从数据的积累到旅程的洞察，本文将深入研究这一演变过程，揭示企业如何从简单的数据资产管理迈向更加智能化和综合性的旅程指标体系。

很多面临数字化转型的企业都在关注数据资产和旅程指标。在数字化转型之后，一个常见问题就是数据暴涨。从传统渠道扩展到 APP、小程序等线上化渠道之后，公司会面临 5 倍、10 倍甚至几十倍的数据增长。除了带来技术架构的挑战，还会带来数据资产与其价值验证压力的同步增加。

业务应用增长的压力和数据资产增长的压力是同步的，最终会回归到一个灵魂问题：数据资产增长的价值到底在哪？

数据资产积累困境的解决，主要围绕数据资产的高质量增长以及旅程指标的持续积累两部分。

一、数据的高质量增长

在数字化转型趋势下，数据增长的核心是客户数据的快速增长。从客户的行为、状态到产品的数据，都会表现出暴涨的形态。

将客户数据进行抽象后，可将其想像成一个 Excel。表格中的行和列构成了数据库。表格“行”的增长，主要是用户与旅程的增长；表格“列”的增长，主要是客户与产品复杂度的增长，比如用户标签属性的增长；而表格“保持”的增长，依赖持续的正反馈。以车企为例，车销量的增长就是“行”的增长，而车型扩充、产品线增加、购物选择增多会让客户需求变得复杂，从而带来“列”的增长。

如何保持“行”的高质量增长？我们需要重新定义“用户”，梳理“旅程”，解放数据增长思想。一般而言，我们可以认为“客户”是指产生过付费或消费行为的人，而“用户”扩充了“客户”的概念，在付费前关注品牌、了解产品的人都是我们的用户。对于传统转型企业来说，这种差异带来的变化，提示我们重新思考旅程设计，从客户前置到用户。数字广告、落地页工厂、智能客服技术的应用都属于这个部分。而将视角从线上转到线下，一线服务员工的生产工具的数字化升级，则是量化了更多原来线下的客户旅程，特别是影响客户服务的节点。

如何保持“列”的高速增长？列增长是反映用户需求 、消费潜力、旅程阶段等不同属性数据的增长。合适的产品能力可以帮助我们更好的获取列的扩展。搜索功能、商品详情页可帮助获取用户需求意向与程度；评价反馈可帮助获取客户态度与体验；通过表单或算法挖掘、提炼可帮助我们获取用户生活形态与潜力。获取更多的用户行为数据，可以帮助用户洞察做得更好。

“行”“列”之后，需要形成持续的正反馈。数据又准又快，是数据高质量持续增长的正反馈核心。数据采集不“准”，部分是技术原因，更多是业务、数据、技术认知与语义的对齐。数据的“快”，本质是有限的算力下如何满足用数需求，因此需要对用数应用场景有明确定义，关键是要区分不同使用者与业务场景下，是离线、准实时或是实时计算。

二、旅程指标的增长

旅程指标有三个：基于事先假设的业务知识，设计数据汇聚计算规则，所得到的客户旅程描述体系。旅程指标是为了解决业务问题可量化、可验证，并以此为依据持续优化业务表现。

旅程指标的梳理分为四个步骤：

1. 目标与客户群体定义：明确业务目标与对应的用户群体；
2. 用户需求阶段定义：通过客户调研或专家访谈，明确并定义该类用户的需求发展路径与阶段，有一些现成模式可以借助参考，如零售的 AIPL、互联网的 AARRR；
3. 用户外显行为梳理：根据各旅程阶段的用户主观想法与触点互动情况，梳理典型的用户行为结果类型；
4. 旅程指标映射：根据上述数据指标表现，梳理出反映各客户需求旅程阶段的行为结果集，比如 AIPL 的品牌“了解”，具体是哪些触点行为、发生了几次、停驻了多长时间等，可以认为该用户完成了对品牌的“了解”。

三、客户旅程分析

完成旅程指标梳理后，需要对其进行分析。客户旅程分析分为三个步骤：

1. 看现状：在旅程指标梳理完成后，对旅程客户覆盖度、各节点数据丰富度、流转比例等进行数据整体回顾，从而判断整体旅程设计是否合理；
2. 找机会：观察各节点之间的转化率，找出旅程中“低”“慢”的典型阻塞，调整旅程设计，发挥更大价值；
3. 判潜力：业务迭代存在成本，有些旅程节点表现“低”“慢”是出于业务模式限制或行业天花板限制。需要参考同业数据，或者在较长时间维度上看该节点的数据波动，判断其业务提升潜力。