客户数据平台(CDP)通过打通客户全渠道、全旅程触点数据
CIO之家的朋友 CIO之家的朋友们

客户数据平台(CDP)通过打通客户全渠道、全旅程触点数据,形成基于客户全旅程的数据链路;通过数据建模实现对客户的全方位洞察,并形成用户分层运营的策略,指导运营计划的精准实施。

在什么时间,什么渠道,针对什么人群,推送什么权益钩子,实现精准转化,最大化营销ROI。

一、CDP的定义

广义的CDP是一个营销系统,它统一企业来自营销或其他渠道的客户数据,以实现客户建模、优化客户体验的目标。

狭义的CDP是整合来自多个不同来源的数据,为客户洞察和交互提供数据支持。

二、CDP的架构

CDP基于轻量级的数据中台,主要包含源数据层、计算层、OneData(统一建模)、OneID(客户标签)、OneService(统一数据服务)、应用层。

1. 源数据层

主要包含客户一方、二方和三方数据。

  • 一方数据主要指客户自有业务数据,如APP数据、线索数据、DMS(经销商管理系统)数据、销售助手数据等;

  • 二方数据主要指公域广告投放回流数据和DMP相关数据;

  • 三方数据主要是指主机厂外部合作的数据。

2. 计算层

主要基于阿里云的大数据平台Dataworks,包含数据集成、数据开发、数据运维、数据质量、数据安全等;底层计算引擎为Maxcompute和实时计算Flink;

3. OneData(统一建模)

主要基于维度建模理论进行数仓健身,进行ODS(源数据层)、DWD(明细数据层)、DWS(主题数据层)、ADS(应用数据层)数据分层。

主要包含会员、行为、消费、活动、客户、线索六大主题域数据模型。

4. OneID(客户标签)

通过ID-mapping生成客户归一ID,基于oneid进行客户标签萃取,形成10大类标签:人口属性、设备属性、位置属性、客户属性、会员属性、行为属性、活动属性、消费属性、内容属性和社交属性。

5. OneService(统一数据服务)

统一提供离线和实时数据服务,统一口径,统一出口,统一鉴权。

6. 应用层

主要包含客户洞察、客户360视图、人群细分和标签管理

  • 客户洞察:主要为全旅程分析、RFM分析、人群分析等;

  • 客户360视图:根据客户10大类属性100+标签形成客户360度画像;

  • 人群细分:主要为人群圈选、人群组合、人群管理;

  • 标签管理:主要为标签上下架、系统标签、分层标签。

3、CDP的用户标签体系

1. 按业务分类

共10大类:

  • 人口属性

  • 位置属性

  • 设备属性

  • 客户属性

  • 会员属性

  • 行为属性

  • 消费属性

  • 活动属性

  • 内容属性

  • 社交属性

2. 按照开发复杂度来分类

  • 基础标签:不用做任何计算,直接赋值的标签,比如年龄、性别、学历等;

  • 统计标签:需要进行简单的统计计算的标签,如近7天访问次数、近30天阅读次数等;

  • 算法标签:统计机器学习算法进行模型训练输出的模型类标签,如线索评级、车型偏好等。

3. 按照数据源来分类

  • 一方标签:主要以车企自有业务系统产生的业务数据来生产标签,比如用户中心主要加工用户基本信息相关标签,APP主要加工行为属性相关标签等;

  • 二方标签:主要是将广告投放后产生投放数据、点击数据、效果数据进行标签化,将公域投放的数据和私域运营的数据打通;

  • 三方标签:主要是外部合作的数据源进行标签化。一般外部主要是在合规情况下进行数据共享或者联合建模,以补充用户其他维度的标签来丰富用户滑行,以达到更精准转化的目的。

四、CDP用户标签怎么生产

根据开发复杂度划分的基础标签、统计标签和算法标签分别对应底层不同的技术架构,主要分为非算法类开发方式和算法类开发方式。

1. 非算法类开发方式:

主要利用大数据平台进行开发,包含数据集成、数仓建模、数据开发、聚合标签宽表、标签输出。

  • 数据集成:主要是通过数据同步工具,将一方、二方和三方数据同步到大数据平台;

  • 数仓建模:通过维度建模方法进行数仓分层建模,形成ODS、DWD、DWS、ADS层;

  • 数据开发:根据标签的业务过程,拆解原子指标、计算方法(求和、平均)和修饰词(时间窗口),通过SQL脚本进行开发;

  • 聚合标签宽表:各个维度标签进行聚合形成用户标签宽表;

  • 标签输出:标签宽表输出后服务化,对外提供使用。

2. 算法类开发方式:

主要利用机器学习平台进行开发,包含业务理解、样本定义、数据准备、特征工程、模型训练、模型评估、模型部署;

image.png

  • 业务理解:主要是定义模型要解决的业务问题,确定模型要达到的目标;

  • 数据理解:系统的探索模型相关的源数据,结合业务梳理相关数据口径,形成对数据的全面认知;

  • 数据准备:主要是数据EDA(探索性数据分析)工作,主要包含查看数据分布、缺失率分析等;

  • 特征工程:特征工程指的是把原始数据转变为模型的训练数据的过程,它的目的就是获取更好的训练数据特征,使得机器学习模型逼近这个上限;

  • 模型训练:根据相关算法使用样本进行模型训练,常用算法有分类(逻辑回归、决策数等)、聚类(kmeans、支持向量机)、xgboost等;

  • 模型评估:主要是用相关指标来评估模型好坏,如精确率、召回率、AUC等;

  • 模型部署:将模型服务化,通过输入需要的数据后直接输出模型结果。

五、CDP的价值

CDP围绕数字化营销的数字化,长期价值为多方化、资产化、智能化、安全化。

  • 多方化:集成一方数据,打通二方数据,利用三方数据,通过一、二、三方数据扩展客户维度,形成对客户更加精准的洞察;

  • 资产化:通过自动化的标签加工方式不断的将客户数据转化数据资产;

  • 智能化:围绕数字化营销,利用机器学习算法不断沉淀相关营销模型以达到增长的目标,如AIPL模型、RFM模型、购车意愿模型、车型偏好模型等;

  • 安全化:打造可信安全的客户数据平台是数字化营销中台的基石,通过数据加密、隐私计算、多方计算实现数据安全和隐私保护。


CIO之家 www.ciozj.com 公众号:imciow
关联的文档
也许您喜欢