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:来自品牌凯发备用官网、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。
第二方数据来自于凯发备用官网的合作伙伴提供的「第一方数据」,这些凯发备用官网的合作伙伴包括广告代理公司、营销技术凯发备用官网的解决方案提供商、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,由于其来源是凯发备用官网的合作伙伴,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凯发备用官网的联系方式。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。
凯发备用官网的版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。