TalkingData于洋：金融行业从数据运营到运营数据的转变

本文根据于洋在T11 2016暨TalkingData智能数据峰会的演讲整理而成

我的主题是金融行业从数据运营到运营数据的转变，大家可能觉得我是在咬文嚼字，但是今天，我会和大家探讨其背后的深刻含义。

数据运营，整个金融行业谈了很多年，关键点是数据运营如果要做得好，核心一点是去拦截稍纵即逝的商机。比如发现用户的特点和机会的时候，怎么通过数据资源和线索为这样的用户去服务，这是很重要的。但有一个前提是要有海量的数据和数据基础才能去做这件事情，在今天可以发现整个金融行业也面临新的问题，即我们一直停留在对数据库数据的建设和使用，也就是结构化数据，而这些数据实际上存留在交易墙之后，这些数据给到我们的用户线索和商机其实非常有限。

那究竟该怎么办，之前TalkingData发布了指标方法论2A3R，今天扩充到3A3R。这一步的扩充很大意义是告诉大家，今天大家对用户的获取，包括数据的获取已经不再是传统基于营业门店、线下推广来获取的。而是要深入到用户可能散落在平时的生活当中，这些在交易墙之前的数据其实能提供更多的资源，数据线索，进而找到用户的痛点，所需内容和服务。

交易墙之前，要完成用户的感知，获取，激活，留存，这些做的更多是用户与产品，服务交互，但这部分恰恰是在当今整个企业当中对数据收集做的最少的部分，尤其是传统的金融机构，因为这些机构更注重用户的基础账户信息收集和交易数据采集，这一部分是结构化的数据，其获取，处理，分析成本也是相对较低的，更多人员投入更多精力是基于在交易墙之后客户的生命周期的管理和运营。

回过头说3A3R模型，一方面明确了交易墙的概念，但同时这里面还有三个关键词，覆盖3A3R全流程，一个是关于流量的经营，也就是如何创造对用户有粘性的服务或者内容。第二个是如何建立交易墙前后的用户和客户的完整运营策略，第三是如何充分利用渠道能力，建设内容，扩展用户群。进而在3A3R基础上，产生未来企业经营的三个关注点，即用户，渠道，产品。而从企业未来的核心经营目标来讲，落实两点，第一个目标是怎么扩大用户规模，这是大家的核心KPI。第二点是怎么把传统业务和形态更好地服务于用户，所以是服务能力。

BCG曾经发布过一个数据，一个金融机构对数据的实际使用率只有34%。金融机构在今天的数据运营中还有很大的提升空间。金融机构对于整个数据的运用，可以回顾一下CRM和大量已存在的数据的使用，就知道业务部门基于数据驱动业务增长，如果在一定层面快速提升数据使用率，进而就可以去做短时间内快速的数据营销。但事实上，企业并没做好，甚至没做，大多数做得很弱。除了使用率的问题，另外，今天企业的数据资产遇到了一个很大的问题，就是资产流失，因为数据也有热度，资产也有风险和陷阱，对于仅有的那些数据如何提高质量和饱和度，在企业经营中，起到很大的作用。

接下来，我们回头审视刚才提到的交易墙，在这个交易墙的前后其实有四类数据是很重要的，在交易墙之后利用了大量的用户信息，比如CRM和大量的交易记录做了很多的客群的画像、营销，这是在传统行业当中一直在做的事情。在交易墙之前，比如说从三端一微（微信、APP、H5、PC）渠道当中获得了大量的交互数据，比如用户的行为采集，对用户的场景感知，但是这些数据并没有去做清洗加工，甚至很好地去洞察分析，进而帮助拦截一些商业机会。

这里面会存在很多种数据源，你会发现非结构化的数据，半结构化数据，这些很多都统称是交互型数据，其中有个问题，就是这些数据很难存储在今天所认知的关系型的数据库里面。由此，在今天也有两个数据和大家分享，在银行系统当中，如果从总的新增数据量当中只有5%的数据属于交易型数据，就是交易墙之后的数据。而有95%的新增数据，是来源于交互数据，也就是非结构化和半结构化的数据，而这些数据在今天没有利用起来。此外，还有一点，今天的交易墙之后的数据并不完全真实和纯净，存在一些数据陷阱，诱导我们朝着错误的营销和运营方向走去，此外，5%的交易数据能给予我们对全量用户的营销线索也是非常有限，此时不是营销线索太少，而是太多，因为我们对很多用户并不了解。

今天的互联网当中有一组很有意思的数据，每60秒的时候Twitter会发出10万条微博，Facebook里面有50万条互动，而在Google上，60秒里面有400万次搜索。同样今天一个银行的APP、券商的APP会发现60秒当中会产生多少条数据呢？这些数据哪些是真正有价值的要管理起来，帮助拦截真正有线索、有价值的机会，需要即时的去对人进行个性化营销。我们的数据采集和分析，其实是建立在一直等待用户进入交易环节之后才开始，比如今天的数据库营销，但你会发现，很多人其实已经流失掉了，这时失去了很多挽救这个用户的机会。而当这个人真正进入到交易环节的时候，你会发现很多的行为已经发生了，我们的营销线索和渠道已经变得很短了，但对于这些进入交易的人，我们没有利用交易前的行为数据帮助我们补充用户的画像和行为。

这些是交易墙之后大家最熟悉的关系型数据库的数据，在这些数据当中，你会发现有几个特别有意思的事情。第一，从总的新增数据体量来讲只有5%是结构化的数据，而大量的散落的APP等渠道的数据并没有去做很好的清洗、人群的刻画，包括行为的监控。这里边你会发现5%的结构化的数据当中有20%属于优质数据，而这20%的优质数据对应着非常详尽的交易记录和客户信息，从传统银行的客户价值定义方式中，即使创造和贡献了优质数据的用户不是价值用户或者叫做高净值用户，我们更习惯按照AUM来判断。但在数据库营销当中，你会发现营销对应的是优质和丰富数据的客群，因为没数据，做不起来数据库营销，但同时也发现这有20%优质数据的客群，某种程度上并不需要花很多的精力营销。为什么？即使当你不营销也不会离开，因为跟你之间的业务联系很强，因为要么和你的活动很强，产生不断新鲜的数据，要么资产量很大，是你的核心客群。

不过这里面有一个最大的问题，你会发现剩下还有80%的客群在哪里？他们是什么样子的，这些信息今天的金融机构并不清楚，在野蛮增长获客的过程中，我们拿到了太多的是客户的所谓注册信息，这些其实都是静态的，用户与机构之间没有交互，不产生数据资产，只有那些活跃或者交易的客户才有不断的数据资产供给。从传统的金融机构当中，习惯从AUM的角度衡量谁是我们的优质客群，但更多的用户没有贡献很高的资产。在缺少更多融入用户场景维度数据的补充时，我们发现营销线索会很多，为什么？基于交易记录和注册信息，对于一个用户的营销，发现对他去卖游艇、飞机、理财都是可以的，但这样的营销线索可能有100种。但是今天在讲到精准营销，或者讲到对客群的营销是从100种营销线索降低到5种，去降低维度，才会变得更加精准。比如对于每个月工资有一两万块钱的人，有房贷，养家压力的人来说。你会发现当你随便推出起步5万块钱的理财时，其实根本没有这种消费的动力和意愿，因为这不完全适合我，但是你告诉我有一个针对工资的理财计划时，也许我非常感兴趣，这就是说怎么去降维营销线索，而这其中，你会发现，我们需要捕捉一个人的工资，财务进出的整体信息。

其实有几个点是今天金融行业当中面临的问题，比如第一个是获客的前置，今天的用户不会被动地等待进入到网点的时候再被你开始营销，因为他们的金融需求来自于整个生活当中，比如工资，房贷，缴费都已经云化，大家都在网络上飘着。典型的今天大家在做的直销银行，是完全线上的营销获客方式。今天的金融场景已经开始生活化。

第二点是定义用户，比如过去我们定义银行用户是通过AUM用户，比如基础客户、财富管理客户和私人银行客户。但是你会发现在私人银行客户里面有买游艇、飞机的需要，有理财、打高尔夫的需求，这些信息在今天的金融业或金融机构当中很难定义出来，比如什么叫做家庭主妇，什么叫做小资生活，这样的定义本身就带有很强的营销线索，而这今天的金融机构给不出来。家庭主妇我或许推出刷卡打折蓝月亮洗衣液，小资生活群体，我推出小黑伞，洁面仪，演唱会。我们可能通过交易记录和行为可以获取过，但是这些需求其实是前置的，我们需要在即将发生的兴趣和行为的时候就要去做一些这样的工作，所以对于用户的定义也要重新去升级和改造。

第三点是营销线索。刚才已经讲到了很重要的是在交互的过程当中怎么去理解用户，也许这个用户并没有在这儿开户，没有在这里办借记卡。但是这个人跟你的业务之间产生了非常强的黏性，在黏性当中可能存在一些营销线索。这样来讲，真实地把营销线索挖掘出来。过去基于呼叫中心、交易中心、大量客户信息，我们在询问为什么客户离开，试图发现客户离开的原因。但是我们今天没有利用起来，比如说今天的社交、新闻资讯，及很多新的渠道来找到客户在其他窗口表达的意愿和信息。也许你会发现用户离开你的产品原因仅仅是因为APP使用体验不好，而不是因为资产不好、利率不好。

总结一下，刚才说到的核心一点是，如何从交易数据分析运营向交互数据分析运营转变，其实交易数据分析更多是从点开始，点的最大问题是零散和线索太多，而交互是从一个线开始，把点串联起来，去完整地还原客群，线索更加明确和直接。

而对于运营数据来讲，用此前林总讲的一句话，我们是在养这个数据，怎么把数据养起来。比如大家知道今天的证券、银行都有大量的营业网点，在里面都布了Wi-Fi，这些Wi-Fi已经采集到了很多设备信息。这些客群在进店的情况和基本画像特征，这些数据可以帮助我们有利于运营网点，选址，评估，比如网点是社区、综合还是旗舰，这些养起来的数据可以充分利用来做很多基于数据的决策建设，关于养数据可以了解林总讲到的数据三重门。

对于一个企业来讲，经营业务目标有两点，一个是用户量，第二是收入。在这之间有两层需要去考虑，第一是从数据运营的角度来讲，数据运营体系当中有渠道、产品、用户、活动几个层面，这是日常在做的事情。但是今天我在证券和金融做了很长时间，发现在整个现在金融机构中的互联网部门并没有按照这样的职能联动起来，核心原因在于在底层缺少一种数据指标体系的建设和客群的建设。这在今天不展开去讲，这里看到的底层指标体系不只是大家认为的在单纯衡量业务，更多的是告诉大家建立一种思路，我应该去获取什么样的数据，应该建立起什么样的数据运营的体系。

这背后有一个最关键的是如何把数据作为运营，之前讲到了未来金融传统的业务已经不再重要，而数据是作为主营的业务去运转。这里面有一个很关键的图谱，就是说数据是未来的核心，我们可能做了数据的获取、组织、分析，甚至外围的计划、行动，但是没有很好的技术能力以及最佳实践告诉我所有的团队和人员，我应该未来怎么去做、怎么去落地。在这样一个循环当中，一层一层构建的是完整的运营数据体系，事实我们已经在路上。

说到这里，我想用四句话来理解今天的运营数据，第一数据要收上来，无论是网点还是线上。第二数据要理得清，比如指标体系对业务的定义、对人的定义。第三数据要看得见，比如今天大家看到运营报表，这种能力要渗透到所有的业务部门里面去。第四是数据要用得上，这一点在今天做的并不是很完善，尽管我们在做，但是会发现在真正的机构当中存在两个问题。第一个问题是真正掌管数据的人并不去做数据运营，所以跟数据部门打交道里面的许可和信任是很重要的一点，其次是你会发现当业务部门做基于数据运营的时候要协调更多的资源，比如营销、市场、数据、科技、开发，但难度很大。你会发现这两点成为未来在去做数据运营方面很大的瓶颈。由此，我们也无法产生更多的运营和培养数据的需求和动力，因为在已有的数据中，我们没有利用好和发挥价值。

比如说指标体系的建设，比如说从注册到绑卡、业务参与情况，以及业务ROI是多少，这其实是一个完整的梳理，可以对应到不同的部门。比如准确衡量营销、运营、业务，以及IT力量在里面产生了多少价值。关于指标的串联作用有几点需要讲，我只说两点关于指标的事情：

第一，好的指标是什么样子的？简单易懂，其次是具有可比较性，再一个是驱动可变。当看到注册转化率低的时候就知道产品出现了问题，就会马上去改进，而不是看注册量。

第二，核心指标，什么是核心指标？首先是了解现状建立一个基线，现在的业务是什么样，未来要做成什么样。其次是关注业务发展状况，数据是要作为整个公司级的战略去衡量整体的经营状况。再次是回答最重要的问题，现阶段要解决什么。最后是驱动不断螺旋迭代。因此基于指标看到的问题，到行动发生和效果评估，就有这样的一种数据的关联关系，即数据使用和发生作用的pipeline。这个数据的pipeline是贯穿完整营销闭环的。

在指标体系的建立当中，给大家穿插一个小的例子，有两个概念是今天很多行业会定义的，第一是注册用户数，第二是活跃用户数。在今天很多企业当中，注册用户数是作为第一KPI，而活跃用户数不是大家最愿意要求的。从数据的角度来看待，注册用户数是结构化数据，是静态的，活跃用户意味着跟你业务之间活跃频度很高，当发生更多参与的时候会发现可以找到这个人更多行为，并补齐画像和特征，这是从数据积累的角度去考虑的。这里面他是一个动态过程，而且降维营销。这是从指标调整看到的背后数据资产和数据思路的改变。

这些是我们刚才看到的体系，比如用户的档案画像、指标体系，刚才已经讲过了。这里面有一个关键的是降低营销线索，其实在以前的计算广告当中有一个著名的AUC，在恰当的时间和情景里面去找到一个恰当的人推出恰当的内容，比如说对自有的客户、潜在的客户和竞品的客群。比如我就是一个小白的用户，喜欢的就是星巴克的咖啡券，那就很精准地给我。这样的记录在传统银行的交易记录当中是存在的，通过地理位置的访问记录，你也知道这个人在这样的场景出现，所以会抓到这样的线索去做落地的营销。这一点看似是方法论，但是我们在指导运营过程当中是切实落地的。这是一个完整的闭环，从洞察，怎么去解析，发现相似人群，去触达，以及效果评估。

今天做的最差的是在效果评估，我们基本放弃掉了，所以你会发现今天的营销是在不断寻找新的创意、新的资源，而没有形成营销是自动化的，是循环的，是基于经验的营销。这里有一个关于进店客户的营销，比如基于用户线下位置的访问行为，找到他是咖啡、火锅，是中规中矩或高粘的用户。这样的群体在未来APP里面，像星巴克优惠券的发放、餐饮优惠的释放，其实很大的指导意义，这些是基于线下网点Wi-Fi的探针数据和位置数据去做了聚类分析，这样至少做到了基于数据决策的营销。

再比如说基于银行的交易数据，之前林总简单讲了一下僵尸用户、一次性用户、投资用户的聚类分析，这针对的是三类标签。当拿到标签和特征的时候，就知道一个人未来进入到手机银行、信用卡APP或直销银行的时候，就知道应该给他什么东西。你会发现，今天可以很认真地去说，在银行业和证券业当中，很多时候APP的首页连最基本的推荐引擎的能力还没完全实现，没有做到基于大客群的差异化能力的营销。但这种能力来讲，其实在互联网中早已经具备了，当中也包括基于数据的能力建设。

以上的三类用户聚类基于银行自己的数据和业务的数据去做的，接下来再来看这些人在APP这一端的行为，也就是在交易墙之前的行为，看到三类行为当中，投资型用户最后一次登陆时间、人均时长和点击次数是远远高于一次性和僵尸用户。当有这种行为出现的，下次访问页面策略就是不一样的。就相当于进入营业网点时，客服专员和大堂经理对不同人的话术营销是不一样的，我们需要把这套思路搬到线上自动化执行。

最后是在前段时间写的聚类算法，基于客户的交易数据和行为数据做的四类人群的聚类画像。第一类人是活动冲动性，基本上对收益不感兴趣，但是可能不知道怎么去理财。我们给这些人是尝试性推荐的产品。针对第二类人，比如高端理财用户，这些人不需要推产品，今天我们的很多理财产品是有品牌特征的，买了一期会买第二、第三、第四期，不需要做新的推荐，做相似推荐就可以了。第三类是僵尸性，你会发现资金的分散程度以及交易频率和收益基本上没有太多的变化，所以这样的人可以通过营销或电话的方式外呼去激活。第四类人是重点防范的，也就是薅羊毛的用户或活动型用户，所有的忠诚度就只在活动上面，其他都不感兴趣。

有了这样的画像就可以大幅度削减营销成本，我们把钱花在更容易出效果的地方。今天的银行和机构有7：3的比例，7成花在获客，3成花在用户补贴和营销，未来一定是倒过来的，更多是要留下要留存的用户。如果现在有100万用户，有30%甚至更多的用户是流失客群，没有被激活、绑卡的用户，那么这些的用户激活的价值远远高于外部的获客，因为这些人是你花钱了买进来的数据资产和有触达可能的客群。

最后总结一下，数据要向业务经营一样去获取梳理运营和建设，继而数据的建设才能像数据驱动业务运营一样。当你有了庞大的数据之后，合理的加工使用，才能找到精准的营销线索，最终才能做数据驱动运营的事情。

作者简介：于洋，TalkingData 高级咨询总监。2012年加入TalkingData，负责游戏数据分析及咨询业务。在游戏数据分析，游戏产品优化等方面有诸多的经验。小白学数据分析作者，创办学分析-游戏数据分析网，坚持在游戏数据分析的推广和建设，撰写国内第一本《移动游戏运营数据指标白皮书》。