數字化轉型背景下，如何高效地做好數字化運營？

編輯導讀：很多公司都在談論數字化轉型，而數字化的基礎即是大量的、繁雜的、高度業務關聯的基礎數據。數字化運營是其中的一個分支，如何高效地做好數字化運營呢？本文作者將從四個方面進行分析，希望對你有幫助。

在高度互聯的數字化世界中，各類互聯網技術發展愈發成熟，多數企業也相繼開展名為數字化轉型的戰略。目前大家都在談論的數字化轉型其實有著這樣的背景和特征：客戶/市場為先的文化、即時反饋、實時接受請求處理需求、自動化服務、智能化處理、在線訪問、推進改變業務并重新定義業務等。

而數字化的基礎即是大量的、繁雜的、高度業務關聯的基礎數據。基于各類數據進行加工處理，分析呈現，靈活應用，改善業務的過程可被稱為數字化運營。簡單來說，數字化運營的本質還是注重“運營”的過程和手段，即發現問題-分析問題-解決問題的過程，從業務指導管理到運營分析，從經營策略制定到企業的戰略規劃，數據都承擔至關重要的角色。

任何基于數據的運營手段，無一例外的最終目標就是為企業帶來價值增長，諸如人員規模、GMV、AUM、財務利潤或其他核心指標，背離這樣目標的運營將失去主要意義，數字化運營的最終目標也應當是完全服務于業務，在這里簡單將數據與業務劃分為四個層次關系。即：數據源自業務，數據反映業務，數據驅動業務，數據驗證業務。

一、數據源自業務

數據來自哪里?原始的數據由業務層產出，由業務層維護至基礎數據系統中，原始數據基本無法直接應用，需經過數據挖掘，預處理，清洗，轉換等各種加工流程方可進入分析使用階段。這一過程也是業務流程數字化的一部分。一般情況下最終的數據使用者(商業分析師或業務決策層)基本不再關心前期數據采集清洗或業務流程數字化等處理工作，而更在意最終展現在決策場景下數據內容，搭建一套符合業務邏輯的指標體系能更清晰說明業務情況：

可根據業務的整體轉化流程建立指標體系，如訪問客戶-注冊客戶-咨詢客戶-訂單客戶-付款客戶，也可從龐大的指標體系中提取重點指標日常關注，或定期進行固定的專題分析(如客戶消費軌跡分析)，或周期性的產出一定的數據看板(日度、周度、月度);

也可從整體業務邏輯出發建立完善的分析體系：? 業務指導：通過對數據的收集、統計、追蹤和監控搭建日常業務的管理模型來指導業務。如日、周、月銷售額，每日流量轉化，新增用戶轉化情況等日常看板。

運營分析：運營分析更多注重對收集來的數據進行整體的分析和管理，一般呈現為周期性的報告，如周度月度分析報告，周度財務狀況分析，客戶關系分析等。
經營策略：經營策略管理屬于高層的管理決斷，根據各經營環節對應的數據分析來修改和制定策略，如消費者行為分析，活動策略的制定采取何種模式等。
戰略規劃：戰略規劃是通過企業內部和市場外部數據制定長遠的規劃的過程，如企業競爭力分析，行業環境分析等。

使用XMIND或者腦圖等工具來進行業務指標拆分是梳理思維是不錯的選擇(思維導圖，邏輯圖，組織結構圖，樹形圖，時間軸，魚骨圖，矩陣圖等)。

二、數據反映業務

完善的符合業務發展邏輯的指標體系建成后，下一部就是讓數據學會說話，及時反饋業務短板，針對業務場景的深刻理解和邏輯推理能力是解讀數據必須的，為了讓業務層更好的理解數據反映的業務情況，適當模型的使用也是必要的，例如基礎的漏斗模型，AARRR模型等：

另外一些常用的分析方法也經常應用于各個業務場景，如四象限圖，帕累托圖等;

數據展示模型和方法多種多樣，選取最適合業務場景和業務邏輯的模型和展示方法能更簡明扼要的說明業務現狀。

三、數據驅動業務

數據驅動業務一直是難度很高的話題，通過數據模型或者可視化解讀出的數據短板必須得到重視和解決，應用數據推進業務發展、解決業務短板也應當成為企業的日常工作之一。培養企業的數據思維，形成數據習慣也是一個長期過程。一個快速、高效、易用、可靠性高的數據平臺，提供準確性高，及時響應，保證更新頻次的數據供給將會對數據使用者和業務伙伴大有裨益。我行的數據產品矩陣逐步成型，為業務層提供全面、及時、準確、可靠的數據服務，其中自助式客戶洞察分析的知秋平臺提供客戶全流程轉化分析，交互式分析的輕舟平臺滿足各類定制化數據需求，數據資產地圖可查詢各類數據結構和指標標準，報表平臺能實現一分鐘拼表。

數字化轉型過程中離不開各數據產品/平臺、數據團隊和業務團隊的高度協作，這也體現了數據運營精細化程度，從數據使用顆粒度的細分到管理層至一線業務伙伴對數字化的深度認可都應有體現。除了自上而下的對業務數據和數字化的高度重視，專業的數據運營/支撐團隊也是有必要的，這樣一只數字化團隊除了掌握必備的數據分析方法，對整個企業的數據產品矩陣和數據指標也要有深刻的理解，最為關鍵的是需要深耕業務，如何處理好后臺數據和一線業務伙伴二者的互通是相當困難的。很簡單的方法，新人數據工作者到業務前線崗位輪崗或者兼職一定周期，全身心參與到業務過程將會對其后期的業務分析能力大有提升，也會對業務過程數字化有更深刻的理解。

數字運營本質還是人為干預的過程，在于數據使用者如何分析和使用數據進行決策，好的數據產品某些情況也能解決問題，這里舉個可能不是很恰當例子：我們通過數據統計發現某條道路堵車概率極高，分析原因是路兩旁車輛亂停亂放嚴重，要治理道路兩旁的亂停車現象，一是由交警給亂停放車輛貼罰單，后續亂停亂放現象就會減少，這屬于人為干預的運營手段;二是給道路旁設置非機動車道圍欄，導致路邊沒有停車位置，也可改善現象，這屬于產品手段。但實際施展過程需要結合具體道路情況，這時就需要熟悉街道的協警來參與決策是人為貼條還是設置圍欄。

即運營(人為干預)+工具(數據產品)+業務經驗(深耕行業)=數據驅動業務，而數據驅動業務的最終結果就是業務過程數字化的過程。

數據偶爾是不可靠的，如數據統計漏洞，數據口徑不一造成的數據差異，大環境因素造成的數據波動等，數據本身是無法解讀特殊情況的，并且數據本身是不具備業務背景的，這些都需要具備老練行業經驗的人進行解釋和處理。

數據解決不了的問題：感性問題(如人為的思想感情因素)，產品創新問題(需要產品經理的創新想法和經驗)等，因此更說明了人為用數的重要性。

四、數據驗證業務

數據應用于業務層后，是否能帶來預期收益，是否促進了數字化轉型過程，其實答案并不肯定。過往數據僅能指引或者反映業務方向性的問題，并不能精準預測業務未來的結果，因此也需要形成一定“閉環”，源自業務層的原始數據，加工后呈現出的數據模型反饋出業務過程的短板，經過人為使用數據對業務進行干預和調整后，業務結果的反饋對先前的數據系統、數據指標體系，數據模型、數據分析結論作出反饋和修正，以此形成正循環過程，促使數據和業務同時不斷完善，促成數字化轉型的最終目標。

在這里再舉個小例子：很多企業都喜歡通過目標管理來管理日常業務，即給業務團隊制定一定周期內(如月度/季度)的業績目標，喊口號拍腦門的制定方法已經不適用于科學管理，數字化過程中應當更多的使用數據參與決策。這里提供一種思路：在大環境穩定，整體行業形勢波動不大的情況下，先鎖定公司整體業績目標(管理層決策)，根據各個業務團隊過往一定周期對公司整體業績的貢獻度(可以是過去季度/半年或者更長周期)來分配業績目標，可以引入各種系數影響，如團隊規模，人員流動情況，庫存情況，客戶質量，時間系數，業務類型系數等各種維度的影響因素，所有因素動態調配，均可成為管理層的業務抓手。每次業績分配完成后業務團隊反饋目標制定準確度和合理性，提出改善意見，來不斷完善目標分配模型。