客户数据管理（Customer Data Management，简称CDM）是获取、管理和使用客户数据的过程。客户数据管理负责收集、管理和分析不同来源的客户数据，以形成关于每个客户的统一视图。这一过程往往利用技术和软件来完成。CDM的目标是有效提供独特的、个性化的、实时的的客户体验。随着数据量的不断增长以及日渐复杂，品牌需要成熟的机制来收集、管理和分析客户数据。这就是客户数据管理的用武之地。

根据Forrester发布的数据，「平均而言，企业中60%到73%的数据没有被用于分析。」如今，大多数企业需要处理难以胜数的数据，这些数据从数千个不同渠道、平台和设备的触点进入数据管理系统。营销人员需要了解哪些数据需要输入到系统中，以便有效地构建客户数据管理框架。

数据的分类

根据数据来源的划分

根据来源的不同，数据可被划分为第一方、第二方、第三方数据。第一方数据是指公司直接从受众（包括客户、网站访问者和社交媒体粉丝等）那里收集的数据。当涉及到重定向等业务时，第一方数据是最好的数据，因为它是直接从受众那里获取的。具体来说，第一方数据的来源包括：来自品牌官网、App的数据；CRM数据；社交媒体；电子邮件或产品邮件的订阅数据；调研数据；客户反馈数据等。

第二方数据来自于合作伙伴提供的「第一方数据」，这些合作伙伴包括广告代理公司、营销技术解决方案提供商、合作媒体等。第二方数据的来源主要有社交媒体、电商等、店内购买历史、调查反馈等。第二方数据可以作为第一方数据的延展，扩大影响范围和提升活动的有效性，并让企业的营销活动个性化。但是第二方数据也存在风险，由于其来源是合作伙伴，一旦双方合作破裂，停止供给数据，企业之前的相关工作就付之东流了。

第三方数据是由外部平台收集的、与企业的客户没有任何直接联系的任何数据。第三方数据应作为第一方数据的补充。第三方数据可以从专门从事数据收集的公司购买，也可以从任何其他拥有有价值数据集的企业购买。第三方数据的缺点在于质量，它是经由统计和汇总的数据，而不是直接从企业与客户关系中派生出来的，因此很难追溯它是否来自于可靠的数据源。此外，第三方数据并非专门提供给一家企业的，也可以卖给竞争对手。

第二、第三方数据固然重要，但企业更愿意自行掌控数据。因此，近年来，关于私域数据的话题甚嚣尘上。参与讨论者不仅仅是营销技术公司，更有大量的品牌介入。品牌方逐步认识到数据的重要性，且不满于自己的数据掌握在平台方手中，形成了一个个「数据孤岛」而无法打通，他们迫切需要适合自身的数据管理工具，能够帮助他们搜集、管理数据，挖掘数据背后的价值，且打通各个渠道的数据。

零方数据

零方数据是Forrester提出的概念，也称为显式数据（explicit data）。零方数据是客户有意并主动与品牌共享的数据。它可以包括偏好中心数据、购买意图、个人背景以及个人希望品牌如何识别他们。零方数据与第三方数据不同，后者是从外部来源收集的数据，通常在客户不知情或未明确同意的情况下收集的。

随着 GDPR 和 CCPA 等行业法规更加重视保护消费者隐私，随着越来越多的浏览器逐步淘汰第三方 cookie 并允许用户选择不被跟踪，营销人员正在更加重视和依赖受众有意向并自愿提供给他们的数据。零方数据比其他形式的数据更明确、更值得信赖，因为它直接来自源头。

根据维度的划分

另一种分类的方式，则是依据「身份、定量、描述、定性」四个维度进行划分：

身份数据（Identity Data）：身份数据是关于一个客户的最基础的信息，以及可以触达他们的任何联系方式。一旦客户的身份信息得到确认，企业就可以根据他们在顾客旅程中的特定位置，打造定制化的讯息与其进行沟通。身份数据包括姓名、性别、出生日期、家庭住址、工作地址、电话号码、社交网络账号等。通常情况下，当客户在结账时输入付款细节、提交注册表单，或为了获得产品、服务或奖励而自愿提交信息时，企业就在收集这类数据了。

定量数据（Quantitative Data）：定量数据是在整个客户旅程中收集的信息，包括购买过程中的细节、客户与各种渠道的互动，促使购买的特定转化因素等。定量数据包括以下若干环节中发生的数据：线上/线下交易（购买产品、购买金额、购买时间、订单价值、订单日期、购物车退出、产品退货等）；在线活动（网站访问、产品浏览、在线注册等）、社交网络（社交群组、互动、兴趣等）；客户服务（投诉详情、客户查询详情、呼叫中心沟通等）。这些数据可以通过Google Analytics等网站分析工具、网站Cookies等渠道获取。

描述性数据（Descriptive Data）：描述性数据是身份数据的升级版本。描述性数据旨在收集更多的人口统计信息，进一步描述客户角色。描述性数据包括家庭（婚姻状况、关系、子女数量等）；生活方式（房型、车、宠物、爱好、收藏、兴趣等）；学历（高中、大学、硕士、博士等）；职业（职位名称、职位描述、收入、专业背景等）。企业可以通过开放式的面试问题、深入问卷调查、目标行为观察、焦点小组访谈等方式收集描述性数据。

定性数据（Qualitative Data）：定性数据用来解释客户消费决策背后的理由，比如「客户的观点和态度是如何形成的」、「为什么人们会这样做」、「社会群体之间有什么不同」，等等。定性数据包括态度（感知价值、评价、反馈、复购可能性等）；动机（购买原因，客户需求等）；意见（喜欢/不喜欢、偏好等）。搜集定性数据的方法包括一对一的直接交互，在团队环境中与个人的直接交互，或在客户旅程中对各种沟通渠道的客户意见的解释，社交聆听，行业相关的评论网站（比如大众点评之于餐饮业，豆瓣网之于图书出版、电影业）等。

数据管理技术

搜集数据的下一步是将数据引入「中央系统」，这一过程称为ETL，即」提取（Extract）、转换（Transform）、加载（Load）」的简称，指的是将所有的关键数据引入位于中心的营销数据平台，如数据仓库、CDP、DMP或者数据湖等数据管理系统。所有需要的数据都以同一种格式存储在同一个地方。

需要解释一下其中几个术语的含义，Garnter把数据管理技术分为三类：数据仓库（Data warehouse），数据湖（Data Lake）和数据枢纽（Data Hub）。

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。

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。

数据枢纽相对前两者规模要小，是来自多个数据源的数据集合。这些数据集合起来再进行分发和共享，但数据枢纽不存储交易信息。数据枢纽与数据仓库的不同之处在于，数据枢纽里的数据通常是没有被整合的，粒度也未经统一。数据枢纽与数据湖的不同之处在于，它对数据进行同质化，并可能以多种所需格式提供数据，而不是简单地将数据存储在一个地方，数据枢纽可以提供重复数据删除、安全性、标准化的查询等服务。数据湖则是将数据存储在一个地方，并且需要使用者自己来处理数据。

数据湖、数据仓库这些术语，指的是从企业层面的数据库，与营销人员等需求还有一段距离：数据库是从各种源系统收集的数据的大型存储库，可以作为企业数据的单一「仓库」发挥作用，但这些数据来自于不同来源，格式不同，很难用于分析或获取洞察；数据仓库提供了协调和标准化数据的方法，但存储其中的信息通常只是定期批量更新，而非实时更新，限制了营销人员与消费者互动的能力。