『数据运营』如何赋能银行智能决策？

文摘 2024-05-25 22:42 北京

最近参加了一场主题为“商业银行的BI升级之路”的行业研讨会，并在会上分享了对商业银行业务智能决策和数据运营的粗浅见解，今天将当时分享和讨论的主要内容做了梳理，以飨各位朋友。

主体结构：

Part1：揭示银行业务经营的底层逻辑，从客户生命周期管理到产品营销策略，从渠道协同到场景构建，全方位解析银行数字化运营的关键要素。
Part2：探讨银行在数字化转型过程中遇到的挑战，包括数据孤岛、工具适配、场景运营等问题，并提出相应的解决思路。
Part3：展望AI时代下银行智能运营的未来，探讨如何利用AI技术提升银行的运营效率和服务质量。

1. 数字化赋能银行业务经营

在银行业务经营决策中，底层逻辑至关重要。这里分享一张“房子图”，展示了业务经营的本质：将用户或客户与产品连接起来，实现业务目标。

从客户侧来看，银行业务经营需要深入分析客户的全生命周期，识别用户关键行为，并据此制定客户分层策略，推出客户运营计划，促进客户的增长和粘性。在产品层面，银行需要关注产品的设计、营销、竞品分析以及产品迭代。这些活动有助于确保产品能够满足市场需求并持续改进。

连接客户和产品的是渠道、内容和场景。渠道的建设不仅包括线上和线下的融合，还需要考虑不同渠道间的协同和联动。内容方面，银行应提供丰富多样的信息和营销活动，同时确保客户在接触这些内容时的业务流程顺畅。场景的构建是为了吸引客户并促进他们的活跃度，通过内外场景的融合，形成有效的客户成长和转化机制。

客户、产品、渠道、内容和场景之下是银行的基础能力，包括了风控、财务和人才等方面，以及底座能力，尤其是数据、权益、客服和AI。特别在数字化转型的背景下，数据成为了决策的核心。银行需要利用数据分析来优化客户与产品之间的连接，找到最短的转化路径，并在最佳时机实现客户转化。

聚焦到银行业务最关心的客户生命周期管理，可以映射到客户经营策略的多个方面，通常拆解为三个主要阶段和七个子阶段（上图）。

新客期：目标是拉新获客，主要策略包括公域引流和裂变营销，通过营销活动促使完成客户拉新。
成长期：客户经营的起始环节，通常发生在客户开卡后的三个月内。银行通过关怀和营销活动与客户建立稳定且高频的互动关系，提升客户活跃度和粘性，为后续转化奠定基础。
提升期：主要目标是提升客户的金融资产。银行鼓励客户进行存款和业务开通，同时持续追踪和洞察客户的金融产品持有情况和交易行为，识别深层次金融需求，为客户提供合适的产品和服务。
巩固期：此时客户通常活跃且对银行有一定信任度和依赖度。银行通过交叉营销和裂变营销，关注客户留存率和业务转化率。
游离期、睡眠期和流失期：在这一阶段，银行需要建立预防、监测和弥补的闭环机制，设计常态化的客户资金留存和转化策略，防止资产流失，并采用场景化营销手段唤回客户。

在客户生命周期的不同阶段，银行需要关注的核心数据各不相同。结合互联网公司常用的AARRR模型（获客、激活、留存、收入、推荐），可以构建一个银行客户经营策略矩阵（上图），横向分为获客、激活、提升、留存和推荐等阶段，纵向展示不同客户阶段的特征及相应的经营策略和营销活动。

银行的客户经营策略需要根据客户所处的不同阶段进行匹配。为了制定和界定这些策略，必须进行深入的数据分析以得出结论。

在具体的数字化经营结构中（上图），银行首先通过渠道层接触客户，这是营销活动或产品推送给客户的第一触点；接下来是经营层，涉及对不同阶段客户的经营动作；最后是策略层，匹配不同阶段客户的具体运营策略，包括营销活动策划、客群圈选、产品匹配、素材准备、权益匹配以及触达渠道的选择。

触达客户后，银行需要关注客户的转化和进一步动作，并与渠道进行关联，以了解转化率并根据需要调整运营策略。这包括匹配的活动、权益和选择的渠道。

整个结构依赖于最底层的数据层，数据采集包括银行自建触点的行为数据、业务平台数据以及外部平台和第三方数据。基于这些数据，进行深入分析以确定客户所处的阶段，并据此匹配相应的经营策略。

2. 数据应用水平是数字化赋能业务的关键

在银行业务中，智能决策的实施需要对数据有明确的需求。智能运营模型是银行常用的经营逻辑之一，由五个主要部分组成：洞察、匹配、触达、转化和智能决策模型（下图）。

洞察：作为智能运营模型的起点，洞察模块基于对客户全生命周期的分析，识别客户状态、关键行为和场景，以及相关的标签。任何标签的变动都可能触发后续环节的内容模块。
匹配：内容模块根据洞察环节提供的触发条件，自动组装适合客户状态、行为和场景的内容，包括产品、营销活动和权益。
触达：有了内容后，进入触达环节，该环节解决如何在适当的时间和渠道，以合适的形式向客户推送内容，以实现最佳转化效果，涉及到渠道选择、内容形式和推送时点的决策。
转化：转化环节与业务紧密关联，旨在促使客户完成相应的业务动作或者行为改变。转化后，客户在其生命周期中的位置将发生变化，进入运营循环的下一个洞察阶段。
智能决策模型：智能运营策略模型是整个体系的核心，例如使用A/B测试、自动化工具和AI技术等等，为触发、内容、触达和转化提供策略和模型支持，实现用户、渠道、产品和营销时点的精准自动连接，以提升用户转化率。

可以看出，在整个智能运营模型中，各环节对数据的要求非常高，自动化和智能化的运营模型都依赖于数据层面的衔接。如果数据抓取不准确，就可能影响环节间的过渡和触发。

以营销活动为例（上图），不同的环节需要不同的数据支持，以确保策略的有效执行和客户的精准触达。因此，银行在进行智能决策时，必须确保数据的准确性和实时性。

在深入探讨模块的数据需求时，首先聚焦于该模块的核心功能。营销活动的核心正是内容模块。在相应的营销活动中，可以获取到客户的某些属性。然而，活动的成功不仅取决于这些属性，更关键的是活动的执行效果，因此需要关注活动的触达时机、方式（如短信）以及目标受众（如一周内有交易或最近多次关注的客户）。

活动投放后，需要紧密关注流量数据，特别是与渠道相关的数据，包括人群的触达率、打开率和转化率等等。这些数据直接反映活动在渠道上的表现。接下来是对客户行为进行分析，例如有些客户直接跳出，有的则深入查看。因此全面评估活动效果需要收集并分析浏览量、访问量、在线时长、跳出率、跳出位置、流失率及回流率等多样化数据。

在进入活动转化环节后，需要对整个活动的效果进行细致分析。此时，可能需要重新定向客户标签，并生成数据分析报告，为下一轮营销活动的优化迭代提供有力支持。通过数据分析能够更准确地评估活动效果、渠道表现、客户选择的精准度以及权益匹配的合理性。

除了上述银行营销活动的数据外，银行业务的数字化经营还涉及更广泛的指标体系（上图），包括客户运营数据，涵盖客户规模、构成、与平台的粘性及金融业务侧的综合价值；金融业务运营数据则涉及交易规模、业务渗透率、业务粘性和流程转化等方面；平台运营数据包括银行自家的手机银行APP或其他生活类、场景类APP的运营数据，以及客户策略、资源位运营、客户体验以及整体活跃度和交易情况等，都是评估银行数字化经营效果的重要依据。这些数据为我们提供了全面、多维度的视角，有助于更深入地理解并优化银行的业务运营。

面对如此庞大量的数据指标体系，银行常常借助数据看板、数据大屏或“作战室”、“驾驶舱”展示关键数据，这无疑凸显了银行数字化经营的核心，即数据先行。在银行运营的各个环节中，数据扮演着不可或缺的角色，不仅涵盖了平台层面的数据，还深入到了客户和业务等多个方面。然而，在当前银行数据应用层面，确实存在一系列问题（下图）。

数据方面：数据工作量大、部门间数据孤岛严重、数据口径和分布混乱等方面。这些问题不仅增加了数据处理的难度，也影响了银行数据驱动的决策效率。
工具方面：尽管市面上有许多针对银行业务逻辑开发的工具，但很多工具在实际应用中存在“水土不服”的情况。此外，银行对安全管控的高要求也限制了部分工具的使用。
场景方面：银行虽然热衷于通过场景增强客户粘性、建立良好关系，但在场景构建和运营上却缺乏经验。这导致许多场景未能充分发挥其应有的价值。
数据文化方面：传统数据分析效率不高，也很少让前线业务人员进行数据分析。

基于此，银行数字化经营通常会面临如下挑战（下图）。

首先，银行的数字化运营面临多渠道协同运营对数据的高要求。为了实现多渠道的有效协同，银行必须确保底层数据的打通，特别是用户数据的整合。这不仅要求数据能够自由流转，还需要确保运营者能够实时获取渠道触达客户的详细信息，包括客户的动作、转化率等，以便决定是否需要进行二次触达。

其次，经营侧一大重点是精细化运营。在存量客户时代，如何通过数据洞察客户需求，制定个性化的运营策略，成为银行提升竞争力的关键。很多银行正在尝试通过分层、分级、分群等方式来细分客户，但这一切的基础仍然是数据。因此，提升数据应用能力，实现业务与数据的一体化分析，对于银行来说至关重要。

而在数据层面，数据基础薄弱、数据缺失、分散、口径不统一等问题严重制约了银行的数据应用能力。此外，数据流与业务流的割裂也导致数据难以有效赋能银行业务运营。

综上，银行需要打造一个以客户为中心的数据基础，提升数据应用能力。特别是面对庞大的客户群体、复杂的产品矩阵和多样的触客渠道，银行必须充分利用数据资源，对客户全生命周期进行深入分析，以实现真正的数字化运营。

与头部互联网公司相比，银行在数字化运营方面仍存在较大差距。这主要是因为银行在数据应用方面尚未充分发挥其潜力。因此，银行需要加大在数据整合、分析和应用方面的投入，以缩小与互联网公司的差距，提升自身的竞争力。

3.AI赋能，银行数字化业务经营的未来展望

随着近年来AI技术的迅猛发展，银行数字化运营的从业者也在不断探索和思考如何更好地利用这一技术提升运营效率和服务质量。相信在AI的赋能下，银行数字化业务运营将迎来更加广阔的发展空间和更加美好的未来。

前文在探讨智能运营模型时，其广泛覆盖了从客户洞察、精准匹配到触达和转化的各个环节。AI 可以发挥显著效果，特别是在银行数字化业务运营中，涉及获客、转化和留存等多个关键步骤。在系统侧和运营侧，同样可以助力组织架构管理、权限管理，支撑素材库、话术库、知识库等关键资源。

此前，银行在互联网运营时代可能难以与互联网头部企业竞争，但AI时代的到来为银行提供了弯道超车的机会。借助AI和大数据技术，银行可以在精细化、场景化和一体化经营以及智能化经营上持续发力，重新建立与客户的联系。

最后，需要强调的是，无论AI技术还是大数据，都离不开底层数据的支撑。数据管理、分析、看板和智能推荐等技术都是支撑银行数字化经营的关键。当前，银行的数字化经营正处于从数字化到智能化过渡的关键阶段，数据的重要性愈发凸显。只有解决数据层面的问题，充分发挥客户业务平台数据的价值，银行才能将AI技术与数字化经营紧密结合，实现整体的升级和转型。

……一家之言，欢迎拍砖……

既然都看到这儿了

不妨点个“赞”或“在看”

抑或“转发”给朋友

手留余香

相关文章

作者简介

数字化营销与运营领域17年老兵、混迹于金融与互联网圈的斜杠中年、《数字银行》专栏作者、“数智化运营”布道者，操盘过数款千万级用户体量的互金产品，专注银行数字化运营咨询、运营体系构建与策略规划落地。拙文皆为日常工作中所沉淀的方法/心得/案例/见解，望助同道中人少走弯路早有收获，善莫大焉！

西欧欧

聚焦银行数字化/数智化运营。

最新文章

除了业务增长，运营还能『沉淀』什么？

关于『新形势』与『新机会』的一些思考

『数据运营』如何驱动银行业务增长？

银行数据运营『基础设施』概览

银行『数据运营体系』构建要点

银行『数据运营』痛点简析

『数据运营体系』的四个关键模块

9月，集中聊聊『数据运营』

AI时代下，银行『数智化运营』的机遇与挑战