Mob统计分析告诉你运营、产品、市场、管理层应该看哪些数据项？

最新推荐文章于 2023-09-19 19:56:07 发布
原创 最新推荐文章于 2023-09-19 19:56:07 发布 · 754 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

数据驱动运营已经成为趋势，Mob统计分析通过精准化行为分析、多维数据模型和全网标签匹配，为市场、运营、产品和管理层提供关键数据支持。市场人员能评估渠道质量，运营人员可做精准运营，产品策划能优化用户体验，管理层则可通过数据洞察行业发展。Mob统计分析提供专业服务，包括行业分析顾问和定制化解决方案。

数据驱动运营，不止对运营来说数据很重要，对市场，对产品都是很重要的。

用数据驱动产品是大趋势，数据不仅仅是PV、UV、Mob统计分析还体现在更精准化行为分析 + 多维数据模型 + 匹配全网标签 + 垂直行业分析顾问。

Mob统计分析的多维数据针对不同人员有更精准化的数据统计

对市场商务人员

对比各渠道“曝光-注册-付费”各阶段转化率，评估渠道质量

根据各渠道转化人员用户画像，设计精准化营销活动

全网数据匹配优质渠道，指引商务推广目标方向

对运营推广人员

勾勒不同人群用户画像，投其所好做精准化运营

评估运营活动效果，持续后续活动优化，提高活动转化率

分局行为分析洞察用户留存规律，在适当时机激活可能流失的用户

对产品策划人员

根据用户行为走向，页面路径，合理布局产品交互，提高用户体验

分析用户核心业务流程转换率，各步骤流失原因，挖掘用户核心需求

版本迭代效果评估，确定每期迭代需求合理性及优化方案

对中高层管理人员

多条业务线数据对比效果展示，直观展示各业务部门发展情况

大数据辅助洞察行业整体发展方向，帮助确定业务线发展目标

Mob统计分析的优势

精准化行为分析

记录用户每个行为细节（ who - when - where - what - how - why ）

通过对用户行为数据进行分析，更加详细的了解用户的行为习惯，挖掘用户核心需求，数据驱动产品迭代方向，并及时反哺迭代效果，不断优化体验。

 

多维数据模型

四大分析模型，用户、事件、分析内容多维度交叉分析对比

多维数据模型辅助分析，帮助找出网站、推广渠道等产品营销环境存在的问题，有助于发掘高转化率页面及流程，使得产品的营销更加精准、有效，从而提升企业的收益。

 

匹配全网标签

Mob - 专业的服务平台，10万家公司&30万开发者的选择

专业的技术团队，根据客户需求提供定制化解决方案

匹配全网标签，可为您平台的私有数据提供全网数据匹配分析

 

垂直行业分析顾问

电商、金融、游戏等各行业专业顾问为您搭建数据仓储模型

提供咨询建议 - 数据建模 - 产品优化建议等一站式服务

提供最专业的行业分析报告，定制化进行竞品分析

大数据匹配行业精准目标用户，做定向精细化营销

 

 

pipimob
关注
信贷系统学习总结（5）—— 信贷金融风控通用建模流程
科技D人生
10-11 1320
代表性：样本要可以代表总体。充分性：总共样本数量大于2000，若太小，则置信度太低。时效性：样本与未来上线应用的时间越接近越好。排除性：灰样本需要剔除。比如贷款信用违约/车险理赔风险预测，在构建模型时候，需要剔除掉欺诈样本，以及信用违约里面的Y处于逾期天数在1-90天的(当设置Y为M3+)，这样做的目的是为了样本更纯，在业务上没有其他样本进行干扰，在模型上，数据表现不会有太多的异常噪音。
大数据面试题--数仓
weixin_42759988的博客
02-22 1万+
目录 数据仓库理论 数据分层 E T L 星形模型与雪花模型的区别？ 维度建模（dimensional modeling）： 数据仓库项目最重要或需要注意的是什么，以及如何处理？ 关系建模与维度建模 拉链表： 维度表和事实表 数据仓库中的维度和粒度 维度建模步骤： 如何构建数据仓库？ Flink面试题 Flink的重启策略： Flink集群规模 Flink 集群有哪些角色？各自有什么作用？ TODO说说 Flink 资源管理中 Task Slot 的概念 说说 Fli
Mob统计分析数据模型理解
pipimob的博客
03-22 1906
一． 数据模型理解1、事件模型Mob统计整体数据模型为 事件-用户模型，即采集用户每个行为操作的细节用户在客户端，web上产生的任何行为我们都 可以抽象为一个事件（事件即就是 谁在什么时间什么环境下做了一件什么样的事情）。例如下图“激活优惠券”为一个事件，为5057**用户在2017-10-18 12:52:45触发，其包含两个数据“优惠券金额=94”、“优惠券名称=618优惠券” 事件属性主要包...
Mob统计分析的14个功能详解
Mob_com的博客
01-22 3980
一、 数据模型 1、事件模型 用户在客户端，web上产生的任何行为我们都 可以抽象为一个事件（事件即就是 谁在什么时间什么环境下做了一件什么样的事情），Mob统计分析整套系统都是基于事件模型来构建的。 例如下图“激活优惠券”为一个事件，为5057**用户在2017-10-18 12:52:45触发，其包含两个数据“优惠券金额=94”、“优惠券名称=618优惠券”     
数据如何埋点？Mob统计分析电商类APP埋点需求
Mob_com的博客
01-23 4801
1、明确核心业务主流程 首次接入数据埋点，建议选择与产品核心业务最关联的业务流程进行分析 例如：电商类APP的“购买流程”、“售后流程” 金融类APP的“投资流程”、“新用户活动流程” 咨询类APP的“文章阅读”、“分享&回流” 2、确定用户执行主流程时各个关键行为点 例如电商APP“购买流程”可分解如下几个关键行为点 搜索商品 查看商品详情 选择收货人 创建订单 支付订单
低速泊车路径跟踪难点：小转角高精度控制的4项关键技术
!...# 1. 低速泊车路径跟踪的技术挑战与系统架构 在自动泊车系统中，低速工况下的路径跟踪精度直接决定了用户体验与安全性。由于车速低、转向角度小，车辆动力学响应迟滞、传感器噪声显著，导致传统控制策略易出现跟踪...
【通信研究中的仿真技术】：优化策略与实例分析
!... # 摘要 通信研究中，仿真的重要性在于其...接着，详细探讨了通信系统模型构建的理论基础、建模方法以及模型验证与分析。第三章分析了仿真工具的选择、安装与配置，以及仿真实验的编程实现。第四章探讨了仿真优化策
HCIA-Big Data华为认证大数据工程师在线课程笔记
L小Ray想有腮
11-19 7265
文章目录简介 简介 大数据是指利用常用软件工具捕获、管理和处理数据所耗时间超过可容忍时间的数据集。 对比项 数据库 大数据 数据规模 小（以MB为处理单位） 大（以GB、TB、PB为处理单位） 数据类型 单一（结构化为主） 繁多（结构化、半结构化、非结构化） 模式和数据的关系 先有模式后有数据 先有数据后有模式，模式随数据增多不断演变 处理对象 数据（池塘中的鱼） 预测（“鱼”，通过某些鱼判断其它种类的鱼是否存在） 处理工具 One size fits all No si
互联网运营指标
weixin_42185044的博客
10-14 1472
互联网运营指标日报系列 参考文献： 《R语言数据分析项目精解理论、方法、实战》
风控基础——MOB、Vintage是什么？
热门推荐
zhanglongfei1016的专栏
09-19 1万+
如果我们计算的是一个30+的vintage，那么在观测时点，处于逾期30天及以上的借款对应的剩余本金将会纳入分子。首先一月在MOB0时刚放款，不可能有资金发生M1+的逾期，所以第1个MOB的M1+逾期金额为0，而一月的总放款只有这一笔1000元，所以MOB0的逾期率为0/1000。我们可以把Vintage的表画成下面的图，很明显，二月的整体逾期率的增长趋势小于一月，三月的逾期率的增长趋势小于二月，四月开始的增长趋势小于三月。一月的总放款额不会变，一直是1000元，所以MOB2的逾期率是1000/1000。
深度解读｜数据化管理的四个层次
hualalalalali的博客
03-01 5767
数据的重要性不言而喻，已经被越来越多的公司接受、熟知和应用。那么关乎数据，到底在哪些方面可以促进业务的腾飞？或者换种说法，业务对数据有哪些层次的需求？还有，数据对管理有哪些方面的贡献？ 依据我多年在数据分析岗位上的工作经验和对业务的理解，业务对数据的需求可归纳为四个层次。
Android使用mob快速集成分享功能详解
Hello_MR_Li的博客
03-17 5365
第一步1、打开项目根目录的build.gradle，在buildscrip>repositories的方法下面添加maven库的路径引用123maven {    url "http://mvn.mob.com/android"} 2、在build.gradle下面的dependencies依赖模块下面添加MobSDK的依赖1234dependencies {   ...    classp...
数字化时代的隐私安全项目-MobileCoin（MOB）的愿景和参与
MuVC123的博客
04-22 740
一 数字时代，无处可藏吗？ 如今我们早已进入了数字化时代，你的隐私就是你的人身和财产安全。 但是现在的互联网上，你几乎无处可藏。 选择“端对端加密”的聊天工具（国外著名的 Signal ，国内的Mixin），你的聊天信息可以被保护起来。 那你的其他个人信息呢？你的财产呢？ 大多的个人信息还是“被托管”到某一个公司或者组织，从而来使用他们提供的服务，而他们又如何保护你的个人信息的呢？ 区块链和密码学技术的出现和发展，或许可以解决这个你的个人信息属于你的问题。 目前区块链技术可以做到让你的个人
高层管理者对于大数据的6个误解
weixin_34319817的博客
08-01 250
大数据已经成为一个如此普遍的流行词，但有人认为其几乎是毫无意义的。 一名IT行业专家表示，其曾从事信息技术工作超过十年，并记得当时订购新的驱动器和存储设备来处理文件和电子邮件，那时读取上千兆字节的信息，当时以为这样大量的数据就是大数据。 经过七年职业生涯的变迁，这个IT专家就职于亚马逊公司，并在他们的数据仓库中运行SQL查询。该数据库的范围之广，让其甚...
Android使用mob实现第三方登录（Facebook、Twitter）
用于记录、查询和分享
05-09 2079
文章目录基本配置1.申请各平台账号，获取各自的key和secret2.添加依赖3.添加插件4.配置MobSdk5.配置平台6.mob在项目中的初始化 本文只是做记录和梳理流程，建议到mob官网查看最新文档，毕竟配置和API会更新 基本配置 1.申请各平台账号，获取各自的key和secret mob平台注册账号，获取key、secret 这个比较容易，登录mob官网就知道怎么做了 项目需要...
浅谈ToB市场精细化运营
nazaio的博客
04-03 2332
1、ToB市场的价值：获客、促进转化、品牌 对于ToB市场的价值，我认为主要在三个方面： 一个是众所周知的获客，为产品和服务源源不断的带来潜在购买者； 二个是促进转化，通过销售工具箱、市场活动、内容等方式，对注册到成单的全生命周期的潜客进行影响。促进潜在客户转变成付费客户。好的市场可以大大缩短销售周期。 三是品牌建设，就这个点之前也听到过很多有趣的讨论，拿toB和toC企业的品牌建设相比较，认为t...
那你现在给我计算fpd10，cpd0，和放款额分布的MOB 的代码 用泰山大数据平台sql，需要用到哪些数据？
最新发布
08-12
<think>我们使用泰山大数据平台（假设类似于标准大数据SQL环境）来计算FPD10、CPD0和放款额分布的MOB。需要明确指标定义： 1. **FPD10**：首次逾期10天以上，通常指账户在MOB1内首次出现逾期10+天的比例（风控常用指标）。 2. **CPD0**：当前逾期天数0天，即正常账户，但此处可能指特定时点的正常率，需确认。在MOB分析中，CPD0可能指在某个MOB月份末未逾期的账户占比。 3. **放款额分布的MOB**：按不同MOB月份统计的放款金额分布（例如，每个MOB月放款总额）。 ### 所需数据表及字段 假设平台有以下风控核心表： - **放款表（loan_orders）**：记录每笔放款 - `loan_id`（主键） - `user_id`（用户标识） - `loan_time`（放款时间戳） - `loan_amount`（放款金额） - **还款计划表（repayment_plan）**：记录每笔放款的还款计划 - `plan_id`（主键） - `loan_id`（关联放款表） - `due_date`（应还款日） - `status`（还款状态，如已还、未还等） - **还款流水表（repayment_flow）**：实际还款记录 - `flow_id`（主键） - `plan_id`（关联还款计划） - `repay_time`（实际还款时间戳） - `repay_amount`（还款金额） ### 计算逻辑 1. **MOB计算基础**： - 以放款月份为基准，计算每个订单的MOB（放款后经过的完整月份数）。例如，放款日期为2023-01-15，则到2023-02-15为MOB1开始，以此类推。 - 通常使用`DATEDIFF(month, loan_time, observation_date)`计算MOB（但需注意月末调整）。 2. **FPD10（在MOB1内是否出现逾期10+天）**： - 在放款后的第一个还款周期（MOB1）内，检查是否有应还款项在到期日后10天以上仍未还清。 - 步骤： a. 关联放款表和还款计划表，获取MOB1内的应还款计划（即`due_date`在放款日+1个月内的计划）。 b. 通过还款流水表计算每个计划的实际还款情况，判断是否在到期日+10天后仍未还清（即逾期10+天）。 c. 标记该订单是否在MOB1内出现FPD10。 3. **CPD0（在特定MOB月末的逾期状态为0）**： - 在某个MOB月末时点，检查账户的当前逾期天数是否为0（即未逾期）。 - 需要定义观察时点（例如每个MOB月的最后一天），计算该时点的逾期状态（通常基于最近一个到期未还的还款计划）。 4. **放款额分布的MOB**： - 按每个MOB月份分组，汇总放款金额（loan_amount）。 ### 伪SQL结构（需根据实际表结构调整） ```sql -- 步骤1：计算每个订单的MOB（以放款月份为基准）和每个MOB月末日期 WITH loan_mob AS ( SELECT loan_id, user_id, loan_amount, loan_time, -- 计算到当前日期的MOB（示例：当前日期为2024-06-01） DATEDIFF(month, loan_time, '2024-06-01') AS mob FROM loan_orders WHERE loan_time <= '2024-06-01' -- 只考虑当前日期前的放款 ), -- 步骤2：计算FPD10（仅针对MOB1） fpd10_data AS ( SELECT l.loan_id, MAX(CASE WHEN r.due_date < DATEADD(day, -10, COALESCE(f.repay_time, '9999-12-31')) THEN 1 ELSE 0 END) AS is_fpd10 FROM loan_orders l JOIN repayment_plan r ON l.loan_id = r.loan_id LEFT JOIN repayment_flow f ON r.plan_id = f.plan_id -- 只考虑MOB1内的还款计划：应还款日必须在放款后第一个月内（实际按具体产品周期调整） WHERE r.due_date BETWEEN DATEADD(month, 1, l.loan_time) AND DATEADD(month, 2, l.loan_time) -- 假设第一个还款周期为放款后1-2个月 GROUP BY l.loan_id ), -- 步骤3：计算每个订单在特定MOB月末的CPD0状态（以MOB1为例） cpd0_data AS ( SELECT l.loan_id, -- 在MOB1月末（即放款日+1个月的最后一天）的逾期状态 CASE WHEN MAX(r.due_date) <= DATEADD(month, 1, l.loan_time) AND MAX(f.repay_time) IS NULL THEN 0 ELSE 1 END AS is_cpd0 -- 简化逻辑，实际需精确计算逾期天数 FROM ... -- 具体逻辑需结合逾期定义 ) -- 最终汇总 SELECT lm.mob, COUNT(DISTINCT lm.loan_id) AS loan_count, SUM(lm.loan_amount) AS total_loan_amount, AVG(fpd.is_fpd10) AS fpd10_rate, -- FPD10比例 AVG(cpd.is_cpd0) AS cpd0_rate -- CPD0比例（在对应MOB月末） FROM loan_mob lm LEFT JOIN fpd10_data fpd ON lm.loan_id = fpd.loan_id LEFT JOIN cpd0_data cpd ON lm.loan_id = cpd.loan_id GROUP BY lm.mob; ``` ### 注意事项 - 实际风控系统中，逾期计算逻辑复杂（涉及宽限期、冲账顺序等），以上为简化示例。 - 需确保时间窗口正确（如MOB1的还款周期定义）。 - 观察时点（CPD0的检查日期）通常取每个MOB月的最后一天。 §§相关问题§§ 1. 在计算FPD10时，如何处理宽限期和节假日导致的还款顺延？ 2. 泰山大数据平台中，风控核心表（如还款计划表）的典型结构是怎样的？ 3. 如何优化上述SQL以处理大规模数据（例如上亿订单）的性能问题？ 4. 除FPD10和CPD0外，还有哪些常用风控指标可通过类似方式计算？ 5. 在计算MOB时，如何处理不同月份天数差异（如2月）导致的日期计算偏差？</think>在泰山大数据平台（Taishan Big Data Platform）中计算 **FPD10（首次逾期10+天占比）**、**CPD0（当前逾期0天占比）** 和 **放款额分布的MOB（账龄月数）** 需要以下核心数据和SQL逻辑： --- ### **必备数据表及字段** 1. **放款订单表**（例：`loan_order`） - `loan_id`（订单唯一ID） - `user_id`（用户ID） - `loan_date`（放款日期） - `loan_amount`（放款金额） - `product_type`（产品类型，可选） 2. **还款计划表**（例：`repayment_schedule`） - `schedule_id`（还款计划ID） - `loan_id`（关联订单ID） - `due_date`（应还款日） - `repay_status`（还款状态：0-未还，1-已还） 3. **逾期记录表**（例：`overdue_record`） - `record_id`（记录ID） - `loan_id`（关联订单ID） - `overdue_days`（逾期天数） - `overdue_date`（逾期发生日期） --- ### **核心计算逻辑（伪SQL）** #### 1. **计算MOB（账龄月数）** ```sql SELECT loan_id, DATEDIFF(MONTH, loan_date, CURRENT_DATE) AS mob -- 计算放款至今的月数 FROM loan_order; ``` #### 2. **计算FPD10（MOB1内首次逾期≥10天的订单占比）** ```sql WITH first_overdue AS ( SELECT loan_id, MIN(overdue_date) AS first_overdue_date -- 首次逾期日期 FROM overdue_record GROUP BY loan_id ) SELECT COUNT(CASE WHEN o.overdue_days >= 10 AND DATEDIFF(MONTH, l.loan_date, o.overdue_date) = 1 THEN 1 END) * 1.0 / COUNT(DISTINCT l.loan_id) AS fpd10_rate -- MOB1内FPD10比例 FROM loan_order l LEFT JOIN first_overdue fo ON l.loan_id = fo.loan_id LEFT JOIN overdue_record o ON fo.loan_id = o.loan_id AND fo.first_overdue_date = o.overdue_date; ``` #### 3. **计算CPD0（当前逾期0天的订单占比）** ```sql SELECT COUNT(CASE WHEN r.repay_status = 1 OR (r.due_date > CURRENT_DATE) THEN 1 END) * 1.0 / COUNT(DISTINCT l.loan_id) AS cpd0_rate -- 未到期或已还清的订单占比 FROM loan_order l JOIN repayment_schedule r ON l.loan_id = r.loan_id; ``` #### 4. **放款额分布的MOB（按MOB分组的放款金额统计）** ```sql SELECT DATEDIFF(MONTH, loan_date, CURRENT_DATE) AS mob, SUM(loan_amount) AS total_loan_amount -- 各MOB分组的放款总额 FROM loan_order GROUP BY 1; ``` --- ### **关键注意事项** 1. **时间口径**：需明确观察时点（如`CURRENT_DATE`）和逾期计算规则（是否含宽限期）。 2. **数据关联**：确保`loan_id`在表间一致，避免因数据孤岛导致统计偏差。 3. **性能优化**： - 对`loan_date`、`overdue_date`等字段建立分区 - 使用`WHERE`过滤近36个月数据（避免全表扫描） ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值