数字化转型背景下，如何高效地做好数字化运营？

中原数据老工匠 2023-07-29 12:18:46

在高度互联的数字化世界中，各类互联网技术发展愈发成熟，多数企业也相继开展名为数字化转型的战略。目前大家都在谈论的数字化转型其实有着这样的背景和特征：客户/市场为先的文化、即时反馈、实时接受请求处理需求、自动化服务、智能化处理、在线访问、推进改变业务并重新定义业务等。

而数字化的基础即是大量的、繁杂的、高度业务关联的基础数据。基于各类数据进行加工处理，分析呈现，灵活应用，改善业务的过程可被称为数字化运营。简单来说，数字化运营的本质还是注重“运营”的过程和手段，即发现问题-分析问题-解决问题的过程，从业务指导管理到运营分析，从经营策略制定到企业的战略规划，数据都承担至关重要的角色。

任何基于数据的运营手段，无一例外的最终目标就是为企业带来价值增长，诸如人员规模、GMV、AUM、财务利润或其他核心指标，背离这样目标的运营将失去主要意义，数字化运营的最终目标也应当是完全服务于业务，在这里简单将数据与业务划分为四个层次关系。即：数据源自业务，数据反映业务，数据驱动业务，数据验证业务。

一、数据源自业务

数据来自哪里?原始的数据由业务层产出，由业务层维护至基础数据系统中，原始数据基本无法直接应用，需经过数据挖掘，预处理，清洗，转换等各种加工流程方可进入分析使用阶段。这一过程也是业务流程数字化的一部分。一般情况下最终的数据使用者(商业分析师或业务决策层)基本不再关心前期数据采集清洗或业务流程数字化等处理工作，而更在意最终展现在决策场景下数据内容，搭建一套符合业务逻辑的指标体系能更清晰说明业务情况：

可根据业务的整体转化流程建立指标体系，如访问客户-注册客户-咨询客户-订单客户-付款客户，也可从庞大的指标体系中提取重点指标日常关注，或定期进行固定的专题分析(如客户消费轨迹分析)，或周期性的产出一定的数据看板(日度、周度、月度);

也可从整体业务逻辑出发建立完善的分析体系：Ø 业务指导：通过对数据的收集、统计、追踪和监控搭建日常业务的管理模型来指导业务。如日、周、月销售额，每日流量转化，新增用户转化情况等日常看板。

运营分析：运营分析更多注重对收集来的数据进行整体的分析和管理，一般呈现为周期性的报告，如周度月度分析报告，周度财务状况分析，客户关系分析等。
经营策略：经营策略管理属于高层的管理决断，根据各经营环节对应的数据分析来修改和制定策略，如消费者行为分析，活动策略的制定采取何种模式等。
战略规划：战略规划是通过企业内部和市场外部数据制定长远的规划的过程，如企业竞争力分析，行业环境分析等。

使用XMIND或者脑图等工具来进行业务指标拆分是梳理思维是不错的选择(思维导图，逻辑图，组织结构图，树形图，时间轴，鱼骨图，矩阵图等)。

二、数据反映业务

完善的符合业务发展逻辑的指标体系建成后，下一部就是让数据学会说话，及时反馈业务短板，针对业务场景的深刻理解和逻辑推理能力是解读数据必须的，为了让业务层更好的理解数据反映的业务情况，适当模型的使用也是必要的，例如基础的漏斗模型，AARRR模型等：

另外一些常用的分析方法也经常应用于各个业务场景，如四象限图，帕累托图等;

数据展示模型和方法多种多样，选取最适合业务场景和业务逻辑的模型和展示方法能更简明扼要的说明业务现状。

三、数据驱动业务

数据驱动业务一直是难度很高的话题，通过数据模型或者可视化解读出的数据短板必须得到重视和解决，应用数据推进业务发展、解决业务短板也应当成为企业的日常工作之一。培养企业的数据思维，形成数据习惯也是一个长期过程。一个快速、高效、易用、可靠性高的数据平台，提供准确性高，及时响应，保证更新频次的数据供给将会对数据使用者和业务伙伴大有裨益。我行的数据产品矩阵逐步成型，为业务层提供全面、及时、准确、可靠的数据服务，其中自助式客户洞察分析的知秋平台提供客户全流程转化分析，交互式分析的轻舟平台满足各类定制化数据需求，数据资产地图可查询各类数据结构和指标标准，报表平台能实现一分钟拼表。

数字化转型过程中离不开各数据产品/平台、数据团队和业务团队的高度协作，这也体现了数据运营精细化程度，从数据使用颗粒度的细分到管理层至一线业务伙伴对数字化的深度认可都应有体现。除了自上而下的对业务数据和数字化的高度重视，专业的数据运营/支撑团队也是有必要的，这样一只数字化团队除了掌握必备的数据分析方法，对整个企业的数据产品矩阵和数据指标也要有深刻的理解，最为关键的是需要深耕业务，如何处理好后台数据和一线业务伙伴二者的互通是相当困难的。很简单的方法，新人数据工作者到业务前线岗位轮岗或者兼职一定周期，全身心参与到业务过程将会对其后期的业务分析能力大有提升，也会对业务过程数字化有更深刻的理解。

数字运营本质还是人为干预的过程，在于数据使用者如何分析和使用数据进行决策，好的数据产品某些情况也能解决问题，这里举个可能不是很恰当例子：我们通过数据统计发现某条道路堵车概率极高，分析原因是路两旁车辆乱停乱放严重，要治理道路两旁的乱停车现象，一是由交警给乱停放车辆贴罚单，后续乱停乱放现象就会减少，这属于人为干预的运营手段;二是给道路旁设置非机动车道围栏，导致路边没有停车位置，也可改善现象，这属于产品手段。但实际施展过程需要结合具体道路情况，这时就需要熟悉街道的协警来参与决策是人为贴条还是设置围栏。

即运营(人为干预)+工具(数据产品)+业务经验(深耕行业)=数据驱动业务，而数据驱动业务的最终结果就是业务过程数字化的过程。

数据偶尔是不可靠的，如数据统计漏洞，数据口径不一造成的数据差异，大环境因素造成的数据波动等，数据本身是无法解读特殊情况的，并且数据本身是不具备业务背景的，这些都需要具备老练行业经验的人进行解释和处理。

数据解决不了的问题：感性问题(如人为的思想感情因素)，产品创新问题(需要产品经理的创新想法和经验)等，因此更说明了人为用数的重要性。

四、数据验证业务

数据应用于业务层后，是否能带来预期收益，是否促进了数字化转型过程，其实答案并不肯定。过往数据仅能指引或者反映业务方向性的问题，并不能精准预测业务未来的结果，因此也需要形成一定“闭环”，源自业务层的原始数据，加工后呈现出的数据模型反馈出业务过程的短板，经过人为使用数据对业务进行干预和调整后，业务结果的反馈对先前的数据系统、数据指标体系，数据模型、数据分析结论作出反馈和修正，以此形成正循环过程，促使数据和业务同时不断完善，促成数字化转型的最终目标。

在这里再举个小例子：很多企业都喜欢通过目标管理来管理日常业务，即给业务团队制定一定周期内(如月度/季度)的业绩目标，喊口号拍脑门的制定方法已经不适用于科学管理，数字化过程中应当更多的使用数据参与决策。这里提供一种思路：在大环境稳定，整体行业形势波动不大的情况下，先锁定公司整体业绩目标(管理层决策)，根据各个业务团队过往一定周期对公司整体业绩的贡献度(可以是过去季度/半年或者更长周期)来分配业绩目标，可以引入各种系数影响，如团队规模，人员流动情况，库存情况，客户质量，时间系数，业务类型系数等各种维度的影响因素，所有因素动态调配，均可成为管理层的业务抓手。每次业绩分配完成后业务团队反馈目标制定准确度和合理性，提出改善意见，来不断完善目标分配模型。