热门科技文章推荐

广告赞助商

> 南方都市网 > 科技 > INTRODUCE

神策数据徐美玲:数字化运营,从1到100的跨越

2021-04-25 14:55 作者:阿英 来源:未知 (条) 字号:
  本文根据神策数据华南业务中心leader&咨询中心负责人徐美玲《数字化运营,从1到100的跨越》的分享整理所得。主要内容如下:
  ·数字化运营的内涵
  ·数字化运营体系的构建
  ·数字化运营的困局与反思
  ·实现从1到100的跨越
  从1到100,最核心的是要把数据的价值在业务中真正体现出来。本次分享将会从数据体系入手,讲述当下企业面临的现状,数字化运营体系落地过程中的一些思考,以及神策对企业在数字化运营方面的建议。
  一、数字化运营的内涵
  对应神策基于数据流的企业运营框架——SDAF,结合实际业务场景,我认为数字化运营主要体现在六个层面,如下图所示:
  1.可度量
  业务发展情况和变化程度都是可精准度量的。在度量这件事情上,有许多门道,比如我们期望通过什么样的指标去度量,它包括指标的定义和口径等。
  2.可分析
  可分析与可度量最大的差异在于,可分析需要通过一定的分析方法、思路和框架,或者一些相对高阶的技术手段,来判断度量指标的合理性,以及指标改进的关键点等。
  3.可反馈
  粗略来看,可反馈跟可度量是相似的,差别在于可反馈是针对某一项已经做过的事情的效果反馈,与度量大盘指标不同,可反馈有较强的精准指向性,通过精准衡量每一个动作带来的变化情况,基于归因分析和体系化洞察,实现可反馈。
  可反馈的本质是一个归因体系和逻辑,涉及到大量的数据处理,与动作和业务维度强相关,它所面临的挑战在于拿数和用数。
  可度量、可分析、可反馈三个层面更偏向数据角度,但业务体系和数据体系属于并行耦合的关系。
  4.可预测
  预测最明显的表现在于它会根据过往的数据特征表现,结合业务场景逻辑,为业务提供指向性发展、前瞻性处理的建议。
  最常见的可预测应用是智能预警。从整体上来看,预测的难度不大,但是把目标管理,尤其是增量目标管理,以及业务异常智能预警做好,需要涉及算法或者更高级挖掘的技术,以及平台化的能力、可视化的应用与呈现、实时性等。
  5.可决策
  分析和预测的核心目的是指导决策,如果分析和预测对业务场景没有带来本质上的影响,就意味着分析和预测对决策的影响力不够理想。
  决策在数据分析的完整链路中,难度相对较大。在大部分企业内部,分析团队和业务团队往往是两个不同的群体,他们在数据分析的专业度、对业务的理解和判断上有所差异。从我个人的经验来看,很多时候数据分析驱动决策跟企业的一把手或者业务负责人的认知、理念强相关。
  6.可行动
  在数字化基础设施中,我们可以看到,这个完整体系其实全部都是数据独立于业务流运作的,但如果你希望数据运营体系直接实现可行动,那么数据和数据形成的结论,比如对于特定人群的提取、对于特定人群的运营策略,本质上是需要打通业务流和运营通道与机制的,这是目前来看最难的。
  二、数字化运营体系的构建
  基于整体逻辑演变的数字化运营体系构建路径可以分为三部分,如下图所示:
  ·看数据,对应度量和基础分析
  ·分析数据,它是整个体系进阶中阻塞性最明显的环节
  ·应用数据,这一环节的前提是要对数据分析有基本的掌控力,能够通过数据分析形成对业务和用户的判断与认知
  从深度学习模型来看,有了清晰和准确的判断与认知,能够保证决策的目标与方向的准确性、和企业战略的一致性等,以及后续数字化运营过程中的诊断与调优。这也是为什么神策一直强调数据分析价值的原因所在。
  在数据基础建设这件事情上,在不同的业务场景中对数据的需求是不一样的。很多企业最初只是想要做一些基础数据采集,查看某些功能的用户点击率、使用情况、崩溃情况等;但是在应用数据的阶段,数据本身的丰富度和维度至关重要。
  三、数字化运营的困局与反思
  普遍概念上的技术可能是产品、人工智能、算法、SDK采集等。拆解如下:
  1.关于技术:为什么不能是万能神药?
  关于技术的典型问题,我们总结如下:
  问题1:有没有一种技术方法,能实现数据默认全部采集?一方面减少研发资源投入,另一方面能够有效避免数据不完整。
  问题2:数据分析能不能实现自动发现问题,并给出解决方案?
  问题3:策略执行之后,系统能否实现自动生产及调优?
  在我看来,技术要解决的这些问题,在基本的技术概念上,是具备「可行性」的。举个例子,做数据自动诊断时,在特定的业务框架体系中,相应的维度已被量化,且量化的结果能够作为输入因子做相关处理,那么,在对应的实际场景中,自动诊断是可以实现的。但必须要关注的是,「约束条件」的个性化程度较高,也就意味着对执行相关策略的人员要求较高,要求其能够将数据、业务和技术融合到“完美”的状态。
  「投入产出比」在问题1中表现相对明显。从逻辑上来讲,实现自动默认采集基础数据是可行的,特别是当系统能够采集到你起初并没有规划在内、但在回溯时需要用到的数据时;但并不是系统自动默认采集到的所有数据都会对应使用场景。
  我不建议把技术当做万能神药来做的根本原因在于,我们所做的事情需要站在产品和公司的角度来考虑其「约束条件」和「投入产出比」。
  2.关于智能:为什么难做出有价值的成果?
  智能的应用对企业来说是有一定的价值和增长空间的,但是需要遵循以下基本逻辑:
  第一,数据基础。当下的技术型人才和开源方案已经足够满足企业所需,其最大的难点在于数据基础。
  第二,对业务的理解。在进行模型训练时,需要输入模型训练的目标,这个类似指标度量,对于业务的健康发展和价值提升是强相关的。
  第三,算法模型。智能算法通常取决于对业务的理解,这也是为什么算法团队需要策略、产品、数据分析师的原因。
  第四,闭环验证。法的功能性实现依赖于功能开发的逻辑,如果缺乏诊断分析,就很难得到真正的业务成效反馈。无论是算法的策略还是运营的规则性策略,都需要投入时间来做迭代,并在迭代体系中跑通闭环,真正实现数据化运营。
  3.关于工具:重要or不重要?
  在跟很多客户交流的时候,更多人强调的是“我要的不是工具,而是解决问题的方法”。对于这个观点,我是很认可的,因为工具本身其实很难解决全部的问题,它并不是解决方案里的所有,只是解决方案里的一个环节。
  但是,如果你认为“工具本身都差不多”,那就是大错特错了。这里我们通过“会用”“好用”“持续运营”三点来拆解。
  假如说一个工具的价值是100分,会用的人最少能够将价值发挥到70-80分,不会用的人可能只能感知到10-20分的价值,那么对于这些用户来说,工具确实没什么差别,因为他们很难了解到差别在哪儿。如果没有好的方法去使用工具,自然无法判断工具的价值。想知道工具真正的差异在哪里,前提是要会用工具。
  4.关于数据:究竟是资产,还是负资产?
  如何评估企业的数据体系建设带来的数据资产是正向的还是负向的呢?我梳理了相关评估指标,如下图:
  首先,数据是否准确。这是一个致命的评估指标,若数据准确性无法保障,那么为数据付出的成本、资源等都是浪费。
  其次,在数据采集方面,我建议按需采集。数据的时效性是极其重要的度量机制,在没有想好如何用数的时候就去采集所有数据,最终只能导致存储成本无限增加。“先采再说”反映的是负责数据采集的人或者团队对数据应用没有足够的认知,想当然地认为数据都是有价值的。
  然后,针对数据本身的整合,是否是有数据就够了?对于运营团队来说,他们在应用数据时,通常需要将行为数据和业务数据做有机整合,一方面是业务结构导向,另一方面是用户视角的转化和运作导向,此时的数据整合对数据应用是有足够的说服力的。
  最后,应用交付环节是尤其重要的,特别是对做数据分析或BI的同学。真正做数据的同学的闭环在于应用交付,一方面赋能业务同事,另一方面在深度场景中寻找自己的定位与价值。在应用交付层面,对业务的理解和思考,以及持续运营是极其关键的。这也是我们在思考如何实现从1到100的跨越的时候形成的基础认知。
  四、实现从1到100的跨越
  1.认清现实:四要素缺一不可,差别只在基础及重要性
  在系统化推进的过程中,组织、人才、流程、工具四要素需要同步考虑其当前状况与策略的匹配程度。如下图:
  组织并不一定代表大的企业组织,也可以代表一个team,或者一个小的组织。真正能够把数据用好的标准通常是具备完善组织架构和人员运作机制的组织,人才和组织决定了运作流程以及对工具的应用能力。
  当资源协调困难时,决定资源投入与分配的角色的认知就会显得特别关键。
  很多时候,组织的模式跟企业内部的数据文化是有重要关联的。一家企业着手推动数据全面应用有两个契机:一是公司整体组织架构开始重视数据;另一种是团队内空降了一个厉害的决策者,由他负责调动资源和人力等。从我们过往的服务客户经验中来看,组织和人才是最顶层、最重要的两个因素。
  而流程和工具,在某种程度上是相辅相成的。在落地层面,流程体现在以下两点:
  (1)运作的机制。埋点体系是按照什么样的业务流程和机制进行的?
  (2)每一个环节的具体操作的标准方法、对应的角色是否具备操作的相关技能,能否成功落地?
  同时,工具在工程化、产品化方面的支持力度在很大程度上决定了流程的运作及是能否更好的管控和落地。
  一个好的工具,本质上会把流程体系、操作标准等内化,让真正做体系运营的人有强劲的抓手,让每一个人都能够按照心意去运作。这个时候,我们会在产品体系里面强调两点:
  (1)数据需求的管理需要从源头做好控制;
  (2)数据上线阶段,要从数据的质量和标准层面做好控制。
  只有遵循以上两点原则,才能把控好从需求到研发的完整质量流。这也是我们近两年在辅导客户内部建立机制流程和数据运营体系方面被证实的实践经验。
  2.数据文化:基于数据深化对业务及用户的认知,提升决策质量
  数据本身是一种“原材料”,经过加工即数据应用后能够带来什么样的价值,与数据分析人员对业务模式的认知息息相关。
  但在很多时候,数据分析人员缺乏对业务模式的认知,特别是在做企业增长的时候,尤其需要对业务模式和用户洞察深入理解。
  正是因此,我在和客户日常交流时,经常聊这几个问题:用户是谁?用户为什么用你的产品?你能为用户带来什么样的价值……这些问题是很难通过纯粹的数据推论出来的,需要基于对业务的理解。如果客户对这些问题都没有答案,那么想要撬动用户,实现留存和增长是很困难的,即便短期内可以做运营刺激,也很难形成长期留存。
  3.数据基础建设:围绕用户、场景构建体系,深度融入业务流
  从数据采集、处理、校验到存储,我们在每个环节都做了大量的配套设施。举个例子,在数据采集方面,如果不做数据梳理和需求定义,那么到了数据校验环节,缺乏相应的管控和入库限制的话,就会很难保证数据的质量。
  在做数据基础建设时,我们希望能够帮助客户把数据体系和应用建设得更好,这就需要在前期梳理需求的时候,能够围绕用户场景构建,并将数据上线的研发流和业务流同步,这就对应了前文所讲的数据的时效性。
  本质上,整个数据基础建设的流程是一个系统性工程,对待每一个问题都不能仅在应用层考虑,而应该关注它的「性价比」和「成效」。
  4.数据赋能及人才培养体系:数据驱动体系搭建,从入门到专精全覆盖
  我们很难要求每个分析师在每个特定场景都做到极致完美,因为对于服务于产品、运营和推广的分析师来说,他们的经验和判断力是不一样的。
  为了更好地将专业人才通过培养实现标准化输出,神策搭建了人才的利基市场培养体系,业务导向+数据专精+产研基础为市场做培育,这是我们接下来重点发力的方向。在整个数据链条中,围绕不同的角色、技术建设的体系防范以及专业性人才和行业性应用等,把相应的培训体系进行完善,一方面作为服务和赋能的体系来做,另一方面作为特定的专项培训体系。
  在神策,我们是从意识文化、基础建设、数据分析、精细化运营四大模块,结合主流行业的业务特点、业务场景及真实案例,来制定分析师培养阶段及课程体系的,为企业提供强业务型、数据应用体系全流程覆盖专业数据分析师人才培养方案,我们希望这套培训体系能够为具有行业适用的数据驱动体系建设及最佳实践赋能,真正解决客户在人才和流程方面的需求,并在一定程度上影响组织的数据文化。
  5.策略引擎:数据流与业务流打通形成强大的主动运营与高效转化能力
  精细化运营、精准推荐、千人千面等基本上可以通过粒度和通道两个维度来做详细拆解,其规则和算法是聚焦在各个不同的应用场景中去实现的。如下图:
  6.精细化运营突破点:用户视角下对动机的挖掘+持续的验证迭代
  大部分企业和用户都可以完成定义业务目标和用户群体,但其难点在于,精细化运营的目标客群购买产品和服务的动机是什么?这就涉及对动机挖掘和场景构建,这也是在落地层面上最难的两点。
  关于精细化运营这件事情,很大程度上与不断迭代、用户的动机和场景是息息相关的。
  策略诊断和调优是另一个对分析要求较高的环节,但能做好的分析师寥寥可数。通常情况下,在完成精细化运营之后,分析师只关心效果提升,至于为什么提升,是客群的精准选择、还是运营策略的吸引他并不知道。所以大多数的数据分析师在精细化运营活动中,需要运营同学的配合。
  7.关于工具:理念+实践方法的工程化
  我认为神策的“护城河”在于产品和技术,而咨询和服务是在其上帮助解决方案落地的。可以这样理解,工具化和工程化的底层逻辑衍生出配套的服务和咨询体系,这套服务和咨询体系是为了帮助客户真正构建数据根基、实现数字化运营,这也是神策的最新愿景——帮助中国三千万企业重构数据根基,实现数字化经营。
  综合来说,数字化运营从1到100的跨越心法是:模式重塑,小步快跑;业务视角,应用驱动;基础扎实,效用最优。希望本次分享能为更多企业和客户在数字化运营过程中提供有效帮助,感谢大家的聆听!

免责声明:稿件仅代表作者个人观点,与本网站无关。其原创性未经本网证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本网不做任何保证或者承诺,请读者仅作参考,并请自行核实相关内容。

(责任编辑:阿英)
(0)
0%
------分隔线----------------------------

◎ 广告赞助

◎ 阅读说明READ EXPLANATION

免责声明:稿件仅代表作者个人观点,与本网站无关。其原创性未经本网证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本网不做任何保证或者承诺,请读者仅作参考,并请自行核实相关内容。