随着各行各业企业服务和产品越来越丰富多样，市场竞争也趋于白热化，想要吸引并留存用户，其难度和成本也在不断攀升，企业为了盈利和生存，需要更加严格地控制成本和预算，提升运营效率，目前依靠 数据精细化运营、数据驱动增长 已经成为大多企业的必选之路。
本文章主要分享数据化运营以及RPA+AI为数据化运营赋能，会从以下几个要点进行相应分享：
数据化运营是现代企业从粗放经营向精细化管理发展的必然要求，是大数据时代企业保持市场核心竞争力的必要手段,现在许多企业都自己的大数据平台，而能否基于此给企业 营销赋能、运营赋能, 成为驱动企业成长的关键所在。
在数据化运营中会把数据运营的产品体系分成4层， 数据收集、数据加工、数据计算、数据应用 。
数据收集层通常是捕获用户在各个业务系统端的行为数据，加载各业务系统的结构化和非结构化数据，也会使用爬虫技术来采集企业相关的第三方数据。而需要收集的数据通常也会划分成四类： 行为数据、流量数据、业务数据、外部数据 。
其中 业务数据 在产品运营过程中伴随业务产生，这些数据和运营息息相关。比如零售业中，库存、用户快递地址、商品信息、商品评价、促销、好友关系链、运营活动、产品功能等都是业务数据，不同行业的业务数据是不一样的，业务数据没有固定结构。
而 外部数据 是一类特殊的数据，不在内部产生，通过第三方来源获取，比如像同行店铺的同类产品价格等相关指标。
数据加工层通常是 清洗、转换数据 ，来 统一不同系统中相同字段 的数据类型、数据值，建立合理的维度、度量以及数据模型。这一层的产品模块有元数据管理、指标库、作业调度管理、数据质量管理等，都是为了让数据可追溯、可管理，持续改进数据质量，产出高质量的数据。
数据计算层通常是解决数据开发和挖掘、标签制作和使用、算法调用、数据调用等问题。对应的数据产品模块有：开发管理、标签平台、算法平台、数据接口、运维监控。
数据应用层通常是业务人员可感知的系统和产品功能，包括日常报表系统、标签查询、CRM等。
在数据产品体系中数据收集和数据加工是 RPA+AI赋能数据化运营 提升运营效率的核心。其数据收集与加工涉及到企业的各个业务系统，目前大多数企业系统的数据之间还存在着 业务壁垒 ，很难在企业内部破除壁垒来对数据进行有效整合，而RPA+AI可以很好的在各个业务系统之间进行结构化数据和非结构化数据的 有效收集整合 。
同时外部的第三方数据，同样可以通过RPA来自动进行 数据抓取 ，像过往通常使用的爬虫技术，RPA与之相比较来说更加快捷和安全，不仅更贴近业务人员，也更容易让 服务产品化 。
企业做好数据化运营并不是一件简单的事情，其运营人员需要具备一些必要的基本技能： 图表处理、读懂报表、细分用户、运营监控、可编写简单SQL 。
运营人员需要具备基本的图表处理能力，包括针对具体的运营场景，自己会制作 趋势图、分布图、雷达图、二维交叉图 等。
运营人员需要从自己业务相关的 日报、周报、月报、监控报表 里发现跟运营有关的异常现象，并且能合理地解释数据的波动。
运营人员需要能按照合理的维度切分用户群体，并且能针对不同群体进行细分运营。这里的合理维度主要是指基于运营方的具体运营目的，能提炼出简单却重要的核心要素，并且能对其进行合理的维度切分。
运营人员需要能设计、制作简单的监控表格，从而监控运营过程和关键环节。
SQL是结构化查询语言的英文缩写，指的是一种非常主流的数据库查询语言，通过该语言，用户可以从 数据库中提取所需的数据 。运营人员掌握了简单的SQL语言后，就可以随时对自己感兴趣的数据进行简单的查询和抽取，而不用事事都让数据仓库人员或者数据分析人员去帮忙， 提高了查询和分析的效率 。
RPA可以 自动抓取业务数据 ，其里面的 数据库组件 也可以很好的连接数据库服务器，在组件里面写一些SQL语句就可以获取到想要的数据，再加上RPA也具备优秀的数据处理能力 ，可以对数据进行有效加工处理来输出报表，如此一来，运营人员通过RPA的助力提升会把更多的工作集中在分析和决策层面上。
但单就数据化运营来说， 数据报表 并不是最终选择，主要还是 输出图表 ，便于 决策分析 。目前市场上大部分的RPA产品，还没有重点关注图表功能，通常是通过实施团队整合其他产品的图表功能进行有效利用，比如简单的可能会使用 Excel 里面的图表或者利用技术手段使用 Python 进行图表输出，复杂的像数据驾驶舱可能会使用Power BI、FineBI、Tableau 等专业的BI工具。
另外需要知道的是 泛BI 的概念在数据化运营的企业里正越来越深入人心，泛BI其实就是逐渐淡化数据分析师团队作为企业数据分析应用的唯一专业队伍的印象，让更多的业务部门也参与 数据分析 和 数据探索 ，慢慢掌握数据分析的技能和意识。
泛BI同样也是数据化运营特征所要求的，是更高一级的数据化运营的全民参与。在这个阶段，业务部门的员工不仅要积极参与数据分析和模型的具体应用实践，更要求他们能自主自发地进行一些力所能及的数据分析和数据探索。
这无疑也是降低了非计算机专业的业务人员做数据分析的门槛，那么随着企业数据不断 资产化 ，如何把泛BI灵活的嵌入到RPA中，使其更 贴近业务人员 ，做更高级的服务，是 RPA服务产品化 需要思考的一个前进方向。
代账行业的财税人员都离不开和数据打交道，而且每天都有大量 重复性 工作，RPA的作用是释放大部分人力对数据的处理，解放重复劳动性工作。
人力资源行业其实是做关于人的决策的 数据密集型 行业，其中的传统数据就包括简历、面试评价、绩效等，比如可以用RPA的自动收集和数据处理能力来分析某公司的人力资源管理。
在金融行业，无论是行业研究员、基金经理还是审计人员，工作的核心基本都是 频繁重复 处理大量数据，运用RPA强大兼容性的网页 数据抓取 能力，可以为业务人员的数据研究提供很多便捷。比如，业务人员想从网站获取某债券借券存量的数据，然而，这个数只能按日查询，如果金融人员想获取这只债券近一年的数据，必须重复打开网站、选券、改日期、点击查询、记录下结果，这个操作需要200多次，而RPA可以很好的解决这类问题。
在互联网行业，身为运营的业务人员，每天需要处理大量用户回复、流量数据等等，一人运营超过10个群，而用RPA写了 自动回复 脚本，大大提高了工作效率
电商行业，同样也可以使用RPA定时抓取 同行店铺 产品用户评价，可以针对用户的痛点进行营销活动，还可以抓取店铺sku/spu、评论、客单价、客户群、销售额、每日价格趋势分析、并自动制作数据报表，大大 提升运营 效果。
企业销售中心的销售人员一般是公司的顶梁柱，平常要接触、拜访很多客户，那么RPA可以帮助销售人员 自动抓取全网 的相关客户求购/竞标，做数据分析，筛选目标客户，分析同行产品数据/流量/客单价、客户公司各方面的数据，促成成交。利用RPA定时自动抓取相关所有的信息，除了可以提高工作效率， 竞争策略 也会更为明智和客观。
其实在大部分行业里，重复的工作，在未来都是非常危险的。要把更多的时间和精力放在思考和创新上，而不是重复的事情上。因为大部分重复的事情，都会被机器人所替代，这只是个时间问题。
特别声明：
文章来源：RPA领域先驱者
作者：鄂攀,北京来也科技 RPA+AI咨询顾问,致力于RPA+AI领域的持续探究与分享。
原文链接：https://mp.weixin.qq.com/s/04SbKHPnn74GahVwrehvRw
RPA中国推荐阅读，转载此文是出于传递更多信息之目的。如有来源标注错误或侵权，请联系更正或删除，谢谢。
继续阅读：流程自动化 RPA
未经允许不得转载：RPA中国 | RPA全球生态 | 数字化劳动力 | RPA新闻 | 推动中国RPA生态发展 | 流 > RPA赋能与数据化运营
