2019金融人群人群洞察报告-TalkingData

合集下载

2019新零售人群洞察报告-TalkingData

2019新零售人群洞察报告-TalkingData
二级分类消费指数二级分类消费指数二级分类消费指数二级分类消费指数二级分类消费指数二级分类消费指数休闲食品 1.04休闲食品 1.12粮油调味 1.11粮油调味 1.10粮油调味 1.13粮油调味 1.09面部护肤 1.00饮料冲调 1.00饮料冲调 1.00饮料冲调 1.00饮料冲调 1.00饮料冲调 1.00手机配件0.78粮油调味0.99休闲食品0.94休闲食品0.91休闲食品0.99休闲食品0.96手机0.76面部护肤0.9通讯充值0.66通讯充值0.66通讯充值0.67通讯充值0.73饮料冲调0.75手机0.81手机0.58手机0.52面部护肤0.58手机0.61通讯充值0.69手机配件0.73面部护肤0.57面部护肤0.51厨房小电0.53面部护肤0.59粮油调味0.67通讯充值0.69手机配件0.53手机配件0.49手机配件0.52手机配件0.55厨房小电0.49外设产品0.57厨房小电0.48厨房小电0.45手机0.51厨房小电0.47香水彩妆0.49厨房小电0.56尿裤湿巾0.46大家电0.43生活电器0.46外设产品0.45外设产品0.44生活电器0.48大家电0.46文具0.43大家电0.43生活电器0.44
上海
Top 3人群集中区:
1、渝北区
2、九龙坡区
3、江北区
重庆
北京
杭州
Top 3人群集中区:1、朝阳区2、海淀区3、丰台区
Top 3人群集中区:1、余杭区2、江干区3、西湖区
数据来源:TalkingData ,2019年6-8月
新零售人群在晚餐时间段内最活跃,最爱OPPO和vivo手机
新零售人群的Top 10安卓移动终端品牌新零售人群的十二时辰
TalkingData新零售人群洞察报告
注 : 观 点 及 数 据 来 源 于 Ta l k i n g D a t a 新零售人群定义

2019“银发人群”洞察

2019“银发人群”洞察
“银发人群”日均使用时长
8.7%
-1.5%
5.6%
银发人群日均使用时长(小时)
7.1%
14.2%
18.2%
环比增速情况
12.2%
-10.7%
-15.6%
0.7%
-1.5%
12.4%
4.3
5.1
4.5
5.1
4.3
4.3
4.3
4.8
3.1
3.4
3.3
3.5
3.8
201807 201808 201809 201810 201811 201812 201901 201902 201903 201904 201905 201906 201907
中国“银发人群”移动端用户规模
“银发人群”移动端用户规模(千万)
9.5
10.2
10.3
10.3
9.7
9.8
9.9
8.9
8.2
7.1 6.3
5.4 4.8
201807 201808 201809 201810 201811 201812 201901 201902 201903 201904 201905 201906 201907
Source:MobTech,2018.7-2019.7
5
“银发人群”城市等级分布
二线城市及以上的银发人群占比超过半数,这部分人群在移动互联网的用户行为更为活跃,表现 出更为强烈的用户偏好属性
中“国银社发会人6群0岁”及城以市上等人级口分数布量和占比
25.0% 20.0% 15.0% 10.0%
5.0%
“银发人群”性别分布情况
“银发人群”职业分布情况(TGI)
TGI 57

揭秘TalkingData 大数据生态

揭秘TalkingData 大数据生态

揭秘TalkingData 大数据生态TalkingData是一家专注于大数据的科技公司,致力于为各行业提供数据分析、技术服务、广告营销等解决方案,构建全球领先的大数据生态系统。

在这个数字化战争的时代,大数据的作用愈发明显,而要说到大数据,TalkingData无疑是一个不可忽视的角色。

本文将从以下几个方面揭秘TalkingData大数据生态。

一、TalkingData数据特点TalkingData 数据特点主要是基于大规模的用户数据采集,使用多维度的用户行为特征进行数据分析,并集成多个数据源输出业务数据支持等功能,最终实现全面深度的数据分析,为全行业的企业提供数据支持。

二、TalkingData数据采集TalkingData数据采集主要有三种方式:SDK集成、API接口、数据完成。

SDK集成是最主要的一种方式,公司各个业务线都有对应的SDK提供对外接口进行数据采集,从而获取数据;API接口是指通过对外提供开放的API来进行数据采集,目前主要用于PC端数据采集和用户行为数据采集,目前比较受欢迎的是Hadoop技术;数据完成是集成社交数据来源,完善数据来源,这类数据都是需要权限授权的。

三、TalkingData数据分析平台TalkingData数据分析平台主要分为十大模块,包括数据管理模块、实时数据分析模块、离线数据分析模块、行为分析模块、用户画像模块、AB测试模块、推荐模块、信息模块、拉橙模块和公众号模块。

数据管理模块主要是数据采集、处理和存储;实时数据分析模块可以分析大数据流,而不用担心系统崩溃;离线数据分析模块可以对离线数据进行分析处理;行为分析模块具有自动化平台的技术支持,可以基于之前的行为数据进行分析和预测;用户画像模块能够对不同的用户群体进行分类和画像;AB测试模块可以对不同的测试方式进行对比;推荐模块是通过对用户的历史行为进行分析推荐;信息模块可以为用户提供信息的收集和处理;拉橙模块则是集成第三方橙蜜的数据,同时提供精准的广告服务,最后是公众号模块,通过微信公众号进行数据分析。

她经济:中国女性消费“掘金潮”来临

她经济:中国女性消费“掘金潮”来临

她经济:中国女性消费“掘金潮”来临2015年,阿里巴巴创始人马云曾对女性消费做了一个判断:“女性在未来的世界,将会真正成为主宰。

没有女性就不可能有阿里巴巴,抓住了女性就抓住了消费。

”一年后的三八妇女节,针对女性消费者的“造节”促销“3.8女王节”,从淘宝正式迁移到天猫,从此开启了继双十一和双十二后的又一场消费狂欢,而同在这个硝烟弥漫的战场上还有京东 “蝴蝶节”、苏宁“闺蜜节”、亚马逊“女人节”……中国女性强劲而持续的消费实力,成为各大电商与零售争夺的“战略重地”。

中国的“她经济”到底有多大?波士顿咨询公司(BCG)消费者洞察曾对女性消费趋势进行的分析发现,中国女性主导了家庭消费中的62%,这一比例远远领先于世界其他主要消费市场。

按此计算,中国女性消费市场整体规模在2015年就已达到2.6万亿美元,比日本全国消费总量的2.4万亿美元还要大。

(如图1)国泰君安研究报告数据表示,2018年中国近75%的家庭消费决策由女性主导。

预计2019年,女性市场规模将达到4.5万亿美元。

而在消费动机方面,BCG对全球主要经济体女性消费者的调查发现,中国女性在“我觉得我拥有的东西不足够,仍需要买新的东西”这一问题上认同度最高,比排在第二位的德国高出10%。

研究也发现,现代女性乐于通过购物获得满足感,高达72%的中国女性被访者表示“有能力买新东西使我感到很快乐”,比例高于其他主要消费市场。

可见,“她经济”作为未来消费行业持续增长引擎的地位将难以撼动。

随着女性的消费意识觉醒,未来增长空间将十分广阔。

10050家庭消费占比,%图1 中国家庭消费决策超六成由女性主导来源:BCG2015全球消费者信心调查282921211212213214215216217 0%5%25%10203040图2 2008-2017年中国社会消费品零售总额及增速(非累计)社会消费品零售总额(万亿元)社会消费品零售总额增长率GDP增长率来源:第一财经商业数据中心、国家统计局文|李莹亮March 2019互联网消费生态全面形成,年轻女性引领消费革命第一财经针对年轻消费力的《2018中国互联网消费生态大数据报告》指出,随着中国中等收入群体的不断扩容,巨大的消费升级需求将继续释放。

下沉市场人群洞察报告

下沉市场人群洞察报告

1下沉市场 价值几何——下沉市场人群洞察报告1下沉市场行业现状洞察1.1下沉市场潜力分析1.2下沉市场互联网玩家分析39.39.39.49.49.49.3201320142015201620172018下沉城市总人口 (亿人)2013年来,国内坚持推进城镇化,在发展城市群和都市圈重点方向引导下,进一步优化资源的分配,形成非下沉城市与下沉城市差异化发展之路,下沉城市人口流动趋势平稳。

9.3亿人截止2018年,国内下沉城市的人口总规模达到9.3亿人。

下沉城市非下沉城市国内人口分布(按城市)近年来,下沉市场成为社会热点。

“下沉”意指市场覆盖更加广阔、更具深度,能够深入一线、二线等城市之外的发展空间。

下沉市场拥有全国近七成的人口,潜力巨大。

66.6%2018年,国内66.6%的人口生活在下沉城市(三线、四线、五线)。

73.876.075.377.783.991.3201320142015201620172018下沉城市手机普及率 (部/百人)2013年来以智能手机为代表的移动终端逐渐走进千家万户,随着移动互联网的广泛普及和应用,包括下沉城市在内的广大消费者享受到互联网带来的改变。

91.3部/百人截止2018年,国内下沉城市的手机普及率上升至91.3部/百人。

国内手机用户分布(按城市)下沉城市手机用户规模在全国占比54.1%,说明下沉市场具备较好的互联网发展环境,而且相比人口份额(占全国总人口66.6%),下沉市场仍旧存在较大增量潜力。

54.1%2018年,国内下沉城市手机用户占全国手机用户总数54.1%.下沉城市非下沉城市45.1%44.5%44.7%44.6%44.1%43.6%105799.62013120001.82014134138.62015148509.12016162928.72017171865.32018下沉城市社会消费品零售总额 (亿元)下沉城市消费力呈现逐年提升的发展趋势,十几万社会消费品零售总额表明下沉市场消费空间巨大,不仅发挥出经济增长主要引擎的作用,而且对于推动消费升级意义重大。

2019汽车人群洞察-TalkingData

2019汽车人群洞察-TalkingData
8%10%12%14%16%
50010001500200025003000
35002010201120122013201420152016201720182010-2018年汽车销量及增速
总销量(万)乘用车销量(万)商用车销量(万)
新能源汽车销量(万)
总产量增速
数据来源:中国汽车工业协会
2018年库存预警指数创新高,车企经营压力大
67%
52%
52%
55%
54%
59%
54%
52%
59%
67%
75%
66%
40%
45%50%55%60%65%
70%75%80%1月2月3月4月5月6月7月8月9月10月11月12月
2017-2019年汽车库存预警指数
2019年
2018年
2017年
数据来源:中国汽车流通协会
汽车保有量增长空间依然可观,中国仍为增量市场
网络购物
金融理财
图片摄影
移动视频
移动工具
手机游戏
音乐音频
应用分发
电子阅读
出行服务
学习教育
旅游服务
健康美容
新闻资讯
餐饮服务
智能硬件
人力资源
生活服务
汽车服务
快递物流
移动医疗
房产服务
育儿母婴
新零售
App 行为分析
覆盖率
活跃率
TGI
智能手机占比: 47%
特征解读-近期出入过汽车销售场所的一线和新一线无车中老年用户
200500-700
>1500FCV 销量(万辆)0.55100NEV 占比(%)
6-7%
15-20%
>40%

TalkingData人本数据观

TalkingData人本数据观

TalkingData人本数据观作者:郑迪来源:《软件和集成电路》2017年第08期1916年的纽约,路边等候的人都在看报纸,但是今天越来越多的人关注的是自己的手机,地铁里、公交站边,随处可见。

这些转变使我们关注每个个体所产生的单体数据,从而组建我们庞大的数据库,而我们更关注的是从数据的搜集到处理,乃至于我们对数据的分析,建立我们的产品体系来解决一个又一个问题。

简单介绍一下我们的公司TalkingData成立于2011年,是国内领先的独立第三方移动数据服务平台。

一直致力于数据的深耕与数据价值的挖掘,从数据的采集、处理到数据的分析,再到数据的应用与咨询,形成了一套以“智能数据平台(SmartDP)”为主的完整数据应用体系。

目前,TalkingData的平均月活跃用户为7亿,为超过12万款移动应用,以及10万应用开发者提供服务,覆盖的客户主要为金融、地产、快消、零售、出行、政府等行业中的领军企业,连续三年实现业务的快速增长。

成立五年多来,TalkingData秉承“客户优先、开放坦诚、担当意识、创业精神、创新精神”的企业文化,胸怀“数据改变企业的决策方式,数据改善人类自身和环境”的愿景,本着“帮助客户转型升级为数据驱动型企业”的使命,践行着“用数据说话”的原则,逐步成长为中国大数据领域的领军企业。

在各类数据的结合上有三点是比较重要的:一、统一接口的数据源。

二、合适的数据要应用到合适的场景,保证我们解决问题的确切性。

三、我们是自主研发的核心算法,保证我们本身对于整个数据工具的可操作性。

最终我们形成了最核心的一个平台,也就是SmartDP(智能数据平台),通过SmartDP把我们的功能和服务结成一体化,切实地解决问题。

所以我们的核心产品生态是一个圈层,包含数据科学、数据管理乃至数据工程,这样才能支持我们的团队来解决实际的城市问题。

接下来看一下我们的实际案例。

我们的实际案例是根据项目需求做的一些应用场景,TalkinData有专业的咨询团队,能够根据现有的问题进行丰富的数据分析、特定数据和区域的观测,乃至多人群的行为分析,最终观测到重点人群的需求画像描述,从而解决客户问题。

揭秘TalkingData 大数据生态

揭秘TalkingData 大数据生态

揭秘TalkingData 大数据生态随着科技的日新月异,大数据已经成为了社会发展的一个热门话题。

TalkingData以其独到的大数据技术和强大的算法系统,成为了大数据生态的佼佼者。

对于TalkingData的大数据生态,我们可以从以下几个方面来揭秘。

首先,TalkingData的数据来源十分广泛,涉及到了多个领域。

其数据来源包括了APP、移动互联网、电商、金融、物流等多个领域,能够帮助企业从多个角度进行精细化的业务分析和数据挖掘。

这一点也是TalkingData所独有的,相比于其他的大数据公司,TalkingData的数据参考面更加广泛,数据稳定性也更高。

其次,TalkingData的大数据技术十分强大。

TalkingData拥有一支高水平的技术团队,并且在技术研究和算法创新上下了一定的功夫。

TalkingData的技术之所以强大,是因为其团队对于数据算法的应用能力十分熟练。

在大数据处理过程中,TalkingData采用的是数据分析、数据挖掘、人工智能等多种技术手段,能够将数据分析和处理得更加准确和精细。

同时,TalkingData也拥有自己的数据平台,能够让数据挖掘和处理的过程变得更加高效和快速。

最后,TalkingData实现了自己的商业模式。

TalkingData自主研发的数据产品包括了移动统计分析、营销推广、大数据运营、AI推荐等多种类型。

这些数据产品可供企业用户和开发者使用,包括了数据分析、营销策略、用户画像、推荐系统等多个方面。

同时,TalkingData也积极开拓与其他企业的合作,为商业客户提供更加精准的服务。

综上所述,TalkingData作为领先的大数据公司已经构建了自己的完整大数据生态。

无论是数据来源上,还是数据技术上,都能够保持自己的优势。

未来,TalkingData将继续发扬其大数据技术的优势,为不同行业的客户提供更加优质的服务。

除去以上三个方面,TalkingData的大数据生态还有以下几个值得注意的点。

2019“银发人群”洞察

2019“银发人群”洞察
银发人群对手机满意度较高,主要诉求在于对智能手机的速度和存储空间上,与此同时偏好大屏 幕手机
银发人群重视的手机性能
银发人群不满意手机的原因
Source:中国社会科学院社会学研究所、腾讯社会研究中心 、Mob研究院
14
旅游出行:世界那么大,他们爱去哪里看看
国内排名靠前的城市包括上海、丽江、重庆、三亚等南方城市,国外排名靠前的包括泰国、日 本、新加坡等东亚和东南亚周边国家
“银发人群”日均使用时长
8.7%
-1.5%
5.6%
银发人群日均使用时长(小时)
7.1%
14.2%
18.2%
环比增速情况
12.2%
-10.7%
-15.6%
0.7%
-1.5%
12.4%
4.3
5.1
4.5
5.1
4.3
4.3
4.3
4.8
3.1
3.4
3.3
3.5
3.8
201807 201808 201809 201810 201811 201812 201901 201902 201903 201904 201905 201906 201907
TGI 237
华为 22.0%
vivo 14.8%
OPPO 18.0%
TGI 272
4000以上
TGI 185
8.1%
3000-3999
11.8%
1000以下 16.8%
1000-1999 31.7%
2000-2999
31.6%
TGI 126
Source:MobTech,2019.7
13
手机设备:对智能手机的速度和存储空间有要求

TalkingData-移动金融行业人群洞察白皮书-2019.5-35页

TalkingData-移动金融行业人群洞察白皮书-2019.5-35页
移动金融行业人群洞察白皮书
1
移动金融行业发展洞察
移动金融行业 • 金融市场宏观环境 • 金融市场发展阶段 • 移动金融用户规模 • 金融市场行业格局
环境:金融行业总体保持平稳发展,银行业体量远超保险和证券
金融行业细分领域市场概况
金金融融行行业业资资产产概概况况
241.58万亿
截至2017年10月末,我国银行业 金融机构总资产接近250万亿元, 同比增长10.0%。
52.4%
快手
47.7%
全民K歌
39.2%
喜马拉雅
31.5%
网易云音乐
29.9%
铃声多多
覆盖率
23.4% 22.6% 11.6% 10.8% 8.8%
手机银行人群
视频是“手机银行人群”重度偏好的触媒形式,他们之中60%以上都喜欢追剧、看电影和综艺节目。在电视剧类型偏好 上,他们追剧的兴趣比较多元,剧情、都市、偶像、古装和爱情等均得到较高渗透;相比整体移动互联网人群,他们在 悬疑、科幻方面的TGI指数更高,拥有一颗猎奇心。在综艺节目观看类型上,他们最偏好真人秀场,但TGI指数相对较高 的脱口秀亦能够令他们放松下来享受当下。
手机银行作为较早实现移动化的金融领域,吸引了国有商业银行、股份制商业银行和外资银行等银行机构对移动应用的 投入,“手机银行人群”结构与银行业的传统人群结构比较类似,呈现出5大国有商业银行为绝对主体,股份制商业银行 不足1/4,外资银行占比较低的局面。
手机银行类应用使用率
使用率 18%
15%
58%
12%
视频内容偏好
90%
180
80%
160
70%
140
60%
120
50%

TalkingData:2020年下沉市场人群洞察报告

TalkingData:2020年下沉市场人群洞察报告

TalkingData:2020年下沉市场人群洞察报告下沉市场人群洞察报告
近年来下沉市场凭借庞大的人口基数、不断普及的互联网覆盖和快速增长的消费需求,成为备受关注的宝藏市场,各大主流互联网公司纷纷布局下沉市场,造就诸多社会热点。

但较一二线城市而言,下沉城市的收入结构、生活方式、工作节奏、以及文化娱乐都有所不同,如何正确认识下沉市场,读懂下沉人群,成为赢得下沉之战的重要砝码。

TalkingData通过移动大数据分析和问卷调研的方式从招聘、房产、生活服务和汽车四大维度洞察下沉人群,为市场读懂下沉人群提供借鉴。

2019电商人群洞察报告-TalkingData

2019电商人群洞察报告-TalkingData
TalkingData电商人群洞察报告
注 : 观 点 及 数 据 来 源 于 Ta l k i n g D a t a 电商人群定义
01
02
人群定义 评选模型
电商人群定义:
是指统计周期内使用过电商类App的用户群体。 中国网络交易总额全球领先,近三年复合增长率达24%
数据来源:麦肯锡《2019年中国数字消费者趋势》 移动电商行业用户体量趋于饱和

25 女性偏好海淘护肤控,男性偏好生鲜高级宅
女性消费者电商偏好TGI 101综合电商TGI ห้องสมุดไป่ตู้01
团购TGI 124
海淘
男性消费者电商偏好TGI 137二手闲置TGI 141生鲜电商
19

25
男性电商消费偏好TOP 5 外设鼠标上榜女性电商消费偏好TOP 5 面膜、电饭煲上榜
26 房产及育儿母婴活跃显著,女性对图片摄影依赖性高
0-50082.12%89.06%88.38%88.76%
500-200013.20%8.77%9.23%8.83%
2000-5000 3.65% 1.84% 2.01% 2.02%
5000-10000 1.02%0.32%0.38%0.40%
二手闲置与生鲜电商属于全年龄段需求
0%
5%10%15%20%25%
30%35%40%土豪
高级白领
小白领
蓝领
T G I
男女
男性偏好旅游服务,女性注重健康美容与人力资源
36 丨 45 36丨45
女性容易被电商促销所吸引,男性偏好二手及票务
女性对电商促销表现出更高的敏感度
女性消费者
网购兴趣特征
海外购物个护化妆
服饰首饰鞋靴箱包

不同写字楼人群洞察-TalkingData

不同写字楼人群洞察-TalkingData

110000 90000 70000 50000 30000
数据来源:云房数据研究中心
图:2014-2016年商圈内二手住宅价格走势(单位:元/㎡)
国贸 中关村 望京
/ 12 /
2014年1月 2014年2月 2014年3月 2014年4月 2014年5月 2014年6月 2014年7月 2014年8月 2014年9月 2014年10月 2014年11月 2014年12月 2015年1月 2015年2月 2015年3月 2015年4月 2015年5月 2015年6月 2015年7月 2015年8月 2015年9月 2015年10月 2015年11月 2015年12月 2016年1月 2016年2月 2016年3月 2016年4月 2016年5月 2016年6月 2016年7月 2016年8月 2016年9月 2016年10月 2016年11月 2016年12月
写字楼人群属性分析
Part 02
写字楼所属商圈分析
Part 03
商圈写字楼潜力分析
/ 3/
Part 01
写字楼人群属性分析
人群属性:男性居多,中关村男性比例最高
2016年12月,对比北京不同区域写字楼人群发现,中关村地区男性偏多;相对来看,国贸和望京女性比例高于中关村
2016年12月 不同写字楼人群性别结构
汽车服务 休闲娱乐 文化教育
家用电器
2016年12月 不同写字楼人群线下消费类别tgi
美容消费
140
金融
120
餐饮
100
80
60
数码
40
美容消费 金融 金融 零售卖场
服饰鞋帽
零售卖场
箱包
休闲娱乐 餐饮
国 贸

人群调研报告(集锦10篇)

人群调研报告(集锦10篇)

人群调研报告(集锦10篇)众所周知,实践是检验真理的唯一标准,不管我们是学习,还是工作中。

报告使用的次数愈发增长,撰写报告可以提高我们的收集整理归纳分析的能力,高质量的报告该怎么去写?想了解“人群调研报告”的起源和发展历程请继续阅读,希望能为你提供更多的参考!“高净值”是中国超高净值人群(本文指个人总资产――包括实物资产和金融资产,超过5亿元人民币的人群)成长的必经阶段,高净值人群(本文指个人总资产――包括实物资产和金融资产,超过1亿元人民币的人群)是聚焦超高净值人群开展研究的更为广泛的基础人群。

因此,在本次研究开展之前,我们首先对包括超高净值人群在内的高净值人群的总体情况进行总领性研究。

数据显示,截至2023年9月末,中国高净值人群约6.7万人,比上一年度增加了2500人,上升比例为3.9%。

年至年,高净值人群规模快速增长,每年增长比例均超过5%。

受经济下行因素影响,年增长率仅为1.6%,涨幅为5年来最小,而2023年又有所回升。

高净值人群主要由三部分人群构成:企业主:企业的拥有者,占80%,大约5.4万人。

企业资产总量占其所有资产的62%。

企业主平均拥有1200万元以上的自住房产,350万元的汽车。

炒房者:主要指投资房地产,拥有数套房产的人,占15%,大约1万人。

房产投资总量占其所有资产的60%。

炒房者平均拥有2200万元以上的自住房产,300万元的汽车。

职业股民:收益主要来自股票投资的人,占5%,大约有3350人。

股票、现金和其他投资总量占其所有资产的73%。

职业股民平均拥有2500万元以上的自住房产和200万元的汽车。

中国超高净值人群约17,000人,总计资产规模约31万亿元人民币,平均资产规模18.2亿元人民币。

这部分人群主要以企业主为主。

从地区分布看,北部和东部人数占比最高,分别超过1/3;中西部涵盖的省市最多,但总人数占比最低;南部虽然只有三个省,但总人数占比近1/5从省市分布看,北京、广东、上海、浙江的占比最高,均超过10%。

TalkingData数据关于下载、活跃及付费等玩家行为

TalkingData数据关于下载、活跃及付费等玩家行为

TalkingData数据:关于下载、活跃及付费等玩家行为TalkingData公司CEO崔晓波在2014年移动游戏产业发展峰会上分享了其平台下2013年的整体数据,信息包括移动游戏产业规模,玩家下载、安装、卸载以及活跃时间和付费等行为的具体统计数据。

以下为崔晓波演讲中分享数据的PPT实拍:以下为部分演讲实录:大家好,作为最后一个演讲者,可能有点小压力,既怕时间占的太多,又怕内容太乏味。

首先还是非常感谢GMGC的宋总给我这个机会跟大家分享一下TalkingData对整个移动游戏产业,对去年的总结,以及对未来的一些粗浅的想法。

由于在座的各位都听说过我们,所以我不就不做公司介绍了。

首先我们看一下2013年的情况,根据TalkingData游戏统计平台的统计,我们有两个概念,第一个是在用活跃设备下,全年已经达到了3.2个亿,大家可以简单的理解,经过统计和检测的有3.2亿的联网设备,其中接触手游的人群有多少,大家可以看到在第一个季度只有七千多万人,到了第四季度这个人群达到了3.09亿,占整体在用活跃设备的96%,这个比例已经非常大了。

而刚才还有一个数据可以简单看一下,就是游戏人群的增长比例,是整个行业增长比例的1.5倍,游戏行业的增长更快一些。

这种增长是由于什么带来的?基本上我们要从两个维度去看一看,第一个是设备,从年初我们第一季度的统计来看,大概安卓对ios的比例是6:4,设备总量。

第四季度这样的一个比例被拉到了7:3,原因是因为安卓设备大量带来的增长。

大家从身边也可以观察到,包括小米、联想、华为等智能手机迅速在人群中普及,同时也带来了这样的一些增长。

我们看一下玩家的构成是怎样的,玩家整体的群体,我们从两个维度来看一下,第一就是玩家都会玩,会装多少种游戏,我们做了一个统计,截止到第四季度,手机里面至少装了五款以上的人群大概占到了62%,这是第一季度的3.2倍,我们叫一个人群为…因为有时候玩休闲游戏也很多,时间也很长,所以我们叫刚需人群的话…大概28%,是第一季度的3倍。

《移动营销迈进数据管理时代》 - TalkingData 宋显赫

《移动营销迈进数据管理时代》 - TalkingData 宋显赫

本文摘选自TalkingData 业务拓展总监宋显赫在『2014梅花网传播业大展』上的演讲《移动营销迈进数据管理时代》大家好,我是Talking Data业务拓展总监宋显赫。

在营销领域我想很多人可能对Talking Data比较陌生,刚才听了很多前辈非常精彩的演讲之后,我觉得我们还是处于小学生的阶段,不过没有关系,我相信通过我们非常扎实的数据管理、挖掘的技术能力,很快也会在营销领域为大家奉献我们非常精彩的一份力量。

今天我分享的主题分享的内容,可能是偏向传统有很多品牌广告主的合作或者PC领域,有部分涉及到移动互联网。

那么Talking Data实际上专注于在移动互联网领域来做大数据的公司。

我们目前面向开发者提供非常多统计分析的服务,例如说给开发者提供运营统计分析的工具,以及在广告行业来做广告监测平台。

除此以外,通过开发者所积累到的数据,我们也会跟很多公司进行一些数据交换,比如机锋、91、360等等这些比较大的第三方市场,他们的应用推荐引擎也是由我们来提供的,由此我们也拿到了很多第三方市场的数据。

基于这些数据,我们组成了自己的数据中心,也就是对外已经开放的专注于移动端DMP数据管理平台,除此以外我们也会非常规模化跟很多公司进行数据交换,因为作为移动端的一个第三方我们也相信只有数据流通起来才会更加的有意义。

除此以外,我们还会在很多行业提供数据方面的增值服务,包括像现在的十大股份制银行,证券、保险公司都在移动端使用着我们为他们提供的定制化整体解决方案。

Talking Data 通过近三年的发展,目前在移动端以及SDK覆盖独立设备超过8.5亿,为超过5万款APP提供我们的数据服务,其中不乏嘀嘀打车、蜻蜓MF,游戏端TOP100游戏里面,有近3/4是我们的客户,也就是说在座各位可能此时此刻手机里面就已经植入了我们的SDK。

上一位演讲嘉宾也分享了整个广告行业的生态链,因为我们是专注于移动互联网,所以给大家单独做了一份移动互联网生态链的图表。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

第二篇: 金融族群 无监督机器学习
第二篇采用无监督机器学习对十亿多 行为特征依照标签分值进行聚类, 从 而形成了依照用户的近似行为特征而 划分的族群, 由于篇幅限制, 本报告 展示聚合而成的十个族群。(以安卓 设备为主)
金融从业者-北京 VS 上海
已婚对比
TOP5手机品牌
北京
42.55%
上海
41.36%
• 该族群疑似羊毛党或是机器人; • 从24小时活跃的应用排名中看到, 几乎都是金
融借贷类的App, 另外, 从他们的App使用习惯 而运算得到的年龄, 已婚, 性别等特征也不合 乎社会学逻辑.
城市TOP10
占比
徐州市 宿迁市 深圳市
4.65%
100%
3.28%
2.21%
80%
北京市
2.21%
60%
160
140 120
• 他们广泛且高频率的使用各种常见的数据工具
100 80
管理自己的工作和生活;
60 40
• 他们对于新闻资讯/人力资源/新零售类App的
20
0
TGI更高, 表明他们比其它族群更加关注此类信
息.
App行为分析
覆盖率
活跃率
TGI
120
100
80
60
40
20
0
金融人群侧写-#2数字内容的沉溺者
金融人群众生相
十亿个特征 十个族群
金融人群, 十大聚类族群的城市分布
#0 疑似 羊毛党 /机器人
#1 畅享数字
生活的 小白领
#2 数字 内容的 沉溺者
#3 为生活 奔波的 平凡人
#4 老年的 视频内容 消费者
#5 退休前 的职场 奋斗者
#6 年少与 年老的品质 生活追逐者
#7 数字化 生活的 核心力量
#8 年轻 爱消费的 贷款用户
#9 完成财富
积累的 老年人
金融人群侧写-#0 疑似羊毛党/机器人
#0
女性, 1.07%
男性, 98.93%
百分比
TGI
50%
500
40%
400
30%
300
20%
200
10%
100
0%
0
18-24岁 25-29岁 30-34岁 35-39岁 40-44岁 45-49岁 50岁+
TalkingData金融人群洞察报告
——暨金融人群最具投放价值媒体奖揭晓 Best Media For Target Audiences
TalkingData
互联网金融用户增速放缓,政策管控趋紧推动市场规范化发展
18,000 16,000 14,000 12,000 10,000
8,000 6,000 4,000 2,000
新零售 育儿母婴
App行为分析
覆盖率
活跃率
TGI
250
200
150
100
50
0
金融人群侧写-#1畅享数字生活的小白领
#1
女性, 20.23%
男性, 79.77
%
百分比
TGI
40%
30%
20%
10%
0%
24小时 活跃应用排名
1
微信
100%
2
QQ
80%
3
支付宝
4
手机淘宝
60%
5
抖音短视频
40%
6
QQ浏览器
公募基金, 4% 国债/债券, 4%
银行存款储蓄, 17%
其他, 6% P2P, 8%
货币基金, 17%
保险, 8%
银行理财,
股票, 10%
13%
数据来源:BGC《全球数字理财管理报告2018》
钱包正在”智能手机化”
实体卡
现金
钱包
电子理财
扫码支付
电子购物
TalkingData通过智能手机行为“数说金融”
年龄对比
0% 18-24岁 25-29岁 30-34岁 35-39岁 40-44岁 45-49岁
50岁+
苹果,56%
北京
上海 50%
TGI指数 100%
80% 60% 40% 20%
0%
北京
上海
100% 80% 60% 40% 20% 0%
北京
上海
华为, 17% OPPO, 小米, 荣耀,
6% 5% 5% 苹果,51%
0
2014.12
2015.6
互联网金融用户*规模(万)、使用率及增长率
2015.12
2016.6
2016.12
用户规模
使用率
2017.6 增长率
2017.12
2018.6
2018.12
35% 30% 25% 20% 15% 10% 5% 0% -5% -10% -15%
数据来源:CNNIC
注:互联网金融用户,指通过互联网管理理财产品,以期获取一定利益的人群,此处不包括网络支付用户。
20%
7搜狗输入法8手机0%9快手
10
拼多多
通讯社交 网络购物 移动工具 移动视频 音乐音频 应用分发 图片摄影 手机游戏 出行服务 新闻资讯 电子阅读 餐饮服务 人力资源 旅游服务 生活服务 学习教育 智能硬件 汽车服务 健康美容 快递物流 育儿母婴 房产服务 移动医疗
新零售
180
• 该族群较为均匀的分布在一线以外的城市;
TalkingData自有数据源 金融行为活跃
本部分使用了TalkingData自有的数据 源, 采用约1亿个金融行为活跃的设备 数据, 每个设备拥有数十个标签, 形成 了超过十亿的行为特征;
第一篇: 金融从业者-北京 VS 上海
第一篇研究的是北京和上海两地核心 金融区域为工作地的用户的特征, 北 京主要研究的是金融街区域, 上海主 要研究的是外滩区域;
中国理财产品线上渗透率国际领先,银行、货币基金为资金主要流向
美国、中国、新加坡、英国理财产品线上渗透率
美国
中国
40.7%
34.6%
新加坡
27.9%
英国
24.9%
中国互联网理财用户可投资资产主要投资去向
私募股权和风险 私募证券基金,
投资, 2%
2%
其他固定收益类
信托,
产品, 3%
3%
海外投资, 2%
覆盖率
活跃率
TGI
覆盖率
活跃率
TGI
小米, 华为, 14% 7%
OPPO, 5% 荣耀, 5%
800 600 400 200 0
800 600 400 200 0
金融从业者-北京 VS 上海
北京
年轻从业者更多 房产服务的覆盖率和TGI 更高
上海
资深从业者更多 新零售的覆盖率和TGI 更高
共性
iPhone/华为是标配 基础种类App行为基本 一致
#2
女性, 38.05%
40%
30%


20%
性,
10%
61.9
0%
5%
百分比
TGI
24小时 活跃应用排名
1
微信
100%
2
QQ
80%
3
迷你世界
4
抖音短视频
60%
上海市
2.09%
40%
广州市
2.01%
东莞市
1.74%
20%
连云港市
1.53%
0%
重庆市
1.51%
成都市
1.39%
通讯社交 金融理财 网络购物 移动工具 移动视频 图片摄影 应用分发 出行服务 音乐音频 健康美容 智能硬件 电子阅读 手机游戏 旅游服务 新闻资讯 生活服务 餐饮服务 学习教育 人力资源 房产服务 快递物流 移动医疗
相关文档
最新文档