本文根據神策數據華南業務中心 leader & 咨詢中心負責人徐美玲《數字化運營，從 1 到 100 的跨越》的分享整理所得。主要內容如下：
· 數字化運營的內涵
· 數字化運營體系的構建
· 數字化運營的困局與反思
· 實現從 1 到 100 的跨越
之所以從 1 而不是 0 開始，是因為我相信絕大部分企業已經有一定的數據基礎，無非是在數據體系落地程度上有所差異。從 1 到 100，最核心的是要把數據的價值在業務中真正體現出來。本次分享將會從數據體系入手，講述當下企業面臨的現狀，數字化運營體系落地過程中的一些思考，以及神策對企業在數字化運營方面的建議。
一、數字化運營的內涵
提到數字化運營的時候，很多人會有不同的認知，但真正的數字化運營究竟體現在哪些地方呢？
對應神策基于數據流的企業運營框架——SDAF，結合實際業務場景，我認為數字化運營主要體現在六個層面，如下圖所示：
1.可度量
業務發展情況和變化程度都是可精準度量的。在度量這件事情上，有許多門道，比如我們期望通過什么樣的指標去度量，它包括指標的定義和口徑等。舉個例子，在做活動效果分析時，企業是想分析獨立的活動，還是想分析整個活動運營體系對業務大盤帶來的提升？在不同的分析場景中，所參考的指標體系是不一樣的。
一個好的度量體系，其完善性、業務價值的準確性以及對維度拆解和全方位診斷方面都是可以全面發揮價值的。
2.可分析
可分析與可度量最大的差異在于，可分析需要通過一定的分析方法、思路和框架，或者一些相對高階的技術手段，來判斷度量指標的合理性，以及指標改進的關鍵點等。
服務了 1500 余家企業之后，我們發現大多數企業在數據基礎建設方面已經起步。在合作過程中，神策分析的靈活性和支持能力具有明顯優勢，它能夠幫助企業梳理指標體系、配置應用上線等。但推進分析的難度相對較大，主要在于每一個分析都與業務主體和業務場景有著強相關性，同樣一個數據指標的變化有可能是外部因素導致的，有可能是內部因素導致的，也有可能是周期規律性的因素導致的。
面對此類強業務關聯性的分析場景，我們在接收到咨詢需求時，必須要深入業務體系去考慮業務現狀和接下來的動作，結合數據的表現，給予有價值的診斷和建議。也就是說，分析這件事兒對內部人員和外部接入人員在業務理解和數據分析的專業度方面要求更高。
但是，目前整體看下來，至少有 50% 的企業在分析這個層面沒有做好。
3.可反饋
粗略來看，可反饋跟可度量是相似的，差別在于可反饋是針對某一項已經做過的事情的效果反饋，也就是說在某項已完成的活動或業務中，我們期望得到的反饋是哪個動作影響指標如何變化等。與度量大盤指標不同，可反饋有較強的精準指向性，通過精準衡量每一個動作帶來的變化情況，基于歸因分析和體系化洞察，實現可反饋。
通過觀察，我們發現可反饋程度較高的企業有著共通之處，他們對業務變化的應對能力，對動作的歸因能力都較強，一方面源于思路框架的強化，另一方面來自于對工具的高效使用。在正常業務流程中，可反饋是一個積少成多、量變影響質變的過程。
正如前面所講，可反饋的本質是一個歸因體系和邏輯，涉及到大量的數據處理，與動作和業務維度強相關，它所面臨的挑戰在于拿數和用數。
可度量、可分析、可反饋三個層面更偏向數據角度，但業務體系和數據體系屬于并行耦合的關系。
4.可預測
預測最明顯的表現在于它會根據過往的數據特征表現，結合業務場景邏輯，為業務提供指向性發展、前瞻性處理的建議。
最常見的可預測應用是智能預警。基于企業業務發展狀況，對接下來三個月或者一年的業務發展做出預測，然后分配到每個月的業績指標應該是多少。預測比度量更貼近業務，它指導業務目標的制定，在業務場景異常的判斷方面有更強的業務耦合和指導價值。
對于某些需要調度區域資源的企業來說，可預測的精細化程度相對較高，因為外部影響因素過多，比如時間、天氣、資源供給情況等，預測難度要比其他類型的企業更高。
從整體上來看，預測的難度不大，但是把目標管理，尤其是增量目標管理，以及業務異常智能預警做好，需要涉及算法或者更高級挖掘的技術，以及平臺化的能力、可視化的應用與呈現、實時性等。
5.可決策
分析和預測的核心目的是指導決策，如果分析和預測對業務場景沒有帶來本質上的影響，就意味著分析和預測對決策的影響力不夠理想。
決策在數據分析的完整鏈路中，難度相對較大。在大部分企業內部，分析團隊和業務團隊往往是兩個不同的群體，他們在數據分析的專業度、對業務的理解和判斷上有所差異，業務團隊基于業務導向會優先考慮資源優先級，會站在整個大盤的增長體系中，考慮跟分析團隊不一定強相關的業務邏輯，甚至有些業務團隊會從內部利益出發，拒絕不能夠帶來明顯利益的數據分析應用落地。
從我個人的經驗來看，很多時候數據分析驅動決策跟企業的一把手或者業務負責人的認知、理念強相關。
另一個方面，我見過越來越多的數據分析能力強的人開始自己干業務了。因為推動太難，當自己的業務思路和方向性足夠強，執行力到位，那么自然可以從分析到決策落地全面把控。這其實是一個挺有意思的事情，但我認為這會是分析師職業發展必然要經歷的一個過程。
在我最近負責的幾個 Case 中，有一些互聯網企業，他們的 CEO 是做數據增長出身，目前整個企業也已經發展到強數據驅動業務增長的階段。這在某種程度上印證了數據對于行業和業務人員的倒逼，這也就是為什么文鋒曾說“將來所有的人都應該要懂數據分析”。不一定要求業務人員能夠深入了解并參與到數據分析的過程中，但要求業務人員必須具備基礎的數據分析能力，要能夠理解數據分析的基本邏輯，以及從分析結果往解決方案方向的推導路徑，如果這條路徑還未打通，往后只會越來越難，這也是我對業務同學提升數據分析能力的最基礎的建議。
因為數據分析在行業內已達成共識，做數據分析的“干掉”做業務的例子也不少見，真正把業務做得好的人數據分析的能力一定不會差。比如神策的張濤老師，他以前是做產品和運營的，但在數據分析領域也同樣很厲害，這個便能看得出來行業發展趨勢。我早年也是做產品的，當時我發現部分做運營的同學更偏向執行，從數據到決策這件事上很難自主跑通，在某些層面上，運營團隊和產品團隊有著明顯的利益沖突，運營同學更重視短期利益的實現，長期利益依賴于跟產品更好的協作，所以業內的優秀運營通常是在跟產品的短期和長期合作與平衡方面是做得非常優秀的。
6.可行動
神策近期的一個較大變動是，我們會更關注整個產品和工具體系的最后一公里的打通，即行動的閉環。
在數字化基礎設施中，我們可以看到，這個完整體系其實全部都是數據獨立于業務流運作的，但如果你希望數據運營體系直接實現可行動，那么數據和數據形成的結論，比如對于特定人群的提取、對于特定人群的運營策略，本質上是需要打通業務流和運營通道與機制的，這是目前來看最難的。
在互聯網體系中，這種底層偏業務的后臺早期建設還是不錯的，比如大家知道的內容管理后臺、運營后臺等。如果要把數據跟行動打通，重要的便是數據、運營后臺、前端用戶交互體系能夠完整融合成一套體系，然后基于數據形成決策結果直接對業務流進行操作，并在操作完成后立刻形成反饋。這是目前體系中耦合難度和處理難度相對較大的部分。
在數據基礎建設部分，通常對數據體系、工具體系、數據跟業務的耦合體系、相關人員的意識跟能力等要求較高，呈階梯狀發展。在我看來，目前到分析環節已經有比較明顯的阻塞了。
反饋環節的阻塞相對來講最明顯，也是現階段大家最剛需的。目前大多數企業的基礎度量已經沒有太大問題了，能夠保障業務決策時的業務性指標和關鍵的核心業務指標，那么所謂的 100 也就是剩下的五個環節所代表的含義了。
二、數字化運營體系的構建
基于整體邏輯演變的數字化運營體系構建路徑可以分為三部分，如下圖所示：
· 看數據，對應度量和基礎分析
· 分析數據，它是整個體系進階中阻塞性最明顯的環節
· 應用數據，這一環節的前提是要對數據分析有基本的掌控力，能夠通過數據分析形成對業務和用戶的判斷與認知
從深度學習模型來看，有了清晰和準確的判斷與認知，能夠保證決策的目標與方向的準確性、和企業戰略的一致性等，以及后續數字化運營過程中的診斷與調優。這也是為什么神策一直強調數據分析價值的原因所在。
作為數據分析師，我之所以要把這三個模塊分開，是因為在大多數企業內部這三部分工作對應的崗位也是不同的。一般來講，「看數據」這部分大多由數據分析師、BI 同學來做，包括對數據的清洗處理，采集工作的規范調整等；「分析數據」這部分更多的由分析人員主導，而分析人員通常分為 BI 團隊的分析人員和業務團隊的分析人員；「應用數據」則是由策略團隊的分析師、算法工程師等同學來負責。這三個環節在本質上對應的角色邏輯是不同的。
但不管哪個環節的同學，都會面臨最底層的問題——數據本身能不能支撐我想做的事情？
在數據基礎建設這件事情上，在不同的業務場景中對數據的需求是不一樣的。很多企業最初只是想要做一些基礎數據采集，查看某些功能的用戶點擊率、使用情況、崩潰情況等；但是在應用數據的階段，數據本身的豐富度和維度至關重要。在神策過往服務客戶的過程中，特別是 2017-2018 年期間，大部分客戶對數據的需求并沒有那么迫切；但到了 2019 年初，整個大環境變了，企業開始加速精細化運營進程。因為一旦精細化運營、降本增效的訴求加入議程時，企業對數據質量的訴求也會明顯提升。在這個階段，外界看到的最明顯的表現是，企業在招聘數據基礎建設、數據分析應用領域的人才投入顯著增加。
因此整套數字化運營體系建設對于數據基礎的建設有顯著要求。
三、數字化運營的困局與反思
普遍概念上的技術可能是產品、人工智能、算法、SDK 采集等。拆解如下：
1.關于技術：為什么不能是萬能神藥？
關于技術的典型問題，我們總結如下：
問題 1：有沒有一種技術方法，能實現數據默認全部采集？一方面減少研發資源投入，另一方面能夠有效避免數據不完整。
問題 2：數據分析能不能實現自動發現問題，并給出解決方案？
問題 3：策略執行之后，系統能否實現自動生產及調優？
在我看來，技術要解決的這些問題，在基本的技術概念上，是具備「可行性」的。在神策，我們有很多厲害的研發人員，很多事情要考慮了「投入產出比」之后，再去決定要不要做，同時，在這個過程中也會涉及到一些「約束條件」。
舉個例子，做數據自動診斷時，在特定的業務框架體系中，相應的維度已被量化，且量化的結果能夠作為輸入因子做相關處理，那么，在對應的實際場景中，自動診斷是可以實現的。但必須要關注的是，「約束條件」的個性化程度較高，也就意味著對執行相關策略的人員要求較高，要求其能夠將數據、業務和技術融合到“完美”的狀態。
「投入產出比」在問題 1 中表現相對明顯。從邏輯上來講，實現自動默認采集基礎數據是可行的，特別是當系統能夠采集到你起初并沒有規劃在內、但在回溯時需要用到的數據時；但并不是系統自動默認采集到的所有數據都會對應使用場景。
從另一方面來看，這也代表著數據采集的量級較大。因此在我們日常與客戶溝通過程中，通常不推薦第一種解決方案，雖然框架和方向沒有問題，但也僅限于減少研發資源的投入，降低研發人員重復和維護成本。
在報錯監控這個典型場景中，需要完整、精確地記錄報錯率的數據，用接口請求的次數跟接口返回的結果中錯誤數據的量來計算，如果采用自動默認采集，很有可能監測數據會以十倍、百倍甚至千倍的量級去增加，也就是說需要采集的數據量要足夠大。
除此之外，自動默認采集對于存儲和性能的消耗也是不能忽視的，性價比太低。那么這個時候，我建議大家在采集報錯的結果數據時，分母不要用次數去統計，可以用人次、App 啟動次數，或者 App 啟動人數去做覆蓋率的計算。從本質上來看，衡量報錯的趨勢和量級的價值是相似的，雖然沒有精確到次數的維度，但對于優化系統的價值是相似的。
因此，在具體的解決方案設計方面，會有很多細節的處理，這也是我們很多客戶真正遇到問題時希望我們的解決方案能夠帶來的最優解。 我不建議把技術當做萬能神藥來做的根本原因在于，我們所做的事情需要站在產品和公司的角度來考慮其「約束條件」和「投入產出比」。
2.關于智能：為什么難做出有價值的成果？
據了解，能夠應用深度學習或高階的數據挖掘方法與技術的企業并不在少數，尤其是一些高階的互聯網企業、金融企業等，在智能領域的投入都很可觀，但真正能夠做出優質成果的企業卻很少。
智能的應用對企業來說是有一定的價值和增長空間的，但是需要遵循以下基本邏輯：
第一，數據基礎。當下的技術型人才和開源方案已經足夠滿足企業所需，其最大的難點在于數據基礎。
第二，對業務的理解。在進行模型訓練時，需要輸入模型訓練的目標，這個類似指標度量，對于業務的健康發展和價值提升是強相關的。舉個例子，在社交場景中，計算指標可以選擇用戶之間匹配的次率或者人率作為目標，如果以次率為匹配目標的話，當用戶和另外三個用戶發生了互動，但僅有一個用戶響應，那么就會被記錄為三次；如果按照人率，當該用戶與響應的用戶產生了 5 次互動且都得到了回應，那么就會計算出 5 個基準值。因為調參和改進的方向不一樣，所以類似這樣的簡單指標對于模型訓練能否提升社區健康度、運營價值有非常大的影響。
第三，算法模型。坦率來講，如果只看匹配次率會導致算法體系把優質的、TOP 級的資源推送給所有用戶，因為這些優質推薦能夠帶來更高的反饋率。但與此同時會有一個核心問題，真正的社區健康度在很大程度上依賴于新客，尤其是腰部力量，也就是那些可能反饋率并沒有那么高的用戶群體，他們通常是社區的中堅力量，需要平臺對其投入和扶持。這個時候，如果算法優化方向是次率，那么它對于留存的影響是非常大的。因此，智能算法通常取決于對業務的理解，這也是為什么算法團隊需要策略、產品、數據分析師的原因。
第四，閉環驗證。它的本質是什么？算法的功能性實現依賴于功能開發的邏輯，如果缺乏診斷分析，就很難得到真正的業務成效反饋。除非功能一上線效果便很好，且好到無需優化，但這種情況發生的概率極低。無論是算法的策略還是運營的規則性策略，都需要投入時間來做迭代，并在迭代體系中跑通閉環，真正實現數據化運營。
3.關于工具：重要 or 不重要？
作為業務人員、資源統籌人員，工具究竟意味著什么？能否對這件事情有清晰的認識？在跟很多客戶交流的時候，我了解到，更多人強調的是“我要的不是工具，而是解決問題的方法”。對于這個觀點，我個人是很認可的，因為工具本身其實很難解決全部的問題，它并不是解決方案里的所有，只是解決方案里的一個環節。
但是，如果你認為“工具本身都差不多”，那就是大錯特錯了。這里我們通過“會用”“好用”“持續運營”三點來拆解。
假如說一個工具的價值是 100 分，會用的人最少能夠將價值發揮到 70-80 分，那不會用的人可能只能感知到 10-20 分的價值，那么對于這些用戶來說，工具確實沒什么差別，因為他們很難了解到差別在哪兒。如果沒有好的方法去使用工具，自然無法判斷工具的價值。想知道工具真正的差異在哪里，前提是要會用工具。
在我來神策之前，我所在的公司有自己的 BI 報表平臺和取數邏輯，但我們還是用了神策的系統，這是為什么呢？首先，數據團隊的人覺得工具、平臺、數倉都建好了，使用層面的問題不需要他們參與，但問題就在于他們研發出來的工具不支持全面、完整的分析模型，基本上只有 PV、UV 等基礎的業務數據。因此，我們選擇接入神策，和數據團隊形成兩個并列的數據體系。
在神策的產品迭代過程中，有 60%-70%的需求來自于售后交付的客戶，這與神策售后為主的迭代邏輯息息相關。關于持續運營，值得特別強調的是，工具買回來不是終點，正如產品上線后仍需要運營同學持續維護一樣。在任何企業內部，運營都是需要強數據體系、強業務視角來推動的。
4.關于數據：究竟是資產，還是負資產？
我們也曾遇到客戶提出疑問：“我們已經實現了數據采集，為什么要使用神策的系統再次采集一遍？為什么要通過神策對我們現有的數據體系重新梳理和優化呢？”這件事情背后的原理是什么呢？如何評估企業的數據體系建設帶來的數據資產是正向的還是負向的呢？基于此，我梳理相關評估指標，如下圖：
首先，數據是否準確。這是一個致命的評估指標，若數據準確性無法保障，那么為數據付出的成本、資源等都是浪費。
其次，在數據采集方面，我建議按需采集。數據的時效性是極其重要的度量機制，在沒有想好如何用數的時候就去采集所有數據，最終只能導致存儲成本無限增加。這是因為每個人做事的思路和出發點不一樣，或是應用導向，或是系統建設導向。“先采再說”反映的是負責數據采集的人或者團隊對數據應用沒有足夠的認知，想當然地認為數據都是有價值的。
這里需要強調一下，在行為數據領域，除了基本的大盤指標建議長期保留，很多交互級別的行為數據，超過三個月基本上就沒有什么參考價值了，因為在這三個月內，很有可能你的版本已經做了更替，甚至用戶本身的結構已經發生了變化。
然后，針對數據本身的整合，是否是有數據就夠了？對于運營團隊來說，他們在應用數據時，通常需要將行為數據和業務數據做有機整合，一方面是業務結構導向，另一方面是用戶視角的轉化和運作導向，此時的數據整合對數據應用是有足夠的說服力的。在我們常常提及的精細化運營中，如果只看結果不看過程，并不能算做有機整合。
最后，應用交付環節是尤其重要的，特別是對做數據分析或 BI 的同學。真正做數據的同學的閉環在于應用交付，一方面賦能業務同事，另一方面在深度場景中尋找自己的定位與價值。在應用交付層面，對業務的理解和思考，以及持續運營是極其關鍵的。這也是我們在思考如何實現從 1 到 100 的跨越的時候形成的基礎認知。
四、實現從 1 到 100 的跨越
1. 認清現實：四要素缺一不可，差別只在基礎及重要性
在系統化推進的過程中，組織、人才、流程、工具四要素需要同步考慮其當前狀況與策略的匹配程度。如下圖：
組織并不一定代表大的企業組織，也可以代表一個 team，或者一個小的組織。真正能夠把數據用好的標準通常是具備完善組織架構和人員運作機制的組織，人才和組織決定了運作流程以及對工具的應用能力。
當資源協調困難時，決定資源投入與分配的角色的認知就會顯得特別關鍵。我在上一家公司的時候，之所以能夠在內部順利推動神策產品的全面應用，關鍵在于整個組織人員的調整——從部門直管調整為業務線邏輯，這樣一來，每個小組線正常運作的時候，資源都可以實現自協調，發版的節奏和邏輯是自控制的。
很多時候，組織的模式跟企業內部的數據文化是有重要關聯的。一家企業著手推動數據全面應用有兩個契機：一是公司整體組織架構開始重視數據；另一種是團隊內空降了一個厲害的決策者，由他負責調動資源和人力等。從我們過往的服務客戶經驗中來看，組織和人才是最頂層、最重要的兩個因素。
而流程和工具，在某種程度上是相輔相成的。在落地層面，流程體現在以下兩點：
（1）運作的機制。埋點體系是按照什么樣的業務流程和機制進行的？
（2）每一個環節的具體操作的標準方法、對應的角色是否具備操作的相關技能，能否成功落地？
同時，工具在工程化、產品化方面的支持力度在很大程度上決定了流程的運作及是能否更好的管控和落地。
一個好的工具，本質上會把流程體系、操作標準等內化，讓真正做體系運營的人有強勁的抓手，讓每一個人都能夠按照心意去運作。這個時候，我們會在產品體系里面強調兩點：
（1）數據需求的管理需要從源頭做好控制；
（2）數據上線階段，要從數據的質量和標準層面做好控制。
只有遵循以上兩點原則，才能把控好從需求到研發的完整質量流。這也是我們近兩年在輔導客戶內部建立機制流程和數據運營體系方面被證實的實踐經驗。
整體來說，公司的規模越大，傳統轉型的屬性會越強，組織和流程方面的因素會越干凈，也就意味著左側因素無調整的話，右側的流程和工具落地會很困難，即從微觀撬動大局是一件困難的事情。因此我們在很多時候，會建議先去影響能夠做出決策的“人”，搞定“人”就能更好地解決問題。這里的“人”可能是組織內部決策的人，也可能是在落地層面具備操作技能和方法的人。
2.數據文化：基于數據深化對業務及用戶的認知，提升決策質量
數據本身是一種“原材料”，經過加工即數據應用后能夠帶來什么樣的價值，與數據分析人員對業務模式的認知息息相關。
但在很多時候，數據分析人員缺乏對業務模式的認知，特別是在做企業增長的時候，尤其需要對業務模式和用戶洞察深入理解。 正是因此，我在和客戶日常交流時，經常聊這幾個問題：用戶是誰？用戶為什么用你的產品？你能為用戶帶來什么樣的價值……這些問題是很難通過純粹的數據推論出來的，需要基于對業務的理解。如果客戶對這些問題都沒有答案，那么想要撬動用戶，實現留存和增長是很困難的，即便短期內可以做運營刺激，也很難形成長期留存。
3. 數據基礎建設：圍繞用戶、場景構建體系，深度融入業務流
從數據采集、處理、校驗到存儲，我們在每個環節都做了大量的配套設施。
舉個例子，在數據采集方面，如果不做數據梳理和需求定義，那么到了數據校驗環節，缺乏相應的管控和入庫限制的話，就會很難保證數據的質量。 在做數據基礎建設時，我們希望能夠幫助客戶把數據體系和應用建設得更好，這就需要在前期梳理需求的時候，能夠圍繞用戶場景構建，并將數據上線的研發流和業務流同步，這就對應了前文所講的數據的時效性。在我此前的工作場景中，我只允許 H5、后端埋點等這類快節奏的功能可以獨立發版或延遲發版，其他情況下都必須實現同步發布，這在很大程度上解決了我們當時數據應用螺旋式上升的最根本的問題。
本質上，整個數據基礎建設的流程是一個系統性工程，對待每一個問題都不能僅在應用層考慮，而應該關注它的「性價比」和「成效」。比如，為什么我們要嚴格控制源頭和上線前的質量校驗？這是因為一個入口、一個出口相對更容易控制，且成效最高。
4.數據賦能及人才培養體系：數據驅動體系搭建，從入門到專精全覆蓋
我們很難要求每個分析師在每個特定場景都做到極致完美，因為對于服務于產品、運營和推廣的分析師來說，他們的經驗和判斷力是不一樣的。
為了更好地將專業人才通過培養實現標準化輸出，神策搭建了人才的利基市場培養體系，業務導向+ 數據專精 + 產研基礎為市場做培育，這是我們接下來重點發力的方向。在整個數據鏈條中，圍繞不同的角色、技術建設的體系防范以及專業性人才和行業性應用等，把相應的培訓體系進行完善，一方面作為服務和賦能的體系來做，另一方面作為特定的專項培訓體系。
在神策，我們是從意識文化、基礎建設、數據分析、精細化運營四大模塊，結合主流行業的業務特點、業務場景及真實案例，來制定分析師培養階段及課程體系的，為企業提供強業務型、數據應用體系全流程覆蓋專業數據分析師人才培養方案，我們希望這套培訓體系能夠為具有行業適用的數據驅動體系建設及最佳實踐賦能，真正解決客戶在人才和流程方面的需求，并在一定程度上影響組織的數據文化。
5. 策略引擎：數據流與業務流打通形成強大的主動運營與高效轉化能力
精細化運營、精準推薦、千人千面等基本上可以通過粒度和通道兩個維度來做詳細拆解，其規則和算法是聚焦在各個不同的應用場景中去實現的。如下圖：
6. 精細化運營突破點：用戶視角下對動機的挖掘 + 持續的驗證迭代
大部分企業和用戶都可以完成定義業務目標和用戶群體，但其難點在于，精細化運營的目標客群購買產品和服務的動機是什么？這就涉及對動機挖掘和場景構建，這也是在落地層面上最難的兩點。
這里我額外再強調一下分析的重要性——分析是幫助企業構建對用戶和場景認知的最底層內核，沒有分析，所有的決策都只是拍腦袋結論，很難體系化往前推進，完成從 1 到 100 的跨越。
關于精細化運營這件事情，很大程度上與不斷迭代、用戶的動機和場景是息息相關的。
策略診斷和調優是另一個對分析要求較高的環節，但能做好的分析師寥寥可數。通常情況下，在完成精細化運營之后，分析師只關心效果提升，至于為什么提升，是客群的精準選擇、還是運營策略的吸引他并不知道。所以大多數的數據分析師在精細化運營活動中，需要運營同學的配合。
7.關于工具：理念 + 實踐方法的工程化
我認為神策的“護城河”在于產品和技術，而咨詢和服務是在其上幫助解決方案落地的。可以這樣理解，工具化和工程化的底層邏輯衍生出配套的服務和咨詢體系，這套服務和咨詢體系是為了幫助客戶真正構建數據根基、實現數字化運營，這也是神策的最新愿景——幫助中國三千萬企業重構數據根基，實現數字化經營。
綜合來說，數字化運營從 1 到 100 的跨越心法是：模式重塑，小步快跑；業務視角，應用驅動；基礎扎實，效用最優。希望本次分享能為更多企業和客戶在數字化運營過程中提供有效幫助，感謝大家的聆聽！
