信貸行業的玩家可以分成若干梯隊，在這些梯隊中，不乏一些頭部玩家的身影，那么，這些頭部玩家是怎么做運營的？信貸行業的營銷運營，可以大致分為怎樣的階段呢？這篇文章里，作者就進行了總結，一起來看看吧。

“這篇為插隊更新，把我近兩年對行業各層次玩家運營情況的了解、觀察和思考，做一次簡單總結。后續我也會專門寫一系列文章，對智能決策的操作方法進行深化解讀。本文共計2500字，預計需要閱讀10分鐘。”

大家都知道，信貸行業的玩家會分成若干梯隊。比如說，互金領域（助貸業務）站在第一梯隊的，是螞蟻、京東、百度、360等大廠玩家，消金領域（消金業務）站在第一梯隊的，則是招聯、螞蟻、馬消等玩家。

這些頭部玩家，除了流量、資金、技術等資源優勢外，營銷運營的先進，也不言而喻。排在后排的玩家，總會想向前排玩家靠攏，也許資源稟賦比較難學習，但模仿營銷模式，難度就比較小了。我們今天就來看看，互金消金的頭部玩家，是怎么做運營的。

通過我自己的運營經驗，以及工作緣故，使我能和行業內很多頭部公司接觸交流。在此期間我發現，整個信貸行業的營銷運營，可以按一個核心三個階段進行劃分。一個核心是指數據驅動為核心，數據驅動的必要性不言而喻，而金融的數字本質也使得數據化成本較低，這種行業共識就不在贅述了。三個階段則分別是：用戶數據化、營銷精細化、決策智能化。

一、用戶數據化

數據驅動運營的第一個階段，是用戶數據化。一些剛剛開始自營業務，或者業務規模較小的公司，就處在這個階段。在這個階段，會把用戶的所有信息，都以數據的形式，采集和儲存起來。

用戶和產品界面發生的交互，以行為數據的形式采集存儲；用戶和業務系統發生的交互，以業務數據的形式采集存儲；用戶自身的性別、年齡、收入等情況，以屬性數據采集存儲。完成這個階段后，用戶即數據，數據即用戶，數據可以反應用戶在產品內的一切信息。我們就可以基于數據對可得的用戶所有信息進行分析和洞察，以產出對應的運營策略。

二、營銷精細化

數據驅動運營的第二個階段，是營銷精細化。這個階段，是大多數行業公司所處的階段。有了用戶的大量信息和數據，我們就能對用戶的特征進行分析和分群，然后再基于不同的用戶特征，對用戶采取不同的運營策略，以提升整體的效率。

以用戶觸達為例，用戶觸達的四要素：用戶分層、觸達通道、觸達內容、觸達形式，都會因用戶的分層不同，需要精細化和個性化的設計，以實現最高效率的匹配。當每個分群的策略得到最大優化后，我們還可以利用營銷工具，把這些策略進行實時或非實時的固化，來提升運營動作本身的效率。

三、決策智能化

第三個階段，是決策智能化階段。這一階段，就是行業頭部公司們所處的階段，也有大量二級梯隊玩家在快速跟進。它的特征有三：以模型決策替代人工決策，以實時觸達替代延時觸達，以機器學習替代人工優化。

所謂模型決策替代人工決策，是指過往以人工分析，通過3-5個特征細分客群的做法，會被通過將幾十甚至更多的特征建立成特征模型，再通過模型對用戶進行分層的做法取代。

比如新用戶有渠道評分卡模型，老用戶價值提升有老用戶分層模型，流失召回有流失用戶預警模型，模型決策會替代掉人工的決策。

所謂實時觸達替代延時觸達，則是指用基于用戶在業務流程中或在綜合分層模型中的實時變化，對用戶進行觸達，而不再是選定時間，對同一客群非實時的統一觸達。

比如過去我是用戶產生行為或符合條件后，T+1或T+7進行觸達，現在就變成用戶行為產生或屬性變化的當時，就進行觸達。

所謂以機器學習替代人工優化，是指以算法的自主回收數據，自主學習和自動優化，來取代人工回收數據，驗證策略效果，優化迭代策略。

這個階段又分為兩小階段，初始階段是基于歷史數據對未來進行預估，高級階段是實時計算，實時預估。

四、決策智能化的必要性

三個階段已經很清楚了，我們來討論一下這種發展和優化的必要性。

在第一個階段，往往主要是采集和補充數據的階段，基于部分數據，每個客群可以形成一個3-4層的分層，再加上AB測試，可能會形成8-10個的策略。

到第二階段，因為分層會大大的精細，以RFM模型為例，一個客群最少都能形成8個分層，最終在AB時，同時可能跑起來20-50個策略。

到第三個階段，即便是簡單的20個特征形成的評分模型，也至少有100個分層，最終結合營銷的分層，每個客群，可以形成500-1000條策略。

在不考慮計算和匹配資源的前提下，按照越精細，匹配效率越高的基本假設，那么這三階段的發展，對運營效率的提升，是毋庸置疑的。特別是前兩階段，幾乎沒有多出的資源配置，他們的發展是必然的。而第三個階段，我們不僅要考慮決策智能化的收益，還要考慮它的投入和產出問題。

決策智能化階段的投入產出問題，本質來說，是供應和需求問題。所謂供應，是指公司有沒有能力提供決策智能化的基本條件，比如算法團隊、計算所需的服務器、資深的運營人員。如果這些條件都不能提供，那么基本都供給條件就不能滿足，也就沒辦法進入到決策智能化的階段。

而需求側則分成兩個方向，第一，智能化帶來的收入提升，能否覆蓋整體投入。因為除服務器投入外，算法團隊和資深運營的投入都是固定的，成本隨業務規模提升的速度，應遠低于業務規模本身提升的速度。所以一定是存在一個盈利平衡的業務規模點的，如果超過了這個規模，那么就決策智能化的需求有效，反之則入不敷出，需要擱置先坐等起量。

第二，用戶和業務的規模，是否到了分層問題必須要智能決策的規模。比如用戶100萬的時候，每層用戶2萬，形成50個分層，增加人手還足以處理這些策略的形成。但當用戶1000萬的時候，按每層用戶2萬人，500個分層，每個分層哪怕只有AB兩條策略，一周迭代一次策略，1000條/周的策略需要多大的人工團隊才能處理呢？當用戶規模更大的時候呢？

所以是否需要智能決策階段的運營，還需要綜合看智能決策在內部的供需關系，根據供需情況進行決策。而可能涉及的效率提升導致人員從運營到算法的結構變動，這里不做討論。本文僅基于絕對理性假設，對運營工作進行探討。

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，下周我們還會回到我原本的系列設計上，回到基礎實踐篇的更新上去。

大致安排會有怎么設計數據日報、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。