日前，Convertlab与爱分析合作，推出了《中国业务型CDP白皮书》，通过「业务型CDP」这一概念，解读当前中国的数字化营销市场发展概况，为品牌方指明了选择、搭建CDP产品需要的注意事项，指出：业务型CDP在技术架构上采用湖仓一体化设计，解决了CDP在数据存储、治理、建模分析等方面的不足，能够满足企业当前以及未来各类数字化业务应用场景的数据支撑需求，是最符合企业业务需求和技术需求的领先型CDP。
2009年，营销公司Marketo注册Marketing-cloud，被认为是数字化营销的起源。三年后的2012年，在云计算技术逐渐成熟后，Adobe、甲骨文等企业相继提出营销云概念，并开始基于云技术开发营销解决方案。2016年，营销解决方案逐渐完善，开始形成以用户价值导向的一体化营销云。目前，以美国为代表的国外市场对数字化营销业务应用的主流定义，是Gartner提出的多渠道营销中心（Multi-channel Marketing Hub，简称MMH）。
中美数字化营销发展对比
Gartner 将多渠道营销中心（MMH）定义为一种技术，可以协调公司与跨多个渠道的客户群的沟通并为其提供服务。这些渠道包括网站、移动、社交、直邮呼叫中心、付费媒体和电子邮件等。MMH 功能还可以扩展到将营销与销售相结合，以便在 B2B 和 B2C 环境中执行。
与之相比较，中国市场在2016年才开始涉足营销技术。根据相关报告显示，经过五年的发展，国内使用营销云并进行更多探索，以及即将部署营销云的企业仅占15%。可见，国内数字化营销解决方案采纳度处于早期采纳阶段——甲方采纳度代表了数字化营销业务应用在整体行业的落地进展与预期。
甲方采纳度曲线
以数字化营销为典型代表的数字化业务应用可以分为数据化、自动化、智能化三个阶段，三个阶段的落地存在很强的递进关系，且各个阶段对业务型CDP的要求各有侧重，但整体来看，越靠近智能化阶段，对业务型CDP成熟度要求越高。
CDP落地遇到的问题
根据CDP研究院（CDP Institute）的定义，CDP指的是「创建统一、可持续且可由其他系统访问的客户数据库的整套软件」。CDP是一个预先构建的系统，支持一对多交互，实时传输数据并收集数据，将所有来源的客户数据集中起来，整合成为统一的客户文档，提供给其他系统，用于营销活动、客户服务以及客户体验活动。
2020年前后，一方面随着流量红利的枯竭，一方面因为疫情原因，品牌开始重视第一方数据、私域流量等数据管理的概念，也着手部署CDP。但经过两年的发展，实际落地效果大多数不尽如人意。原因可以总结为以下三点：
第一，市场鱼龙混杂，CDP定义模糊。不论是营销科技厂商、大数据厂商，抑或传统IT集成商，都会将解决方案包装成CDP，影响客户对CDP定义及建设标准的判断，造成整个市场对于CDP的定义出现混乱。
第二，CDP的适用范围和业务价值被过度夸大。CDP有一定的适用范围，且CDP的建设需要品牌商具备一定基础。很多数据基础设施薄弱的品牌商，动辄投入几百万甚至上千万搭建CDP平台，完全没有必要。CDP也不是万能药，不能解决品牌商遇到的所有问题。
第三，CDP的建设目标和实现路径不清晰。CDP的建设离不开业务部门和IT部门。但限于不同部门的属性差异，业务部门和IT部门的短期目标可能会存在偏差，这就使得不同部门主导的CDP建设，其建设目标和实现路径存在差异。
因此，必须对国内市场的CDP进行定义和分类，才能实现合规、全场景用户数据管理的目标。
业务型CDP的概念与诞生背景
基于终端用户和数据支撑范围两个维度，国内CDP可以分成三大类：面向特定场景的场景型CDP、面向全场景但需IT人员来使用的大数据平台型CDP、面向全场景同时业务人员可通过拖拉拽方式即可建模的业务型CDP。
CDP分类
特定场景型CDP，主要用于销售转化相关客户数据以及广告投放等特定场景的数据管理和应用，背后厂商多数是SCRM以及DMP背景。其优点为，对获客转化、广告投放等特定场景的数据支撑较强，即与数字化营销应用场景较近，终端用户是业务人员；缺点是数据维度、数据治理、数据建模等CDP能力均局限于以上场景相关数据。长期来看，当上层数字化营销应用场景发生变化，此类CDP将面临严峻的数据支撑挑战。
大数据平台型CDP，主要用于整合企业的数据，实现对数据的统一管理，背后多数是大数据治理背景的厂商提供的产品。其核心优势为数据治理能力，能够实现数据的「监、管、控」，但大数据平台型CDP需要IT人员做建模和运营，也容易导致业务人员对CDP的感知和使用率较低，造成业务价值有限的结果。
业务型CDP是支撑业务（营销、市场、运营等）部门实现数字化业务应用的用户数据管理平台，以用户全生命周期运营为导向，通过实时采集、整合、分析全渠道用户数据，支持精准用户获取、高效用户运营等数字化业务应用场景落地，最终实现业绩增长的目标。
业务型CDP通过统一建模语言，使业务人员通过拖拉拽的方式进行数据建模，解决了CDP的业务价值问题。同时，业务型CDP在技术架构上采用湖仓一体化设计，解决了CDP在数据存储、治理、建模分析等方面的不足，能够满足企业当前以及未来各类数字化业务应用场景的数据支撑需求，是最符合企业业务需求和技术需求的领先型CDP。企业应该从业务价值出发，建设业务型CDP。
业务型CDP在数字化营销各阶段价值
业务型CDP的应用背景主要有合规与全渠道。
其一，合规。在国内，以《个人信息保护法》、《数据安全法》、《网络安全法》为代表的数据使用相关的法律法规陆续出台；在国外，欧美国家也相继出台了GDPR、CCPA等相关的法律法规限制数据的使用。可见环球同此凉热，围绕数据的监管逐渐清晰，合规性成为数据使用不可避免的考量点。
其二，全渠道。随着互联网、物联网等技术的发展，消费者日常接触的渠道越来越多。为了最大限度地覆盖消费者，品牌往往会选择全渠道营销。然而，触点如此分散，全渠道数据的整合与挖掘利用，成为精准营销策略落地执行的难点所在。
业务型CDP的关键能力
从数字化营销业务应用场景出发，业务型CDP需具备以下三方面能力：第一，以用户为中心的全要素、实时性数据处理能力；第二，湖仓一体化架构的统一数据模型（GDM）实现能力。为全要素、实时性数据处理能力提供完美解决方案，快速完成复杂营销场景需求下的数据建模，这是业务型CDP的独特之处和最大优势；第三，基于GDM的模型标签沉淀能力。保证业务人员能够进行灵活的标签模型搭建，摆脱对于IT人员的强依赖，高效驱动业务应用落地。
以用户为中心的全要素、实时性数据处理能力
首先，业务型CDP需要以用户为中心进行全要素、实时性数据处理。这项能力又可进一步分为全要素和实时两种能力。前者指的是对用户基础数据、订单数据、商品数据等数据进行处理，且围绕认知、兴趣、购买、忠诚四大用户生命周期阶段，对客户数据进行从基础数据、资产数据、标签数据、到应用数据的闭环处理。
后者指具备实时数据处理能力。从采集基础数据到形成资产数据和标签数据，需要做到毫秒级响应，才能以实时性的自动化、智能化标签体系能力，全面支持数字化营销业务应用实现，尤其是场景式营销等相关业务应用场景的实现，从而满足客户旅程设计和个性化交互所需的数据和标签需求。
Convertlab的业务型CDP产品Data Hub，能够将自营渠道、第三方渠道等全网的多维度客户数据统一归集，全量整合，覆盖第三方平台、官网、微信公众号/服务号/ 小程序 /企微/H5、业务系统 CRM/会员系统/呼叫中心、App、线上/线下活动/ DB/文件等渠道，并采用了前端埋点体系、后端埋点体系、通用连接器、应用连接器等更为领先和完整的多元数据源接入方式，让连接、访问、导入高效畅通。
湖仓一体化架构下的GDM实现
大数据技术经历了数据仓库、数据湖、湖仓一体化的发展历程，业务型CDP采用湖仓一体化架构。其中，数据仓库通常是数据进入数据库时就构建好的数据存储空间，数据通常来自操作系统——交易行为，客户档案，人力资源，客户关系管理系统，企业资源规划系统等。在存储到仓库之前，数据通常会被仔细筛选和处理，如果某种信息具有法律约束力且需要可追踪的话，便会被数据库优先选择。
而数据湖存储任意来源输入的各种数据，包括视频来源、音频流、面部识别数据、社交媒体帖子等等。数据湖有时会动用人工智能来标注流入的数据，如命名数据。但数据的格式化、处理和管理通常发生在为某种特定需求做导出的时候，而非在存储之前进行。数据仓库通常更容易区分它们接收的数据类型，而数据湖几乎可以接受所有数据。
湖仓一体化模式下的GDM实现
湖仓一体化是一种新型开放式架构，充分结合数据湖和数据仓库的优势，构建在数据湖低成本的数据存储架构之上，又继承了数据仓库的数据处理和管理功能，为业务型CDP所需的全要素、实时性数据处理能力提供了完美的解决方案。
Convertlab的Data Hub，正是采用了湖仓一体的数据平台架构设计思路，轻松应对和处理各种实时、离线数据，解决当下乃至未来几年内企业对数据管理的关键诉求。Data Hub所采用的GDM通用数据模型，定义标准化数据格式，实现统一规范的描述，并支持外部通畅地识别；在统一的数据规范基础上，可灵活扩展自定义对象，完成满足业务需求的数据建模。
基于GDM的模型标签沉淀
标签数据面临初期的设计搭建以及长期的运营应用挑战。从业务人员视角来看，丰富性、灵活性、智能化是标签体系的追求，即标签体系既要提供丰富多样的标签能力，也要具备调整和延伸的空间，同时还要能兼顾自动化、智能化能力。
在过往的应用场景中（尤其是零售领域的MA应用中），规则标签和公式标签是标配。但从长期来看，随着业务场景的复杂度提升，规则标签和公式标签在灵活性方面的局限性也将愈发明显。因此，业务型CDP需要具备的第三个关键能力是：基于GDM的模型标签沉淀。
Convertlab的Data Hub，具有独立、完整的数据处理平台，Plus+的标签体系，基于GDQL语言实现了GDM，有能力用SQL语言的业务人员也能够用GDQL语言实现业务个性化标签的建设和运营。
业务型CDP的评估
业务型CDP成熟度评估模型
在企业实际落地业务型CDP时，基于业务型CDP成熟度评估模型（业务型CDP成熟度体现在用户价值、业务应用以及数据基础三个维度），可以对企业现状进行评估，确认建设优先级，并对建设路径进行规划。
首先，基于评估标准，进行三个维度的重要性和成熟度评估。用户价值和业务应用重要性主要是甲方企业属性与战略决定，成熟度则主要由当前相关系统和功能应用情况决定。
其次，根据各维度重要性和成熟度差值，确认优先级。从每个维度，对重要性和成熟度做比较。
成熟度和重要性之间的差距大小，决定了业务型CDP建设的优先度——某个维度成熟度和重要性差距越大，说明该维度较为薄弱，应该优先考虑做补足。
最后，根据优先级，对业务型CDP建设给出建设路径建议。考虑规划差距较大的维度，做相关功能规划，然后是从整体考虑做成熟度提升。
在实际落地业务型CDP时，品牌商可从用户价值、业务应用、数据基础三个维度对企业现状进行评估，以确认建设优先级，并对建设路径进行规划。整体来看，业务应用ROI未达预期导致的驱动力不足与数据基础建设不足导致的支撑力不足相互制约，是业务型CDP面临的核心挑战。
