實踐案例是：銀行的線上核心渠道——手機銀行。以下以手機銀行業務線為例，講解整個體系的落地過程：

數字化運營的起點，是能夠滿足應用需求的高質量數據。因此，此次合作的第一步，就是系統性調研與梳理各數據使用方的需求，了解不同的角色的工作內容、工作流程、當前使用數據的現狀以及存在的問題，結合我們在業務場景的經驗積累，系統性設計滿足主要業務方的指標體系及定義，以及數據采集層需要滿足的特征。

需求梳理及指標體系搭建環節，最終會輸出需求說明書，明確業務方應用數據的主要場景以及與之對應的指標體系設計。

通過此次調研，發現手機銀行對線上可獲取的數據、常見的指標及其定義、指標的使用方法和價值仍存在較大的模糊性，借此機會系統性的梳理了下目前在數據應用上的需求和困難，并提供了相應的指標體系設計方案。需求梳理及指標體系簡要版示例如下：

圖 3 需求梳理及指標體系簡要版

需求和目標確認后，接下來應根據需求、產品功能流程設計以及業務 ID 的情況，設計 ID_mapping方案、渠道追蹤解決方案、數據采集與整合的范圍、數據采集與整合的實現方式了。這部分是數據對需求的支撐能力、研發埋點開發的核心環節，輸出的數據解決方案，決定了后續是否能有效覆蓋各類數據應用場景。

圖4 事件設計

方案確定且與技術、測試人員評審確認后，就進入采集研發與測試的環節。這部分對數據質量的影響非常關鍵，實際按照需求采集的執行程度對測試環節的反復修改及驗收、最終可上線的數據質量有著非常大的影響，因此研發環節按照需求和規范進行數據采集非常關鍵。

本次項目受益于手機銀行研發負責人以及數據團隊對項目的大力支持，數據采集質量較為理想，按照預期在 2個星期內完成了采集并通過了測試。以下分別是數據校驗機制的規范文檔及埋點管理——數據校驗模塊的功能截圖示意。

圖 5 數據校驗機制的規范文檔

圖 6埋點管理——數據校驗模塊的功能截圖

數據上線后，為便于業務人員的使用，我們與行方項目組的核心成員對系統的各類配置進行了系統性的設置，以便于業務人員能夠快速上手，更加便捷的支持日常看數據和目標量化管理的需求。

此次合作中，基于業務人員應用上的考慮，對采集和導入的數據，進行了事件、屬性、屬性值進行了中文映射配置以及必要的備注說明，便于使用人員了解數據的含義，完成了數據字典的配置。

此外，結合需求調研階段的業務場景及指標體系規劃，對各業務方的常用報表進行了概覽配置，包含手機銀行大盤指標看板、各業務線核心指標看板、核心功能的產品轉化與體驗、新增與活躍來源監控、廣告資源位流量分發、活動運營等主題，實現了日常看數據的可視化，大大提高了日常業務運作中獲取數據的效率，降低了使用數據的門檻和難度。

1、場景用例建設一：MAU 貢獻分析及 KPI 拆解

場景用例的目標，是圍繞一個業務主題，明確希望通過數據分析解答的問題，根據需求設計合理的指標體系，結合分析模型及屬性維度，進行深度的診斷分析，發現業務的規律和特點，以及存在的問題和原因，進而為業務的優化提供建議和決策依據。手機銀行數字化運營可選的場景主題非常多，以下介紹第一個場景用例建設項目：手機銀行 MAU（月度活躍用戶） 貢獻度分析及 KPI拆解。

先介紹下該場景的背景。手機銀行作為銀行線上化的核心渠道，MAU是客戶線上化程度及持續活躍的綜合指標。手機銀行數字化運營轉型的核心目標之一，就是提升MAU，通過隨時隨地的在線服務，打造一站式金融生活平臺，提升客戶粘性和留存，提升用戶資金沉淀，促成各類金融服務和生活服務交易。因此，在當時的業務訴求中，各業務線、功能點對MAU的貢獻，是一個非常重要的命題，關乎著接下來全行對 MAU 這一綜合指標的KPI拆解和下發，運營策略的效果評估及目標完成進度的監控追蹤。

基于這個場景和訴求，此次用例建設的整體思路如下：

1. 定義 MAU：結合行內對 MAU 的定義，以及用戶訪問的有效性條件，限定一個有效的 MAU 是指在當月，用戶有過登錄行為，且訪問過任何一個具備獨立業務價值的功能模塊。
2. 定義 MAU貢獻的拆解維度：考慮到此次 KPI 的拆解和下發，核心目標是各業務部門，因此確定的拆解邏輯是功能模塊——業務線——部門的逐層歸屬邏輯。
3. 定義 MAU 貢獻計算邏輯：MAU統計的是一個月內的訪問，時間跨度較大，客戶存在多次訪問、使用多種不同功能的場景，因此在計算 MAU 貢獻時，采用的是貢獻平均邏輯，即根據客戶在一個月內訪問的有效功能個數，均攤單個功能對該客戶活躍的貢獻比，某功能模塊貢獻度即=（Σ1/訪問功能數）/MAU，各業務線、各部門的總貢獻即通過功能進行加總即可。
4. 定義KPI 分配的調參機制：考慮到以上 MAU 的貢獻拆解，基于是當前已經發生的歷史數據。在確定未來的 KPI 分配時，還需要參考今年的業務目標、環境條件變化進行參數調整。此處我們根據今年行內對功能模塊的戰略優先級、渠道依賴程度、手機銀行的資源傾斜、需求價值程度四個方面，進行了調參規則和權重設計，對各個功能模塊、業務線及部門的貢獻比例進行了調整。
5. 全年&每月 KPI 目標值測算：根據全行定下的 MAU 總目標，結合調整后的 KPI 貢獻占比，測算到年底最后一個月，每個部門、業務線、產品功能模塊的 MAU目標要達到多少。結合去年的 MAU 增長趨勢，測算每個月 MAU 應達到的目標值，基于此制定和下發相應的 KPI 要求。
6. 開發MAU貢獻及目標進度監控報表：根據 MAU 計算規則及設定的目標值，開發功能、業務線、部門 MAU 貢獻值及貢獻占比報表。結合 KPI 拆解出的目標值，進行目標完成度的進度監控和預警反饋。

2、場景用例建設二：類大眾點評業務第一指標拆解及增長點分析

近些年不少銀行基于金融基礎進行業態的擴充，積極拓展生活服務類業務，打造一站式金融生態圈，以期通過高頻生活服務、交易類場景的引入，增加客戶與產品服務的觸點，從而提高留存及黏性，進而延長客戶生命周期，更加充分挖掘客戶的偏好與價值。

該餐飲優惠類大眾點評類 O2O 業務即是行業布局金融生態圈的戰略級業務之一。此次場景用例建設的合作，是為該業務提供系統性診斷，提出更加有效的第一指標及業務發展建議。

基于這個命題，結合業務線的互聯網屬性，此次診斷采用了 AARRR 海盜模型作為基本分析框架，進行了基本盤的數據診斷。同時，結合該業務的具體形態和特點，針對各端的核心業務流程以及主要功能場景進行了拆解分析。通過以上專項分析，得出了以下第一指標建議，并根據第一指標的構成，測算了當前業務各個核心環節的增長空間，結合業務診斷提出了對應的提升策略。以下是此次合作診斷的輸出的簡要小結。

圖 7 合作小結

最后，要特別強調的一點是，數字化運營轉型本身就是以個長期性的工作，跟業務本身的變遷是個強綁定的過程，其關聯性主要體現在以下兩點：

• 數據基礎建設，是一個不斷深化和迭代的持續性工程

需要根據業務的重要性和業務需求的變遷，不斷調整數據采集與整合的廣度和深度，且需要跟隨業務的迭代持續進行優化和調整；

• 數據分析與應用，跟具體的業務場景和主題強相關

即使是面對同樣的數據，數據本身也有一些通用的原則和方法，但不同的業務場景和目標下，觀察的指標、分析的思路以及應用的分析技術都不一樣，數據發揮價值的方法也不盡相同，這些都需要根據業務進行定制化調整，因此也是一個逐漸縱深化發展的過程。

整體而言，數字化運營轉型，就是通過提升數據意識的培養、數據應用能力的提升、數據從生產到交付應用的閉環實踐以及不斷的迭代優化，逐漸提升企業內部數據驅動業務增長能力和效果的持續性工程。