在数据监控的工作中，做好一份数据日报，是基础的要求之一，那么，我们要怎么做好日报的设计呢？这篇文章里，作者结合互金项目，对日报的设计、数据的获取和汇总等方面进行了总结分析，并对大模型日报的的可能性发表了他的看法，一起来看。

今天重回原始安排——怎么设计互金项目的日报，顺便讲讲头部玩家的大模型日报是怎么玩的。本文共计2100字，预计需要阅读8分钟。

数据是运营的基础，越靠近业务核心，数据能力越重要，互金的运营，也不例外。而运营日常对数据的使用，主要是三个方面：数据监控、数据分析、数据结论输出策略。做好一份数据日报，是数据监控工作最基础的要求。

要做好数据监控，我们需要知道数据监控的目的是什么，然后才能对症下药。数据监控的目的很简单，是快速了解当前数据情况，并能基于数据发现浅层问题。其中，快速了解数据是主要目的，发现浅层问题是次要目的。那设计日报，就要以满足这两种需求为目标。

一、快速了解数据现状

那么，怎么设计日报，才能帮助我们快速了解数据呢？拆解是最好的办法。把数据拆解成结果数据和过程数据，拆解成核心数据和细分数据，拆解成属性、行为、业务数据，分别展示，就能让数据一目了然，主次分明。

以助贷业务的新用户部分为例，新户助贷的核心目标，是提升借款总额。那么结果数据就是UV、借款金额、借款人数、借款件均，而过程数据就是总转。那么这5个指标就是最重要的核心指标。

再往下拆解到业务一级节点，新户要经历从活跃到进件，到授信成功，再到申请借款，再到借款成功5个步骤。那么结果数据就要再加上这5个步骤的规模指标，就是UV、新户申请、授信成功、授信件均、授信总金额、借款申请、借款成功、借款件均、借款总金额。

过程数据就要把总转，拆解成这5个步骤的分别转化率，包括新户注册率、授信申请率、授信完成率、授信通过率、借款申请率、借款完成率、借款通过率、总转化率。有了这5个核心指标，12个一级节点指标，我们就能从业务结果数据和过程数据上，从核心目标和一级结构上，快速了解业务的整体情况。

接下来，我们来拆解细分数据。细分数据，首先可以拆分成行为数据和业务数据，用户在活跃、注册、授信、借款等页面的行为情况，即行为数据；而在授信系统、借款系统里产生的数据，即为业务数据；而用户的渠道来源、授信资方等，即为属性数据。

行为数据按照这种交叉拆分，活跃UV就可以拆解成不同引流入口的数据。注册可以再按注册页访问、点击注册、注册成功、注册申请率、注册成功率，注册总转化率拆分步骤数据。登陆可按已登陆未进件用户活跃的版块拆分数据。进件则可以按用户在进件页面的浏览、进入下一步的用户数、每一步的申请率、通过率、授信整体流程的完成率等拆分。借款则类似进件，可以按不同资方和借款的页面完成拆分。

业务数据则可按进入业务系统的人数、通过率、件均、总金额、资方分别拆分。

该表只是示例，不和文章内容完全一致，且需按实际业务调整

二、快速发现数据问题

快速了解数据的捷径在数据拆解，而快速发现问题的方法在对比。

对比有两种方向，一是纵向对比，也即时间维度的对比，比如日环比，周环比，周同比、月同比、年同比。二是横向对比，也即空间维度的对比，比如行业内对比、相似业务线对比、新老户对比、不同渠道、不同资方对比。

怎么在日报里添加对比项呢，因为是每日数据，重点数据一定要有日环比数据，也要有7日数据波动情况，也要有月同比数据。其中，日环比和月同比只需各一列的数据，所以重点数据和细分数据这两列必不可少。而7日波动数据更新成本高，可以只放重点数据。

日环比、月同比、波动趋势右侧，即为原始数据，方便比对

另外，当我们按季度、按月度、按周度设定放贷目标时，为了基于目标完成情况，不断调整策略，可以在重点数据中，增加一项目前指标完成进度，以便掌控总指标完成情况。

这样下来，一张互金行业的日报就设计完成了，不同的业务，按照这种逻辑，根据业务节点进行调整即可。下面我们说下这些数据的获取和汇总方法。

三、数据的获取和整合

在数据获取上，主要按数据采集方法的不同进行区分，比如行为数据一般靠埋点采集，业务数据一般靠业务系统底表记录，而属性数据，则靠在埋点或系统底表中增加字段，除渠道数据外，很少需要单独的采集办法。

那要从不同的地方汇总数据，有两种不同的情况。一种是行为业务数据割裂的，需要直接在对应的系统里消费对应的数据，比如很多行为数据采集工具，都有附带的分析工具，像行业做的最好的神策，有一套神策分析的工具，可以直接使用做对应的行为分析。业务底表，则要在对应的取数平台，比如hive、spark等，sql取数。

另一种情况，则是将行为数据和业务数据做了打通。有直接通过采数工具进行打通，行为数据、业务数据、属性数据全部采集到一个系统内进行消费的；也有导入到自己的数仓，自己进行用户关联，前后端数据的打通的。

割裂的数据，需要分别在两个平台取数后，再在另一平台聚合，比如通过python脚本抓取行为数据，通过sql查询底表数据，最后手动聚合到Excel表内。而打通好的数据，则既可以导出到第三方比如Excel消费，也可以制成报表，自动更新。对比下来，自然是打通的数据效率使用更高。

四、大模型日报有未来么

讲完了日报的设计、数据的获取和汇总，再来聊一些先进的东西——大模型自动化分析。有些业内头部公司，开发了一套数据监控解析的AI工具，它可以基于设计好的报表和配置好的指标关系，从数量和比例两方面出发，实时对各部分数据的变动生成评价，找到影响最大的变动点。

这套东西的好处在于，它可以从库内所有维度分析数据，可以自动化生产并发送数据简报，可以根据数据波动情况，实时发送告警。

而它的不足之处，则在于它并不能完全了解业务渠道、策略、活动、产品等方面的调整，也没有资深运营人员的经验。它只能看到数据的变化点，并不能找到数据变动的业务原因，并产出策略。目前它还仅是简报生成工具，但是，在人工智能飞速发展的当下，假以时日，它取代运营人员进行监控分析决策，也不是不可能。

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，下周我们还会继续基础实践篇的更新。

大致会有怎么建立业务增长模型，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。