比如，什么是用户运营？用户运营和用户行为分析的区别是什么？数据和AI驱动运营的核心是什么？如何用人工智能、大数据来持续的提高用户活跃度、下单率、复购率、价值度？

iCDO：如何理解AI优化，智启运营（Datatist的slogan）？

宋碧莲：互联网用户运营的灵魂是数字化的智能运营，人工智能技术AI则是运营优化的关键。

这里面有几个要点，首先，我们的目标是做用户运营优化。

运营一般可以分为两部分：产品运营和用户运营，前者是为了让用户在产品载体，比如APP和小程序上获得最佳体验；后者主要是围绕用户在平台内外的转化。

用户运营又可以细分为市场运营，内容运营和基于用户生命周期的个性化运营等等等。

市场运营主要是为了获取新客，比如花钱买流量，把流量带回平台，这部分主要是依靠AdTech，俗称AdTech拉新。

Dataitst比较关注偏后段的利用AI进行全生命周期用户运营的效果优化，典型场景有：利用AI和优化技术，如何提高用户拉新转化率？如何提高用户活跃度？如何促进活跃用户发生第一次购买？如果找到最可能复购的老客户？如何让低价值用户提升价值？如何找到最可能买某个新产品的用户，比如提高新的理财产品或者保险产品的销售？是通过App的方式进行个性化推荐，还是通过微信的方式进行转化，还是短信的渠道，哪个效果最好？卡券红包金额如何优化才能最大化ROI？甚至是如何利用AI最大化用户拉新的转化率？

简单来讲，我们可以把智能用户运营理解为以用户为中心，实施一整套AI驱动的用户运营优化策略。

一般来说，大型互联网公司内部“从BI到AI”产生智能化用户优化的路径，可以分为几个步骤：第一步，数据的采集与架构搭建；第二步，在此基础上对用户进行有效分析，包括探究深度行为；第三步，对用户进行360度画像分类；第四步，开启运营活动之前建立AI模型、基于用户生命周期进行个性化营销等各种方案，最终找出最佳的决策，智能优化。第五步，输入智能决策，开启运营活动，分析运营效果，通过AB测试等方法进一步优化运营效果。

iCDO：那么，用户运营的目标或者衡量标准是什么？

宋碧莲：用户运营的最终目标肯定是业务，或者说业绩的增长，具体可以体现在用户活跃度、下单率、复购率、价值度等指标上。

iCDO：从18年开始，大家的关注点从增量用户转为存量用户，是否也正是在这一阶段，大家开始关注用户运营，追求精细化，或者说数据驱动的运营？

宋碧莲：是的，实际上这是一个非常明显的趋势，一方面，互联网行业已经成为中国支柱型产业，用户数量基本是欧洲和美国的总和，现在也进入了饱和阶段，大家都是互联网用户了；另一方面，经济大环境发生变化，坦白讲，大家拉新的预算减少了。

在这种情况下，谁愿意多花点细功夫，谁就能赢得用户的心，我们看到许多做的好的品牌，都是在围绕用户，进行细分，然后不断去开发不同的运营策略，非常细致。

用户运营的意识在变得越来越强，但我们也必须看到，大部分企业运营理念和能力还停留在很基础的阶段。

比如，大部分互联网企业知道如何烧钱买流量，但流量来了没有办法进行科学的转化，这也是为什么我们看到90%的互联网平台都属于昙花一现。

这是一个巨大的痛点，也是一个巨大的市场需求。

因为团队主要来自硅谷，比如linkedin、eBay、Amazon、Google等等，我们在这块相对经验会多一些，也可以比较明显看到中美用户运营方面的差距，比如，美国的用户运营、数据分析能力和AI应用就相对成熟，单从用户运营的工具层面来看，国内市场比国际市场要落后十年左右。

所以，我们希望把相对领先的用户运营的技术和方法论产品化，能够真的帮助中国企业把流量后端的运营抓起来，带来实实在在的业绩回报。

iCDO：美国的代表厂商有哪些？他们的特色或者说国内可以借鉴的地方是什么？

宋碧莲：最前沿主要是两家，一家是Salesforce，起家是做销售端的CRM，2018年，Salesforce开始和谷歌分析合作，把前端的营销数据打通，形成基于CRM的用户运营和预测营销，目前，主要是以2B为主。

另一家是Adobe，是从数据端起家的，比如，Ominiture系列的数据分析工具，但是没有营销云产品，18年收购了Marketo，开始整合数据和运营。

这两家公司就是世界上营销自动化最强的公司，他们都希望未来发展成营销智能化公司，所以Salesforce推出了爱因斯坦，但是场景基于CRM还不够丰富，自己没有基于互联网的整体应用，只能选择和Google分析合作。

Adobe 目前落后一步还没有推出AI产品。他们两家也都是各自都希望做到数据可以驱动运营，但是因为数据和营销自动化是分别收购的不同公司的产品 ，很难真正打通。 他们也分别希望既有2C的营销云，又有2B的销售云。

Datatist 是基于以上的痛点，真正将数据和运营打通，并且创造了AI运营大脑，在营销自动化之外更可以进行营销智能化的产品，并且既有面向2C消费者的又有面向2B采购商渠道商智能运营的系统。

Datatist完成了从BI到AI，从提供工具到追求效果，从营销自动化到智能化，从线上到全渠道的突破，目前完成各行业头部国内外品牌客户的应用落地，无论拉新，活跃，复购，交叉推荐，价值提升等各种营销场景上，都达到了3-10倍的稳定效果提升。

iCDO：那么，Datatist在国内的主要竞争对手是谁？主要是做用户行为分析的厂商吗？

宋碧莲：表面上大家都是做运营，但实际上不太一样。一方面，同行主要是以产品运营为核心，Datatist所有的策略和优化都是基于用户；另外一方面，大家强调的用户行为分析，在我们看来属于一个基础的功能，是必须具备的。

而Datatist的核心竞争力是数据和AI，真正把数据和运营打通，实现了数据驱动运营，并且能够提供智能化决策，同时能支持传统行业线下线上全渠道转化的场景，还既支持2C又支持2B的精细化运营。

一般大家听到AI会觉得非常理论；但实际上，AI的确是一个抽象的技术，但我们谈的是和用户运营相结合的AI，必须要把理论和实战结合起来。

首先，AI不是说做就能做的，是需要很多年的理论积累，Datatist的团队都是主攻AI算法的博士，包括我自己博士主攻优化算法，博士后学的是机器学习算法，我的导师是美国白宫顾问，全球工业AI的领袖，我之前的团队几乎每年获得了全球PHM大赛的冠军。

其次，实战经验是需要落地到业务中提升业绩的，这是一个非常大的挑战，Datatist团队在营销和用户运营这个方向做了很多年，大家过往的工作背景，还有包括我们创业以来一直的方向都是围绕用户运营，所以能够琢磨出一套行之有效的方法，并且可以标准化、产品化。

iCDO：能否列举一个具体的案例，或者应用场景？

宋碧莲：好的，我们可以具一个金融行业的例子，我们的这个客户是国内金融界科技实力最强的集团之一，也非常重视大数据、人工智能等领域的开发，希望通过AI技术提高品牌粘性、品牌活跃度，挖掘用户的价值，从而对他们进行精细化运营。

首先，我们可以看到，该集团内部已经拥有好车主（2C）、好伙伴（2B）、团E宝（团队）等几十个互联网系统。而这些互联网系统背后都需要一套有效的方法来进行智能化的用户运营。

在我们之前已经通过同行的产品，但是只是完成了数据采集和简单分析功能。并不能驱动运营。运营还是经验为主。以人力为主。不能自动化运营，更不能智能化决策。当时客户选型的时候发现我们是他们迄今为止见过的第一个真正能够将数据和运营结合起来，不仅提供数字化运营的整体流程，还能提供完整的AI驱动智能化决策，提高运营效果。

最好的办法就是进场拿一个系统来验证我们的效果。结果发现不错之后，短短几个月，推广到了集团几十个系统。目前已经演变成了该企业大数据和精细化运营最大的PAAS平台。

具体步骤如下，第一个环节是数据采集+埋点管理，在这边我们采用的是无埋点与核心事件埋点的结合。无埋点技术指的是，对所有页面元素进行自动埋点。但对于交易数据等核心数据，我们需要通过埋点来精准获取。

接下来第二步：搭建基于Hadoop spark 等的私有化部署的云平台。这是集团级别的超大型系统，云平台规模相当大，并且要同时支持离线和实时两种模式，支持集团很多部门（主要是业务和数据）不同角色的需求。

第三步进行分析，包括行为路径分析、漏斗转化分析等，这是用户运营分析非常重要的一环。在这里提一点，运营分析是分为运营前分析（pre campaign analysis)和运营后分析（post campaign analysis)的。每次运营之前我们都需要用分析中心进行挖掘 ，找到运营的问题，定位出运营优化的方向。运营做完之后，要复盘用户的转化漏斗、转化路径，并且由于之前做了A/B测试来判定不同人群，所以需要反复对比。

与此同时，不同的活动完成后，我们也要去做渠道归因，评判这个活动是否能带来合适的转化。有时候，平台系统能自行生成事件分析，但数据人员可能还希望能够自己做深入研究。所以，我们还提供一个强大的BI分析工具，可以自定义任何分析，自由挖掘任何想要的分析结果。

为了做好精细化运营，最关键的一环是，对用户进行合理的标签与画像。可能一提到画像，大家的概念就是标签，但很多时候还要做高级分类的画像。

比如，哪些用户是高价值用户，哪些是中、低价值用户；哪些是高活跃用户，哪些是低活跃用户；哪些人有潜在价值等等，这些都需要进行合理分类。总地来说，我们需要掌握用户的过去、现在和未来，包括行为标签、业务标签、偏好标签、产品标签等等，都需要大量挖掘。

有了这些标签和画像后，我们就要对用户进行有效迁移。可以根据不同的运营目标，应用不同的算法建立预测模型，将可能转化的人群精准定位、转化，这和市面上的“千人千面”不是一回事（Datatist的做法是提高人群精准度，千人千面是提高内容匹配度）。

需要明确的是，所有的活动都并非一次就可以成功。每次活动都要循序渐进地追求优化效果，循环往复中，实现量变到质变的飞跃，所以一定要掌握复利原则。也因此，每次活动，我们都要科学的选择对象，再用AI进行精准预测及触达，接着对营销效果进行合理跟踪，及时进行效果分析，并反复对结果进行循环优化，形成闭环。

至于对象的选择，如图所示，都可以通过这里进行标签筛选，然后对它展开活动。活动内容，这边也可以做A/B测试，进行优化。最终，活动的效果要进行实时跟踪。

从前，每次活动的总结，都需要数据团队手动抓取活动数据进行效果分析，耗时费力，还不一定能把成功、失败的因素讲清楚。现在，通过预测营销云，我们不仅可以自动、实时地将活动最终效果分析出来，还极大程度地缩短了分析的过程，降本增效。

iCDO：这个例子非常全面，那么在大家非常关心的运营效果上，会有哪些明显的提升？

宋碧莲：还是以该大型保险企业为例，在AI智能运营环节，我们做A/B测试，对比用规则选人的传统促活和用模型选人的AI促活分别带来的营销结果。

这两个活动开出去之后，三天时间就看到了差距。AI促活优化，发了50万条短信，活跃了7万人，转化率为14.6%。传统优化，虽然推送了100万条短信，但仅活跃4万多人，转化率为4.61%。

可以明显看到，新方法用了一半的成本，却达到了1.6倍的转化人数，效率提高了3.2倍。看到效果之后，我们就做全线推广，帮助该大型保险企业月活突破至千万。

不仅是在金融保险行业，我们在新零售、电商、互联网等其他行业也做出了很好的效果。比如将来伊份复购转化率提高12倍、将世纪缘珠宝复购转化率提高9倍以及将伊米妮的投放ROI提高达580等，塑造了很多融合业务场景的经典案例。

iCDO：Datatist已经有不少行业的头部客户，最后，我们想了解您当初为什么会选择回国创业？

宋碧莲：毫无疑问，国内的市场更大；另外，美国在全球数字化运营理念和方法都最先进，而我们团队发明的AI运营非常行之有效，一直希望将AI运营这个新技术可以推广到全世界。

此外，这也和我自身的背景有关，十几年前在国内读书的时候，就很看好数据和营销、运营的结合，商业智能是未来的主流，但是这个方向对人的综合素质要求特别高，既要懂商业，又要懂AI还要会编程，还要懂业务，有实际行业经验。

我花了二十年积累经验，先学计算机，搞明白编程和数据分析，然后又学了商业管理和优化的博士，后面又专攻机器学习博士后，完成了商业智能的各种技能。再在工业和互联网行业实践达到百发百中的效果。现在围绕智能运营的创业 ，就是将这个技术标准化产品化出来，都是当初那条线的延展。因为这样的人才全球太稀缺了 也太难培养了，但是数字化运营企业又等不及人才的供应，所以需要制造机器人AI运营团队来帮助企业快速实现运营目标。

三年前，选择回国，一方面市场时机成熟了，另一方面，在美国组建的团队也都愿意回来跟着干，我们中国人讲究的天时地利人和，都齐了，回来也就是自然而然的事情了。

宋碧莲（Sophia），上海画龙创始人兼CEO，美国最顶级研究机构NSF（美国国家自然基金会）机器学习方向博士后；香港理工管理优化博士；在eBay工作期间最早提出了以用户为中心的个性化市场运营优化策略，为eBay挖掘出价值数亿美元的市场营销机会；将AI和优化结合，创立了AI驱动用户运营优化的新理论，并在linkedIn最早应用实践，将linkedIn用户活跃度最高提高28倍，被linkedIn CEO誉为最好的AI商业分析师，获得linkedIn改革奖。