中国电子银行网讯 由中国金融认证中心（CFCA）联合近百家成员银行举办的“2019银行数字化转型高峰论坛”暨第十五届中国电子银行年度盛典于12月5日在北京举行。本届论坛的主题为“发现与创见”，包括主管部门领导，银行高管在内的300多位业内精英齐聚本次峰会。《2019中国电子银行调查报告》同步对外发布。

神策数据创始人兼CEO、清华大数据联盟理事成员桑文锋先生出席并做主题分享。桑文锋指出，在数据化建设过程中，数据源很重要，需要把数据从源头更全、更细、更有时效性建设起来。其次是数据的价值，其包括数据驱动决策和数据驱动产品智能。

神策数据创始人兼CEO、清华大数据联盟理事成员桑文锋

他认为，银行领域真正要把数据化能力这件事情做好，我们需要从IT（Information Technology）、DT（Data Technology）、DO（Data Organization）三个层面去考虑。 

1.IT化（Information Technology），IT 化是 DT 化的前提，企业要做好 DT 化必须要做好 IT 化，很多企业每间隔一段时间便提出各种各样的理念，但是却无法有效应用，很大程度上是因为产品没有线上 IT 化。

2.DT化（Data Technology），DT 化简单来说就是构建数据流，包括数据的采集、建模存储、分析、可视化或反馈等。企业要把整个数据流建好，一方面建好数据流，一方面要把数据产品化，也就是让数据成为企业业务的一部分。

3.DO（Data Organization），即数据组织能力，企业不仅需要IT、DT系统，更需要的是组织建设，我将其分成三个耦合体：第一个耦合体是组织架构与决策机制，其为整个企业的框架；第二个耦合体是文化与制度；第三个耦合体是人才与激励。

以下为桑文锋演讲全文：

大家下午好！很高兴能在这里，与大家探讨对数据化建设的认识。

我2007年毕业之后就去了百度，之后在百度工作八年，期间主要做一件事情——从零搭建百度用户行为大数据平台。

在这个过程中我有两个认识：第一个认识是数据源很重要，做好数据的关键是数据源的把控，即如何把数据从源头更全、更细、更具时效性地建设好是基础。有了这个基础，数据化便成功了一半；第二个认识是数据的价值，一是数据驱动决策，无论产品、市场还是运营，以正确的数据分析为依据，可以更好地做决策；二是数据驱动产品智能，即在数据的基础上匹配一定的策略方法，把结果回馈到产品里，让产品本身具有一种学习能力。这两个方面，也是神策数据在做数据化建设时和帮助客户做服务时侧重强调的两个方面。

从2015年我出来创业到现在五年多时间，神策数据已服务了超过1000家企业，其中80%是互联网公司，20%是传统企业，在这个过程中，我也一直在思考如何构建一个模型来衡量企业的数据化程度，现在我有了答案。

我认为，企业数据化程度的评估可分为三个层面：

1.IT化（Information Technology），IT 化是 DT 化的前提，企业要做好 DT 化必须要做好 IT 化，很多企业每间隔一段时间便提出各种各样的理念，但是却无法有效应用，很大程度上是因为产品没有线上 IT 化。

2.DT化（Data Technology），DT 化简单来说就是构建数据流，包括数据的采集、建模存储、分析、可视化或反馈等。企业要把整个数据流建好，一方面建好数据流，一方面要把数据产品化，也就是让数据成为企业业务的一部分。

3.DO（Data Organization），即数据组织能力，企业不仅需要IT、DT系统，更需要的是组织建设，我将其分成三个耦合体：第一个耦合体是组织架构与决策机制，其为整个企业的框架；第二个耦合体是文化与制度；第三个耦合体是人才与激励。这些均和数据有关系，围绕组织架构有没有设置专门的数据部门和决策机制，围绕决策机制是不是可经得起数据的进一步推敲，企业的文化制度是不是用数据说话的，对数据进行管理；围绕人才和激励，企业是否是基于数据进行KPI考核。

我认为，一个企业进行数据化要从三个角度去看，不仅依据IT、DT的情况，也需要将企业的DO层战略考量在内。

神策数据服务了1000+家标杆企业，在这个过程中，我们也在不断思考这些企业本身数据化能力上到底有什么样的区别，会围绕IT、DT、DO分别设置一些标准打分，再综合评估分数。比如围绕DO，企业的数据意识、组织流程到底达到什么程度。

神策数据对服务的 500+ 家合作企业进行了数据化成熟度测评，测评标准主要围绕三点，IT 化占 20%，DT 化占 40%，DO 占 40%。

我们围绕这些评分维度科学评估后，得出这 500+ 家客户的平均分为 71 分，中位数为 73 分，74% 的客户超过 60 分。

进一步分析分数的组成，我们发现数据组织能力（DO）是形成差异化的关键，数据组织能力占比越大，评分越高，即企业的数据成熟度更完善。

神策数据服务的行业也比较广泛，我们把金融类行业，如证券、保险、银行拆分来看行业数据化成熟度发现，互联网和金融行业相比，电子商务、互金的数据化成熟度相对较高，证券和银行的数据化水平相当，保险所处的位置偏低，这与我们实际看到的行业特点是一致的。进一步看城商行的数据化程度，我们对比其及格的分数和不及格的分数，发现不及格的主要差异在数据组织能力上，有些银行比及格分以上的IT化程度高，但在DO能力上相对会薄弱一些。总之，银行领域的企业真正要把数据化程度做好，需要从IT化、DT化、DO三个层面综合考量。

围绕手机银行，我从数据化建设和运营的角度来看，经历了四个阶段，如下：

1.功能开发阶段，让一些业务能够线上办理；

2.平台建设阶段，考虑场景化、差异化方面；

3.目标量化阶段，不仅有IT系统，还要关注这个IT系统能不能给我们带来价值，所以我们进行目标量化，用KPI、数据角度来考核它；

4.数字化运营阶段，针对用户进行精细化运营，如线上迁移运营、客户活跃运营等。

过去几年，很多企业完成了线上化的阶段，未来线上化如何变成业务的主力，这是接下来面临的挑战。

我将数字化运营分成三个大阶段：一是要有数据，二是要看数据，三是分析应用数据。

首先围绕有数据，我们要梳理业务，制订这些数据的采集规范，进行结构化；看数据时，需关注指标体系的构建；应用数据时，应思考如何更好地支持不同场景和不同的用户群体的需求。当然，这对企业培养一批具备数据化能力的人才提出了较高要求。具体来说：

有数据：我们需要对业务进行梳理，包含对各个业务板块、部门、业务场景的关键指标和业务流程的抽象；其次，要定规范，即对数据采集、数据埋点等的体系设计规范来建好数据根基。

看数据：很多企业关注MAU，MAU的衡量要基于行为，拆解不同模块对MAU的贡献，有些模块会直接创造MAU，有些模块联合创造MAU，我们要针对不同的维度进行拆解分析，到底哪块薄弱，到底哪块对企业的价值比较大。

分析应用数据：企业需诊断业务发展现状，挖掘提升空间及策略。首先对业务模式和本身的数据表现要进行分析，之后要定义第一关键指标，即最关键的问题，重点要改造哪个环节，再对这些指标进行拆解，拆解成与增长相关的维度，然后结合业务场景再去制订具体改进的策略，这是一个基本的方法论。

关于数据应用全景图，可用一张图进行概括：

关于数据产品化，会通过数据流结合业务流，实现业务智能化，企业可基于用户行为及其属性，进行打标签和分群，并将其投放到两个引擎中：一是触达策略引擎，实现企业对用户的触达，比如发红包、优惠券、短信等；二是推荐策略引擎，实现企业的规则推荐机制，如哪些理财产品要给用户展示，展示顺序如何，最终达到提高目标的转化，达到提升客户体验的目标。

就神策数据而言，我们一直致力于帮助客户在这些环节做得更好：

围绕标签画像，我们提供可视化的标签画像中台，围绕标签本身的治理和管理，为企业的差异化、场景化、智能化赋能，支持标签可视化管理、标签自助式生产、标签应用输出；

围绕精准营销，我们提供智能运营平台，为企业打造自助式、自动化用户精准触达营销闭环。如给不同的用户发送不同的信息，使给到用户的有效信息最大化，骚扰最小化，支持策略可视化统筹管理、A/B Test 与闭环效果检验及迭代、多层级多分支细分策略自由组合、灵活多类型策略配置、渠道灵活对接与自动化触达。

围绕智能推荐，我们提供千人千面策略配置与管理系统，实现智能规则推荐，支持企业可视化配置面向不同人群的不同策略方案，轻量实现必要的过滤、筛选和排序场景。如选择客群、筛选物品/内容/方案、物品/内容/方案排序等。

总之，银行数字化转型整体解决方案，主要包含三个层面：

1.数据基础建设

·完整的全链路数据采集、校验与整合能力

·底层数据打通，构建统一的用户 id 体系

·服务于数据应用的完善数据管理与转化能力

2.数据中台建设

·灵活、实时的自助式报表与分析查询能力

·可视化客户标签画像生产、整合与管理

·智能化、自动化客户分层与差异化运营

·个性化产品与内容推荐与展示

3.数据应用赋能

·目标驱动：客观、科学量化业务现状与发展

·分析驱动：深度分析、发掘机会与效果评估

·智能驱动：基于数据实现线上平台的智能化

目前，神策数据在开一家数据便利店，当然我们不掌握任何数据，更不卖数据，神策数据是卖数据能力的，神策数据帮企业建立好自己的基础数据，帮企业使用数据做好支持，赋能企业。以上是我的全部分享，谢谢大家！

责任编辑：王超