银行 4.0 时代，数字化运营到底怎么搞？

摘要：行业竞争日益激烈，银行业已经进入深耕细作的发展阶段。接下来，行业的竞争将会逐渐移至线上，所以数字化运营是必要举措。

一、银行业数字化转型历程

总的来说，目前银行业呈现以下行业趋势：

1、行业竞争日益激烈，银行业进入深耕细作的发展阶段

在过往的一些项目中，我们发现银行之前的主要运营精力以线下渠道为主，线上渠道为辅。然而，接下来的竞争逐渐迁移至线上，围绕在以下三个方面：

重视零售，信用卡成银行转型利器。市场增速放缓、不良升高；经济结构调整和直接融资比例提升，对公业务市场竞争加剧；零售业务风险分散、利润稳定。
场景为王，提供线上线下全流程服务。银行业进行优化产品，提供线上服务场景，发展收单业务，丰富线下服务场景；创新消费信贷产品，挖掘金融服务场景。
跨界合 作，聚焦客群引流和品牌塑造。与场景平台合作，拓展互联网获客渠道；借力外部资源，塑造优质品牌形象。

2、从渠道工具建设向线上平台化运营转型，数字化运营是转型过程中的必要

在业务转型方面，已经从单纯支持用户线上服务办理的工具，转向具备产品运营、客户运营及业绩输出能力的平台。平台性产品提供了底层的框架，它提供基础的服务和功能，基于实际业务需求，在平台上搭载相应的功能、服务等。

平台建设有四个重点：

一是多端建设，这是有效拓宽用户触点的有效途径；
二是通道建设，平台之上搭载服务和功能之后，银行应掌握更有效的运营手段，需要企业建立有效的用户触达的通道；
三是流量分发，如何将客户成功导流至下级页面；
四是精准个性化，银行需要掌握一定的工具实现业务转化的提升。

在数据应用方面，通过目标量化制定业务发展策略，深度推行数字化运营提高业务竞争力。量化目标和数字化运营是最基础的两点。

3、客户使用场景与市场竞争环境的变化，使数据驱动与精细化运营价值愈发明显

当市场基本完成了线上迁移，进入存量竞争阶段时，数字化运营的作用就会显得越来越重要。

数据驱动主要是分为两个部分，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。

精细化运营的基础是对客户的深度洞察，银行数据分析师和建模师之前聚焦在业务结果的建模与预测，然而，这具有一定的滞后性，比如，用户去年购买了一款理财产品，再次购买之前，其消费行为习惯和资金情况会发生较大变化，只有将实时的行为数据和业务数据打通后，才能真正做到客户洞察。

我列举了国内同行业的数字化运营体系建设阶段的案例，详情点击“阅读原文”，免费下载查看 PPT。

二、数据驱动精细化运营

1、精细化运营目标

在“存量市场”的竞争中，精细化运营是必然趋势，其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，提升用户的价值。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，驱动产品创新。通过整体性的用户需求与产品价值与需求度满足评估，定位产品运营困境，指导产品创新与竞争力提升。

2、数据驱动精细化运营的细分模块

基于数据的精细化运营可以达成的效果，数据驱动精细化运营的细分模块主要包括以下几个方面。

图 1 数据驱动精细化运营的细分模块

“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。

我们常常被问到：基于数据运营和运营模块的关系，在用人上，应该怎么布局？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不足。

下面详细介绍四个细分模块。

（ 1 ）数据驱动用户运营

在数据驱动用户运营，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。

图 2 数据驱动用户运营

例如，在潜客的阶段，我们需要进行渠道质量分析，了解各渠道带来的量有多少，以及是否能被产品承接，承接之后流量是否按照预期进入下一阶段……

再如，新手期的“激活”是所有产品都重视的分析场景。那么“激活”怎么定义，客户需要完成哪个步骤才算是激活？在激活的过程中，注册、登录、实名认证、绑卡等基础功能流程是否顺畅，新手引导策略是否奏效等，都需要通过数据来进行分析。

（ 2 ）数据驱动互联网产品运营

下图是数据驱动互联网产品运营的用户体验结构图。

图 3 数据驱动互联网产品运营

如图，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，值得资源倾斜，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，基于数据用统一的、公正公开的方法做价值的评估、贡献度的评估。

（ 3 ）数据驱动活动运营

同样，在活动运营的每一个阶段，我们都可以进行数字化的运营。在活动运营的闭环里面，我们会经历以下阶段，分别是：设定目标——方案策划——技术实现——效果评估——策略优化。

图 4 数据驱动活动运营

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。

（ 4 ）数据驱动金融产品运营

在运营金融产品时，重点就是找到对的人、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。

图 5 数据驱动金融产品运营

三、数字化运营四大阶段建设方法

我们认为，数字化运营建设可分成四阶段，分别有数据、看数据、分析数据、应用数据。

图 6 数字化运营建设的实现路径

有数据，行为数据的时效性强于业务数据，我们对数据的要求是实时、准确、精细的力度、丰富维度，这些要求决定了效果和产出。

看数据，不只是数据分析师需要看数据，所有业务人员都应该能够看数据，并且能够自主做日常数据解读和基础分析工作。因为当业务人员需要数据的时候需要与数据部门反复进行沟通，就会让数据的时效性无法保障，对业务的指导意义也会大打折扣。

分析数据，我们可以从小的分析场景起步，建立起一个主题的分析，沉淀下来一套分析方法论，日后持续地用这套方法论去做评估和监测，最终能让数据驱动覆盖到业务的方方面面。

应用数据，目标是千人千面或者精准营销，可以考虑先去做一些规则化的或者是差异化的应用。每个阶段应该做什么呢？下面一一介绍。

图 7 数字化运营建设四阶段具体动作

1、有数据

第一步，深度需求调研，总结数据应用场景与分析指标体系。需求调研应该和业务结合在一起，如果采集的数据对业务没有价值，那么累积起来就不是数据资产，而是数据负担。所以我们在有数据之前，要先明确做事情的优先级是什么，了解数据运营场景和数据应用场景，基于此，再映射到指标体系中。总之，我们要结合管理层战略规划与一线业务人员需求调研，总结项目整体目标、数据运营困境、数据需求场景，形成针对性的数据需求场景并基于此规划分析指标体系。

第二步，基于需求场景，设计数据采集方案。有了明确的需求之后，就可以设计数据采集的方案。数据采集的过程包括数据采集内容、数据导入内容与数据打通方案。

数据采集内容：银行在朝着多端方向发展，因此要将各端的行为数据打通，从而识别多端用户，保证分析效果的完整性。

数据导入：只有前端的行为数据是远远不够的，需要通过数据导入来补充一些历史数据、标签数据，以及第三方数据，通过整合和打通，在数据完整的前提下再进行数据分析。

数据打通：需要将采集上来的数据和导入数据做整合，涉及多平台用户行为数据打通，行为数据与业务数据打通。

图 8 基于需求场景，设计数据采集方案

如图我们可以看到行为数据采集和用户属性采集的内容。行为数据采集包括诸如页面浏览按钮、点击访问、退出等平台通用类的行为数据采集，以及具有一定主题性的行为数据采集，比如技术监测、流量分发、活动运营和业务线专有的行为事件。用户属性采集涵盖了用户的核心属性，例如账号设置、人口信息、开户信息、价值信息等。这些信息采集的力度，决定数据应用效果的精细化程度。

2、看数据

一方面是指标体系可视化看板搭建，提供全行业务人员的大盘指标看板，这是所有业务人员都会关心的指标；同时提供主题指标看板，针对某一个职能或者业务线所关心的指标。

另一方面，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，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。

标签也一样，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，那么将大大提升运营效率。

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，一是场景指标体系搭建，二是分析报告撰写，三是报告 workshop，四是分析方法论沉淀。具体如图：

图 9 建设分析场景，沉淀分析方法论

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。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。

根据通道划分，包括产品内、产品外。无论产品内外都是基于用户画像去推送不同的内容，个性化推送的精细化程度取决于用户洞察的深度。如果基于算法很难一步达成千人千面的精准营销的效果，那么可以考虑从规则角度，通过简单的用户分层加上内容分类的排序，做差异化的展示与触达。按照规则来做，成本较低且见效较快。基于算法和基于规则，选择哪种要根据行内已有的资源来衡量。

精准营销和个性化推荐是典型的应用数据的例子。

精准营销，就是把对的信息送达给对的人。首先我们要通过用户行为了解用户特征，比如我们可以将做了 A 事件、做了 A 事件而没做 B 事件、或者具备某一类属性或行为特征的用户名单，进行分群，并由营销系统给用户发送短信，或者进行发券发红包等，最终实现想要达到业务目标的转化。

图 10 精准营销

个性化推荐的思路是:从数据系统收集用户已有的行为数据，结合外部的数据源，汇总到数据集市，然后通过特征工程的挖掘以及模型训练推荐服务，传达到客户业务的后端，由后端在向前端用户端发送。在用户端我们又可以收集到用户行为数据，从而反哺到数据系统，形成体系化的循环。经历多次循环后，模型的准确度也会越来越高。

图 11 个性化推荐

数字化运营案例——业务诊断与提升

某商城业务线自上线以来面临交易转化率低、日活低的问题。遵循数字化运营体系建设方法，在“有数据”建设阶段，通过项目启动前期需求访谈、项目实施期间 80% 的晨会参与、赋能培训期间与组内人员头脑风暴需求场景等多次深入的沟通，梳理了业务运营现状及数据痛点，并以此为基础梳理数据需求场景，并搭建完整的数据指标体系。

接下来要考虑的是数据采集和校验的问题。神策数据对客户端整体的业务流程，所有来源渠道进行完整的采集，并在业务端进行了支付结果、注册结果等业务结果类数据的埋点。在这个基础上，我们做了两方面的数据补充，一是客户端历史活跃事件，用来帮助我们去判断历史趋势；二是导入行内已经有建好的一些用户标签，比如人口信息、开户信息、信用卡信息。

有了数据规划之后，最后要做的是一个设计打通的方案，将 APP/公众号 H5、小程序、业务数据、行内标签数据串联起来，将手机号作为唯一用户识别的字段。

下图为数据采集方案示例：

图 12 数字化运营案例

数据上线之后，我们就可以进行概览的配置和针对业务人员的数据平台使用方法培训，进行内置分析模型、基础分析思路、指标概览应用示例的讲解。

看数据的目标达成后，便进入了分析数据的阶段。该业务线数字化运营的最高优先级围绕业务诊断和提升主题。因此，我们结合业务盘活和转化用户盘子的核心诉求，基于 AARRR 分析模型对业务发展状况进行了诊断，并基于现有问题挖掘业务提升空间及优化策略。

简单来说就是通过 AARRR 模型深入了解业务当前基本面数据表现，判断出现问题的环节，结合业务发展目标制短期与长期的第一指标。第一指标对业务整体提升至关重要。在制定第一指标后，根据第一指标拆解增长模型、定位具体的业务增长点，最终聚焦在优化建议上。换句话说，当把具体的优化建议给到业务人员以后，他们才明确地知道要做什么。

数字化运营案例——数据产品化应用

下面介绍一个数据产品化运用的案例。在这个案例中，业务需求调研主要包括两方面：针对用户行为侧的需求，主要围绕核心业务流程，包括 APP 注册、登录、开户流程，转账、交易等核心业务流程，产品购买流程。除此之外，还有用户洞察侧的需求，通过用户身份、业务开通属性、投资属性、产品购买核心流程、行为标签等洞察用户群体与个人画像。

完成调研后需要进行数据整合和互通方案的设计，我们可以看到整体的架构图，行为数据是通过客户端 SDK 以及历史数据的 ETL 导入的方式进行采集，业务数据是通过个性化定制的 ID-Mapping 方案，关联设备信息和客户号，两者同时打通到一个平台中，这样把行为数据和业务数据结合起来。

基于此，我们进行了精准营销的策略制定，具体如下。

图 13 案例-精准营销策略制定

图 14 案例-新客激活提升策略

四、如何落地数字化运营

这里引用我近期在学习的《系统动力学》的课程中的概念：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。当您感受到数字化运营体系在行内落地得非常困难，那么可以尝试定位一下，问题到底是改善某一个要素可以解决的，比如换一个更强大的分析系统、换一个更有能力的人，还是需要去改变要素间的关系才能够解决的。

要素的问题好解决，连接关系的问题难解决。我们首先梳理一下这个系统中涉及到的要素。

图 15 系统落地六要素

图 16 系统落地之体制（连接关系）、人才、产品

人才和体制涉及到很多方面，各个层级，决策层、统筹层、落地层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。

1、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。

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。

2、人才

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：

一是会挖需求，数据运营团队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；
二是除了具备业务能力外，数据运营团队应该具备一定的数据分析能力，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，那么产物是无法被业务所用的。
三是能推动业务迭代闭环，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。

3、产品

一个成熟的、好用的数据产品体系需要具备哪些能力？一是可以让业务人员进行自助式的实时数据分析，这点是我们反复强调的；二是从数据安全层面考虑，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；三是成熟的大数据技术架构，这是查询性能的保障；四是需要与行内各系统、各平台打通。

疫情之下，银行业愈加认识到数据、智能对线上获客和整体运营能力提升的价值，神策数据提供该系统性的解决思路与建设方案，助力银行业突破“十面埋伏”，破解人才、方法论、跨部门协作等多重困局，提升运营效率，优化用户体验。