飞书、观远数据与有赞，作为博士眼镜数字化生态伙伴，见证了从工具承载企业文化落地、促进组织升级焕新，到数据驱动与敏捷经营决策先进实践，再到AI营销赋能导购、做好全域客户的精细化运营。
近日，在飞书、观远数据与有赞共同举办的「走近博士眼镜」活动现场，博士眼镜数据运营负责人严涵以《数智蝶变，AI与BI赋能业务实践经验分享》为主题，为大家介绍了博士眼镜如何通过数据运营策略，用更少的人实现更快的价值落地，服务更大的用户群体，同时应用AI力量，加速员工成长，让解决问题的人变得更好。
博士眼镜数据运营负责人严涵
以下为严涵分享实录
01
数据运营策略：更少的人、
更快的价值落地、更大的用户群体
我们数据运营团队仅有4名成员，却满足了公司整整2,500人的数据消费需求。在BI产品交付上线后的一个季度，就实现了更快的价值落地，而且服务了广泛的用户群体，包括100%的高层管理团队、100%的销售运营管理团队以及70%以上的核心中台运营团队。对此，我们总结了详细的数据运营的价值创造与策略。
定义价值创造链路
首先要定义数据运营在组织里价值创造的路径，如图上底层是业务系统层，所有业务数据都汇集到数据仓库，然后进入BI使用层。这里有一个与众不同的设计，由于观远BI已深入融合飞书，用户不需要与观远BI系统直接交互。不同层级的用户在飞书中，就完成所有工作需求和数据需求。这确保了用户取数用数，无需跳出飞书，就实现闭环操作。
资源有限解决问题有先后
其次，数据团队仅有4名人员，资源有限，必须明确职责并分清解决问题的优先级。在组建团队之初，我们就明确了每个人的职责和要解决的问题，例如负责数据消费，要解决数据消费的广度问题；负责经营分析，要解决数据消费的深度问题；负责数据生产，要解决数据生产质量和效率问题。明确职责后，整个工作流程就会变得简单明了。
解决哪一个用户群体的数据需求是团队在业务上首先需要回答的问题。我们基于用户规模、需求类型和业务影响力作为取舍原则，优先考虑解决高管团队需求，其次是销售管理团队，然后是业务中台团队，最后是一线销售人员。
真正对组织创造价值最大的人群是一线销售员，需要数据赋能，但我们没有将资源投向一线销售。满足基层用户的需求是具有极大挑战性的，一是规模庞大，足足接近2,000人，二是一线销售员在最细颗粒度的数据准确性有极高要求，这需要非常大的生产端投入。
我们首先选择解决高层管理需求。因为抽象出所有问题发现高层管理的数据需求是收敛的，并且用户规模小，数据需求集中，但业务影响力最大。我们优先选择满足他们的需求，最终，我们一个月就快速满足高层管理的基础数据需求，快速实现了价值交付。
其次是门店销售管理。门店销售管理团队的数据需求是收敛的，需要快速了解当前情况（回答“是什么”，理解“为什么”），以便迅速做出反应，并立即指挥一线员工如何应对（回答“怎么办”）。这是一个非常集中且闭环的管理场景，因此我们第二优先级处理门店销售管理集中的数据需求。
业务中台团队承接高层管理者的问题，需求是发散的。起初业务中台团队几乎每天都发起各种IT需求，频繁地提取数据。唯一能够复用的是那些经常被追踪问题的SQL代码。因此他的优先级需要放在高层管理和门店销售的后面。
现在回过头重新审视数据需求问题，我们可以发现任何数据需求都可以归结为两个要素：指标和维度。这两个要素构成了数据需求的核心，可以通过标准化和自动化的方式来处理这些分散的需求，从而提高效率。
将团队发散的数据需求放在一起，比如紫色、蓝色、绿色代表不同团队的数据需求，最后会发现业务团队的数据需求会在某个部分聚合。博士眼镜的数据需求不会超出博士眼镜的业务范围，博士眼镜的某个业务中台团队的数据需求也不会超出这个团队的业务边界。面对数据需求的发散，解决方案是找到它们收敛的位置，然后集中资源解决。这也是博士眼镜如何决定资源投入的方向和数据团队的工作重点。
02
做产品而不是做数据，
用产品支撑管理场景
博士眼镜在整个数据运营的过程中，不仅是在处理数据需求，更是在打造一个产品。这意味着我们的工作起点并非数据本身，而是深入了解业务场景和痛点。
起初在进行调研时，我们就提出了一个关键问题：如果我是一名销售管理人员，我的一天和一周是如何安排的。需要做什么。如果不能准确理解这些业务场景和痛点，提供的数据服务就会变得零散和不准确，无法满足实际需求。我们的所有工作都始于业务调研，这不仅仅是关于数据需求的调研，更重要的是理解他们的工作场景和工作痛点。这是打造产品的核心起点。
在深入了解销售管理的工作后，我们发现他们主要关注三件事：追业绩、抓管理和搞运营。
首先，追业绩涉及到了解业绩来源和缺口。我们通过调研提炼出三个场景「业绩」「配镜」「主推」，精准概括了销售管理的核心关注点。如果不了解业务场景，就无法将这些关键点体现在看板上，这也是为什么一些看板无人问津，因为它们没有针对性。
其次，抓管理。这里又有三个场景「大盘分析」「排行榜」「单店分析」。特别是单店分析，对销售管理至关重要。他们花费大量时间走访店铺，需要即时了解每家店的经营状况。我们设计的页面就是为了让他们能够快速把握每家店的前世今生，从而做出及时的管理决策。
最后，搞运营。我们关注的是零售场景中以周为单位的工作闭环。关键问题是：与去年同期相比，本周业绩如何？通过评估每周的表现是否优于去年同期，快速了解每个区域、每位管理者的管理成效，以及谁的表现更好。这将指导我们后续的行动
用户运营，让用户更便捷地接触、使用产品，接下来分享如何进行用户运营，即如何让用户更便捷地接触、使用产品。
首先是减少操作步骤，一步看数和三步之间的差异是巨大的。由于销售管理者更多地使用手机而非电脑，并且每天都会打开飞书，因此我们直接将“经营助手”数据入口嵌入飞书移动端。大家只需打开飞书点一下，就能直观看到所需数据，和打开聊天窗口一样简单。
下一步是关注用户如何使用这些工具，是否真的在使用，何时使用，如何使用。如果没有得到用户的积极响应，大概率我们的产品做得不够好，没有满足需求，或者对业务的理解还不够深入。因此，我们每天都会查看用户运营的看板，并发布用户使用情况的周报。并且在每周的会议中，同步用户的使用情况，以了解他们如何使用产品，并据此调整运营策略。
产品运营，提炼和推广数据最佳实践
除了用户数据，还要关注于用户行为。我们需要知道设计的每一个数据卡片的访问情况。这对于优化产品至关重要，面对有限的资源和多项任务，需要依据数据来决定优先级。
此外，我们建立了一个模型来指导资源投入，包括卡片分类。我们能很轻松地管理这些页面，哪些页面应该保持现状，哪些需要改进，哪些需要创新，以及哪些应该停止。
最后，我们的数据产品，称之为“经营助手”，是门店一线管理者使用的一个工具，这个产品本质是经营管理思想的产品化。我们的目标不仅是让更多人更高频地使用它，还有更大的愿景：希望通过这个产品来重新塑造门店的管理行为。
数据产品运营成果：DAU 70%，WAU 100%
我们数据产品运营流程始于业务调研，再进行产品创造，然后是用户运营和产品运营，最终执行营销策略。目前，该产品上周DAU达到了70%，而WAU达到了100%，并已经持续了一个月。我认为这些成果是值得肯定的。
未来，我的目标是将日活DAU也提升到100%，并将当下T+1的数据更新模式提升至T+0，甚至更新达到小时级别，让数据工具更深入地融入到日常管理中。
03
AI 打破工业时代下的培训范式
最后，我们分享一下如何应用AI力量于培训场景，加速员工成长，让解决问题的人变得更好。
培训场景分为两个维度：供给方的培训形态（从碎片化学习到系统学习）和需求方的员工意愿（从要我学到我要学）。这两个维度基本上可以涵盖所有培训场景。我们观察到，大多数培训资源都投入到了公司组织的大规模脉冲式培训中，员工被要求参加并学习。这种场景下隐含了三个假设：全知全能（培训团队知道所有问题的正确解法）、教学等于学会（老师讲了员工就会了）、分数等于问题解决程度（分数高意味着问题解决程度高）。
工业时代的培训思维，培训的是手而非人。而在当前时代，我们对于培训的理解是，培训的目标不是解决问题，真正的目标是让解决问题的人变得更好。影响培训效果的最大因素是员工的意愿。
因此，我们与飞书团队合作，共创了AI助手。它是一个协作平台上的数字人，每个员工都可以拥有一个专属导师。这个产品的起点是问答，因为员工问了才表示他们需要这个知识。我们设计了知识点关联，如果员工问了一个问题，系统会推荐相关联的知识。并且每天会给员工发送一道题，考的是他们前一天问的知识点，以此来温故而知新。我们希望培训不再是一年几次脉冲式的组织，填鸭式的教育，而是365天，每一天渗透在工作中，让解决问题的人每天都变得更好一些。
面向未来，我们也将继续与飞书和观远数据紧密合作，利用先进的技术和工具，推动数字化转型，进一步优化我们的运营管理，助力员工成长与企业发展。我们坚信，通过这些努力，博士眼镜将能够在竞争激烈的市场中不断前行，实现更大的突破与成功。
注：文/龚作仁，文章来源：Laborer，本文为作者独立观点，不代表亿邦动力立场。
文章来源：Laborer
