作者简介：孙微，玖富集团大数据总监。本文根据孙微在“ GrowingIO 2018 增长大会上海站”的演讲内容整理编辑，授权 GrowingIO 发布。
大家好，我是来自玖富的孙微。今天和大家分享的内容是做增长的前提，即如何快速搭建数据团队，提供数据服务能力，并实现数据驱动。
先简单介绍一下玖富的增长情况：玖富现在已经是千亿级的互金平台，我们成立时间比较早，到现在为止已经持续运转了十二个年头；我们的累计注册用户达到了 5900 万，其中大部分用户是移动端的用户；另外我们为我们的用户赚取的回报达到了 49 亿人民币。
这是我们的增长曲线，这个 S 型曲线还是比较符合增长理论的。我们注意到： 2014 - 2015 年我们增长的速度蛮快的，2016 年进入缓慢期。正是这一年，我们开始组建数据团队，开使用数据驱动的方式来优化改进产品、驱动业务增长；经过一年的努力，我们取得了了非常好的成绩，翻倍的业务增长。
接下来，我将分享一下在这期间团队建设以及数据驱动方面的一些经验。
1.数据驱动的机遇与挑战
1.1 数据驱动的机遇
首先来看 2017 年大数据行业研究报告：59% 的企业有专门的数据分析部门，还有 27% 的企业有计划成立数据分析部门。可以说，大多数企业已经把数据驱动的工作方式作为基本的企业经营方式。
上图右边是大数据行业的发展情况，可以看到这几年基本上以 30% 的速度在增长。大数据的技术日趋成熟，数据储存处理的成本越来越低，现在数据处理的工作方式已经融入到每个普通员工的日常工作生活中，可以说这种数据平民化的趋势非常明显。
原有的工作（产品、品牌、市场、运营等等）可能是叠加效果的，而数据驱动起到了一个倍数作用，放大各个部门的工作效果。当企业到了一定程度后，持续去投资原有左边的工作（下图左侧）不如投资右边（下图中的数据驱动），这样可以用更小的投资取得更大的回报。
另外，数据作为企业内部的通用语言，可以有效提高企业协作效率。大家都使用数据来说话，可以减少非常多的分歧。数据对于企业来说，好比金融对于国家经济的重要性。
1.2 数据驱动的挑战
除了上面的机遇，数据驱动的过程中也会遇到很多问题，常见的如下：
- 一个老大难的问题就是招聘难，现在数据人才有很大的缺口；
- 企业数据分散、数据质量较差；
- 数据团队作为新的组织物种加入现有工作范式可能会产生磨合问题；
- …..
无论如何，这个过程中都会遇到各种各样的问题。我相信办法永远比问题多，接下来就和大家分享建设数据团队的过程中怎么避免这些问题。
2.数据团队的定位、组织、协作
2.1 数据团队的定位
首先我们需要明确的就是数据和业务之间的关系。数据和业务之间有两种情况：一种是数据驱动产品，另外一种是数据驱动决策。
数据是产品的基本原材料，没有数据就没有产品。另外一种就是大多数情况下，数据驱动决策，通过影响我们的产品能力、运营能力，通过影响战略决策者，帮助他们间接改进运营策略、产品设计来间接为最终用户提供服务。这种间接产生价值的过程就是数据驱动决策。
那数据团队和业务团队之间的关系又是怎么样的呢？
数据团队作为一个新的组织物种加入到公司架构里面去，需要明确自己的定位。一般数据团队有两种功能：一种是提供数据服务能力，通过赋能的方式服务我们的其他业务部门；另一种就是数据直接参与到我们的业务决策中去，去改进我们的产品、去优化我们的服务体验，这种就是直接做增长的方式。
数据团队首先要定位成赋能团队，先把基础的服务能力做强，然后再和业务人员、和产品设计同学一起做增长。
2.2 数据团队的组织
一般来说，数据团队会有数据工程、数据科学、数据产品等成员来组成，这个大家都比较熟悉。但是，数据团队在一个组织内部以什么样的架构存在，往往会出现两种极端情况。
第一种极端，每个事业部单独组建自己的数据工程团队、数据科学团队。这样的话就会有问题，各个事业部之间做了很多重复性的工作，效率低下。第二种极端，建立一个统一的数据中心，这样的话数据团队就远离了业务团队，很难抓住业务痛点。
这两种情况，各有利弊。我比较推荐的方式就是：我们做一个统一的数据团队，工程部门专门提供统一、标准化的数据基础服务；数据科学团队以项目制或者说成员决策方式加入到业务部门中，和业务部门一起优化产品和运营，驱动增长。
在招募团队成员方面，我有这些要求：
- 因为数据工作本身比较抽象，要求成员有比较好的抽象思维；要把一个抽象的事情表达清楚，需要成员比较强的沟通能力；
- 数据工作不容易检查，我们对数据人员的责任心要求也会更高一些；因为数据往往间接影响决策，所以说对主动性、合作能力要求会高一些；
- 技能方面最好是多面手，既有数据技能也有工程技能，一定要招能快速了解和熟悉业务这种能力的人。这样的人才我们往往可以把他培养成优秀的数据科学家，效率要更高效一些。
另外在技术选型方面，在企业里面做数据主要的目的还是要让数据价值落地，选择技术的时候尽量选择主流技术。对于一些周边的系统，比如行为数据分析、数据可视化工具，尽量采用已经成熟的解决方案，尽快地让数据产生价值。
2.3 数据团队的协作
还有一个重要的认识是：在开始搭建数据团队的时候，需要梳理好我们数据团队和的业务部门、和高管、和其他的团队之间的协作机制。
首先，我们需要取得企业内部管理层的支持。因为数据团队作为一个后来的加入者，而且数据工作本身就是自上而下的；如果没有管理层强力支持的话往往很难推动，因为毕竟要影响以前的工作流程和工作模式。
第二，需要和业务部门紧密沟通。只有把数据驱动的方式嵌入到已有的业务决策流程中，业务部门才能高效地使用我们的数据。
第三，需要和大家建立信任。信任是数据工作的一个重大前提，是最好的效率工具；对于嵌入式的数据科学团队来说，信任可以避免协作时候的很多问题。
3.搭建数据团队的三个阶段
我把数据团队建设的过程分为三个阶段，每个阶段都有不同的侧重点以及注意事项。
3.1 启动阶段
启动阶段，最重要的是组建团队。组建团队的时候一定要优先招聘高级人才，根据高级人才的特点补充其他员工，去完善我们的团队。组建数据团队的时候，应该优先考虑引进部分熟悉业务的老员工。因为组建数据团队的时候业务往往有了一定规模和复杂性，引入老员工后可以让你更快速地解业务。
在系统建设方面，我们要以数据仓库和报表为重点，不要一上来就关注算法和 AI。因为数据工作比较偏研发，往往会一上来直接进入自己的小世界；所以一定要和管理层、和业务团队建立沟通机制，避免跑偏。
团队启动阶段数据服务能力没有那么强，不要着急覆盖所有的业务，应该优先切入关键业务，从这些关键业务去拓展。同时要梳理有价值的数据源，不要在没有价值的数据上花费精力。启动阶段，业务部门已经积攒了非常多的数据需求，把这些需求都提给你；这个时候要把需求进行把控、统一梳理，避免被牵着鼻子走、影响团队建设。
数据团队应该根据业务情况建立统一的分析框架和统一的指标体系。这个阶段业务部门也要参与进来，和我们一起梳理核心业务、关键路径。另外，第三方解决方案已经非常成熟了，我们可以先接入第三方系统，通过分析用户行为数据把业务先做起来。
3.2 发展阶段
到了发展阶段，这个时候数据团队已经有一定的数据服务能力了，可以开始将数据分析以及研发数据应用作为工作重点。另外，增加业务覆盖度，为更多的业务部门提供服务。
这时候数据团队对业务需求已经有不错的了解，可以推动数据源的治理。我们可以一次性把数据源进行梳理之后，把链路打通、把不同的数据打通。
打通数据源之后，就可以做统一的用户画像，因为统一的用户画像在每家企业都是标配。开始做用户画像的时候不要着急，我们可以先做一些简单的人口标签对接到业务系统，让运营人员先用起来。所有的事情都不需要追求一蹴而就，我们可以不停迭代。
数据可视化方面，可以着手进行自动化的指标监控。这个时候业务比较多，数据指标体系比较丰富，很难靠眼睛靠去盯每个指标，这个时候可以用预测算法做指标监控。
当业务需求逐渐得到满足，我们可以进一步梳理业务决策流程，将数据分析能力嵌入到决策流程中。当我们的活动上线、产品评估、方案评估时，我们都可以把数据追踪加进去，做到全流程的数据监控。
对于大多数的业务团队基层员工来说，听说了系统很厉害，但是不知道具体怎么运用。这个时候，数据团队需要和业务团队一起打造企业的数据文化；当然纯粹靠数据人员推动这个事情很难，最重要的就是提高业务部门的意愿。
最后，需要优化业务系统的集成能力，强化数据收集意识。比如说客服系统可以接入用户画像数据，销售系统可以接入绩效追踪数据。尤其是我们的产品，在设计环节就要强化数据收集意识，收集起来的数据经过分析可以帮我们进一步优化产品，数据收集是越早越好。
3.3 进阶阶段
如果我们上面做的都不错，那么就可以开始做一件有挑战性的事情，开始推动数据和算法产品化。产品化和数据应用的差别在于，产品化是开发直接面向服务终端用户的产品。比如说做一个推荐系统、做一个搜索系统，或者做一个智能客服，这些都是产品化的概念。
这个时候数据分析师需要进一步考虑我们是否可以把一些数据分析的能力，直接传递给我们的业务团队，GrowingIO 就可以直接把数据分析能力赋能给我们产品和运营的团队。
另外工程部门可以开始打造数据中台，以此来服务业务系统。如果有条件的话，可以寻求一些外部数据合作，丰厚数据维度，帮助我们的算法做的更好。再进一步，我们可以再勇敢一点，开始做业务的智能化。我们可以让业务系统更加智能，而不仅仅只是停留在自动层面。
4.实践：数据驱动增长的三个案例
接下来我会和大家分享三个数据驱动的案例：一个是提升转化率，一个是活动迭代，一个是用户精细化运营。这三个案例依次分别对应了前面三个阶段。
4.1 案例：续投优化
第一个案例和续投有关。当你的订单到期后，可以通过续期的方式，让系统自动投另外一个产品。
上图是我们改进前的，左边标注出来的很小的按钮是续投入口，右边是具体操作页面。我们发现老用户操作比较老练，但是新用户比较茫然，不知道我们产品本身有续投的功能。这说明我们这个功能的产品设计有问题，用户学习成本很高。
我们做了一些思考，并且对产品进行了一些改进。
如上图左侧，我们把续投按钮放到最大，并写上续投的预期回报。同时，我们在首页上新加了订单到期提醒；对于没有自动续投的我们会进行提醒，进一步优化短信文案。
进过这样的优化，我们的复投率增加了三个百分点。对于一个千亿级的大平台，提升三个百分点，一年就可以增加几千万的营收。
4.2 案例：活动迭代
第二个案例是“悟空小分队”，是一个邀请好友加入的功能，通过组队来让新用户加入。只要是一起邀请进入小分队，额度越高，用户获得的奖励就越多。
下面左边这个图就是分阶段奖励的方法，在这个活动中我们把数据分析的完整过程都嵌入到决策流程中。活动前，数据分析师通过研究用户交易数据对订单进行了测算，分析用户可能可以达到的奖励级别；然后设计奖励的时候，适当的提高了一下难度。活动中，持续监控数据，进行自然调整。活动后，根据订单情况、传播效果进行了复盘，进一步优化，并为下一次活动上线做准备。
上图左边是第一期活动的界面，右边是经过两次迭代后的第三期界面，阶梯奖励的策略已经有了比较明显的变化。
改进之后的第三期，虽然 ROI 和第一期基本持平，但是活动的效果完全不一样：
- 新手转化率提升了 170%；
- VIP 转化率提升了 525%；
- 流失召回率提升了 304%；
- 发起邀请的用户平均提额 25.6%；
这个活动不仅在新手邀请转化以及老用户召回方面有非常好的效果，而且是把数据分析完整嵌入活动流程的一个经典案例。
4.3 案例：用户运营
第三个案例是用户运营，我们通过构建一个矩阵式的智能营销系统帮助运营同学做精细化用户运营。
这是我们对网贷用户进行了测算，把用户按照生命周期划分为五个阶段。我们可以看到，分别在引入期、成长期、成熟期、衰退期、流失期，都会有工作的侧重点。上图有两条曲线，一个是邀约来的用户，一个是推广来用户。基于对平台的信任，邀约效果要比推广效果好很多，这是我们一直坚持做粉丝运营、做活动邀约机制的原因。
引入期用户对平台产生的价值是负的，为什么呢？在引入期主要是通过奖励机制和新手产品，帮助用户尽快熟悉流程。因为互金或者说网贷平台转化漏斗非常长，而且每一步都很敏感，这个环节要做的事情就是尽快让用户很顺滑做转化。如果转化失败，我们通过算法去研究哪些用户有可能是潜在用户，针对这些用户做二次的补充运营来促进转化。
成功转化之后，用户会进入成长期。成长期我们会做很多运营策略，尽可能让用户更快速地成长为一个高价值用户，帮助用户尽快达到成熟期。
成熟期是我们整个用户生命周期运营的目标，我们希望把所有的用户引导到成熟期。在成熟期里面我们可以做一些工作，提高用户到平台的信任，改进对平台的忠诚度。成熟期的关键就是提高用户的信任感，帮助他成为一个高价值用户。
无论如何，还是会有一部分用户会进入衰退期；这部分用户的钱确实需要用了，需要提出来。这个时候我们要做的事情是尽量挽留他，延缓衰退的进程，尽量拉回到成熟期。如果这个时候没有做好，客户就会进入流失期，流失召回非常难做。我们宁愿在衰退期多下工夫，也不要在用户流失再召回。
在上面网贷用户生命周期模型的基础上，我和大家分享一下我们做的智能营销系统，也就是下图的矩阵式营销。
这个矩阵的横轴是用户敏感性（注册-实名-绑卡-首投-复投-活跃-沉默-流失），绿色轴是用户状态迁移方向（重要-高价值-普通-低价值），竖轴把所有的工具进行了标准化。用户在生命周期的任一时点，在矩阵里面都可以找到位置，我们要做的事情就是要预测下一个阶段用户会处于哪个位置、是什么状态。
把这种状态的概率算出来，最终会得到所有的用户迁移概率图，形成一个迁移矩阵。所有用户在生命周期那个阶段、处于哪种状态下、对运营工具是否敏感，这些都可以量化出来。得到用户策略敏感性矩阵后，我们就可以通过随意组合策略做一些智能化的运营。比如 A/B 测试功能，运营可以根据用户画像进行分组进行比照实验，然后系统智能效果评估效果，如果用户结构发生异常的话会自动预警。这是一种智能营销的趋势。
以前运营上线一个策略可能要花一两个星期，期间还得找分析、产品、工程的同学；现在我们只需要在系统上研究数据，做策略组合进行调整，自动上线就可以了，智能优化过程时间非常短。这里不仅省了运营的时间，更是抓住了市场的机遇期，更快更好更高效的实现了增长。这是我们正在探索以及未来要做的事情。
以上就是我分享的全部内容，谢谢！
若有收获，就点个赞吧
0 人点赞
