转自：时趣公众号（SocialTouchSCRM）

作者：王绪刚

大数据，是概念，是行业，是方法，是全社会集中讨论的新闻热点，随着大数据的不断探索，其价值被不断挖掘，展现，从而形成的新兴商业模式也引发了品牌主们的深思：数从何来？如何控制？如何利用？正是这种对流量掌控的渴望，加之对自有数据管理的需求，DMP(data management platform) 逐渐成为品牌主们争相尝试和加大投入新宠。

笔者有幸见证过几个早期DMP探索项目的成功与失败，而最近又非常巧合的连续参加了多个国内外知名品牌DMP项目的论证过程，虽然每家企业的行业和诉求不尽相同，却都存在一个惊人一致的现象——迷茫。

这种迷茫一方面来自于对新生事物的不确定性，而另一方面对DMP的种种误解也是造成这种现象的重要原因。那么DMP到底是什么？是帮品牌收集流量的容器？还是可以令“死水”般的数据“变活”，不断产生涟漪和势能的利器？在品牌投资建设DMP之前，需要认清DMP的本质，绕开重重“陷阱”，才能更好的拥抱这种新兴商业模式，不断挖掘利用数据价值，加深，提升与消费者的交流与体验。

在国际上，DMP被定义为“大数据在营销中的落地解决方案和实时消费者互动的基础”（The Data Management Platform: Foundation for Right-Time Customer Engagement：A WINTERBERRY GROUP WHITE PAPER NOVEMBER 2012）。因此DMP不是一个简单的数据采集与存储，它更像是一个懂营销规则的AlphaGo——虽然也是输入了大量的象棋棋谱，但AlphGo核心价值在于利用对不同套路的归类，分析，整理出可以针对不同实际情况做出最优选择的智能反应机制。

同样的，我们把消费者行为数据“灌进去”，DMP应该给出实时互动的策略。 然而，许多DMP项目却忽略了这个本质，盲从与“大数据”的概念，在设计规划阶段就落入了陷阱：

虽然DMP采取了许多专业的数据处理技术，但其更大程度上是一个业务驱动型的DT项目。传统意义中的IT项目仅仅涉及到技术层面的交付，而DT则偏向于把数字的东西策略化，利用算法和技术叠加实现营销动作的智能分析及科学指导，所以DMP建设并不仅仅是单纯的IT项目，而是协助品牌建立数据管理架构，形成优化闭环。其核心价值是在营销自动化过程中提升智能决策支持的准确度与效率。

简单来说，就是品牌通过利用DMP的数据收集跟踪，数据整理分析，最后给出数据的可视化展现，科学指导运营决策，以便下一步的智能操作实施。因此其主要功能是数据分析能力，它包括了：

“对历史数据的“实事性”分析，比如对活动效果的监测；对未来趋势的“预测性”分析，比如挖掘潜在性价比高的媒介与意见领袖；针对单个用户的“行动性”分析，比如针对不同的个体，展示个性化的文案与内容等等。”

因此DMP的运营，核心是需要强大的个体消费者模型构建的能力，也就是一方面对客户商业的理解，一方面对数学统计模型的理解。并且这个建模的过程，也不是一蹴而就的一次性的过程，而是需要持续的根据数据丰富度和质量的变化，动态的进行持续不断的调整。

只有将二者完美的结合才能勾勒出每个用户的商业价值曲线。单纯的把注意力放在IT平台的选型和搭建上——比如说是用Hadoop还是用Spark等大数据开源系统，这样的注意力可能从一开始就决定了搭建后的平台，往往也无法在业务中发挥实质性的作用。

对于大部分品牌主来说，总希望获取更多的外部流量，却没有建立自身的留存，互动和转化的能力。如同一座水库豪掷千金引水入库，任凭可发电的清水变成死水失去价值，流量永远不能化作势能。

更重要的是，很多企业忽略了对自身数据的采集与经营，例如CRM中通过付费推广引入的用户流量，以及用户在自有电商平台中的行为数据。同时，品牌在社交平台上（比如微信，微博）都建立了其自媒体阵地，承担了重要的用户沟通和传播的作用，这些数据更容易从品牌自身出发去构建丰富的目标消费群体的画像，对新流量的获取提供优化。另外一方面，通过数据驱动的方法有效的激励自有用户和粉丝在社交平台上的传播，通过这种老会员带新会员之类的互动活动，可以获得比数倍于付费媒体的效果。

任何一个品牌主都希望全面了解自己的消费者，DMP中的用户画像，利用对消费者特征的分析提取，以标签的形式进行罗列，协助给出消费者轮廓的描述，并且通过对相同，相异标签的划分，实现精准定位和智能运营。

因此许多第三方都声称可以提供完整的用户画像。实际上即使BAT（Baidu、Alibaba、Tencent）都无法提供单个消费者的完整生命历程和画像数据。目前网络行为数据量相对完整的就是网络运营商，比如中国移动，联通，电信。虽然他们可以提供已去除个人敏感信息的用户标签，但其数据也只在某些地域的某些号段比较完备，同时因为https加密传输，某些重要的网站行为数据也无法解析。因此单一的第三方数据源都是用户画像或者某类特定人群的数据片段。

这是一个经常看到的技术误区。广告监测数据由于可以预先在媒介广告位上埋设代码或者部署SDK，可以获取到巨大数量的数据。虽然量级非常庞大，但是这些技术平台主要是为了进行KPI监测的计算，比如曝光量，点击率等数字指标，而缺少数字背后的用户行为的挖掘。

同时，因为媒介不会主动开放自身的用户非广告类的行为数据，比如阅读、观看、分享、购买等数据，因此，单纯通过比例非常小的广告位展示与点击数据很难构成对媒体用户的真实描述——无论从完整度与准确度上误差都比较大。比如点击了某女明星代言的美妆广告的人群，有很大比例上不是目标受众，而是该女星的男性粉丝。

许多程序化广告投放公司非常推崇DMP的概念，这也导致了许多品牌误以为DMP的唯一作用就是支持广告的再定向和优化。但是随着品牌数字化的发展，它已经从单纯的采集广告渠道数据，到对接自媒体数据、线下交易数据和整合第三方数据。其作用也从消费者洞察，投放优化，拓展到全渠道消费者互动与优化消费者体验等领域。

知易行难，构建DMP是利用数据驱动营销的关键一步，从最快能够发挥数据价值的角度出发，品牌应该丢掉幻想，采取更加实际性的策略。在这笔者提出三条来自于实践的建议：

一、分别建立PC，移动与社交的三类数据管理平台，而不要希望一蹴而就建立一个大一统的DMP。

考虑应用场景和用户行为的闭环，将DMP分拆为针对PC，移动与社交数据的三个系统。首先这三个渠道是品牌可以获取客户数据的主要接触点，但是三个系统的数据在短期内很难实现贯通，同时场景与作用也各不相同。因此为了更好的让一个消费者的行为形成闭环，并能够逐步优化数据和模型策略，可以考虑在短期内建立针对三类数据的独立系统，并慢慢实现贯通。

在PC端，主要的作用是利用数据优化广告策略，提升品牌的曝光效果，受众数据的多品类再定向，媒介渠道的优化。这时候可以发挥第三方数据监测公司长期积累的数据价值。

在移动端，因为可以获得相对稳定的设备ID，个体数据的积累相对于PC端可以更好的追踪用户的完整的行为路径和上下文信息。因此除了进行再定向投放以外。还可以结合用户画像与上下文信息，实现体验更加友好的原生广告——比如我们在微博，微信朋友圈中看到的信息流广告。同时移动场景下的天然社交属性，可以顺畅的鼓励分享，提升ROI，吸引关注微信，将流量转化为留存。

在社交环境中，数据的核心价值是与SCRM整合，在利用社交渠道，实现一对一的用户沟通，并挖掘粉丝的影响力价值，激励传播，充分利用自媒体（Own Media）和赚取媒体（Earn Media）的价值，来降低对付费媒介的依赖。同时，通过自媒体这种投入较低的平台沉淀出互动与内容的模型，可以激发付费媒体最大化的效果。

二、从项目目标设计的时候，就明确DMP应该是一个运营性质的项目。

前面的分析已经说过，DMP不仅仅是一个IT项目，与传统流程自动化工具不同，DMP包括了很多人工智能的算法，核心是对客户商业场景和问题的理解，并转化成数据模型。

这样的模型需要了解行业和应用场景的数据分析人员与营销人员在日常业务运营中通过人工优化和机器学习的方法来共同建立和完善出来。比如，在DMP中，需要根据用户的行为来建立流失预警模型，这样的模型需要根据行业根据不同的互动渠道特征，比如微信，微博，以及线下活动来调整不同行为的时间权重。因此建议在系统平台上线后，由运营人员按照DMP方法论来优化业务模型，由数据分析与建模人员来优化用户画像模型，才能达到越做越好的目的。

三、以第一方数据为主，建立用户画像标准，兼容第二方与第三方数据。

无论是媒介的标签数据，还是第三方数据源的数据，都没有行业性的标准，这也就很难实现不同数据源的人群匹配。对于品牌来说，购买意向越高的用户数据，越有价值。因此建议通过第一方数据的维度来建立标准，才能将其他来源的数据整合起来。

往期精彩文章推荐，点击图片可阅读

哈佛商业评论：数据是内容营销的下一大热门话题