Cách thiết kế báo cáo hàng ngày và cách chơi các báo cáo hàng ngày quy mô lớn của những người chơi hàng đầu

“Hôm nay, chúng ta quay lại với kế hoạch ban đầu - cách thiết kế báo cáo hàng ngày của dự án tài chính Internet, và nhân tiện, cách chơi báo cáo hàng ngày quy mô lớn của những người chơi hàng đầu. Bài viết này có tổng cộng 2.100 từ và dự kiến ​​sẽ mất 8 phút để đọc.”

Dữ liệu là nền tảng của hoạt động. Càng gần với cốt lõi của doanh nghiệp thì khả năng dữ liệu càng quan trọng. Hoạt động tài chính Internet cũng không ngoại lệ. Việc sử dụng dữ liệu hàng ngày trong hoạt động chủ yếu liên quan đến ba khía cạnh: theo dõi dữ liệu, phân tích dữ liệu và chiến lược đưa ra kết luận dữ liệu. Việc tạo ra báo cáo dữ liệu hàng ngày tốt là yêu cầu cơ bản nhất cho công việc theo dõi dữ liệu.

Để thực hiện tốt công việc giám sát dữ liệu, chúng ta cần biết mục đích của việc giám sát dữ liệu để có thể đưa ra biện pháp khắc phục phù hợp. Mục đích của việc theo dõi dữ liệu rất đơn giản: nhanh chóng hiểu được tình hình dữ liệu hiện tại và phát hiện ra các vấn đề hời hợt dựa trên dữ liệu. Trong đó, mục đích chính là nhanh chóng hiểu được dữ liệu, mục đích thứ yếu là phát hiện ra các vấn đề hời hợt. Mục tiêu của Design Daily là đáp ứng hai nhu cầu này.

01—Hiểu nhanh trạng thái hiện tại của dữ liệu

Vậy, chúng ta có thể thiết kế báo cáo hàng ngày như thế nào để giúp chúng ta hiểu dữ liệu một cách nhanh chóng? Tháo rời là giải pháp tốt nhất. Việc phân tích dữ liệu thành dữ liệu kết quả và dữ liệu quy trình, thành dữ liệu cốt lõi và dữ liệu phân đoạn, thành dữ liệu thuộc tính, hành vi và kinh doanh, rồi hiển thị chúng riêng biệt sẽ giúp dữ liệu rõ ràng ngay từ cái nhìn đầu tiên và phân biệt dữ liệu chính với dữ liệu phụ.

Lấy ví dụ về người dùng mới trong hoạt động hỗ trợ vay vốn, mục tiêu cốt lõi của hoạt động hỗ trợ vay vốn cho khách hàng mới là tăng tổng số tiền vay. Sau đó, dữ liệu kết quả là UV, số tiền cho vay, số lượng người vay và số lượng trung bình các khoản vay, trong khi dữ liệu quy trình là tổng số tiền chuyển nhượng. Vậy thì năm chỉ số này là những chỉ số cốt lõi quan trọng nhất.

Nếu chúng ta chia nhỏ thành nút kinh doanh cấp độ một, khách hàng mới phải trải qua năm bước: từ khi hoạt động đến khi nộp đơn đăng ký, đến khi được chấp thuận tín dụng thành công, đến khi nộp đơn xin vay và sau đó là nộp đơn xin vay thành công. Sau đó, dữ liệu kết quả phải được bổ sung các chỉ số tỷ lệ của năm bước này, cụ thể là UV, đơn xin tài khoản mới, thành công tín dụng, số lượng phê duyệt tín dụng trung bình, tổng số tiền tín dụng, đơn xin vay, thành công của khoản vay, số lượng đơn xin vay trung bình và tổng số tiền vay.

Dữ liệu quy trình sẽ chia nhỏ tổng tỷ lệ chuyển đổi thành tỷ lệ chuyển đổi của năm bước, bao gồm tỷ lệ đăng ký tài khoản mới, tỷ lệ đăng ký tín dụng, tỷ lệ hoàn tất tín dụng, tỷ lệ phê duyệt tín dụng, tỷ lệ đăng ký khoản vay, tỷ lệ hoàn tất khoản vay, tỷ lệ phê duyệt khoản vay và tổng tỷ lệ chuyển đổi. Với 5 chỉ số cốt lõi và 12 chỉ số nút cấp một, chúng ta có thể nhanh chóng hiểu được tình hình chung của doanh nghiệp từ dữ liệu kết quả kinh doanh và dữ liệu quy trình, từ mục tiêu cốt lõi và cấu trúc cấp một.

Tiếp theo, chúng ta hãy phân tích dữ liệu. Dữ liệu phân đoạn trước tiên có thể được chia thành dữ liệu hành vi và dữ liệu kinh doanh. Hành vi của người dùng trên các trang hoạt động, đã đăng ký, tín dụng và vay mượn là dữ liệu hành vi; dữ liệu được tạo ra trong hệ thống tín dụng và hệ thống vay là dữ liệu kinh doanh; và nguồn kênh của người dùng, nhà cung cấp tín dụng, v.v. là dữ liệu thuộc tính.

Bằng cách phân chia chéo dữ liệu hành vi theo cách này, các tia UV hoạt động có thể được chia nhỏ thành dữ liệu của các lối vào thoát nước khác nhau. Dữ liệu bước đăng ký có thể được chia nhỏ hơn nữa theo lượt truy cập trang đăng ký, lượt nhấp để đăng ký, đăng ký thành công, tỷ lệ nộp đơn đăng ký, tỷ lệ đăng ký thành công và tổng tỷ lệ chuyển đổi đăng ký. Đăng nhập có thể phân chia dữ liệu theo các phần đang hoạt động của người dùng đã đăng nhập và người dùng chưa gửi dữ liệu. Các ứng dụng có thể được chia nhỏ dựa trên số lượng người dùng duyệt trang ứng dụng, số lượng người dùng thực hiện bước tiếp theo, tỷ lệ ứng dụng của từng bước, tỷ lệ chấp thuận và tỷ lệ hoàn thành toàn bộ quy trình tín dụng. Các khoản vay tương tự như đơn đăng ký và có thể được chia theo các trang của các nhà đầu tư và khoản vay khác nhau.

Dữ liệu kinh doanh có thể được phân tích theo số lượng người tham gia hệ thống kinh doanh, tỷ lệ đạt, số vụ việc trung bình, tổng số tiền và nhà đầu tư.

Bảng này chỉ là một ví dụ và không hoàn toàn phù hợp với nội dung của bài viết. Cần phải điều chỉnh theo tình hình kinh doanh thực tế.

02—Phát hiện nhanh chóng các vấn đề về dữ liệu

Con đường tắt để hiểu dữ liệu nhanh chóng là phân tích dữ liệu và cách để phát hiện vấn đề nhanh chóng là so sánh chúng.

Có hai hướng so sánh. Một là so sánh theo chiều dọc, tức là so sánh theo chiều thời gian, chẳng hạn như so sánh theo ngày với năm, so sánh theo tuần với năm, so sánh theo tháng với năm và so sánh theo năm. Thứ hai là so sánh theo chiều ngang, tức là so sánh theo chiều không gian, chẳng hạn như so sánh trong ngành, so sánh các ngành kinh doanh tương tự, so sánh giữa khách hàng mới và cũ, so sánh giữa các kênh khác nhau và so sánh giữa các nhà đầu tư khác nhau.

Làm thế nào để thêm mục so sánh vào báo cáo hàng ngày? Vì là dữ liệu hàng ngày nên dữ liệu chính phải bao gồm dữ liệu hàng ngày theo tháng, biến động dữ liệu 7 ngày và dữ liệu hàng tháng theo năm. Trong đó, chỉ cần một cột dữ liệu theo ngày theo tháng và theo tháng theo năm, nên hai cột dữ liệu chính và dữ liệu chi tiết là không thể thiếu. Tuy nhiên, chi phí cập nhật dữ liệu biến động 7 ngày rất cao nên chỉ có thể công bố dữ liệu chính.

Phía bên phải của xu hướng hàng ngày theo tháng, theo tháng và biến động là dữ liệu gốc để dễ so sánh

Ngoài ra, khi chúng ta đặt mục tiêu cho vay theo quý, tháng hoặc tuần, để liên tục điều chỉnh các chiến lược dựa trên mức độ hoàn thành mục tiêu, chúng ta có thể thêm mục tiến độ hoàn thành chỉ số hiện tại vào dữ liệu chính để kiểm soát trạng thái hoàn thành chỉ số chung.

Theo cách này, một báo cáo hàng ngày cho ngành tài chính Internet đã được thiết kế. Các doanh nghiệp khác nhau có thể được điều chỉnh theo các nút kinh doanh dựa trên logic này. Tiếp theo chúng tôi sẽ mô tả cách thu thập và tổng hợp dữ liệu này.

03—Thu thập và tích hợp dữ liệu

Về mặt thu thập dữ liệu, sự khác biệt chính được tạo ra dựa trên các phương pháp thu thập dữ liệu khác nhau. Ví dụ, dữ liệu hành vi thường được thu thập thông qua các điểm nhúng, dữ liệu kinh doanh thường được ghi lại trong bảng cơ sở hệ thống kinh doanh và dữ liệu thuộc tính được thu thập bằng cách thêm các trường vào các điểm nhúng hoặc bảng cơ sở hệ thống. Ngoại trừ dữ liệu kênh, hiếm khi cần đến phương pháp thu thập riêng biệt. Có hai tình huống khác nhau khi chúng ta cần tổng hợp dữ liệu từ nhiều nơi khác nhau. Một là dữ liệu kinh doanh theo hành vi được tách biệt và dữ liệu tương ứng cần được sử dụng trực tiếp trong hệ thống tương ứng. Ví dụ, nhiều công cụ thu thập dữ liệu hành vi có các công cụ phân tích đi kèm. Sensors, công ty tốt nhất trong ngành, có một bộ công cụ phân tích cảm biến có thể được sử dụng trực tiếp để phân tích hành vi tương ứng. Đối với các bảng cơ sở kinh doanh, bạn cần sử dụng nền tảng thu thập dữ liệu tương ứng, chẳng hạn như hive, spark, v.v., để thu thập dữ liệu bằng SQL. Một tình huống khác là kết nối dữ liệu hành vi và dữ liệu kinh doanh. Một số phương pháp kết nối trực tiếp dữ liệu thông qua các công cụ thu thập dữ liệu, do đó dữ liệu hành vi, dữ liệu kinh doanh và dữ liệu thuộc tính đều được thu thập vào một hệ thống để sử dụng; những người khác nhập dữ liệu vào kho dữ liệu của riêng họ, tự thực hiện liên kết người dùng và kết nối dữ liệu đầu cuối và dữ liệu cuối cùng. Dữ liệu phân mảnh cần được lấy từ hai nền tảng riêng biệt và sau đó tổng hợp trên một nền tảng khác. Ví dụ, dữ liệu hành vi có thể được thu thập thông qua một tập lệnh Python, dữ liệu bảng cơ sở có thể được truy vấn thông qua SQL và cuối cùng được tổng hợp thủ công vào bảng Excel. Dữ liệu được kết nối có thể được xuất sang bên thứ ba như Excel hoặc tạo thành báo cáo và tự động cập nhật. Ngược lại, dữ liệu được kết nối sẽ hiệu quả hơn hẳn.

04—Tờ Big Model Daily có tương lai không?

Sau khi nói về thiết kế báo cáo hàng ngày, thu thập và tổng hợp dữ liệu, chúng ta hãy nói về một số điều nâng cao - phân tích tự động mô hình lớn. Một số công ty hàng đầu trong ngành đã phát triển một bộ công cụ AI để theo dõi và phân tích dữ liệu. Dựa trên các báo cáo được thiết kế và các mối quan hệ chỉ báo được cấu hình, công cụ này có thể tạo ra các đánh giá thời gian thực về những thay đổi trong từng phần dữ liệu theo cả khía cạnh số lượng và tỷ lệ để tìm ra những điểm thay đổi có tác động lớn nhất.

Ưu điểm của hệ thống này là có thể phân tích dữ liệu từ mọi chiều trong cơ sở dữ liệu, tự động tạo và gửi báo cáo tóm tắt dữ liệu, đồng thời gửi cảnh báo theo thời gian thực dựa trên biến động dữ liệu. Nhược điểm của nó là không hiểu đầy đủ về những điều chỉnh trong các kênh kinh doanh, chiến lược, hoạt động, sản phẩm, v.v. và không có kinh nghiệm của đội ngũ nhân viên điều hành cấp cao. Nó chỉ có thể thấy những điểm thay đổi của dữ liệu nhưng không thể tìm ra lý do kinh doanh cho những thay đổi dữ liệu và đưa ra chiến lược. Hiện tại, nó chỉ là công cụ tạo bản tóm tắt, nhưng với sự phát triển nhanh chóng của trí tuệ nhân tạo, không phải là không thể khi nó sẽ thay thế người vận hành trong việc giám sát, phân tích và ra quyết định trong tương lai.

Trên đây là tóm tắt về phương thức hoạt động và các giai đoạn phát triển của những đơn vị hàng đầu trong ngành tín dụng. Tuần tới chúng tôi sẽ tiếp tục cập nhật phần thực hành cơ bản. Sẽ có các phần thực hành cơ bản như cách thiết lập mô hình tăng trưởng kinh doanh, cách thiết kế mô hình ước tính kinh doanh và thư viện chiến lược kinh doanh, cách thiết kế bảng thực hiện chiến lược, v.v. Ngoài ra còn có các phần ứng dụng phương pháp như cách áp dụng mô hình tăng trưởng để phân tích các chỉ số để nhanh chóng phát hiện ra các điểm tăng trưởng, cách áp dụng mô hình UJM để tiếp cận khách hàng mới, cách áp dụng mô hình vòng đời để quản lý người dùng cũ, v.v. Ngoài ra còn có các phần thực hành tình huống như cách tiến hành thí nghiệm AB, cách phân bổ nguồn lưu lượng truy cập, cách thiết kế các hoạt động thường xuyên và cách thiết kế các mô hình ra quyết định thông minh.