从0到1搭建车企数字化营销中台（2）：客户数据平台

客户数据平台（CDP）在数字化营销过程中起着核心驱动作用。本文讲述了CDP的定义、架构、用户标签的体系与生产以及CDP的价值，与大家分享！

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**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**、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、**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
• **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；

• 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。

相关阅读

从0到1搭建车企数字化营销中台（1）：产品定义

作者：赵松，微信公众号：zs5152074，数跑科技营销增长平台产品线负责人、阿里云大数据MVP，前阿里影业数据产品专家，7年数字化从业经历。

本文由 @赵松 原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自 Unsplash，基于CC0协议

给作者打赏，鼓励TA抓紧创作！

**赏

3人打赏