大数据 频道

如何从 0 到 1 打造企业数字化运营闭环?

  中国移动互联网市场经过几年的高速发展,增速已经明显放缓。2019 年中,网民规模已突破 8.5 亿,互联网普及率突破 60%,人均每周上网时长约为 27.9 小时。市场竞争已经从增量用户竞争阶段逐步转化成为存量用户竞争的阶段。

  本文作者神策数据高级分析师潘书荟,曾就职于新加坡美股上市互联网公司 Sea Group,负责餐饮业项目数据基础体系搭建与数据分析。在神策数据负责银行业客户的咨询合作与深度交付,为多个银行项目提供方案支持与实施服务,累积了丰富的银行业数字化运营落地经验。

  在对接银行客户数据基础建设、指标体系搭建以及业务场景用例的同时,协助客户内部推行数据采集与管理规范并赋能数据运营团队掌握数字化运营的能力,系统地提升客户数字化运营的水平。

  本文内容主要围绕以下几方面:

  • 企业数字化趋势分析

  • 数据驱动的竞争力打造

  • 四大阶段建设方法与经典案例

  • 企业数字化运营落地实践

一、企业数字化趋势分析

  1、人口红利逐渐消失,互联网进入存量竞争阶段

  中国互联网规模经济的两个基础指标——用户数量和用户,在最近一两年相继放缓了增速,甚至可以说触及了想象力的天花板。互联网活跃用户数量不可能超过人口总量,网民也不可能也不应该每天不吃不喝不睡觉地上网,天花板清晰可见。因此,对于互联网而言,新常态已成定局:人口红利消失、时长红利渐微,互联网竞争走向存量市场。

  随之而来的是竞争赛道的缩紧,各企业的竞争方向变成和所有的互联网应用竞争网民使用时长,在时长区间的竞争中,还存在各个同业企业的竞争,必然导致竞争越来越激烈。在如此严峻的背景下,企业必须进行改变以应对挑战——业务流与数据流融合建设,运营数字化、精细化。

  2、业务流与数据流融合建设,运营数字化、精细化

  首先是数字化,这与过去的单纯数据统计不同,数据统计已无法满足存量竞争市场的需求。如今的数字化主要体现在两个部分,一是数据驱动决策,通过数据帮助产品改进、运营优化、营销分析和商业决策,即 BI;二是数据驱动产品智能,基于数据基础嵌套算法模型,反哺结果数据给产品,使其拥有学习能力,完成自主迭代,即 AI。

  其中,BI 的作用不仅仅是做一个报表,给上级领导做汇报,而是通过 BI 及时和结构化的数据真正辅助产品改进、运营优化、深入营销分析和科学商业决策。AI 概念如今较流行,但从理念到落地需要很大的成本,对数据的基础建设有极高的要求。

  其次是精细化,强调基于深度的客户洞察提供个性化服务,实现精准营销、降本增效的目的,包含客户深度洞察和精细化运营两个方面。

  客户深度洞察的前提是通过打通全渠道用户数据生成用户标签、构建用户特征工程,深入了解用户行为习惯与消费偏好,从而引导企业更好地做精细化运营;精细化运营侧重基于客户的差异化特征、偏好与需求,定制差异化、个性化服务、产品与服务,提升客户体验和业务转化。

  总体来看,行业整体趋势是将业务流和数据流融合建设,从而达到运营数字化、精细化的最终效果。

  3、看不见,摸不着,数字化运营到底是什么?

  事实上,数字化运营的概念已经在各行业中普及,但目前为止没有一个标准化的定义。在这里,我引用了几个有价值的说法,并总结了几个关键词,如下图:

  准确、完备的数据。这是所有企业的数字化运营的基础。

  体系化、量化。如果企业无法体系化的评估业务,数字化运营可能是单点式的,为企业带来的价值会受限。

  运营各环节。企业不仅要关注运营结果,分析业务结构,也要把数字化运营理念和方法应用到运营各环节。

  降本增效。降低对传统线下重人工、非标模式的提高,提高线上化直接客户运营的能力,从而达到降本增效,提高企业效益的目标。

  企业制度与战略。之所以上升到战略高度,是因为数字化运营对外可覆盖用户全生命周期管理并起作用,对内可覆盖业务全流程,如通过优化用户体验,辅助识别隐藏的用户需求,从而驱动业务创新。因此,从企业制度与战略角度重视会使数字化运营更易从理念落地到实践,从而释放价值。

  4、数字化运营的价值与意义是什么?

  数字化运营的价值主要体现在四个方面:

  第一,促进用户活跃。通过精细化渠道触达、活动运营,提升用户访问频率与使用时长,有效增强用户对产品的价值认同与内容依赖。比如给用户提供更加有吸引力的内容,会提升用户活跃度、使用时长等指标。

  第二,优化用户体验。通过诊断产品可用性与易用性,改善产品感官体验与交互体验,提升独立用户与全局用户的满意度、忠诚度。

  第三,提升用户价值。通过建立用户分层体系,细分用户需求,了解用户业务偏好与消费习惯,对业务流程进行诊断,有效提升业务各环节的转化,提升用户价值。

  第四,驱动业务创新。通过整体性的用户需求与产品价值与需求度满足评估,定位业务运营困境,指导业务创新与竞争力提升。

  5、数字化运营落地的难点

  数字化运营的价值毋庸置疑,但少有企业能不断地释放价值,主要存在以下 3 个应用难点。

  第一,基础弱。如数据不准确、数据质量低、可应用性差;无法打通多应用系统,数据成为孤岛;运营离不开人,而市面上运营思维和数字化思维均具备的人才少,企业内部缺乏数字化运营人才导致落地难也是主要原因,因此,需要企业自己培养。

  第二,应用浅。如指标不科学、无体系;数据分析深度不够;缺乏业务洞察和建议。很多企业止步在有数据和看数据阶段,不知道如何把数据分析真正地转化成业务的洞察和建议。

  第三,没闭环。如企业通过数据分析找到一些业务洞察,但如果改进问题,会涉及到多部门协作,把数据洞察落地到实际业务便考验企业的协作机制和企业体制文化。此外,落地后的效果评估是否科学和智能直接决定释放价值大小,效果评估后,企业的持续迭代机制是否完善直接决定闭环能否有效运转。

  因此,很多企业深知数字化运营的价值,但无法将其释放。

  综上所述,数字化运营是企业现阶段破局的趋势,数字化运营主要包含数字化和精细化两大块,企业建立数字化运营体系和制度后,可对客户全生命周期进行数字化管理,对全业务流程进行数字化诊断和精细化价值提升。但如今,企业面临着数据基础弱、应用浅、没闭环的数字化运营困局。

二、数据驱动的竞争力打造

  1、从需求出发,打造数据应用闭环

  具备数据驱动竞争力的企业一定是从业务需求出发的,因为最终评估企业竞争力的也是业务价值。

  从需求出发的数据应用闭环涵盖:业务需求、数据准备、数据应用、业务迭代、效果评估。

  业务需求。只有从业务需求出发的数据应用,才能最终应用到业务中并创造价值。值得一提的是,这里的业务需求意义广泛,技术部门也可能是数据应用的需求方,如技术部门提出给 APP 的稳定性做监测。

  数据准备。基于业务需求要做一定的数据准备,如果企业有相应数据只需整理数据逻辑,如果企业没有相应数据需要做对应的数据采集。

  数据应用。数据应用可以粗略分为简单的分析应用和数据产品化的应用,之后会进行展开介绍。

  业务迭代。当具备成熟的数据应用思路后,便可实际应用于业务迭代中验证。

  效果评估。通过业务迭代验证后的数据,可以通过数据分析进行效果评估,从而判断迭代方向是否正确。

  之后,基于效果评估或业务实际情况,又产生新的业务需求,从而不断地使闭环运转和完善。

  2、数据需求可以是什么?

  业务需求是数据应用闭环的第一步,也是最关键的一环。那么,业务数据可以是什么呢?

  整体上,可以划分为两个方面:一方面为单纯的数据分析应用,通过数据分析诊断业务流程问题,评估业务效果、指导业务迭代,主要是指导业务方向,并不涉及与产品打通或更改产品流程;一方面为数据产品化应用,通过数据二次开发将数据应用至产品流中,提高个性化程度,如智能推荐算法。

  3、数据分析应用的细分模块

  数据驱动精细化运营的细分模块主要可划分为以数据运营为基础,用户运营、产品运营、活动运营、内容运营四大方面,基于企业的性质、阶段、行业可能会存在一些差异。

  “数据运营”对以上四个模块的运营具有支撑和驱动的作用。在每一个模块的日常运营工作中,都可以运用数据运营的思路来达到量化评估、提升转化的效果。

  这里补充下:数据运营岗位和其他运营岗位的区别,以及如何建立职能划分?

  数据运营岗位主要承担两个职责:第一,沉淀企业内部方法论促进复用,如将某业务线的优质应用案例进行方法论的总结,并复用到下一次活动或其他业务线的实践中。第二,将数字化能力赋能给用户运营、产品运营等运营人员,从数据采集、处理、分析到应用的数据应用流程和思维的培养。

  我认为,数据运营的岗位可以有两种设法:一是融合在各个运营模块中,有一个专人负责该模块的数据驱动。这样做的好处是,专人负责更加了解业务,但是这依赖个人能力;二是一个单独的团队,在业务线有需求的时候驻场到各个业务线中去进行深度的合作。好处是便于行内知识沉淀和质量把控;坏处是业务理解能力可能不足。如果业务人员具备一定的数字化能力,建议业务线的数字化运营工作,由用户运营、产品运营、活动运营和内容运营的业务人员承担的效果会更好。

  下面详细介绍四个细分模块。

  (一)数据驱动用户运营

  在数据驱动用户运营上,主要有两个关键方面:

  一方面,我们需要了解用户生命周期价值,了解处在每一个生命周期的客户有多少,累计客户结构是否健康等;

  另一方面,在每一个阶段,进行客户的质量评估,这里可以借助一些关键指标去判断,比如新手期的“激活率”,成长期的“留存率”等。同时,每一个阶段都建设更细分的场景去做数据的深度分析。

  每一个环节,企业均可用对应的数据指标作为北极星指标衡量。

  举个例子,新手期的激活,是所有产品都会重视的一个分析场景。那么“激活”怎么定义,客户需要完成哪个步骤才算是激活?在这个过程中,注册、登录、实名认证的基础功能流程是否顺畅,我们设置的一些新手引导策略是否真正起到激励客户完成全流程的作用?比如,有一个金融企业在梳理产品新手激活流程时,发现最少的流程涉及 40 多个页面,发现问题后进行了注册流程的优化,注册率得到了有效提升。

  因此,在对基础功能做评估时,可以有一个完整的指标体系,来评估每一步的流程转化情况,如停留时长、输入框的操作便捷度等。

  影响激活率的另外的一个就是新手引导策略。企业可以通过产品化的方式辅助新手引导,如针对新用户在产品中设置第 1 天、第 2 天、第 7 天、第 30 天的触达活动,并通过数据分析的方式查看每个环节的推送效果,分析优化的效果提升等,定位优化点,从而指导迭代方向。

  下面将举两个具体的例子。

  (1)渠道质量分析

  很多企业的渠道分析由市场部负责。以神策数据来说,渠道质量分析可划分为几步:

  A.用户访问官网落地页直至线索生成的全链路行为打通

  如上图,神策数据的业务流程的第一步是在各大网站去投放 sem 关键词。第二步用户通过搜索关键词,点击到官网落地页,在落地页会引导用户到各个行业的 demo 试用,从试用 demo 的行业,也可以判断用户属于哪个行业,通过 demo 试用的用户,会在 CRM 生成线索。

  与业务流对应的数据流,第一步是在给用户搜索时投放的链接和关键词等会加上一定的渠道标记,以判断用户是来源于哪个渠道,哪个关键词,从而知道每个投放渠道和词的引流量。第二步,通过用户在官网落地页的行为追踪,如访问的功能模块、浏览内容等,从而可以分析跳出率、访问深度等。第三步,在注册 demo 试用环节,可以对注册试用的转化率、试用体验深度做追踪。第四步,在录入 CRM 线索时已经标记了线索渠道来源,再根据后续的追踪,分析不同渠道的线索转化率、客户转化率等。

  B.全面整合推广数据,甄别最优推广渠道

  在精细化的追踪上,通过转化和消费两个维度建立四象限进行渠道的评估,通过数据评估进行渠道和投放关键词的调整或增删。通过这个流程评估优化,在 2 个月内,最终 sem 投放的注册线索转化率提升了 20% 多,客户的留资转化率提升了 18%,这对 To B 企业节省了一笔很大的成本。

  (2)新增用户激活

  A.数据分析定位新增用户激活转化问题

  分析现状:在大多数情况下,陌生人社交产品是通过丰富的用户留资来进行社交匹配,因而留资注册转化环节十分重要。未走完注册的用户就不能浏览产品内容,所以注册环节转化率是用户获取的增长命脉之一。

  发现问题:某社交产品分析注册漏斗发现新用户的转化率大概在 50% 左右,也就意味着有一半的用户没能完成注册进入产品功能体验就流失了,远不如预期。通过细分维度查看,发现完善资料到提交环节流失较多。

  分析原因:通过产品框架研究和用户路径分析发现,用户在点击进入完善资料页后,需要上传头像,填写年龄,位置等个人资料才能进入产品页面,注册路径较长用户流失风险增大。

  将完善资料到流失用户保存成分群,进行用户注册时的行为路径分析,发现用户在完善资料时经常点击「完成」按钮,但因为他实际并没有填写好所有资料所以会遇到报错提示返回完善资料页,导致用户体验较差。

  改进方案: 产品团队遂开始进行新注册流程的设计优化,将原本单页面的完善资料页改良成多步骤型注册流程,用户单个页面完善一个资料,再通过点击「下一步」逐步完善,最后完成注册进入主页面。

  效果验证:经过改良后的新注册流程取得了非常好的效果,总体转化率提升了 90.7%,几乎达到了注册环节无流失。

  (二)数据驱动产品运营

  在上图中,引用了一张用户体验结构图。图中用户体验分为 5 个层次,每一个层次我们都可以通过关键指标来判断,通过相关策略,最终达到支撑我们用户体验提升的效果。

  这里值得一提的是战略层,战略层是比较抽象的一个层面。银行业科技产品会更偏向于“平台”型的产品,对于整个平台来说,哪个功能和产品带来价值最大,则进行资源倾斜。比如更多的曝光和更强运营策略。这需要将所有的产品、功能拉到一条线上,基于数据,用统一且公正公开的方法做价值的评估、贡献度的评估。

  以某金融企业为例。其 App 崩溃优化实现稳定性提升,引导信息优化实现业务流程转化提升。

  这里展示了分析闭环具体的实现方式:

  场景一,对 App 崩溃及每一次的崩溃原因进行数据采集,然后技术人员解析了崩溃原因后,针对性地进行代码优化。在三个月内,Android 端奔溃率下降 10%+,iOS 下降 50%+。

  场景二,住房贷是该企业比较重要的业务线,这个业务的办理流程是:搜索房子所在地-评估房子价值-进入贷款申请-贷款成果,通过漏斗分析发现第一步的转化率仅低于 30%。结合产品进行诊断后,发现是产品信息导向不明问题导致客户流失。通过优化引导语,明确产品交互,搜索转化率约整体提升了 4%+。

  以上只是金融企业中较小的应用场景,通过数据诊断发现问题,再针对性优化,最后通过数据指标评估效果。

  (三)数据驱动活动运营

  在活动运营的闭环里面,会经历以下阶段,分别是:设定目标——方案策划——技术实现——效果评估——策略优化,每个阶段都可以应用数字化运营。

  在设定目标时,结合客户的属性、行为偏好、价值标签、进行人群筛选;方案策划上可以参考历史活动不同方案的活动效果,进行活动方案的评估和调优;效果评估的环节,希望能够实时性地洞察活动触达面积以及最终的转化与业务贡献:在触达的客户中,有多少用户因为不感兴趣而直接关掉了活动落地页,又有多少用户按照引导流程完成了最终转化,整个流程都是可以通过数据访问量、转化率等指标去做衡量。

  以某在线教育企业为例。该教育企业需要进行活动效果评估诊断活动问题环节,迭代活动设计提升用户复购率。

  分析现状:由于补贴有成本,只有用户能够在整个生命周期内产生的价值大于补贴金额,平台才能提升收益,因此要观察用户的复购情况。

  发现问题:参与抢购的用户里有一批用户复购率很低。通过用户分群发现,购买首节课程的用户复购率偏低。

  分析原因:推测是因为购买首节后,如果想继续购买,则需要付全款购买全部打包课程,对用户来说其实是多付了钱。

  改进方案:对活动进行优化,凡是买了首节课程的用户,再购买全套课程时,都可以减免首节费用。

  效果验证:迭代后,成功让分群中的用户复购率翻了一倍,同时也有效地提升了整体的付费转化和 GMV。

  (四)数据驱动内容运营

  内容运营的重点是找到对的人、用对的方式、送达对的信息,通过三者的不断调优,找到最合适的、高效的运营策略。

  整体上,需要对每一类信息进行完整的管理,从对应的目标人群画像出发设置适用的信息。对业务整体的掌控也需要站在战略角度分析,以评估内容运营的优化空间。

  以某电商企业为例。

  分析现状。平台每日发放大量优惠券,但由于优惠券品类众多,统一发放的形式造成券打开率不到 1%,券核销率仅为 15%+,由优惠券带来的业务价值收益过低。

  制定策略。圈定用户:40 岁以下女性,近一周浏览口红商品但未下单的用户,推送口红类活动(Push 或霸屏页)。

  设定目标。1 天内完成支付;次要目标 1 天内加购物车,1 天内浏览商品详情,看整体的活动转化率。

  效果验证。券打开率提升 10 倍,从 0.4% 到 4%;券核销率提升 5 倍:从 16% 到 80%;每天有 60 多场营销活动,在后台自动触发;价值提升 10 倍计算过程。

  全量推:推 10 W人,打开 400 人,转化 60+ 人,平均每单 70+ 元。全量推送带来转化 4500 元。——10 W人带来 4500 元

  精细推:推 2W 人,打开 800 人,转化 640 人,平均每单 70+ 元,精细化推送带来转化 45000 元。——2 W人 带来 45000 元

  1/5 的推送人群,带来 10 倍价值收益。最终,实现了个性化运营、实时效果评估、降本增效的三大目标。

  总体上,在数据分析应用的方向,常见痛点为:数据基础弱、现有数据工具难以满足分析需求、数据分析深度不够、数据洞察到业务难落地。

  4、数据产品化应用

  数据产品化应用,可以分为产品内和产品外应用,如下为业务智能全景图:通道+粒度+时效性细分。

  有效运用数据分析挖掘用户特征与行为偏好,并将实时数据打通到业务流中,实现在产品站内信息展示、站外信息触达差异化、个性化,最终实现运营自动化、智能化。结构化来看,数据流结合业务流,可实现业务智能化。

  触发行为的逻辑主要为:做了 A,如开通信用卡,完成注册动作;做了 A,没做 B,如浏览理财详情页 5 次,半小时没投资;具备属性/行为特征,如理财产品即将到期等。通过这三种方式排列组合,企业可以对用户进行非常精细的分层。

  当目标用户分层清晰后,可以进行触达策略引擎的对接,企业可以和通道和营销系统打通,发送短信 / Push、发券/红包,同时,通过推荐策略引擎可以进行个性化展示,结合内容管理系统,可以给不同的人展示不同的内容,展示顺序和展示方式都可以不同,整体实现个性化运营,达到目标转化、分发效率、体验提升等。

  关于触达策略,以某金融企业为例。

  某金融企业进行自动识别业务流程转化流失步骤,及时触达激励用户转化。新客户开户是金融企业的关键流程,该企业对新客开户流程进行监测,针对进入流程后 30 分钟未成功开户的客户进行精准营销,自动发送短信推送,激励客户完成开户转化。

  关于推荐策略,以某社交产品为例。

  技术挑战:陌生人社交双向匹配生态下,推荐系统必须既要保证推出的 profile 是用户可能感兴趣的,并保证被曝光的 profile 用户也对点击用户有回关的可能性,对推荐系统召回策略的调试考验极大。

  神策数据的智能推荐系统自动基于地理位置、在线状态、兴趣偏好等信息,给用户推荐他们可能感兴趣的用户 profile。通过 HMF 深度召回模型+地理位置召回+热门召回+新用户召回,结合成熟且丰富的工程经验,有效提升了双向匹配率,增加了业务效益。其中,匹配指标比客户高 105%,远超验收 5% 要求,得到了客户技术方和业务方的高度认可。新用户次日留存、全体用户留存、人均在线时长、匹配人率均保持稳定表现。

  在数据产品化应用的方向,常见痛点为:数据基础弱、技术资源匮乏、精细化运营策略经验不足、反馈迭代机制效率低。

  综上所述,企业的数据驱动竞争力主要在谈论应用方式,包含分析应用和产品化应用,分析应用包含客户运营、产品运营、活动运营、业务运营等;产品应用主要涵盖触达和展示,对企业的技术实力要求相对高。

  数据驱动竞争力的打造需要从上至下的推动,数据采集不是目标,数据分析与数据应用才是最终目标。数字化运营的建设不是一朝一夕的事情,需要持续的资金和人力投入。通过试点先行,核心团队打磨,进行数字化运营闭环的效果验证,建立成功模式,进行模式复制。

三、数据驱动四大阶段建设方法与经典案例

  数字化运营建设的实现路径:基于优质的数据基础逐渐深入,主要分为四个阶段,分别为有数据、看数据、分析数据、应用数据。

  1、有数据

  数字化运营的第一步是有数据,有数据不是单纯的将数据采集到数据库,是一个复杂的过程。桑文锋的《数据驱动:从方法到实践》中曾提到大数据具备四个特征:大、全、细、时。

  “大”强调大数据宏观的“大”,而非一味追求数据量的“大”,需要从系统的角度考虑进行数据采集。

  “全”指全量数据,而非抽样或者只有一部分环节的数据,强调多种数据源,包括前端、后端的数据,以及日志、数据库数据等,不要建立数据孤岛。

  “细”强调多维度数据,包括事件、商品的各种维度、属性、字段等。如用户看的商品属于什么类别、价格如何、原价及打折价如何等。

  “时”强调时效性,即实时数据采集和实时数据分析的价值。

  有数据的原则是强调从需求出发,先梳理应用场景,再梳理对应指标体系,最后再做数据采集。

  2、看数据

  看数据强调所有业务人员可以看到需要的数据,并进行一些可视化数据分析。

  主题指标看板,提供全行业务人员的大盘指标看板,涵盖全司的关键指标;同时提供主题指标看板,展示某一个职能或者业务线的关键指标。

  可视化分析模型,业务方能够日常进行自助式查询、标签创建。如果业务人员不具有基础取数能力,如按区域、版本、型号等查看业务情况,而依赖第三方的数据部门的支持,长此以往,数据时效性无法保障,数据部门的人力资源也会遇到瓶颈。

  标签自主生产迭代,由于业务线的发展节奏很快,每一次活动或者是每一次业务调整都会涉及到标签。如果业务人员可以直接进行标签的自主生产与迭代,相比后端技术和数据部门人员建设,将大大提升运营效率和效果。

  3、分析数据

  由数据分析团队主导,以数据驱动业务为目标进行分析场景建设,基于数据洞察指导业务迭代,实践数据在各业务场景下的深度应用。

  由于业务人员能力和精力都难以匹配,因此在这个阶段建议由数据分析师来主导,数据分析师和业务人员深度配合,来建设分析场景。

  建设分析场景主要是四步走,一是数据需求与采集规划,二是分析诊断报告,三是业务迭代&效果评估,四是分析方法论沉淀。具体如图:

  4、应用数据

  应用数据,即数据产品化,与业务流打通形成实时展示与触达策略。如下图,为数据产品化自动化运营系统的建设思路:策略制定→人群筛选→精准触达→效果回收。

  另外,智能推荐系统支撑产品个性化服务闭环:数据采集→模型建立→推荐结果→效果分析。

  下面,通过一个银行业数字化运营建设案例进行详细的介绍。

  A 银行极其重视数字化运营建设,每年的投入金额超过千万。A 银行 2017 年开始和我们合作,2018 年基本达到全行覆盖,但是总体来说还是存在应用较浅、数据能力较弱的问题,因此 2019 年和神策展开了深度咨询合作,并且取得了不错的成效,2020 年将把神策分析师作为教练资源引入行内,全面开展数据运营普及工作和深度数据分析应用场景建设。

  (1)2017——初步接入行为数据,验证数据驱动效果

  A 银行在接入神策的时候,诉求就是全面落地数字化运营体系,但由于整件事情比较宏大,所以先从几个核心部门,手机银行、微信银行、直销银行和手机钱包,开始把报表体系完善、通过行为数据初步了解客户偏好以及产品体验诊断这几个核心场景开始做起。

  在这几个部门的业务中,又挑选了几个核心的业务线,比如这里可以看到的 App 性能分析、住房贷款、转账等,做为试点性分析场景案例。项目完成初期实施之后,基本达成了核心业务线和实时报表体系的搭建,并且在较短周期内完成了两个业务闭环的用例,App 崩溃率降低和住房贷业务转化率提升。

  (2)2019——引入外部资源进行深度咨询合作,推进数字化运营落地

  经过两年的建设,数字化运营在 A 银行已初有成效,但是从全面落地的角度来评估还是面临不少的问题。

  第一,因为业务人员对于数据采集方案的设计方法理解不足,每当有功能迭代时,都会按照自己的理解去新增埋点,直接导致环境内的数据越来越多,越来越乱,后期手机银行的项目内超过 500 个事件,使用效率非常低下。另外初期没有和神策对接的部门,业务人员也是凭着自己的理解做数据采集,导致他们的数据不太成体系,可用性也较差。所以 19 年我们对于 3 个试点项目进行了推翻重来,提高了事件的可复用性和数据质量,让一线人员真正能够用起来。

  第二,各个部门的业务人员在数据采集这件事情上是各自为营的,造成行内数据整合打通困难,并且数据质量参差不齐。所以我们做的第二件事情就是协助行内的数据银行部出具全行通用的数据采集与管理规范,各个业务部门在遵照规范的同时依据自身的实际情况制定了个性化的条款,使得整个数据采集管理流程在保持体系化的同时保持了灵活性。

  第三,除了前期几个分析场景是在神策分析师的支持下完成,行内大部分的业务人员还是仅限于看活跃数据、基础概览数据。所以整体数据应用能力是有待提高的。本质上 A 银行面临的很多问题,包括数据采集乱、数据分析应用场景挖掘较浅,都是因为业务人员数据基础较弱而造成的。

  因此,咨询合作的内容中最重要的就是帮助 A 银行培养一批从数据采集到数据应用有深入了解的人才,在我们撤离之后,能够在行内持续推动数字化运营。我们合作的方式是全行级的培训和教练式的赋能,也就说每一个环节,我们都会先进行培训,再进行练习,最后一对一 review 修改,通过这种方式,我们带的数据团队 5 个人,已经完全有能力对行内进行赋能了。

  第四,因为行内整体数据应用得较浅,所以最后一项内容就是,以试点项目为例,建设 2-3 个深度分析场景,快速地出效果出价值,让数据应用这件事情在行内更易推动。通过与该银行进行深度的需求访谈,我们了解到其战略规划与年度目标,并基于此完成了《手机银行 MAU 拆解与指标下发》以及《优惠券业务数据诊断与增长模型拆解》两个分析场景的建设,为其业务发展提供强有力的数据支撑。

  (3)2020——企业级数字化运营推广 & 全面赋能

  A 银行 2020 将全面铺开数字化运营的建设,并且由神策数据的分析师入驻作为教练,指导各个部门的数字化运营建设工作。下图,是我们已经收集到的各个部门的需求,基本上也是从数据基础建设到数据分析应用场景的全流程建设。

  在数字化运营建设的常见痛点是数据基础弱、团队能力不足、机制规范不足、应用闭环推动力弱。

  综上所述,在建设数字化运营有三个关注重点:第一,自上而下,管理层推动业务层,数据需求决定数据采集;第二,长期投入,需要持续的资金和人力投入;第三,试点先行,从试点项目建设起步,创造价值,基于试点项目的价值作为参考,调动各个业务线的积极性,并进行核心团队培养。

四、企业数字化运营落地实践

  《系统动力学》课程中有这样一个概念——系统是由要素和连接各个要素的关系组成的。当系统出了问题,可能是要素的原因,也可能是连接关系的原因。

  经过抽象,对系统影响最大的几个因素可总结为三点:人才、产品和体制。

  人才涉及到各个方面,决策层、统筹层、落地层等层级是否能够就数字化运营的思路达成共识,这将决定产出的数据分析结果和数据应用的结果与质量。

  产品决定了数据分析和数据应用的产品体系,是否能够满足行内的业务发展需求。

  体制为连接关系,强调数据采集到应用全流程规范清晰、负责人明确。

  1、产品——数据产品体系建设

  一个成熟的、好用的数据产品体系需要具备哪些能力?一是可视化界面,支持业务人员进行自助式的实时数据分析;二是查询性能,通过成熟的大数据技术架构保障查询的效率;三是数据安全,在私有化部署的基础上还需具备完整的细粒度的数据权限隔离机制,让特定的业务人员只能看、用他所在业务线上的数据,防止数据泄露的风险;四是数据整合与互通能力,使各系统、各平台打通。

  2、人才——培养有能力推进业务迭代闭环的数据运营团队

  企业需要培养有能力推进业务迭代闭环的数据运营团队,这样的团队需要具备三方面的能力:

  一是需求挖掘能力,需求挖掘深度直接决定最后效果的天花板。数据运营团队要能够深度挖掘业务数据分析与应用需求,准确描述业务侧需求,有能力跟进需求满足度,并融入自己的见解;

  二是业务+数据分析能力,如果业务人员不理解数据分析能力,数据分析师不理解业务,那么数据分析与实际应用就会有鸿沟。

  三是推动业务迭代闭环能力,数据运营团队应该具有深度业务理解能力与战略思维,按照业务人员的建议,有能力将分析建议落实到业务迭代的闭环中去,其建议一定是切实可行的,并能够给业务线产生价值,使闭环能运转。

  3、体制(连接关系)

  体制决定了各要素之间的连接关系,包括人与产品以及人与人之间的互动方式。数字化运营通常是从上往下推动,需要高层、牵头人、业务线深度配合,形成统一的数据采集与管理规范,这直接决定数据质量,进而决定数字化运营效果。

  另外,决策层的角色很关键,决策层是否有信心和决心在全行内或者是部门级别加强数据意识的建设,是否愿意投入成本和资源,是否有明确的数据应用的要求等,都会影响系统的落地情况。

  数字化运营项目的负责人地位同样举足轻重,他负责致力于推进数据驱动的决策模式普及,统筹数据生产到应用的全流程,以及团队能力培养及人才甄选。

  业务线的数据分析师负责数字化运营在业务一线的落地,分析师深入配合业务,业务人员深度理解及应用数据,两个团队形成合力,用数据说话,从而持续应用及优化。

  总体来看,如果企业这三点均具备,则具备了数字化运营系统落地的天然条件。如果暂不具备,有一个三步走的侧重建议,如下图。

  综上所述,企业要重视数据基础建设、重视人才培养、重视体制效率、重视产品开放性。

0
相关文章