分类
如何投資虛擬貨幣

利用免费的技术分析和市场分析来改进您

Looker

Looker Blocks 通过 Looker 信息中心和数据探索功能帮助团队快速上手。Looker 与来自客户、合作伙伴和 Google 的专家合作构建 Blocks,以加快跨不同数据源、使用场景和分析需求实现价值的时间。我们提供了多种适用于 Google Analytics 360 和 Salesforce 的 Looker Blocks、公共天气和人口普查数据、Contact Center AI 和跨云结算功能。

适合游戏的 Looker 解决方案

通过 Looker Actions 中的现成集成,最大限度地减少手动步骤并自动执行操作工作流;或者构建您自己的自定义操作。使用户能够直接在 Looker 中处理数据,而无需在应用之间切换,以便在需要时从数据中快速获取可作为行动依据的价值。通过将 Looker 集成后的数据发送到其他系统以触发工作流和自动执行任务,从而更智能地开展工作。

数据操作:从 Looker 对数据洞见采取行动

Looker 的 Action Hub 使用场景

利用 Google CCAI 和 Looker 改善联系体验

Google Cloud 基础知识

Google Cloud 费用管理

适用于 Google Marketing Platform 的 Looker Blocks

详细了解 Looker Blocks 和其他 Looker 功能

Looker Blocks 和 Actions Looker Blocks 和 Actions 是预构建的代码段,可加快分析、数据分析、工作流和应用的开发速度。Looker Blocks 包括经过优化的 SQL 模式、数据源连接、预先建模的外部数据、自定义分析、交互式可视化和嵌入功能。操作可以将第三方工具(例如 Slack 和 Marketo)的功能添加到 Looker。
Looker 扩展程序框架 Looker 扩展程序框架是一个全代管式开发平台,可让开发者直接在 Looker 中构建数据驱动型应用、工作流或工具,而不需要启动和托管基础架构。通过扩展构建 Web 应用的一些步骤(包括身份验证、访问权限控制和 API 访问),扩展程序框架可以节省开发者的时间。
Looker 提醒 Looker 提醒是可配置的操作,可自动按特定频率检查特定数据。如果数据满足管理员或授权用户指定的条件(包括特定值、变化百分比或时间值),则 Looker 可以通过电子邮件或 Slack 通知自动向指定个人发送提醒。
Looker 安全性 Looker 安全性提供身份验证、访问权限控制和数据治理功能,可帮助实现 GDPR、HIPAA 和 SOC 2 Type 2 合规性。AES 256 位加密有助于保护数据库连接凭据和静态存储的缓存数据。TLS 1.2 可以加密用户的浏览器与 Looker 之间的网络流量。管理员可以控制对数据库、行和/或列的数据访问权限。
Looker 利用免费的技术分析和市场分析来改进您 组件 组件是 Looker 界面代码的一部分,开发者可以使用这些代码创建直观的应用和扩展程序。借助过滤组件,开发者可以在应用和嵌入式信息中心内添加 Looker 过滤器控件,例如滑块、标记列表和单选按钮。组件可以减少应用维护和开销,简化开发并增强数据体验。
Looker 移动应用 适用于 iOS 和 Android 的 Looker 原生移动应用,使内容消费者能够随时随地使用 22 种语言中的任意一种语言访问其数据。查看电子邮件和聊天时,与他人共享您的内容并在您的桌面设备和移动设备之间切换。登录选项包括二维码访问和生物特征验证,以帮助提高安全性。
永久性派生表 (PDT) 和增量 PDT 标准 PDT 是 Looker 写入到数据库的暂存架构中的表,该表可以智能查询尽可能小的数据集。这样做可以减少数据库负载并加快查询性能。增量 PDT 适用于大型数据集。通过启用此选项,数据团队可以将最新数据附加到 PDT,而无需触发表重新构建。PDT 是 Looker 的总体认知度的基础。
Looker 多云支持 Looker 多云支持有助于实现数据体验。在 Microsoft Azure、Amazon Web 利用免费的技术分析和市场分析来改进您 Services (AWS) 和 Google Cloud Platform 上以原生方式运行 Looker。将 Looker 连接到云中的数据,包括本地系统、Azure、AWS 和 Google Cloud Platform。此外,Looker 支持 60 多种不同的数据库方言以及超过 60 种 SQL 方言。

适合您企业的价格

使用 Looker 平台,您不仅可以获取 BI 工具,还可以获得 Looker 分析服务、现代化的数据堆栈、集成、应用开发、全面的专业服务,以及高质量的支持服务。

利用免费的技术分析和市场分析来改进您

而 Coinbase 就处在这个全新市场的核心位置。Coinbase 的总部位于旧金山,是一个数字货币的交易平台,并提供相关的钱包服务。自 2012 年成立以来,已有 2000 多万商家和消费者在 Coinbase 平台上进行了超过 1500 亿美元的数字货币的交易。

与所有金融服务公司一样,Coinbase 需要采取措施确保其运营环境的安全。为此,该公司使用 了基于 Amazon Web Services (AWS) 机器学习的人工智能 (AI)来完成这一艰巨任务。

“Coinbase 从创始之际,DNA 中就融入了人工智能技术。” Coinbase 的数据科学主管 Soups Ranjan 说,“加密货币交易平台面临的最大风险之一就是欺诈,而机器学习是我们反欺诈系统的关键。”

Amazon SageMaker 是一种能够帮助用户轻松构建、训练和部署机器学习模型的工具,Coinbase 的工程师们利用它开发了一种基于机器学习的反欺诈系统,这个系统可以识别用户标识来源中的不匹配和异常情况,以帮助他们快速采取措施防范潜在的欺诈风险。

但这种方式在线上是行不通的。因此 Coinbase 使用 Amazon SageMaker 开发机器学习算法来进行图像分析,打击诈骗行为。例如,面部相似性算法能够自动从上传的身份证中提取面部特征,然后将这些面部特征与已上传的其他身份证的面部特征进行比较。诈骗者通常会将同一张照片放在多个身份证件上,因为否则他们必须在身份证上的几个位置编辑面部照片。而通过这种面部相似性算法,Coinbase 可以快速发现这些伪造的证件。

“机器学习有助于 Coinbase 抵御欺诈风险,同时为客户提供更高的灵活性,我们希望我们的客户获得最佳用户体验。”

Soups Ranjan
数据科学主管
Coinbase

“机器学习有助于我们平衡 Coinbase 的风险,通过为客户提供的灵活性,我们希望他们获得最佳体验。”

Soups Ranjan 利用免费的技术分析和市场分析来改进您
数据科学主管
Coinbase

“事实上,数字货币交易平台的客户通常会使用平台提供的不同类型的服务,”Ranjan 说。“机器学习不仅有助于 Coinbase 抵御欺诈风险,而且能够帮助我们的客户获得最佳的用户体验。”

在构建反欺诈算法中积累的经验也使 Coinbase 能够为客户提供定制化的用户体验 -- 这是一种简单并且直观的方式,用于区分那些购买并持有少量数字货币的初级投资者,以及那些频繁交易的专业用户。在最近的一次客户群划分练习中,Coinbase 的 分析师只要简单地在笔记本电脑上编写聚类算法,然后就可以通过 SageMaker 运行这些算法来分析客户是如何对加密货币进行操作的,将那些只是热衷于交易的人从长期投资的人群中划分出来。

同时,风险管理只是数字货币交易平台业务管理的一个方面。鉴于其数字化的本质,加密货币与传统的金融市场一样,每天都会产生并需要处理大量数据也就不足为奇了。“我们的数据仓库收集来自各种微服务的数据,包括区块链和用户数据 - 总共有数百 TB,”Ranjan 说。“自今年年初以来,这个数字已经翻了一倍。”

由于在高度监管的环境下运营,Coinbase采取了额外的措施来确保客户数据得到保护,甚至连Coinbase自己的数据科学家和工程师都无法随意访问到这些数据。在 Coinbase 生产服务器上运行的任何代码在投产前都必须经过多组人员的代码审查。“我们的核心原则之一就是安全第一,因为存储在我们平台上的数字资产都属于我们的客户。”Ranjan 说。

在对安全高度敏感的环境中,对数据访问的限制使得机器学习变得更加困难,因为出于安全考虑,机器学习工程师不能在未授权的情况下登录到生产服务器,或运行尚未经过审核的代码。为了克服这一挑战,Coinbase 让机器学习工程师使用经过彻底审核并提交到 Amazon Elastic Container Registry 的代码访问数据日志。

归根结底,数字加密货币的存在源于信任。像 Coinbase 这样的公司可以依赖 AWS 提供的技术和服务 来建立和维护这种信任,不断地防患于未然。

商业分析,贵在应用,重在坚持

首先,风控及反欺诈管理是金融企业管理的重要领域,是银行正常运作的命脉。其中,利用数据分析建立定制化风险模型、信用评分卡等方法和管理流程已有相当长的历史,具备一定规模,自成体系,在此不多赘述。近几年,由于互联网的迅猛扩展,加上全球业务的快速变化,银行正在面对日益复杂的市场和业务环境,其中包括P2P/众筹新兴业务的出现,多变的金融欺诈手法,新型的洗钱活动,国际/国内监管部门对风控管理要求的提高等。这就要求银行能够依托高效、集成的风险数据基础设施,利用行内/外的海量信息,来衡量业务环境中所有类型的敞口与风险,提升对风险及欺诈行为的识别、评价、预警能力,在风险和收益中寻求最佳平衡, 以支持和确保企业的健康均衡发展。

接下来要谈的是客户维护与成长,这是业务管理的重要元素。众所周知,获得新客户所花费的运营、宣传、促销等成本要比维持现有客户昂贵得多,并且新客户贡献利润还需要一段培育时间,所以用新客户替换现有客户这种做法从企业投资回报的角度考虑是非常不经济的,而维护和提升现有客户价值才是企业持续发展的必经之路,对企业的重要性不言而喻。那么如何建立和部署客户维护策略呢?有人说,留住客户的办法是产品质优价廉。在当今竞争激烈的市场,质量是最基本的要求,没有品质的保证,客户购买只能是一次性行为。而国内银行业产品同质化程度相当高,产品之间特质和性能的差异极为有限,难道真的只有靠拼价格才能留住客户吗?这是长久之计吗?麦肯锡的《亚洲零售银行:对新机会的可行性洞察》(Retail Banking in Asia: Actionable insights for new opportunities) 1 报告指出:银行能够从数据中获取具有可行性的预测,它主要体现在:

  1. 分析客户构成,根据客户对于银行的价值,进行客户细分(见图1)。
  2. 运用银行基准数据,发现特定客户群中的交叉销售机会。
  3. “消费倾向”模型向业务人员揭示现有客户群再次购买的可能性(见图2)。
  4. 鉴别未充分利用的渠道,创造更多的销售机会。

irene-article-1

irene-article-2

第三点是如何针对有价值及有潜力的客户进行精细化的营销推广,而其中的关键是思维转变,从传统的以产品为导向进行的营销活动转变到以客户需求为核心,对客户进行综合评估与分析,以实现精准营销。银行拥有海量的内/外部信息,并且具有较高的可靠性和精准度,可以进行综合性、系统化的客户行为分析,包括:产品表现、产品盈利、客户贡献度、渠道使用倾向、客户潜能等,并通过开发与优化预测模型,更精准地找出特定客户群中有潜力的客户及交叉销售机会,不仅如此,还能辅助业务部门适时使用有效渠道为客户提供服务,提升客户体验。

目前国内大多数的商业银行还在数据分析的起步阶段,与国外成熟银行相比,数据分析与应用水平的还有较大的差距。而其中商业分析与应用的定位差距最为明显,这也是最关键的一环,它会直接影响数据分析在业务决策中的应用。数据分析与应用对国外成熟银行而言是企业策略的重要组成部分,这些银行不仅在信息分析与咨询上进行大量投入,更重要的是保持商业分析团队的独立性,其理念是以客户为中心,通过对相关数据的获取、提炼、分析,找出关键的因果关系,进而转化为对市场、消费者、业务的洞察,提出具备可行性的运营建议,创造可观的价值。因此,这些国际银行在生产、销售、市场、投资等各方面的决策都会以 “信息、洞察”作为基础依据。能够将数据分析实现如此策略性的业务应用,让其发挥可量化的经济效益,扩大有效市场,关键在于企业管理层的鼎力支持、商业分析团队的话语权以及与各业务部门平等、互通有无的合作关系。相比之下,目前国内银行对此还意识不足,没有提到企业决策层面上来,普遍现象是把商业分析简单定位在对具体业务的支持,提供相关数据和报表,或是局限于数据模型挖掘工作,缺乏全行统一的对客户360度画像的综合分析。由于缺乏相关业务的实践和应用,造成大量业务人员甚至管理层对数据分析的误解,更对使用这些信息缺乏信心,甚至抱有怀疑的态度,这种情况会进一步影响数据分析的发展和业务应用,拖延了企业运用商业分析创新增值的进程。在当今的信息时代,特别是面对互联网金融的积极渗透和经济国际化的快速发展,这不仅会渐渐削弱国内传统商业银行未来的竞争力,并且会直接威胁到它的市场关联性和生存能力。

随着我们进入大数据时代以及网络、移动设备的迅速渗透,最热门的话题往往是如何获取更多样化的数据,如何更快、更准确地进行数据整合,而经常被忽视的是为什么需要这些信息,需要什么样的信息,获取这些信息的最终目的是什么。这就是笔者要谈的第二层面的差距 - 业务目标定义及应用能力薄弱。经过二十多年的摸索和发展,国外成熟银行不仅积累了丰富的商业信息,对各层面的数据能够进行系统性的集中管理和控制,其数据挖掘能力也相当成熟,最重要的也是最具核心价值的是他们能够将有价值的商业洞察从海量数据中提炼出来,有效地应用在商业决策中。对比之下,国内银行大多数还处于初级阶段,即使有一些不错的分析结果和数据模型,业务应用还相当有限,往往感到无所适从。之所以会出现这些状况,笔者总结了以下几个原因:

  • 商业分析立项与业务策略脱节,没有和业务发展方向挂钩、没有以解决业务关键点为目标,盲目进行数据分析、建模工作,以至于无从应用,这无疑会导致人力,物力的浪费。笔者曾经接触过一些项目,以单纯开发数据模型为目标,由于没有与业务部门进行事前沟通,了解业务难题、痛点及相关产品运营流程,对最终的目标达成共识,分析和建模开发出来的结果与业务脱节,不仅不尽人意,更难以推广应用。
  • 商业分析的目的是要解决业务问题,而不是简单地找出数据图表与走向。这需要专业分析团队、专业分析员具备综合性的知识和技能,包括对技术层面以及相关业务的知识与经验,这也和笔者之前提到的与业务部门紧密合作异曲同工。专业分析员不仅需要掌握不断更新的IT技术,对数据架构和获取有很强的实战能力,还必须对相关业务有深入的了解,才能利用适当的分析工具对取得的数据进行加工、提炼和分析。分析得出的业务表现相关信息应及时与业务团队沟通,集思广益,不断优化,真正做到你中有我,我中有你,才能让商业分析在业务应用中充满活力,发挥其战略性的意义。由此可见,把商业分析端到端的整个过程比喻为科学和艺术的完美结合,一点不为过。
  • 古人云,“欲速则不达”,用在这里最为贴切。在商业分析和应用的初期,失败、摸索是不可避免的,即使那些成熟的国际银行也经历了二十多年的不断学习和努力。所以,我们对成长中所遇到的“失败”应该给予更多的包容,才能鼓励和推进商业分析的发展与进步,改变“报喜不报忧”的现象。商业分析的开发和完善是一个循序渐进的过程,它需要系统性的建立闭环营销管理流程来进行业务目标设定、数据分析、营销规划、活动部署与执行、跟踪评估等等整套的管理(见图3),最终实现业务活动的全面应用和推广。而其中最关键也最需要坚持的是A/B测试的环节,较普遍的做法是选择局部目标进行分组测试,跟踪测试结果,通过对测试和控制组表现的分析,根据业务定位和成功准则选取达标组进行扩展式的推广。特别要提到的是,在这个关键流程里,有时会牺牲一些短期利益,有时各业务板块间会出现一些小冲突,这都是十分正常的,可以通过早期规划、对话沟通、取得共识来减少甚至避免这类可预见的问题。随着管理流程的健全和完善,各部门切实看到、体会到商业分析与应用所带来的优势和价值,新的生态环境就会逐步形成,业务层面对商业分析的应用就进入了一个良性循环的状态,进而会加快企业创新与成长的步伐。

irene-article-3

最后一点比较明显的是企业文化的转变。笔者最近看到一份陈春花教授所做的演讲《环境变了,管理者该做的五个选择》,深有感触。陈教授提到,当行业竞争要素改变时,意味着“我们对行业的认知要彻底改变”,这不仅是管理者观念的改变,重要的是它能够带动整个企业文化的转变,渗透到各个部门,每一位员工。在我们向知识型经济和企业转型过程中,商业分析、以信息指导和驱动业务的发展是大趋势,企业不仅应该加快专业分析团队的建设和培养,开拓新的商机,解决业务难题,降低风险和成本,提高绩效,也应开始着手考虑在各个业务领域如何进行利用相关信息的培训和普及,可以从基础知识开始,具体情况具体应用。业务部门在相关项目早期即开始参与是一个比较普遍、有效、可行的方法,不仅如此,业务部门的积极参与和对商业分析的共识会提高业务透明度,大大提高业务运营效率,提升生产力,进一步促进企业级的商业分析与应用,百利而无一害。