客戶數據平臺（CDP）在數字化營銷過程中起著核心驅動作用。本文講述了CDP的定義、架構、用戶標簽的體系與生產以及CDP的價值，與大家分享！

客戶數據平臺（CDP）通過打通客戶全渠道、全旅程觸點數據，形成基于客戶全旅程的數據鏈路；通過數據建模實現對客戶的全方位洞察，并形成用戶分層運營的策略，指導運營計劃的精準實施。

在什么時間，什么渠道，針對什么人群，推送什么權益鉤子，實現精準轉化，最大化營銷ROI。

一、CDP的定義

廣義的CDP是一個營銷系統，它統一企業來自營銷或其他渠道的客戶數據，以實現客戶建模、優化客戶體驗的目標。

狹義的CDP是整合來自多個不同來源的數據，為客戶洞察和交互提供數據支持。

二、CDP的架構

CDP基于輕量級的數據中臺，主要包含源數據層、計算層、OneData（統一建模）、OneID（客戶標簽）、OneService（統一數據服務）、應用層。

1. 源數據層

主要包含客戶一方、二方和三方數據。

• 一方數據主要指客戶自有業務數據，如APP數據、線索數據、DMS（經銷商管理系統）數據、銷售助手數據等；
• 二方數據主要指公域廣告投放回流數據和DMP相關數據；
• 三方數據主要是指主機廠外部合作的數據。

2. 計算層

主要基于阿里云的大數據平臺Dataworks，包含數據集成、數據開發、數據運維、數據質量、數據安全等；底層計算引擎為Maxcompute和實時計算Flink；

3. OneData（統一建模）

主要基于維度建模理論進行數倉健身，進行ODS（源數據層）、DWD（明細數據層）、DWS（主題數據層）、ADS（應用數據層）數據分層。

主要包含會員、行為、消費、活動、客戶、線索六大主題域數據模型。

4. OneID（客戶標簽）

通過ID-mapping生成客戶歸一ID，基于oneid進行客戶標簽萃取，形成10大類標簽：人口屬性、設備屬性、位置屬性、客戶屬性、會員屬性、行為屬性、活動屬性、消費屬性、內容屬性和社交屬性。

5. OneService（統一數據服務）

統一提供離線和實時數據服務，統一口徑，統一出口，統一鑒權。

6. 應用層

主要包含客戶洞察、客戶360視圖、人群細分和標簽管理

• 客戶洞察：主要為全旅程分析、RFM分析、人群分析等；
• 客戶360視圖：根據客戶10大類屬性100+標簽形成客戶360度畫像；
• 人群細分：主要為人群圈選、人群組合、人群管理；
• 標簽管理：主要為標簽上下架、系統標簽、分層標簽。

3、CDP的用戶標簽體系

1. 按業務分類

共10大類：

• 人口屬性
• 位置屬性
• 設備屬性
• 客戶屬性
• 會員屬性
• 行為屬性
• 消費屬性
• 活動屬性
• 內容屬性
• 社交屬性

2. 按照開發復雜度來分類

• 基礎標簽：不用做任何計算，直接賦值的標簽，比如年齡、性別、學歷等；
• 統計標簽：需要進行簡單的統計計算的標簽，如近7天訪問次數、近30天閱讀次數等；
• 算法標簽：統計機器學習算法進行模型訓練輸出的模型類標簽，如線索評級、車型偏好等。

3. 按照數據源來分類

• 一方標簽：主要以車企自有業務系統產生的業務數據來生產標簽，比如用戶中心主要加工用戶基本信息相關標簽，APP主要加工行為屬性相關標簽等；
• 二方標簽：主要是將廣告投放后產生投放數據、點擊數據、效果數據進行標簽化，將公域投放的數據和私域運營的數據打通；
• 三方標簽：主要是外部合作的數據源進行標簽化。一般外部主要是在合規情況下進行數據共享或者聯合建模，以補充用戶其他維度的標簽來豐富用戶滑行，以達到更精準轉化的目的。

四、CDP用戶標簽怎么生產

根據開發復雜度劃分的基礎標簽、統計標簽和算法標簽分別對應底層不同的技術架構，主要分為非算法類開發方式和算法類開發方式。

1. 非算法類開發方式：

主要利用大數據平臺進行開發，包含數據集成、數倉建模、數據開發、聚合標簽寬表、標簽輸出。

• 數據集成：主要是通過數據同步工具，將一方、二方和三方數據同步到大數據平臺；
• 數倉建模：通過維度建模方法進行數倉分層建模，形成ODS、DWD、DWS、ADS層；
• 數據開發：根據標簽的業務過程，拆解原子指標、計算方法（求和、平均）和修飾詞（時間窗口），通過SQL腳本進行開發；
• 聚合標簽寬表：各個維度標簽進行聚合形成用戶標簽寬表；
• 標簽輸出：標簽寬表輸出后服務化，對外提供使用。

2. 算法類開發方式：

主要利用機器學習平臺進行開發，包含業務理解、樣本定義、數據準備、特征工程、模型訓練、模型評估、模型部署；

• 業務理解：主要是定義模型要解決的業務問題，確定模型要達到的目標；
• 數據理解：系統的探索模型相關的源數據，結合業務梳理相關數據口徑，形成對數據的全面認知；
• 數據準備：主要是數據EDA（探索性數據分析）工作，主要包含查看數據分布、缺失率分析等；
• 特征工程：特征工程指的是把原始數據轉變為模型的訓練數據的過程，它的目的就是獲取更好的訓練數據特征，使得機器學習模型逼近這個上限；
• 模型訓練：根據相關算法使用樣本進行模型訓練，常用算法有分類（邏輯回歸、決策數等）、聚類（kmeans、支持向量機）、xgboost等；
• 模型評估：主要是用相關指標來評估模型好壞，如精確率、召回率、AUC等；
• 模型部署：將模型服務化，通過輸入需要的數據后直接輸出模型結果。

五、CDP的價值

CDP圍繞數字化營銷的數字化，長期價值為多方化、資產化、智能化、安全化。

• 多方化：集成一方數據，打通二方數據，利用三方數據，通過一、二、三方數據擴展客戶維度，形成對客戶更加精準的洞察；
• 資產化：通過自動化的標簽加工方式不斷的將客戶數據轉化數據資產；
• 智能化：圍繞數字化營銷，利用機器學習算法不斷沉淀相關營銷模型以達到增長的目標，如AIPL模型、RFM模型、購車意愿模型、車型偏好模型等；
• 安全化：打造可信安全的客戶數據平臺是數字化營銷中臺的基石，通過數據加密、隱私計算、多方計算實現數據安全和隱私保護。

相關閱讀

從0到1搭建車企數字化營銷中臺（1）：產品定義

作者：趙松，微信公眾號：zs5152074，數跑科技營銷增長平臺產品線負責人、阿里云大數據MVP，前阿里影業數據產品專家，7年數字化從業經歷。

本文由 @趙松 原創發布于人人都是產品經理，未經許可，禁止轉載。

題圖來自 Unsplash，基于CC0協議