怎样建立自己的社群和私域流量?

目前全国经济强省有三个，分别是广东，江苏，浙江。改革开放四十年来，这三省发展乡镇企业，GDp在全国名列前矛。这三个省有好多地级市GDp超安徽省会城市合肥。有些县级市GDp超安徽地级市。(江苏苏北宿迁市海安市GDP超安徽许多地级市。广东，浙江也有许多地级市也超安徽省会合肥和地级市)富穷是有差别的，人家存款有九位数，而你只有六位数，差别太大了不服不行。安徽未来成为经济强省难度大，可是我们要向先进省取经，下决心追赶。

八年三款游戏的华丽蜕变，为何时下依旧有人在吹《巫师》系列？

安徽未来会怎样？有两条路:

第一、遵循经济发展规律，走协同发展，互利共赢，根据不同城市的自身品质和禀赋，取长补短，扎实推进(当然合肥条件好一些，也会快一些)，省会城市，中心城市都不能只要自身的利益，而要同时不忘自已的责任，达到全省同心同德，象石榴了一様，全省整体经济实力快速提升，人均各项指标也能与别人抗衡！

第二、继续执行，一城独大，其他地市缓慢爬行，所有机遇归于一城，长官意志大于经济规律(前任用冠冕堂皇词藻挖出的坑)，以急功近利，政绩工程，面子工程堆出诱惑，结果:合肥一城高速发展，没有城市群，没有经济带，全省整体仍落后先进地区，全省人均各项指标仍难超越。

第三、在第二种基础上更变本加厉打击本来有条件的地市，使原有较完善的城市基础建设无法充分挥輻射帶动作用，以解酸葡萄心里，搞乱经济格局，犯更低级错误，这就看现任领导的决策水平了。

CDP的体系化搭建：从应用架构角度认识CDP

本文讲述了CDP的概念和架构，并按照【数据收集】→【数据预处理+建立映射关系】→【用户细分】→【数据应用】→【报表输出】的功能逻辑进行架构分析。

互联网行业各种新概念总是层出不穷。

其实依据CRM的定义：以客户为中心，运用通信技术进行市场营销、销售管理、客户关怀、服务和支持，通过提高客户忠诚度和保有率来提升企业的盈利的管理理念。

严格来说CDP也是属于CRM范畴的。但为了方便阐述，本文仍然将CDP与CRM区分开来，下文所描述的CRM也仅指狭义上的“营销型CRM”。

一、概念解释

CDP（Customer Data Platform）即客户数据中台，是通过收集并处理用户在第一方/第二方/第三方平台的数据，实现用户细分，进行精准的自动化营销和广告投放的系统。旨在挖掘开发潜在客户，以及维系老客并提升其价值。

【用户】包含已产生购买行为的用户，以及未产生购买行为的潜在用户；【第一方平台】企业自有的网站/APP/小程序和CRM等；【第二方平台】广告商和不限于社交/电商/资讯/视频等其他合作媒体；【第三方平台】电信运营商等；【数据】包含基本属性信息（姓名/电话/邮箱/地址/各平台账号等个人信息），以及行为数据（浏览/点赞/收藏/分享/购买等关键交互操作）。 二、架构分析

通过上面的定义，大家可以暂时将CDP粗略理解为一个数据分析平台。

其功能逻辑比较简单，可大致分为五步：【数据收集】→【数据预处理+建立映射关系】→【用户细分】→【数据应用】→【报表输出】。下文我也将按照这个功能逻辑进行架构分析。

1. 数据收集

对于自有的网站/APP/小程序中用户数据的收集，一般是采用埋点的方式；对于其他渠道（包含第一方平台的CRM系统，以及第二方和第三方平台）的用户数据的收集，则是通过数据接口等方式实现；如果企业有线下渠道，也可以接入CDP。

针对第一方平台的用户数据的收集很容易实现，但是第二方平台和第三方平台用户数据的获取具备难度。原因如下：

1）国家出于保护大众个人信息安全的考虑，在2017年左右出台了一些政策和法规，限制了用户数据交易市场倒买倒卖的乱象，目前精确到个体级别的用户数据交易市场已经萎缩；前用户数据交易平台（某堂和某云等）都纷纷进行了业务转型，着手去做大数据和云计算了；

2）第二方和第三方平台转为开始提供人群包数据，但人群包“能否提供用户在某平台上的行为信息”，这是不确定的。

我调研了抖音等平台，针对入驻平台的企业号，能获取的用户数据相当有限：只能获取统计型数据，完全不提供精确到具体用户的数据。详情请见下表（?代表提供，-代表不提供，？代表不确定）。

抖音平台用户数据梳理

所以实际情况就是：第二方/第三方平台数据获取难度大，第一方平台数据成为CDP搭建的重要数据来源。

但难度大并不代表不能获取，大型企业之间建立合作伙伴关系，以及企业与上下游建立伙伴关系，是可能获得合作伙伴平台的用户数据的，当然这必然是在合规的前提下。

各个平台用户数据收集后将被储存进数据仓库，构成了CDP的第一部分架构。

2. 数据预处理并建立映射关系

数据获取后并不能立即投入运用，各个平台的数据质量，数据格式一般存在较大差异。需要进行数据清洗和格式化预处理，筛选出高质量的、格式规范的数据。

然后依据某些特征信息（user ID/Cookie ID/IMEI/MAC地址/手机号等）将各个平台的账号归一到某一个真实用户名下（即建立各平台账号的映射关系），串联起他在各个平台的行为轨迹，这个交由CDP的ID引擎来完成。

完善相应板块后，架构图更新如下。

3. 用户细分

CDP收集并预处理了相关用户数据，但怎样进行用户细分？我们可以采用建模和打标签的方式来实现。

2.3.1 客户建模

客户建模实际上是基于CRM系统中经典的客户细分思路，大致包含以下几种模型。

基本模型：依据用户性别/年龄/地区/收入等基本属性维度进行的客户细分；RFM模型：依据最近一次消费（Recency） 、消费频率（Frequency)）和消费金额（Monetary）三个消费特征进行的用户细分；生命周期模型：依据引导期/成长期/成熟期/衰退期（类比产品的生命周期）等时间维度进行用户细分；价值模型：依据用户消费金额高低进行用户细分（通常消费额高的用户对企业来说意味着高价值）；忠诚度模型：依据用户购买频次的多少进行用户细分（通常购买频次多的用户意味着对企业有高忠诚度）。

2.3.2 标签体系

所谓打标签即是基于用户数据（基本属性+行为数据）为用户建立特征属性说明。系统自动从标签库（当热也支持手动）选取标签与用户进行匹配，并以标签进行用户细分。常见的电商标签体系包含：

1）基本属性：依据用户性别/年龄/地区/收入等基本属性维度进行的客户细分（与客户建模中“基本模型”类似）；

2）购物兴趣：依据用户历史订单的商品类别进行客户细分；

3）购买意愿：依据用户的购买意愿强烈程度进行客户细分；如果用户在某商品推广内容下点赞，或者直接将某商品加购（只是举例，并非穷举），那么则认为用户对该商品具备购买意愿。

4）消费能力：依据用户购买力的高低进行用户细分；“消费能力”与客户建模中“价值模型”并不一个概念。

“价值模型”的评估数据来源于用户在企业自有平台的消费记录，但是标签体系中“消费能力”的评估数据来源可能是第二方/第三方平台。是可能出现某用户被标签标记为“高消费能力”但是在价值模型中却是“低价值用户”。

比如从第二方平台获取到某用户住址在一高档小区，我们合理推断他是具有高消费能力的；但是他之前并未在企业自有平台进行过消费，对企业来说他属于低价值用户。

5）消费习惯：依据用户历史订单的特征信息进行用户细分；比如某用户总是先关注商品，等待其打折时才会购买；再比如某用户常常在每月的固定日期购买某类型商品（周期购）；这些订单特征都可以作为用户细分的标签。

6）关注内容：依据用户购物车详情/搜索记录/浏览记录等汇总得出的商品类别进行用户细分；

7）会员信息：依据用户是否为平台会员，是否享有特殊权益进行用户细分。

2.3.3 用户细分的动态/静态选择

我们可以通过客户模型和标签体系实现用户人群细分，但是需要注意的是，人是一直在变化的。或许当下某些人属于某个细分人群，但随着时间流逝他们可能不再满足该细分人群的条件了，同时之前不属于该细分人群的某些人又满足了条件。

所以对于后面的环节，即报表输出和数据应用，可能面临根据实际业务需求采用动态数据或者静态数据。则要求CDP具备数据定期刷新能力，开启则意味着动态用户细分，关闭则表示静态用户细分。

我们将相应板块加入CDP应用架构中。

4. 数据应用

前一步我们已经实现了用户细分，之后即可针对不同人群实施不同营销策略。CDP对细分人群的两个重要应用就是营销自动化和智能广告投放。

2.4.1 营销自动化

通过多渠道/平台联合对具体用户或者细分人群进行个性化营销。

比如某个用户将某商品加入了购物车，但是经过较长时间都没有完成购买;恰好公司近期有相应的品类营销活动，用户可领取适用于该商品的优惠券;此时CDP自动以短信、公众号等渠道通知该用户，促使其完成购买。

营销自动化的实施，涉及到相应的触发机制，需要由规则引擎来实现。同时需要运营管理后台（涉及到营销管理，优惠券管理，会员管理，CMS等模块，是属于运营管理后台基础功能）与基础服务底层（包含但不限于push服务、EDM和SMS）的配合。

2.4.2 智能广告投放

广告投放面临的灵魂拷问是：我知道在广告上的投资有一半是无用的，但问题是我不知道是哪一半。智能广告投放就是尽量避免这种情况的发生，只针对目标人群投放广告，提高广告收益/投入比。

首先明确Lookalike这个概念，即相似人群扩展：是基于种子用户，通过一定的算法评估模型，找到更多拥有潜在关联性的相似人群的技术。大致可通过三种方法实现：

基于用户画像：给种子用户打标签，利用相同标签找到目标人群；基于分类模型：种子用户为正样本，候选对象为负样本，训练分类模型，然后用模型对所有候选对象进行筛选；基于社交网络：利用种子用户的好友关系，将其标签传给社区中的好友，从而实现人群扩散。

所以广告投放过程就优化为：CDP先通过Lookalike得到目标扩展人群，企业再将广告内容和目标扩展人群一并给到DSP（这里需要提供不同广告内容与不同扩展人群的对应关系，比如广告A要求投放给扩展人群a，广告B要求投放给扩展人群b），就能实现千人千面的智能广告投放。

DSP（广告平台）一般包含人群分析引擎、LBS定向引擎、RTB重定向、个性推荐引擎、动态出价等功能模块，网上有很多介绍资料，大家可自行搜索了解。

运营管理后台和DSP，严格来说属于CDP直接服务的外部系统，故在架构图中以虚线标识。

5. 报表输出

该板块即是对用户数据的可视化处理。同时报表引擎能根据具体业务，定义相关指标，并输出相应报表。下面介绍一些典型的数据报表。

行为轨迹分析：针对全体用户、经过细分的用户人群或者具体用户，进行各平台行为轨迹分析，甚至包含线上/线下渠道的信息，从而分析出哪些渠道/平台/页面的转化效果更好，对于渠道/平台/页面优化有指导意义；营销漏斗分析：反映了从展现、点击、访问、咨询，直到生成订单过程中的客户数量及流失；这个一层层缩小的过程表示不断有客户因为各种原因离开，对企业失去兴趣或放弃购买；其价值在于量化了营销过程各个环节的效率，帮助企业找到薄弱环节；人群特征分析：可以提炼出企业的客户的基本属性（性别/地区/年龄等），有助于企业识别典型客户；“人群特征”需要与“用户画像”相区别。如果CDP收集了所有分散在各渠道/平台的用户数据并分析得出人群特征，从统计学上讲，该数据肯定比用户画像要精确，因为人群特征是基于真实的用户的统计，用户画像往往是基于笼统的流量进行的分析。广告效果分析：主要是针对细分人群进行广告投放的效果分析，包含CVR/CTR等重要指标的展现，优化广告投放渠道和人群；用户留存分析：统计某一时段内的新增用户数中再经过一段时间后仍启动该应用的用户比例，用于分析渠道/平台的效果，是否能够留住用户。

我们将报表引擎加入架构图中，更新后如下。

6. 其他

基于保护客户数据安全的考虑，CDP需要有权限管理，限制使用人员的查看范围和操作权限。同时提供日志管理功能，操作留底便于追溯。

我们将这最后两个板块加入架构图中。

三、总结

其实CDP还可能包含机器学习、数据挖掘等能力；能优化用户细分、营销自动化和广告投放策略，在智能化和自动化程度上能更进一步。但这并不是CDP的必要功能，故在架构图中没有体现。

至此，我们完成了CDP应用架构的完整梳理。

通过应用架构分析，大家应该能对CDP有了较深的认识。可见他并不是前文提到的一个简单的“数据分析平台”，对结果数据的自动化/智能化应用才是其核心能力。

希望本文对大家有用，欢迎讨论。

本文由 @伊甸东 原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议。

一文读懂上汽大众数字化转型线路图

上汽大众汽车有限公司（简称“上汽大众”）是一家中德合资企业，由上汽集团和大众汽车集团合资经营，是国内历史最悠久的汽车合资企业之一。作为一家拥有近40年合资合作历史的整车企业，凭借严谨的造车工艺和制造标准，上汽大众赢得了超过2600万中国车主的信赖。

实现全生命周期 车身质量智能化管理

上汽大众积极拥抱数字化转型，打造智能化的生产体系及质量管理系统，持续提升生产效率、改进产品品质、优化用户体验。过去，汽车行业的车身质量主要依赖人工管理，存在数据难以追溯和问题难以预测等情况。为解决上述问题，全面提升车身质量管理水平，上汽大众构建了全生命周期（包括产品策略、技术开发、生产制造到市场营销等）的车身质量智能化管理，从而实现了制造过程的数字化、可视化管理，使质量控制实现“可视、可追溯、可预测”。

具体来说，上汽大众采用的全生命周期的车身质量智能化管理，是基于“3D1A”的质量管理构建而成的。

“3D”中的第一个D是车身质量智能化管理平台（DataIntelligentPlatform），包括大数据分析、供应链管理以及专家中台，可以对制造过程数据进行全流程管理，为质量跟踪和追溯管理提供依据。第二个D是在车身数字化的基础上进行虚拟匹配（DataVirtualAssembly），即利用At-line测量和其他光学设备扫描的点云数据，拷贝车身和门盖的数据后进行虚拟仿真，在虚拟环境中调整车身和门盖的最佳匹配状态，用来指导现实中的动态生产。第三个D是独创体系虚拟Audit诊断（DiagnosticsofVirtualAudit），对虚拟装配的车身以用户挑剔的眼光进行智能分析。“A”是全球首创自动光学在线绝对测量At-line模式，能够实现车身制造过程的孪生化。简单来说，就是由机器人携带光学扫描测头对白车身进行测量，整套测量系统精度可达到0.1mm，比人的头发丝还细，当检测出不符合要求的车身就会进行实时报警和预警。

目前，上汽大众MEB工厂设有两条大众汽车集团全球首次使用的At-line自动测量线，8台测量机器人利用先进技术进行100%视觉在线检查，提升了白车身生产过程质量的稳定性。

有了车身质量智能化管理系统，上汽大众的车身质量稳步提升，车身制造过程成熟度（CP）达到95.5%。实施数字化、智能化质量管理后，上汽大众实现了车身质量的全生命周期预测性管理，车身质量智能化水平全面提升。此外，上汽大众持续在新能源汽车及车联网业务中探索大数据技术的创新应用。积极推动企业数字化转型。

大数据平台助力 解决海量数据激增难题

新能源汽车迅猛增长，车辆监控信息呈现指数级增加的态势，这对相关数据监控的计算能力、存储、传输和应用都提出了巨大的挑战。上汽大众原有的数据处理技术无法满足海量数据的监管需求。

为解决上述问题，上汽众大数据平台团队在其大数据库平台负责人谢聪的带领下，于2017年开始构建全新车辆数据监控平台，以赋能新能源车辆关键业务发展。2022年，上汽众将数据平台升级至ClouderaDataPlatform（CDP），优化了数据存储及作业性能。迁移至CDP之后，上汽大众大数据平台的车辆数据存算能力有了显著提升。首先，HBase存储空间减少了约73TB，节约了67%的空间，提升了车辆数据监控的效率；其次，总集群件数减少约8千万。此外，在核心报表及跑批业务上也实现了明显的性能提升，批量作业性能平均提高2.5倍，最高提高6.6倍。这些性能升级，不仅保证了上汽大众车辆监测数据链实现了完整的存储，而且还可以实现对数据的详细分析。

除此以外，上汽大众还基于此数据平台搭建了面向车主的上汽大众APP，为广大车主带来更智能的服务，包括远程查看车辆实时状态、智能导航服务等。该平台上线不到两年，用户数量已经达到600万。

上汽大众数据库大数据平台负责人谢聪表示：“上汽大众从2017年起开始引入Cloudera的CDH，并在2018年构建了数据湖。在2022年，仅用了六个月的时间，上汽大众成功将数据平台升级至CDP，成为国内汽车行业中首批升级数据平台的企业。我们所搭建的车辆数据监测平台能轻松实现海量数据存储，完善车辆数据监测及分析；而这些数据也将进一步助力我们更好地服务车主，并推动上汽大众车联网业务的持续发展。CDP作为成熟的大数据平台，有效帮助我们解决了日益增长的实时数据存储、管理、计算等难题。未来，我们也将进一步解决存算分离问题以及计算和存储增速不一致问题，实现基于工作负载的变化达到最佳性能的资源平衡。”

作者：杨光

编辑：高珊珊

监制：刘晶

CDP体系化建设1-CDP综述

CDP是数据中台，以用户数据为核心的，具有很强的业务属性，面向用户运营的场景。下面这篇文章是笔者分享的关于CDP的相关内容，对此内容感兴趣的同学接着往下看叭！

从CRM到DMP，再到CDP的横空出世，数据产品领域推陈出新的速度也挺快。

而了解CDP的人可能会说，CDP和BI一样，糅杂了太多东西，都不知道如何概括。在我看来，CDP也是一个看似简单，但是需要借助数据平台的各种能力，将企业的数据资产深度挖掘出来的工具。

当中会涉及到数据的集成和加工，包含对埋点、数据仓库的数据重定义和应用。包含标签开发管理、人群创建、人群同步等。

会基于数据底层提供的查询服务，对埋点、数仓数据做深度的自定义探索查询，此处会跟数据可视化做深度的结合，包含对个体、群体的整体性（关键指标）的洞察和精细分析（各种维度、事件跟踪的分析)，将数据做多维度的可视化呈现。

也会涉及到数据同步和数据服务：加工好的标签和人群，也会基于数据同步服务对外提供数据，以便能对群体做策略；使用高低QPS搭配的数据服务对外提供及时的用户身份信息服务，以便做出相关策略；

而为了维持系统的运转和安全，还会设计到资产（标签、人群、数据集）的权限管控，以及底层对应用层的支持（血缘分析、开发任务智能化调度、预警监控）高阶的功能模块，还会跟算法、策略等开发系统打通，以便快速落地某些算法策略。

总而言之，CDP看似简单，实则是各种底层功能的集大成者，起到承上启下、打通底层系统和业务应用的关键作用。因为CDP的内容庞杂，所以本系列会分为多篇来讲解，敬请期待~

本文正文约7000字，预计阅读时间19分钟。

一、CDP是什么1. CDP的名称

先来个问题，CDP是的英文，到底是哪个？Customer Data Platform，还是Client Data Platform？

初入行业，我对这个名称细节不以为意，没必要如此地咬文嚼字。到真正成为从业者，看的行业和竞品多了，我逐渐体会用词的细微差异，这体现出来的是服务对象特征的差异：toB vs toC。

一般来说，传统行业常用「客户」，而互联网尤其是消费互联网，则更多使用「用户」或者「消费者」这两个词。

所谓的传统和互联网企业，核心差异点在业务的开展是集中在线上还是线下，在收集、管理、分发、应用数据的方式和数据介入业务的程度都不同，侧重点上会有区别。

2. 初探CDP定义

有了名字，那一般还会给名称做详细的注解，也就是「定义」。可能你在其他书里看过 CDP 定义，或许你深表赞同，或许你持保留意见。

单地从概念、名词角度进行区分，也始终都只是在抽象的世界里绕来绕去。以前刚做数据仓库时，时常背诵其特点：它是面向主题的，集成的、稳定的、时变的数据集合，面向数据分析，用以支持管理决策。

而经历了多个数据仓库实战项目后，这些定义反倒记不得了，需要专门翻资料才能列齐，但这些定义已经溶解在了更加具象化的案例中了。然后归纳总结，形成自己的理解。一千个观众有一千个哈姆雷特，百闻不如一见，最终还需要自己亲身去体会。

与其背诵定义，不如多看案例，带着定义上路去实践，在实践中归纳总结并形成自己的理解，你会感知到【定义是事实的切片，是特征的提炼】。

3. 一些CDP的案例和参考信息

初学者有三种方式构建自己对新概念、新知识的理解。

作为 CDP 领域的从业者，给大家分享一些参考过的信息。

当从厂商的角度去调研CDP的发展历史、现状，发现多数数字化厂家都有有底层的数据开发治理运营平台，但是不一定都推出了CDP平台。

1) 先看国内的

阿里的CDP产品，叫做智能用户增长（Quick Audience）：以消费者为核心，通过丰富的用户洞察模型和便捷的策略配置，完成消费者多维洞察分析和多渠道触达，助力企业实现用户增长。火山引擎的CDP产品，VeCDP，叫做客户数据平台（Customer Data Platform）：面向业务增长的客户全域数据中台，帮助企业打破数据孤岛，建立统一的人、物档案，以数据驱动全链路营销和深度运营，实现企业数字化转型和增长。网易的CDP产品，叫做消费者运营平台 EasyCDP：消费者运营平台是企业级客户自动化运营解决方案，通过将网易有数强大的数据处理能力、敏捷的开发能力以及智能的营销能力相结合，有效帮助企业实现全渠道用户私域数据整合、精准的用户客群洞察、自动化的智能营销，从而实现数据驱动的全域智能营销的闭环。当前节点，其他互联网行业比较知名比较大的云厂商（百度云、腾讯云、京东云）、传统行业云厂商（华为云、天翼云），还没有推出自己的CDP产品（如果有遗漏，欢迎通知）。

再看看其他知名数据供应商的产品。

神策数据的CDP产品，叫做客户数据引擎（Customer Data Platform）：通过整合多源数据、关联全域ID、扩展多体系的数据模型、构建客户分群和标签，结合丰富的数据加工方式和数据输出能力，为全域客户经营提供数据基石。奇点云的CDP产品，叫做客户数据平台（英文名没见到）：来自于产品架构的介绍：「数据+分析+智能+运营」一站式产品与服务，提升数据驱动增长能力，全域全场景赋能商业决策。<

2) 再看看国外的产品介绍和文章

SAP：

Enterprise-wide customer insights help you elevate customer engagement to increase conversion and strengthen retention.

From individual consumers to multiple business accounts, customers demand relevant, personalized engagements. With SAP Customer Data Platform, you can surface insights in real time across the enterprise to deliver winning engagements, boost revenue, and drive growth.

salesforce：

当然，你也可以看很多官方平台上发布的文章和介绍

微软：

4. 再看CDP定义

看了这么多厂商对CDP的定义，你有什么感觉呢？

最开始，我个人是从中台的角度去理解CDP的，我认为CDP是包含了数据集成、任务开发、模型构建、洞察分析、结果输出的自动化精准运营平台。这样说，好像跟很多数据中台的定义相似呢。

透过上文提及的竞品和文章，咱们会发现 CDP 的有关键词：营销、洞察。看完众多竞品，以及在企业实战后，我看CDP的视野，也逐渐从关注底层的数据集成、任务开发，慢慢转变到上层的业务分析、营销触达、效果分析。

作为一个数据平台，最终的价值还是融入到企业的价值链条里，所以，CDP的关键落脚点就是：营销系统。为了显得厉害一些可以再加一个定语，智能营销系统。

如果非要给CDP一个的定义，以终为始，我所给出的定义是：

二、CDP 的发展

在这里，我们就不讲谁首先提出来CDP了，估计也记不住。不管是谁提出来CDP的概念，CDP的出现，势必是要解决企业以及企业用户所面临的挑战。

1. CDP要解决的企业难题

当企业服务用户达到一定规模，面临的问题是类似的，而当下，我们又面临什么样的问题呢。

1）外部需求侧

消费者的娱乐、消费习惯都迁移到线上，需求的选项丰富多样式、需求更加容易满足，那么用户的变化也是非常快速的，一句话概括就是：海量用户需求个性化且快速变化的需求需要及时洞察和满足。

2）内部供给侧

企业需要自动化、智能系统有效地辅助记录、洞察、及时响应这些用户（客户）需求

人力资源有限，人的单位时间产出有限业务发展带来的数据积累，超过人工处理的上限复杂策略，各种智能算法辅助人工决策，价值产出大大提升企业人员流动，会存在业务信息丢失和断档，管理难度增加

3）整体环境

充分竞争的环境里，细分市场有新的机会后，大型、新型创业公司会快速跟进，有的会做资本方面的竞争。比如，烧钱抢占市场。随着市场格局基本尘埃落定后，企业需要更加精准化的运营，提高自己的差异化定位。

2. CDP的目标用户

在初接触CDP系统时，虽然总把”为业务同事提供数据价值”挂在嘴边，但对于CDP产品的目标用户，我的第一反应还是：拥有技术背景的工程师、分析师。

或许是因为做技术出身，对技术充满敬畏，反正局限了我的视野和规划。正因为了解技术，所以总觉得数据的使用是有门槛的，必须能迈过门槛，才能发挥价值。而不知道，将技术语言翻译成业务语言才能让技术走进千家万户。

随着互联网公司的发展，一些企业要求数据驱动、快速迭代、信息快速流转，不少非技术岗位的员工也被要求具备数据素养，要有数据驱动意识，对数据有敏感度，能基于数据洞察做决策，同时，一些基础岗位的员工被要求掌握一些基础的技术，比如写SQL取数等。

所以，任何需要基于数据做决策的人，都应该是这个系统的用户。只不过，大家的技能点、关注点不同，对于数据的认知、操作的熟练度不同，最终在看数、用数的场景中需求有细微的不同。

在规划CDP系统时，要在技术、业务的用数场景中，找到受众覆盖面最大的点，然后设计产品流程和交互细节。

在推广和落地CDP系统，还要注意岗位职责划分、工作流&协作流程的优化，如果用数的业务角色习惯等待数据分析师产出数据分析结果，那么系统效果会大打折扣。具体价值如何量化，我们后面再讲。

三、CDP系统全局架构

对于定义、定位、发展有简单的了解之后，我们就可以尝试去基于需求构建我们的架构了。在画架构图之前，我们从场景和问题出发，并梳理问题之间的逻辑关系，这块，我先进行文字进行阐述。

1. CDP的架构逻辑

企业的经营，离不开数据分析，哪怕是在刀耕火种的年代，人们也会手打算盘把账目梳理清楚。

所以，CDP必然包含分析模块。

但分析不是目的，是设定目标、达成目标的过程和手段。分析完数据后，经营者会提出假设，然后采取行动对假设做验证。比如，发现客流、流量减少了，那么可能要做一些广告活动吸引消费者，再比如，成本高了，要引入新的更有竞争力的供应商降低成本。

所以，CDP系统最终也要支持的营销和触达。

有的企业规划的CDP比较庞大，会包含营销触达的模块，比如短信、Push等。但一般来说，系统也不能太庞大，降低系统之间的耦合度，切分成不同的系统会更加灵活，所以有的企业会将这些模块独立出来，单独做个平行的系统，包含营销、流量策略等系统。

对于很多用户来说，使用底层表数据自己分析非常困难，所以我们会构建标签体系、人群画像等，为了高效建设和管理这些业务层关注的数据资产。

所以，CDP中还会包含综合服务管理后台。

在这个平台中，除了管理标签和人群，同时，也要做一些基础的权限开放和管控。

标签系统，就像堆乐高。完全靠不懂技术、不懂业务、不懂分析的用户自己发挥去洞察用户画像，很难。标签系统提供一些模板，快捷地参照教程，就能构建出人群和画像，并且售卖。

以上，核心业务环节的的架构基本有了，那还缺什么吗？

实际当中，还需要更加底层的数据平台支撑，也就是开发治理运维管理平台管理，后文会细讲。

1）整体逻辑

系统整体的模块，已经描述出来了：

核心：分析和触达（两个模块合一起）支撑：综合服务管理后台外部支撑：开发治理运维管理平台

2）整体逻辑拆解

我们再对当中的细节进行一定的拆解和补充。

分析当中，我们会对个体和群体进行分析，会基于实时、离线数据进行分析，会对行为过程和行为结果进行分析，分析的形式我们会用报表、图形等方式进行呈现，提高信息识别效率。

触达模块，会包含主动通知和规则匹配。

比如，主动圈选一批达到某些条件（如，新增用户、回流用户、近N天有消费用户等）的用户进行主动触达，方式包括发送短信、发送通知栏消息、发送横幅提醒、站内信等。同时也会包含规则匹配。系统基于各种策略（今天是否观看、当下是否有待支付订单）给用户进行更加及时的消息通知和内容推荐。

在综合服务管理后台，核心是给用户提供更加便捷的分析触达方式。虽然业务人员掌握了数据分析的技巧，但是处理大量的数据依然是一个精细化但是有点乏味的事情，如果花费过多的精力在技术细节上，那就成了技术人员了。

每个大的模块，又可以细分，具体这些模块，由什么系统来承担，每家企业都可以单独计划。

比如，分析模块是叫做BI商业智能，还是叫做行为分析、用户分析，或者两者都涵盖，其实无所谓。触达模块是叫流量策略、还是叫广告营销系统，也无所谓。

外层的开发治理运维管理平台，是叫数据中台还是叫治理套件也都无所谓。

3）模块和对应的人员角色

最后，我们再加入人员。相比于后面会讲到的产品架构图，我想通过这张图从一定抽象层侧上解释三个要点：谁（角色、岗位）、用什么（系统、模块）、做什么（功能点）

2. CDP系统的产品架构

接下来，我们用大家常见的产品架构图来描述下系统的全局架构，系统的静态构成。一个重要前提：一张图不可能描述整个世界，总会有描述不出来、描述不当的地方。

前文的3个大模块，进一步细分成了5层：业务应用层、应用管理层、应用数据层、开发工具层、数据底座层。

1）分析和触达：业务应用层

该模块的核心是支持业务人员进行便捷的分析和洞察，分析洞察之后进行营销和触达，在应用层，就可以实现业务经营的PDCA的闭环。图中是对分析和营销触达进行了罗列，并不是非常严谨的分类，没有做到MECE（可能有些不太合理）

分析洞察，会包括三个层次：行业层、业务宏观层、业务细节层。

行业：行业分析、竟对分析宏观：异动分析、趋势分析细节：多维分析、自助分析、行为分析、结果分析、事件分析…

营销触达，会包含多种方式。图中列举的内容核心是想表达：企业经营过程中会通过各种方式、各种途径触达用户，进而促进企业关注的交易行为发生。

关于分析和触达，额外需了解3个概念：标签、人群（群体）、画像。

分析，我们会对个体和群体进行明细分析和统计分析，比如，分析高价值用户有哪些共性属性和共性行为，新用户转化为高价值用户会发生哪些关键高价值行为，这样可以制定策略对用户进行引导和干预。

这些行为特征、属性特征都是从数据加工而来，数据的信息量太大，标签的出现，就是将过量的信息进行简化，转译成业务场景的通用短术语，比如，高价值用户、高活用户、流失用户。

更多标签浅显化的介绍，可以看这篇：四千字全面解析数据产品经理必知概念：标签、维度、指标。

针对大客户，我们可以提供定制化服务，而针对大众，则需要批量的策略。所以，我们会圈选出来一些有共性的人群，做批量化的营销和触达策略。比如，批量给用户发活动通知短信、发送站内信、做内容推荐等。

2）综合服务管理后台：业务应用层、应用数据层

综合服务管理后台，分成了应用管理层和应用数据层。此模块的核心是为上层的业务应用做必要的后台建设和管理。

应用管理层中，涉及标签的创建、权限分配，人群权限的管控，画像中细节统计指标及所使用的标签权限管控。当对外提供服务时需要对接外部应用，所以也会有应用的注册、登记，也需要对服务应用的过程进行监控和管理。

应用数据层中，涉及标签、人群、画像、应用、服务等实体的元数据定义，核心是梳理这些抽象实体的属性、梳理实体之间的逻辑关系，为底层物理模型的构建奠定基础，梳理这些有利于早期规划时提高系统的扩展性和可维护性。

3）开发治理运维管理：开发工具层、数据底座层

该模块，可以简单地理解为数据中台。上层的分析、营销触达都需要基于底层数据，尤其是用户数据。

如果无法给CDP注入数据，那么CDP系统就是空架子。所以，底层的平台通常包括数据采集、数据加工处理，与其同时，要保证数据质量、保证数据能对外输出提供服务。

4）其他模块

一般来说，架构图整体是上下、左右排布，上层依赖下层，左右的部分，一般指的公共部分，以表示贯穿整个过程。

标签的建设、授权、应用，需要相关的流程规范来管理。而整个公司内部，也会维护相关的开发、治理规范，进而保证埋点、数仓、数据服务的规范性，后续再细讲，此处不展开。

3. CDP产品架构案例-火山CDP

这里，我们再基于火山引擎VeCDP的产品架构图来加深理解。

当一张架构图放在我们面前，我们要学会解读。初学者一下陷入细节的海洋，会没有头绪。

刚开始，我们可以粗看，看整体宏观结构。当只有细节时，我们可以主动对细节进行提炼和抽象，看懂一个，然后再看下一个，各个击破。

比如，火山CDP的产品结构图可以分为两个大的部分：数据准备、数据应用。

数据准备阶段：数据层=》汇聚层=》整合层=》统一档案。数据应用阶段：基于统一的档案去支持不同行业、不同的场景的落地应用。

1）数据准备阶段

这部分跟数据中台、数据仓库的数据集成相同，要将企业的各种公域、私域数据（业务、订单、属性、行为数据）进行采集和统一存储。

如果拆得更细，会涉及到行为/埋点数据的上报和处理，如果上报量比较大，还涉及到一些边缘计算分担计算压力，另一面，也会涉及到业务结果数据（主从数据库、存储集群）的同步，以实时处理（流处理）、离线处理（批处理）的方式进行同步和计算。

各种业务数据经由采集后，原始数据要存储在数据层；再基于未来的分析需求，提前对当中的数据进行预处理处理，进入到汇聚层、整合层。当中还包含非常多的细节，比如，划分业务过程，基于分析需要去构建数仓的维度模型，构建不同粒度的事实表（经常也被称为宽表）。因为架构图的版图有限，也没法对这块进行非常详细的展开。

为什么这个图里还有统一档案层呢？

这里是用One Profile的概念进行解释的，也就是每个实体（不管是用户，还是移动设备、主播、直播间、商品等）都可以被打上唯一的标签。

底层已经构建了数据仓库，但是从数仓表还是有使用门槛，对于业务人员来说取数据很难，想象一下：把你一下子丢进物流公司的总仓库找双十一的订单，咱们是不是会晕头转向呢？

所以，我们要要进一步加工成标签，并且能以非常友好的方式让业务同事们使用。

2）数据应用阶段

然后基于这些标签进行应用，应用的场景包括利用标签进行群体圈选，然后对这些群体进行分析和洞察，最终进行营销和触达。

而所谓的场景层，是指基于这些标签、人群能在哪些场景里进行详细的应用，比如人货匹配、用户流失预警，架构图一般都只是对场景进行汇总和列举，并不代表全部的细分场景。

至于行业层，这是典型的SaaS型产品的自我营销和介绍模块了，也就是能在哪些行业落地和应用，吸引目标客户进行尝试。

以上，感谢阅读~

专栏作家

Lee，公众号：数据产品小lee，人人都是产品经理专栏作家。关注直播、短视频和文娱领域、擅长数据架构、CDP及数据治理相关工作。

本文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

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。