信贷行业的玩家可以分成若干梯队，在这些梯队中，不乏一些头部玩家的身影，那么，这些头部玩家是怎么做运营的？信贷行业的营销运营，可以大致分为怎样的阶段呢？这篇文章里，作者就进行了总结，一起来看看吧。

“这篇为插队更新，把我近两年对行业各层次玩家运营情况的了解、观察和思考，做一次简单总结。后续我也会专门写一系列文章，对智能决策的操作方法进行深化解读。本文共计2500字，预计需要阅读10分钟。”

大家都知道，信贷行业的玩家会分成若干梯队。比如说，互金领域（助贷业务）站在第一梯队的，是蚂蚁、京东、百度、360等大厂玩家，消金领域（消金业务）站在第一梯队的，则是招联、蚂蚁、马消等玩家。

这些头部玩家，除了流量、资金、技术等资源优势外，营销运营的先进，也不言而喻。排在后排的玩家，总会想向前排玩家靠拢，也许资源禀赋比较难学习，但模仿营销模式，难度就比较小了。我们今天就来看看，互金消金的头部玩家，是怎么做运营的。

通过我自己的运营经验，以及工作缘故，使我能和行业内很多头部公司接触交流。在此期间我发现，整个信贷行业的营销运营，可以按一个核心三个阶段进行划分。一个核心是指数据驱动为核心，数据驱动的必要性不言而喻，而金融的数字本质也使得数据化成本较低，这种行业共识就不在赘述了。三个阶段则分别是：用户数据化、营销精细化、决策智能化。

数据驱动运营的第一个阶段，是用户数据化。一些刚刚开始自营业务，或者业务规模较小的公司，就处在这个阶段。在这个阶段，会把用户的所有信息，都以数据的形式，采集和储存起来。

用户和产品界面发生的交互，以行为数据的形式采集存储；用户和业务系统发生的交互，以业务数据的形式采集存储；用户自身的性别、年龄、收入等情况，以属性数据采集存储。完成这个阶段后，用户即数据，数据即用户，数据可以反应用户在产品内的一切信息。我们就可以基于数据对可得的用户所有信息进行分析和洞察，以产出对应的运营策略。

数据驱动运营的第二个阶段，是营销精细化。这个阶段，是大多数行业公司所处的阶段。有了用户的大量信息和数据，我们就能对用户的特征进行分析和分群，然后再基于不同的用户特征，对用户采取不同的运营策略，以提升整体的效率。

以用户触达为例，用户触达的四要素：用户分层、触达通道、触达内容、触达形式，都会因用户的分层不同，需要精细化和个性化的设计，以实现最高效率的匹配。当每个分群的策略得到最大优化后，我们还可以利用营销工具，把这些策略进行实时或非实时的固化，来提升运营动作本身的效率。

第三个阶段，是决策智能化阶段。这一阶段，就是行业头部公司们所处的阶段，也有大量二级梯队玩家在快速跟进。它的特征有三：以模型决策替代人工决策，以实时触达替代延时触达，以机器学习替代人工优化。

所谓模型决策替代人工决策，是指过往以人工分析，通过3-5个特征细分客群的做法，会被通过将几十甚至更多的特征建立成特征模型，再通过模型对用户进行分层的做法取代。

比如新用户有渠道评分卡模型，老用户价值提升有老用户分层模型，流失召回有流失用户预警模型，模型决策会替代掉人工的决策。

所谓实时触达替代延时触达，则是指用基于用户在业务流程中或在综合分层模型中的实时变化，对用户进行触达，而不再是选定时间，对同一客群非实时的统一触达。

比如过去我是用户产生行为或符合条件后，T+1或T+7进行触达，现在就变成用户行为产生或属性变化的当时，就进行触达。

所谓以机器学习替代人工优化，是指以算法的自主回收数据，自主学习和自动优化，来取代人工回收数据，验证策略效果，优化迭代策略。

这个阶段又分为两小阶段，初始阶段是基于历史数据对未来进行预估，高级阶段是实时计算，实时预估。

三个阶段已经很清楚了，我们来讨论一下这种发展和优化的必要性。

在第一个阶段，往往主要是采集和补充数据的阶段，基于部分数据，每个客群可以形成一个3-4层的分层，再加上AB测试，可能会形成8-10个的策略。

到第二阶段，因为分层会大大的精细，以RFM模型为例，一个客群最少都能形成8个分层，最终在AB时，同时可能跑起来20-50个策略。

到第三个阶段，即便是简单的20个特征形成的评分模型，也至少有100个分层，最终结合营销的分层，每个客群，可以形成500-1000条策略。

在不考虑计算和匹配资源的前提下，按照越精细，匹配效率越高的基本假设，那么这三阶段的发展，对运营效率的提升，是毋庸置疑的。特别是前两阶段，几乎没有多出的资源配置，他们的发展是必然的。而第三个阶段，我们不仅要考虑决策智能化的收益，还要考虑它的投入和产出问题。

决策智能化阶段的投入产出问题，本质来说，是供应和需求问题。所谓供应，是指公司有没有能力提供决策智能化的基本条件，比如算法团队、计算所需的服务器、资深的运营人员。如果这些条件都不能提供，那么基本都供给条件就不能满足，也就没办法进入到决策智能化的阶段。

而需求侧则分成两个方向，第一，智能化带来的收入提升，能否覆盖整体投入。因为除服务器投入外，算法团队和资深运营的投入都是固定的，成本随业务规模提升的速度，应远低于业务规模本身提升的速度。所以一定是存在一个盈利平衡的业务规模点的，如果超过了这个规模，那么就决策智能化的需求有效，反之则入不敷出，需要搁置先坐等起量。

第二，用户和业务的规模，是否到了分层问题必须要智能决策的规模。比如用户100万的时候，每层用户2万，形成50个分层，增加人手还足以处理这些策略的形成。但当用户1000万的时候，按每层用户2万人，500个分层，每个分层哪怕只有AB两条策略，一周迭代一次策略，1000条/周的策略需要多大的人工团队才能处理呢？当用户规模更大的时候呢？

所以是否需要智能决策阶段的运营，还需要综合看智能决策在内部的供需关系，根据供需情况进行决策。而可能涉及的效率提升导致人员从运营到算法的结构变动，这里不做讨论。本文仅基于绝对理性假设，对运营工作进行探讨。

以上就是信贷行业头部玩家的运营方法和演变阶段的总结，下周我们还会回到我原本的系列设计上，回到基础实践篇的更新上去。

大致安排会有怎么设计数据日报、怎么设计业务预估模型和业务策略库、怎么设计策略执行表等基础实践篇，还会有怎么应用增长模型拆解指标快速发现增长点、怎么应用UJM模型做新户landing、怎么应用生命周期模型做老用户经营等方法应用篇，还会有怎么做触达AB实验、怎么对流量来源归因、怎么设计常规活动、怎么做智能决策模型设计等场景实践篇。

本文由 @运营学记 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议。

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。