技术壁垒在于海量行为数据的处理和分析。

很多企业总认为SDK采集数据会涉及个人隐私，主要还是不了解SDK数据采集的技术原理。SDK的全名是Software Development Kit，直接翻译就是软件开发包，N行软件代码用于数据采集。SDK采集的任何数据都是源于客户的主观控制，从SDK埋点上可以分辨出是否涉及个人隐私数据。个人隐私数据在美国具有严格定义，基本定义是可以从社会群体中识别出个体的数据，包括PII中的7种数据类型例如社会保障号、手机号、家庭地址、私人邮编等，并不是所有数据都是个人隐私数据。

企业在正常商业活动中获得的个人隐私数据并不违反法规，在没有得到客户授权的情况下，个人隐私数据被企业和第三方使用就属于违反法律法规了。例如电商拥有客户的名字、地址、电话甚至银行卡号和支付账号。在客户授权使用的前提下，电商拥有和使用这些数据是不违反法律法规。但是如果客户没有进行授权，企业使用了涉及个人隐私的数据则属于违反国家法律，需要得到法律的制裁。

App内部行为数据的处理和分析具有较高的技术门槛，SDK会采集到大量的脏数据，包含一些空白区域和特殊符号，甚至根本没有见过的数据类型，这些脏数据的处理和分析具有较大的技术挑战，特别是数据的实时采集和处理。成熟的技术架构和数据处理方式需要时间和实战来考验，技术人员只有经历了海量数据采集和处理，填平了大量技术坑之后，才能形成成熟的技术架构，SDK采集的数据会被专业地处理，不会漏掉数据和记错数据。

数据的采集和处理是个脏活累活，需要在真实数据环境进行实战，具有较高的技术壁垒和门槛。技术人员几年下来积累的技术经验是一个技术财富，具有较大的商业价值。

二 .App行为数据的商业价值

App的行为数据也可以称之为intention数据，代表客户内心的好奇和需要。就像搜索数据一样，行为数据可以体现客户在商品喜爱和购买方面的一些需求。

行为数据在应用之前需要进行结构化和标签化，结构化是指将行为数据的展现形式从非结构数据转为结构化数据，并进行归类和统计。标签化数据是指根据业务场景，将行为数据打上业务标签，打标签基本上围绕设备进行，并同业务场景深度结合。行为数据打标签的过程就是从行为数据发现商业价值的过程，行为数据打标签需要考虑三个数据维度，分别是时间、频次、结果。

行为数据时间维度主要关注行为发生的时间段和持续时间，其中时间段数据用于目标设备时间范围选择，用于营销活动分析和营销推广计划设定。时间段也可以用于风控和反欺诈的场景，特殊群体的App使用行为在时间段具有较高的相似性。持续时间关注行为发生的过程，记录了行为起始和结束时间。持续时间对于分析用户行为具有重要意义，不同时间长短代表客户不同特点和性格。某些持续时间同客户类型具有较大的相似性，在一些数据模型分析中具有较高的商业价值。持续时间的既可以用于购买人群分析也可以用于产品体验分析，在特定的场合，持续时间还可以用于反欺诈分析。

行为数据的频次主要关注某些特定行为发生的次数和趋势，其中次数同客户的兴趣具有较大的正相关度，在一定时间段内，点击浏览次数同客户购买需求成正比。次数经过标签化之后可以用于营销，识别出潜在客户。次数也可以用于用户体验分析和产品分析，通过热力图了解产品体验和客户需求，也可以用来进行App内部的布局优化，还有关联产品销售。次数同产品成交和客户购买需求是弱相关关系，但是点击浏览次数经过进一步分析之后可以转为趋势数据，这些数据同产品转化和客户购买行为具有强相关关系，例如客户从来不使用汽车和房产类App，在某一时刻突然增加使用频率，从趋势分析上可以预测客户的购买需求，在某些应用场景下，趋势数据比频次数据的商业价值更高，可以直接预测客户的购买需求。

行为数据的结果主要关注是否完成交易，用于判断客户点击浏览的结果。结果数据分为成交和不成交，基于业务需要也可以采集填充的数值，用于进一步的应用。结果数据中成交数据可以用于产品体验分析，客户体验分析，渠道ROI分析。不成交数据可以用于二次营销，对潜在客户进行再次营销，二次营销时需要结合时间段、持续时间、频次数据进行综合分析，筛选出目标客群进行营销。不成交数据也可以用于产品体验分析，结合成交数据和时间数据来了解产品问题，以及转化漏斗。结果数据可以用于直接营销，也可以加入到数据模型中，作为一个重要维度的参考数据。行为标签建立过程过程中，结果数据具有较多的应用场景。

三.App行为数据的场景化应用

企业过去的营销主要使用交易数据，典型的有数据库营销中的关联分析和交叉销售。交易数据对营销具有较大的商业价值，特别是老客户经营。例如某些产品的客户复购率较高，利用交易数据可以进行多次营销，降低营销成本，企业愿意利用交易数据进行数字营销。

行为数据在营销和风控上应用场景较多，本文主要介绍营销场景，风控场景将另外进行详细分析。行为数据相对于交易数据具有不确定性大的特点，行为数据更关注客户的兴趣偏好。相对于交易数据营销，行为数据的转化率不太稳定，但是应用范围比较大，潜在的目标人群基数较大，即使是较低的转化率，其转化的目标客户也会很多。曾经在一个案例中，某券商用户发现过接近40%的转化率，大大超出了想象。一般行为数据营销的转化率都低于10%，集中在1%－5%直接。如果低于1％的转化率，这个基于行为数据建立的营销方案将会被放弃。

行为数据的场景应用建立在场景化标签之上的，基于App内部行为的场景应用来源于具体业务目标，例如证券App中的绑卡入金、购买理财、股票交易、基金买卖，贵金属购买、关注收藏等。信用卡App中的账单分期、现金分期、支付、消费金融、购买商品等。

建立场景化行为数据标签的思路有两种，一种是从业务需求（业务场景）出发，寻找同其高度相关的行为数据。另外一种是从统计中发现同业务转化相关的行为数据。

从业务需求出来建立行为数据的场景化标签方法比较简单，就是分析某个业务在App中的交易路径（交易步骤）。在接近交易路径的前几步，根据时间、频次和结果来建立其场景化标签，对于证券行业的App可以建议以下行为标签。

• 下载App未绑定交易账户的设备
• 绑定交易账户未交易的用户
• 过去三个月关注某些板块股票但是未交易客户
• 过去三个月关注某些财经咨询但未交关易客户
• 过去三个月查询某只股票但未交易客户
• 三次点击某只股票进行交易，但未成交客户
• 点击某只股票进行交易，成交客户（二次营销）
• 非交易时间查询某板块股票三次，未交易客户
• 非交易时间查询某板块股票交易客户
• 新关注某板块股票但是未交易客户
• 过去一周查询某只股票价格三次，但未交易客户

信用卡App关注客户是否绑卡，是否使用账单和卡工具功能（替代其他人工渠道），是否领取权益，是否关注高端白金卡，是否是潜在账单分期客户／现金分期客户／预借现金客户／消费金融客户／专项分期客户／权益商品客户等。基于信用卡App内部的点击行为，可以建议以下基于行为数据的场景化标签

• 下载App未绑卡用户（过去一年）
•  绑卡未领取权益用户
• 尝试账单分期功能未申请客户
• 尝试现金分期功能未申请客户
• 申请账单分期未决定客户
• 汽车分期点击未成交客户
• 白金卡权益专区浏览三次以上，未申请客户
• 餐票影票关注点击三次未兑换客户
• 额度调整尝试，未申请客户
• 额度申请成提交，未成功客户
• 预借现金，未申请客户
• 积分查询未兑换客户
• Iphone7手机分期点击5次，未申请客户

App场景化标签的另外一种思路是从行为数据的统计中发现同业务转化相关的行为数据。例如基于现金分期成交客户的特征提取，统计出来现金分期成交客户典型行为特征，例如访问时间、地域、年龄、设备类型、账单金额、查询次数、点击次数等。将这些数据进行统计，分析出高度相关的特征值和分布特征，采用描述型分析进行目标客户提取，或者直接利用数学模型进行种子学习，找到潜在分期客户。这种利用关联分析方法寻找特征行为数据的方法，比较适合利用数学模型进行营销。

利用行为数据建立场景化标签和营销时，我们需要理解，这是一个基于弱相关关系的营销方式，其转化率在大多数情况会低于基于强相关关系的交易数据。因此在使用行为数据进行营销时，我们对转化率要有心理预期，一般在1%－5%之间，在某些特殊情况先，转化率会超过10%。

基于行为数据进行营销时，需要将重点放在营销效果分析和营销方案迭代优化上，通过多次营销尝试找到一个比较合适的行为标签建立方式，确定频次、时间段、结果等选值。并逐步建立起一个稳定的运营方案和运营计划，其中一些固定运营方案可以固化在一周的某一天，甚至某个时段，形成固定的运营计划。每天上班时，运营人员可以将前一天跑出来的基于行为数据的运营客群发送出去（push或短信），监督其转化情况，不断迭代，逐步建立起基于行为数据的标准的运营方案和运营计划。这种运营方案可以是标准的场景化标签（描述型），也可以基于数据学模型的结果。

基于行为数据的场景化营销可以通过统计分析平台来建立目标客群，通过SMCE建立营销计划并进行营销优化。营销成功的关键在于不断的尝试，优化场景化标签中的各个数据维度和数值，同时在效果达到预期的方案固化，形成标准的运营方案。

#专栏作家#

鲍忠铁（微信号：daxiakanke），人人都是产品经理专栏作家，TalkingData首席金融行业布道师，上海大数据产业联盟金融行业专家，金融行业大数据实践推动者。

本文由原创发布于人人都是产品经理。未经许可，禁止转载。