企业数据管理CDPDMP白皮书.pdf

企业数据管理CDP/DMP白皮书今天我们用好CDP/DMP了吗？2019.12.02在移动互联网时代，数字媒体越来越复杂和多变，单一的营销策略和缓慢的营销节奏已经不适应现在的营销环境。与此同时，MarTech（营销技术）也正快速演进迭代，并在广告传播、流量运营、电商销售、线下零售、会员运营等不同场景中创造价值。而一方用户数据管理平台（DMP）和客户数据平台（CDP）搭建从近两年起成为趋势。但这个趋势并不是一蹴而就的，而是过去十多年，中国在互联网浪潮下，数字广告、电商生态、新零售生态、会员运营生态等多方融合的结果。所有的公司都会是数据公司驱动企业搭建CDP/DMP的原因，既有外部因素，比如数据法律法规的完善、数据采集技术的成熟、消费者习惯的变化等因素；也有内部因素，尤其是传统营销方式和营销手段面对快速变化的消费者习惯和激烈的市场竞争的无力和数据驱动精细化运营的需要，特别是数据的价值在当今数字化时代日益突出，推动着数据驱动型经济的发展，数据可以说是企业能否走向数字化转型的关键。尤其是距离消费者最近的营销数据，更是品牌数字化的核心和基础。数据资产将是未来企业最宝贵的资产之一。AI营销时代的入场券，实现AI赋能决策的基石人工智能的本质是数据赋能，企业只有掌握海量大数据，才能通过算法、建模和云计算等能力争取市场主动权。因此，收集更多的数据，激活用好这些数据，让人工智能引擎学习和掌握更多的营销规律，学会识别营销中的特征，发现更多的营销洞察，做出更多科学的营销决策，实现AI赋能决策。这些能力都依赖与对于数据的收集和管理，也就是CDP/DMP的核心功能。因此，品牌主进入AI营销时代，搭建并用好CDP/DMP是一张必要的入场券。那么，我们先回到本书标题中提出的问题，企业为什么需要CDP/DMP？企业数据管理CDP/DMP白皮书02国际权威独立调研机构Forrester的定义来看，DMP包含3个关键点：第一，整合第一、第二和第三方所有数据；第二，把所有数据标准化和细分管理后输出自媒体或垂直媒体；第三，挖掘和洞察经过数据分析后的受众，进而输出策略。而CDP平台则是根据企业各触点数据整合现有客户，帮助企业进行客户洞察和客户运营。深演智能|品友一站式智能企业数据管理平台AlphaData，兼具全数据治理、全链路闭环、全智能洞察以及高可用可拓展技术架构等四大核心优势。赋能企业全面管理第一方用户数据、第二方媒体数据、第三方外部合作伙伴的数据，并且充分运用深演智能|品友多年积累的数据打通技术优势，帮助企业将私域和公域领域的各方数据实现整合利用，包括用户、会员、社交粉丝、媒体等，通过媒体价值洞察、人群行为洞察和完备的归因模型，输出策略建议，支持营销决策。我们需要的是DMP还是CDP：概念不重要，内涵才是关键CDP第一方用户数据管理模块MDP第二方媒体数据管理模块3DP第三方数据整合生态模块数据采集数据清洗数据打通标签体系人群分类分析洞察智能激活运用算法模型洞察灵活自定义分析精准人群调研洞察全链路闭环全数据治理全智能洞察高可用、可拓展的技术架构数据收集数据清洗数据分析数据激活第一方数据AlphaData第三方数据第二方数据企业数据管理CDP/DMP白皮书03不论是CDP还是DMP，以终为始，企业核心诉求是有一个完整的数据管理解决方案，能够帮企业处理数据的收集、治理、挖掘、激活等过程，实现生意的增长。那么如何快速且因地制宜地找到核心诉求，并解决它？我们将一些在DMP和CDP实战经验过程中遇到的诸多问题编辑成册，希望可以成为企业在选择CDP/DMP时的参考。Other dataOrganicmediadata代理媒介运营团队持续创新&深度分析（10+新数据源）Other ECdata深演智能|品友团队双11数据&分析支持Paidmedia dataonEC&outsideofEC飞利浦团队数据统一（15+数据源）代理媒介运营团队深演智能|品友团队飞利浦团队这个问题的重要性当认识到企业数字化转型的重要性，并决定踏出实践的第一步，首先应该明确的是企业数据管理的商业目标，或者说明确CDP/DMP的应用场景，由此来界定企业所需要的CDP/DMP应该具备哪些数据能力。简单来说就是先找准目的地，然后再看如何到达。无论如何，对于企业而言，数据管理平台终究只是一个工具，而衡量这一工具的好坏，取决于它是否帮企业实现了目标。正如每一场营销活动都需要设置关键指标进行衡量，才能不断优化，促进增长。以终为始，为了更好地指导营销决策，明确商业目标与应用场景，运用大数据与人工智能技术输出的精准洞察才会有效。企业如何破题明确CDP/DMP的商业目标或者应用场景，需要大量的实践案例与丰富的实战经验。然而现实状况是，很多企业在数字化转型中面临着众多困难与挑战，企业意识到自己正处于数字化转型的浪潮中，而不得不跟上时代的步伐，每一次转型都是风险与机遇并存的新尝试。因此，选择与不同的技术伙伴交流并进行测试，只有深耕行业领域、拥有丰富搭建数据管理平台经验的合作伙伴，才能帮助企业搭建更符合商业目标和应用场景的CDP/DMP。我们的CDP/DMP有明确的商业目标/应用场景吗？飞利浦一站式智能化数据管理平台作为世界上最大的电子品牌之一，飞利浦拥有多个品类、上千种产品、线上线下不同来源的数据，为了高效管理全链路营销活动，进行整体优化，提升品牌影响。飞利浦决定将所有品类的营销活动进行统一的监控和管理，并给所有营销活动设定一致的市场营销目标。案 例企业数据管理CDP/DMP白皮书04多数据源多方法导入营销效果持续优化Oneteam实时运营这个问题的重要性数据是智能营销和实现高效运营用户的基石，但也正是海量的数据使其在应用的过程中变得错综复杂。众所周知，构建第一方数据管理平台（DMP）和客户数据平台（CDP）的重要目标是促进营销增长，通过对分散的第一方数据进行统一管理，形成客户洞察，并将整合后的高质量企业自有客户数据与第二、第三方数据融合，构建360用户画像，利用对客户更全面的了解和更精准的分析赋能商业决策。但实现这一终极目标的基础是你的数据是真正“有价值“的数据，寻找有价值的数据是成功构建CDP/DMP乃至实现企业数据管理的基石。企业如何破题1 对数据进行全链路清洗，摒弃异常流量数据清洗不仅是简单的格式整理和去重等基础的数据整理，更是通过智能算法模型多维度的筛选、去除异常流量。同时，“顶配”DMP内置的天眼算法，在多维度自定义的无效到站流量筛选标准下，可以做到对欺诈数据进行实时拦截，实现全链路清洗数据，从源头上保证CDP/DMP的数据质量。2 打通分散的多方数据，冲破数据孤岛许多企业在进行数据化管理时会发现自己面临着“数据孤岛”的现状，各部门的数据并不互通，各销售渠道的数据也无法匹配，企业的海量自有数据难以形成统一高效的管理。因此，合法合规的打通各触点和多部门的数据，匹配数据源并构建专属一方标签体系是搭建可应用于智能营销的CDP/DMP的重要一环，也是保证保客/潜客营销成功的关键。3 连接打通第三方数据，满足多样化的数据分析需求纵观整个营销行业，以BAT为首的巨型平台方构建的“数据花园”使得大量的数据未能被激活发挥其应有的价值。在数据壁垒的大环境下，建立第三方数据合作生态环境和连接打通第三方数据的能力是企业的“破茧之翼”。将内部与外部的数据进行整合，形成数据反哺的闭环链路，真正的激活数据，助力决策智能化。我们的数据可用吗？企业数据管理CDP/DMP白皮书05麦德龙创建Super ID，打通会员在各渠道的数据信息全球领先的会员制电商企业麦德龙是线上线下多数据源采集数据的典型代表，作为会员制超市，麦德龙的数据源自线下商场、微信、APP、网上商城、天猫、官网、电子邮报、电子邮件、短信、付费媒体等多个营销触点。麦德龙打通了会员在各渠道的信息，构建属于自己的用户标签体系“Super ID”,实现营销洞察，带动用户增长。360度顾客画像基于会员的线上线下消费习惯，DMP能够筛选出目标用户，通过360度画像深度了解偏好，洞察顾客的兴趣偏好和消费习惯。精准锁定目标顾客，高效扩展潜力客户群体通过DMP可以进行目标顾客的分析，输出种子包人群，再通过第三方lookalike人群扩展功能，高效拓展潜力会员，提升会员拉新成效，并达到提高销售转化。媒体策略优化通过DMP的营销转化漏斗工具，及时分析并对比不同广告媒体转化数据，评估媒体价值，优化媒体策略，提升广告投放效果。1 2 3案 例企业数据管理CDP/DMP白皮书06这个问题的重要性过去几十年间，中国企业已经普遍信息化电子化，沉淀了大量高价值数据，这为人工智能技术的算法升级以及应用场景的扩展提供了良好的基础，同时，企业也开始寻求将这些宝贵的数据通过人工智能进行“激活”，从数据中找到新的业务价值点、业务流程或客户需求。“激活”的过程之一就包括数据管理平台的搭建。搭建第一方数据管理平台是需要企业在资金和人员上进行更大的投入，并与外部平台进行更深入的整合，以及数据交换。这也让数据安全对于企业来说变得至关重要，另一方面，中国市场在数据安全规范系统尚未十分成熟，让企业缺乏“安全感”，在国内首份第一方数据管理平台思想领导力研究报告从数据管理到智能决策（简称“思想领导力研究报告”）中，通过对100名国内中大型企业中负责DMP管理、决策及执行的负责人的问卷调研，我们发现，81%受访者认为数据安全和客户隐私管理能力十分重要，有72%企业的法务部门会参与平台的整个筛选过程。全球对数据安全重视度有目共睹，随着欧盟开始执行通用数据保护条例(GDPR)，中国的信息安全技术个人信息安全规范于2018年5月1日开始实施。监管部门与消费者对数据隐私安全的意识也在不断加强。这促使企业在加强自身数据使用合规性的同时，在选择适应这一趋势的平台提供商。企业如何破题从技术角度来看，数据可以分为6个生命周期阶段：采集、传输、存储、处理、交换、销毁；数据安全就是要保障数据在任何阶段下都是安全的。围绕数据全生命周期考虑数据安全问题：我们的数据可以安全使用吗？数据采集数据处理数据传输数据销毁数据存储数据交换数据生命周期企业数据管理CDP/DMP白皮书07例如在数据采集阶段的分类分级、清洗比对、质量监控。数据存储阶段的安全存储、访问控制、数据副本、数据归档、数据时效性；数据处理和交换阶段的分布式处理安全、数据加密、数据脱敏、数据溯源；数据交换阶段的数据导入导出、共享、发布、交换监控；数据销毁阶段的介质使用管理、数据销毁、介质销毁等安全问题。企业收集和处理用户数据要注意用户授权流程的合规性和完整性：不同类型的数据,具有不同的风险等级。企业往往会同时收集和处理来自各类渠道的个人数据,如果全部采用用户同意授权的方式进行合规管控,既不现实,成本亦高。因而,相关企业在依据GDPR和信息安全技术个人信息安全规范制定合规策略时,应首先根据产品或服务收集的数据来源、方式、类型的不同对数据进行划分,进行分类、分层管理,建立不同的合规流程。对于用户主动提供的数据,企业应当按照“明示同意授权”的方式进行收集,主动告知收集数据的目的、范围、用途,建立完善的用户数据存储与利用审查机制。同时,应当恪守“必要与最少收集原则”,不收集与产品或服务无关的用户个人信息,不多收集信息。对于与第三方共享的数据,企业应建立交易、使用的安全评估与审计制度,将第三方提供的数据与企业自有数据进行分类管理；而对于企业提供给第三方的数据,应当进行定期监督与审计,对于第三方的违规行为,应及时发出整改通知,或终止第三方对数据的使用。对于从公开渠道自动采集的数据,企业应建立数据合法性审查流程,确保自动收集的数据来自于公开渠道,且该类信息没有未经授权被收集。同时,应确保数据的抓取过程没有违反任何协议或限制性约定。对于内容特殊的数据信息,企业应另外设立专门的技术加密、存储管理制度,建立更为严格的使用合规流程,在使用中进行去标识化或匿名化处理,避免信息数据的泄露。许多企业在搭建CDP/DMP时出于对数据安全的考虑，更倾向于采用本地部署，不愿意把数据放在云端。有一些企业会选择混合式(Hybrid)解决方案，通过把第一方数据加密后放到云端，与第三方数据整合，激活数据价值。这样既确保了客户数据的安全性，同时又解决了算法的灵活性，激活数据背后的价值。整个实施的过程自动、透明。最后，所有的数据都沉淀下来，作为第一方的用户数据。AI技术应用上，加密的分布式机器学习范式“联邦学习”，可以使得各方在不披露原始数据的情况下达到共建模型的目的，“联邦学习”在CDP/DMP搭建中的应用也将解决数据安全的问题。企业数据管理CDP/DMP白皮书08这个问题的重要性20世纪90年代，“啤酒”与“尿布”的故事震撼营销界，看似两件毫无关系的商品，却能出现在同一购物篮中，被年轻的父亲一同购买。这一事件同时也刷新了企业对消费者认知的思维和维度，你真的懂你的消费者吗？这其实是一个典型的数据应用的案例。企业现在越来越重视通过各种手段收集和整理各类消费者数据，搭建自己的CDP/DMP平台，很重要的一点就是要将这些结构化和非结构化的数据发挥商业价值。但如何真正做到这一点，这其实是一个技术性的问题。在合法合规的前提下，通过数据的、治理、打通以后，很重要的一点便是数据的标签化处理。为企业的数据打上标签，建立企业自有的第一方数据标签体系，让每一个ID背后都形成独有的标签，并通过管理和加工，做到真正的洞察消费者内在需求，更好的指导营销决策。企业如何破题那么问题来了：1 完善的第一方用户标签体系如何设计，怎么打标签，打哪些标签？2 标签体系建立后，如何实现商业价值？我真的懂我的消费者吗？单一用户ID视角下的标签示意图女性关注可穿戴设备关注时尚爱看美剧在学车喜欢瑜伽/常慢跑喜欢兰蔻喜欢海淘爱打扮注重品质爱尝试新鲜事物小资健康生活企业数据管理CDP/DMP白皮书09基本属性兴趣爱好业务属性车辆保有情况售前记录售后记录 保修保养保险营销活动线上线下客户类型目的活动类型活动车型半年内参与次数市场属性营销相关 线上关注线下活动社交互动曾经参与渠道投诉建议品牌忠诚度SCRMCLUB会员状态忠诚度等级预测标签 线索预测线索类型购买可能性感兴趣汽车信息访问经销商时间试驾时间可能的购买时间消费预测 回购预测售后服务金融方案组合标签人群划分关键人生阶段社交属性职业阶段年代特点消费特点售后消费类型售后业务划分这些标签是如何打上去的？首先，梳理并明确业务场景。企业搭建用户标签体系需要根据自身的实际情况来进行，需要基于企业自身的业务属性、产品特征、市场需求等多面的因素进行多维度的设计。其次，树立标签体系的分类逻辑。理论上一般根据3大类的标签对数据进行标签分类：1 事实类标签。即根据消费者行为日志加工所得的数据进行标签分类。如消费者行为日志、广告点击、购买商品等。2 模型类标签。通过自定义的模型来打标签。常见的模型有AIPL（消费者旅程）模型、RFM模型等算法模型类标签，也可根据客户需求进行定制如用户评分模型，增换购模型，线索评分模型等。3 预测类标签。根据已有的事实数据进行参考，来预测用户的偏好及接下来可能发生的行为预测。预测性标签为高级标签，对个体ID号的基础标签，加以算法模型归纳而来。比如某快消商品，它的用户近期购买了洗发水，基于历史沉淀的数据，复购的周期为3个月，那么3个月以后他可能再次购买。整体来说，不同的行业及企业，需求都不一样，需要企业的实际情况进行标签体系的建设。以汽车行业为例，第一方标签体系搭建维度如下：预测标签模型标签事实标签企业数据管理CDP/DMP白皮书10