从“人驱动”到“知识驱动”：数字化运营闭环的变革之路

近期，2025 FiNAI 金融人工智能峰会圆满落幕。本次峰会汇聚了国内外顶尖金融机构、资管公司、保险科技企业、量化投资机构及 AI 原生企业，共同探索人工智能在金融领域从技术突破到价值实现的具体路径。神策数据金融行业业务咨询专家李贝贝在会上发表了题为《从“人驱动”到“知识驱动”：数字化运营闭环的变革之路》的演讲。以下为演讲实录：

神策数据自 2015 年成立以来，于 2018 年深度布局金融行业，目前已服务超过 200 家银行、保险、证券、基金等金融机构。我们深刻认识到，金融行业数字化转型中，工具虽重要，但更关键的是如何让工具真正落地并产生业务价值。

神策在数字化运营中提供三大标准产品，覆盖从数据采集、分析到营销策略触发与效果评估的全流程能力。

如图所示，当前许多金融机构正在构建数据驱动的运营闭环。该闭环始于数据，既包括用户在手机银行 App 中的行为数据，也涵盖 AUM、产品持有等业务数据。数据整合后，通常需要资深运营专家或分析师凭借经验，从中诊断问题、发现机会，策划精准的客户运营策略，并通过营销平台等渠道执行，最终评估各场景的营销效果。

该闭环已在多家金融机构验证可行，但其核心瓶颈在于专家经验难以规模化复制。优秀的数字化运营专家需兼具业务思维、数据、系统、分析与运营能力，培养周期长、难度大——神策咨询团队培养一位成熟专家平均需 3–5 年。此外，专家时间与精力有限，其思维方式也难以快速复制给各业务团队。

我们将当前阶段称为“运营 1.0”，其价值在于通过三大引擎，助力金融机构初步实现了基于专家经验的数字化运营闭环，完成了从 1 到 10 的突破。但更重要的是，如何进一步实现从 10 到 100 的规模化复制。

以下通过两个案例具体说明：

第一个案例是与一家城商行的合作。该行去年引入神策分析，通过 SDK 采集重点业务场景行为数据，辅助业务经营。数据分析阶段，神策分析师发现其贷款小程序为独立入口，客户进入即存在明确业务需求。因此，我们聚焦于识别“贷款转化窗口期”，针对犹豫未转化的客户进行精准触达，避免打扰已转化客户。

然而，高质量洞察报告对数据提取与问题探究要求高，产品经理通常需 2–3 天完成全流程。为此，我们引入 AI 提升人效：首先，内置基于神策经验与客户习惯的月报撰写思路，通过对话调用 AI 自动分析并输出关键结论，大幅节约前期数据处理时间；其次，AI 可辅助定位问题指标，并通过追问（如“为什么报错率上升？”）提供下钻分析思路，直接调起分析模型深入探索；再次，AI 可自动检索并总结相关策略的执行效果、A/B 测试结果等，辅助决策；最后，运营人员整合月报内容与问题归因。当前阶段，AI 并非替代人工判断，而是固化方法、提升基础效率。

第二个案例是与一家股份制银行的合作，反映策略规模化后的管理挑战。该行各业务线在不同系统中创建了成百上千个营销策略，但存在效果不清晰、资源内耗、投入效率低等问题。神策平台首要目标是对现有营销体系进行全面评估与优化。

我们推进四步工作：收集各业务线运营策略，按场景与客群分类；建立策略评估标准，横向对比行业优秀数据，纵向分析内部提升空间，筛选重点优化场景；针对如“新户百日运营”等场景深入诊断，发现该行开户后 30 天登录比例约 40%，低于同业优秀水平的 60% 以上；登录后实现理财产品持仓超 100 元的客户仅 7%，也低于同业的 20%。而微信绑定与千元达标比例已达行业较优水平，提升空间有限。现有策略多为周期性提醒，缺乏实时、断点营销与促活手段，且策略间客群重叠度高。

策略管理呈现“碎片化”问题：策略分散、触达渠道分散、客户 Offer 分散、效果洞察分散，导致资源效率与策略效能陷入“恶性循环”。例如，某客户在同一天接收到手机银行 Push 与客户经理企微推送的不同产品信息，造成打扰与标签误判。

当策略数量从几十扩展至几百，人工运营瓶颈凸显：场景交叉分析困难、迭代优化依赖人力、机会发现滞后。因此，我们引入 AI 实现自动化的策略洞察、诊断与优化建议生成。

我们以「场景管理」为出发点，将策略按业务场景归集，支持客群空白组对照与策略日历管理，实现资源查漏补缺。策略洞察方面，基于神策 MA 全链路营销数据，沉淀可复制的分析方法并内置至知识库，由 AI 调用执行、输出结论。我们还整合过往数百个策略场景数据，建立银行、证券等行业的策略效果标准值，辅助客户快速判断优化空间，并结合对话式分析实现效果下钻与调优。

针对神策流程画布的使用门槛，我们开发了 AI 自动策略生成与辅助调优能力，通过自然语言输入，结合画布逻辑与元数据知识库，自动生成新配置。

上述 AI 能力共同推动我们从“人驱动”的 1.0 模式，迈向“知识驱动”的 AI 增强型运营 2.0 时代。新一代运营闭环以数据为起点，通过 AI 数据应用智能体与知识库支持，实现智能交互分析、自动下钻与策略回检。关键的是，所有营销效果实时反馈至数据平台，形成自我学习与优化的增强闭环。

这不仅提升了运营效率，也推动了专家角色的转变：从执行与巡检，上升为规则制定、异常处理与创新发起。

神策 AI 能力架构以知识库为核心，构建多层级、全链路的智能体服务体系：

数据底座：通过元数据管理、数据集成、全域 ID 关联等模块，保障数据规范、关联与质量。

分析与运营系统：包括用户分析平台（行为分析、客户画像、经营分析）与用户运营平台（流程画布、运营计划、全链路追踪），为智能体提供业务支撑。

智能体基础能力层：基于 LangGraph、LlamaIndex、LangChain 封装 Agent 开发框架，实现多工具协同与多模型适配，通过校验机制规避幻觉问题，兼顾效率与准确性。

智能体服务层：提供分析助手、策略设计等功能，并构建企业专属、行业业务、跨域通用及神策产品知识库。

智能体接入层：支持 GUI、ChatUI 与 OpenAPI 多种交互方式。

智能体应用层：落地于灵活问数分析、产品体验诊断、策略场景回检等具体场景。

系统在多个环节预留扩展能力，如 OpenAPI 对接、MCP 层扩展定制接口、插件化开发等，支持高效迭代。

神策服务的行业包括金融、游戏、电商、汽车、奢侈品等等，我们将多年来在各类业务场景中沉淀的分析方法论与产品知识进行了系统性的梳理与翻新，并借助 AI 能力，构建了知识库这一全新形态。在金融行业，我们具有丰富的交付经验，对于具体的业务场景、业务流程和知识可以说也有非常丰厚的积累，加上为企业定制化的专属知识，构成了这样 4 层的知识体系。

在构建整套知识库的体系的过程中，我们的业务团队和产研团队经历了多轮抽象、撰写、测试与修改。我们不仅需要将每个角色使用系统的场景及其中的思考方式、决策逻辑总结为步骤、标准与方案，更通过反复的 Prompt 优化与检索测试，确保 AI 能精准理解和高效调用知识库中的内容，将高度复杂的经验抽象为可被 AI 执行的方法论。这并不是任意一位运营人员就能够做成的。

这套知识体系仍在持续打磨。神策最初并未预设构建知识库。正是在多年深入金融等行业、坚持做好每一次价值交付的过程中，我们逐步沉淀了咨询能力与领域知识。这些持续积累的、经过实践反复验证的行业认知，成为了我们在 AI 时代将经验转化为智能能力的宝贵入场券。

因此，从“人驱动”到“知识驱动”的变革之路，本质是将人的智慧系统化沉淀，为实现“更准确”与“更懂行”这两个目标提供关键支撑。

这就是神策面向未来的答案。谢谢！

✎✎✎

【更多内容】

神策 AI 智能分析师

神策 AI 智能运营师

神策分析 MCP Server 启动内测

▼ 点击“阅读原文”，了解更多神策数据