在數據監控的工作中，做好一份數據日報，是基礎的要求之一，那么，我們要怎么做好日報的設計呢？這篇文章里，作者結合互金項目，對日報的設計、數據的獲取和匯總等方面進行了總結分析，并對大模型日報的的可能性發表了他的看法，一起來看。

今天重回原始安排——怎么設計互金項目的日報，順便講講頭部玩家的大模型日報是怎么玩的。本文共計2100字，預計需要閱讀8分鐘。

數據是運營的基礎，越靠近業務核心，數據能力越重要，互金的運營，也不例外。而運營日常對數據的使用，主要是三個方面：數據監控、數據分析、數據結論輸出策略。做好一份數據日報，是數據監控工作最基礎的要求。

要做好數據監控，我們需要知道數據監控的目的是什么，然后才能對癥下藥。數據監控的目的很簡單，是快速了解當前數據情況，并能基于數據發現淺層問題。其中，快速了解數據是主要目的，發現淺層問題是次要目的。那設計日報，就要以滿足這兩種需求為目標。

一、快速了解數據現狀

那么，怎么設計日報，才能幫助我們快速了解數據呢？拆解是最好的辦法。把數據拆解成結果數據和過程數據，拆解成核心數據和細分數據，拆解成屬性、行為、業務數據，分別展示，就能讓數據一目了然，主次分明。

以助貸業務的新用戶部分為例，新戶助貸的核心目標，是提升借款總額。那么結果數據就是UV、借款金額、借款人數、借款件均，而過程數據就是總轉。那么這5個指標就是最重要的核心指標。

再往下拆解到業務一級節點，新戶要經歷從活躍到進件，到授信成功，再到申請借款，再到借款成功5個步驟。那么結果數據就要再加上這5個步驟的規模指標，就是UV、新戶申請、授信成功、授信件均、授信總金額、借款申請、借款成功、借款件均、借款總金額。

過程數據就要把總轉，拆解成這5個步驟的分別轉化率，包括新戶注冊率、授信申請率、授信完成率、授信通過率、借款申請率、借款完成率、借款通過率、總轉化率。有了這5個核心指標，12個一級節點指標，我們就能從業務結果數據和過程數據上，從核心目標和一級結構上，快速了解業務的整體情況。

接下來，我們來拆解細分數據。細分數據，首先可以拆分成行為數據和業務數據，用戶在活躍、注冊、授信、借款等頁面的行為情況，即行為數據；而在授信系統、借款系統里產生的數據，即為業務數據；而用戶的渠道來源、授信資方等，即為屬性數據。

行為數據按照這種交叉拆分，活躍UV就可以拆解成不同引流入口的數據。注冊可以再按注冊頁訪問、點擊注冊、注冊成功、注冊申請率、注冊成功率，注冊總轉化率拆分步驟數據。登陸可按已登陸未進件用戶活躍的版塊拆分數據。進件則可以按用戶在進件頁面的瀏覽、進入下一步的用戶數、每一步的申請率、通過率、授信整體流程的完成率等拆分。借款則類似進件，可以按不同資方和借款的頁面完成拆分。

業務數據則可按進入業務系統的人數、通過率、件均、總金額、資方分別拆分。

該表只是示例，不和文章內容完全一致，且需按實際業務調整

二、快速發現數據問題

快速了解數據的捷徑在數據拆解，而快速發現問題的方法在對比。

對比有兩種方向，一是縱向對比，也即時間維度的對比，比如日環比，周環比，周同比、月同比、年同比。二是橫向對比，也即空間維度的對比，比如行業內對比、相似業務線對比、新老戶對比、不同渠道、不同資方對比。

怎么在日報里添加對比項呢，因為是每日數據，重點數據一定要有日環比數據，也要有7日數據波動情況，也要有月同比數據。其中，日環比和月同比只需各一列的數據，所以重點數據和細分數據這兩列必不可少。而7日波動數據更新成本高，可以只放重點數據。

日環比、月同比、波動趨勢右側，即為原始數據，方便比對

另外，當我們按季度、按月度、按周度設定放貸目標時，為了基于目標完成情況，不斷調整策略，可以在重點數據中，增加一項目前指標完成進度，以便掌控總指標完成情況。

這樣下來，一張互金行業的日報就設計完成了，不同的業務，按照這種邏輯，根據業務節點進行調整即可。下面我們說下這些數據的獲取和匯總方法。

三、數據的獲取和整合

在數據獲取上，主要按數據采集方法的不同進行區分，比如行為數據一般靠埋點采集，業務數據一般靠業務系統底表記錄，而屬性數據，則靠在埋點或系統底表中增加字段，除渠道數據外，很少需要單獨的采集辦法。

那要從不同的地方匯總數據，有兩種不同的情況。一種是行為業務數據割裂的，需要直接在對應的系統里消費對應的數據，比如很多行為數據采集工具，都有附帶的分析工具，像行業做的最好的神策，有一套神策分析的工具，可以直接使用做對應的行為分析。業務底表，則要在對應的取數平臺，比如hive、spark等，sql取數。

另一種情況，則是將行為數據和業務數據做了打通。有直接通過采數工具進行打通，行為數據、業務數據、屬性數據全部采集到一個系統內進行消費的；也有導入到自己的數倉，自己進行用戶關聯，前后端數據的打通的。

割裂的數據，需要分別在兩個平臺取數后，再在另一平臺聚合，比如通過python腳本抓取行為數據，通過sql查詢底表數據，最后手動聚合到Excel表內。而打通好的數據，則既可以導出到第三方比如Excel消費，也可以制成報表，自動更新。對比下來，自然是打通的數據效率使用更高。

四、大模型日報有未來么

講完了日報的設計、數據的獲取和匯總，再來聊一些先進的東西——大模型自動化分析。有些業內頭部公司，開發了一套數據監控解析的AI工具，它可以基于設計好的報表和配置好的指標關系，從數量和比例兩方面出發，實時對各部分數據的變動生成評價，找到影響最大的變動點。

這套東西的好處在于，它可以從庫內所有維度分析數據，可以自動化生產并發送數據簡報，可以根據數據波動情況，實時發送告警。

而它的不足之處，則在于它并不能完全了解業務渠道、策略、活動、產品等方面的調整，也沒有資深運營人員的經驗。它只能看到數據的變化點，并不能找到數據變動的業務原因，并產出策略。目前它還僅是簡報生成工具，但是，在人工智能飛速發展的當下，假以時日，它取代運營人員進行監控分析決策，也不是不可能。

以上就是信貸行業頭部玩家的運營方法和演變階段的總結，下周我們還會繼續基礎實踐篇的更新。

大致會有怎么建立業務增長模型，怎么設計業務預估模型和業務策略庫、怎么設計策略執行表等基礎實踐篇，還會有怎么應用增長模型拆解指標快速發現增長點、怎么應用UJM模型做新戶landing、怎么應用生命周期模型做老用戶經營等方法應用篇，還會有怎么做觸達AB實驗、怎么對流量來源歸因、怎么設計常規活動、怎么做智能決策模型設計等場景實踐篇。