报告摘要
近年来，C端消费在线化渗透持续提升，全渠道消费成为常态，品牌商流量争夺愈发激烈。通过建设CDP（客户数据管理平台）实现对全渠道用户数据管理，从而实现精准获客、精细化用户运营，几乎成为业内的共识。
但当前国内CDP市场存在概念模糊、适用范围及价值被过度夸大、建设目标及路径不清晰等众多问题。鉴于此，爱分析基于终端用户和数据支撑范围两个维度，将国内CDP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。从原始业务目标、业务价值出发，业务型CDP在技术、业务层面均更具优势。
数字化营销等业务应用作为流量瓶颈下实现业绩增长的重要路径，是业务型CDP建设的核心驱动力，而业务型CDP也成为数字化营销业务应用的重要支撑。
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。
在实际落地业务型CDP时，爱分析建议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。该负循环的症结在于，基于标签数据的支撑能力不足，没有形成可直接面向业务人员开展营销、运营日常工作的标签工具体系。
面对上述业务型CDP落地面临的核心挑战，爱分析认为应该从标签体系进行重点突破，以夯实数据合规应用机制为底线，通过模型标签驱动业务应用落地。首先，品牌商需要从用户授权、数据运营、场景应用等层面构建系统化数据安全防护能力，守住合规底线。其次，通过构建覆盖多数据源的、基于API的连接器，打牢地基，保证标签的动态实时生成与更新；最后，通过GDM，提供面向一线业务人员的可操作性的、灵活的、高效的标签模型体系，最终走向数据驱动的一体化、智能化业务型CDP。
业务型CDP将是2022年及未来2-3年内品牌方在数字化营销应用方面重点考虑的新兴解决方案。爱分析认为，品牌方可以基于业务型CDP成熟度评估模型，合理评估自身需求，同时对厂商进行评估，最终选择在业务需求方面能满足自身条件、同时具备技术领先性的供应商进行业务型CDP的建设和长期运营。
目录
1. 业务型CDP定义
2. CDP建设核心驱动力——数字化营销
3. 业务型CDP现状与挑战——成熟度评估
4. 业务型CDP建设思路——模型标签驱动业务落地
5. 业务型CDP落地——选型
结语
1. 业务型CDP定义
1.1 合规、全场景用户数据管理是品牌商数字化营销的关键
近年来，C端消费在线化渗透不断提升，全渠道消费成为常态。对于品牌商等面向消费者开展业务的企业来说，制定精准的营销策略获取和运营用户，以实现业绩增长，将是必备的能力。
由于流量红利枯竭，且全渠道下用户的选择更加丰富，企业面临的是激烈的流量争夺，因此粗放式的广告投放和流量获取成本高昂，企业将不得不改变营销策略。通过精细化用户运营提升已沉淀用户的生命周期价值。
这要求企业要与用户保持互动，提高用户粘性和忠诚度，将“用户”变成企业的“资产”。因此，品牌商纷纷走向DTC模式，业务运营思路已经发生变化，愈发重视用户，讲求精准获客、精细化用户运营。
不论是精准营销还是精细化用户运营，都离不开对用户数据的采集、清洗、存储、分析和应用。在全渠道业态下，品牌商开始意识到用户数据整合和挖掘对营销策略执行的重要性。但由于流量分散在品牌商CRM、官网、小程序、APP、电商平台、社交媒体等多个渠道，用户触点增多且呈分散化，因此多渠道数据的整合和挖掘成为精准营销策略落地执行的难点所在。
与此同时，以《个人信息保护法》、《数据安全法》为代表的数据使用法律法规陆续出台，数据使用的监管逐渐清晰，合规性成为数据使用不可避免的考量点。
对品牌商而言，合规、全场景用户数据管理是品牌商数字化营销的关键。
1.2 合规、全场景用户数据管理对CDP建设提出更高要求
进入到2022年，通过建设CDP（客户数据管理平台）实现对全场景用户数据管理，几乎成为业内的共识，绝大多数品牌商都将CDP建设纳入到实现自身数字化转型的计划表中。
CDP最早由CDP Institute创始人David Raab提出，他认为CDP是一个市场人员可以直接操作的系统，汇集了所有客户数据并将数据存储在统一的、可多部门访问的数据平台，让企业各个部门都可以轻松使用。
根据Gartner的《2020 CDP市场指南报告》，CDP是一个营销系统，统一了营销和其他渠道用户数据，并能够支持客户建模、优化用户价值等目标。Gartner认为CDP最核心的特点是多渠道数据的整合、画像统一、人群细分和用户触达。
尽管国内市场对CDP建设的投入逐年增加，但其实际落地效果大多数不尽如人意，其原因可以总结为以下三点：
第一，市场鱼龙混杂，CDP定义模糊。
亦如前些年的数据中台，CDP是当下数字化营销中最受到关注、最受追捧的关键词，很多品牌商在项目招标文件中也会明确提出CDP。
不论是营销科技厂商、大数据厂商，抑或传统IT集成商，在面对品牌商等潜在客户时，都会将自身的解决方案包装成CDP解决方案。在跟潜在客户宣讲方案时，都会突出自身的能力，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。
作为数据管理平台，CDP是有一定的适用范围，并不是所有品牌商都应该建设CDP，CDP建设是需要品牌商具备一定的基础。
对于很多数据基础设施薄弱的品牌商，一上来动辄投入几百万甚至上千万建设CDP平台是完全不必要的，应当循序渐进，先从数据采集等基础工作开始，逐步建设自身的数据能力。
同时，CDP也不是万能药，不能解决品牌商遇到的所有问题。CDP作为用户数据管理的工具，能够提升业务部门做数字化营销的效率，但不能完全替代运营工作。脱离了业务场景、没有运营作为支持，CDP是无法解决企业的用户数据管理问题的。
第三，CDP的建设目标和实现路径不清晰。
所有的数据都同时具备IT和业务属性，数据管理平台CDP同样如此，这就意味着CDP的建设一定离不开业务部门和IT部门。
尽管业务部门和IT部门的长期目标是一致的，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，其建设目标存在差异，实现路径更是如此。
鉴于以上原因，爱分析认为，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。
1.3 实现合规、全场景用户数据管理需要业务型CDP
基于终端用户和数据支撑范围两个维度，爱分析将国内CDP分成三类：特定场景型CDP、大数据平台型CDP和业务型CDP。
图 1： CDP分类
特定场景型CDP，主要是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，背后厂商都多数是SCRM以及DMP背景。
优点是对获客转化、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，主要是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。
数据治理能力是其核心优势，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是通过统一建模语言，能够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。
爱分析认为，CDP建设应从原始业务目标出发，做全面梳理和考量。回溯CDP建设需求，原始业务目标是实现流量瓶颈下的业绩增长，而数字化营销等业务应用是路径，CDP是业务应用的支撑。因此，企业应该从业务价值出发，建设业务型CDP。
业务型CDP的准确定义：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。
2. CDP建设核心驱动力——数字化营销
数字化营销业务应用已成为业务型CDP建设的核心驱动力，且对业务型CDP提出了关键能力要求。
首先，数字化营销业务应用采纳度提升，成为企业CDP建设核心驱动力。一方面，企业面临流量获取成本高昂、用户触点多样化、用户价值要求提升等挑战；另一方面，随着技术的成熟和供应商的不断成长，数字化解决方案日趋成熟。因此国内数字化营销相关业务应用采纳度正在逐渐提升，以用户全生命周期营销为导向，实时采集、整合、分析全渠道用户数据的CDP建设成为企业的必然选择。
其次，数字化营销业务应用将从数据化逐渐走向智能化，对数据管理和分析的要求日益提升，对业务型CDP建设要求将越来越迫切。从实践来看，数字化营销业务应用正在经历数据化过程；未来，将是自动化、智能化阶段，意味着对用户数据采集和标签体系能力要求持续提升，即数字化营销业务应用发展趋势将持续引领和推动业务型CDP的建设。
作为业务型CDP建设核心驱动力，数字化营销业务应用场景也将对业务型CDP提出关键能力要求：
一是以用户为中心的全要素、实时性数据处理；二是湖仓一体化架构下的GDM（统一数据模型）实现；三是基于GDM的模型标签沉淀。
2.1 数字化营销采纳度提升，CDP建设成企业必然选择
数字化营销采纳度正在不断提升，业务型CDP建设将成为企业的必然选择。
从国外市场（主要是美国）来看，数字化营销业务应用经历了十余年的发展。
数字化营销可溯源至2009年营销公司Marketo注册的Marketing-cloud；到2012年，Adobe、甲骨文等公司纷纷提出营销云概念，并开始基于云技术开发营销解决方案；到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；当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（MMH）。
中国市场基本从2016年才开始尝试营销科技的探索；大部分企业从2018年才开始落地单点单渠道的营销技术为主要形态的解决方案，对于用户数据和营销解决方案之间的关联尚无深度认知。
图 2： 中美数字化营销发展对比
根据Morketing & Convertlab的联合调研（共调研105家企业），2020年国内已经使用过营销云并在进行更多探索和即将部署使用营销云的企业仅占比15%。即国内数字化营销解决方案采纳度处于早期采纳阶段。
关于2021年公司营销策略方面，超过50%的公司提及会试水新的在线营销方式，如直播和短视频等；39%的公司提及会将营销策略重点转为线上；更有22.6%的企业计划使用数据驱动的营销技术和系统提升营销效率，如CDP、CEM、MA等。
说明随着在线化渗透率快速提升、流量瓶颈愈发明显，国内企业对于数据驱动的数字化营销业务应用的采纳度将不断提升，即国内市场数字化营销业务应用的甲方采纳度将快速提升至早期多数采纳阶段。
图 3： 甲方采纳度曲线
2.2 数字化营销从数据化走向智能化，推动业务型CDP建设
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，而具体到特定企业落地，则需要做个性化考量，按需推进数字化营销。
虽然甲方企业对于“客户资产”和“CDP的定义和业务价值”的认知存在很大的差异，但是基于用户数据沉淀和分析进行数字化营销却是统一的既定动作。数字化营销要求围绕用户全生命周期做运营。处于认知、兴趣、购买以及忠诚四大阶段的用户，其营销需求存在很大差异，需要进行针对性触达和互动。
处于认知阶段的用户，主要诉求是建立对品牌的深层次了解和认知，营销需求主要是持续曝光；
处于兴趣阶段的用户，需要通过活动营销和内容营销提升活跃度，不断将兴趣用户转化成购买用户；
处于购买阶段的用户，主要通过活动促销、产品权益等方式促进消费，提升复购率；
处于忠诚阶段的用户，主要通过品牌渗透、会员权益等方式进一步提升客户生命周期价值。
图 4： 覆盖用户全生命周期的数字化营销
在数字化营销业务场景中，业务人员根据营销需求进行客户旅程设计，构建自动化、程序化的全渠道互动触达能力。简而言之，就是在正确的时机、通过正确的渠道、以正确的内容与用户互动。
AIPL模型是数字化营销通用方法论，针对AIPL不同阶段的用户进行运营，需要实现定向投放、个性化推荐、交叉推荐等数字化营销场景，其背后是标签模型支撑。而标签模型效果则基本上取决于业务型CDP的成熟度。（业务型CDP的成熟度评估见第三章）
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。
从企业需求层面来看，随着企业对用户运营的重视度提升以及用户数据的积累、分析模型的效果提升，数字化营销也将从数据化、自动化走向智能化阶段。智能化阶段的数字化营销，意味着数据驱动的业务应用实现，届时对业务型CDP建设的要求会更高。
图 5： 业务型CDP在数字化营销各阶段价值
2.3 业务型CDP关键能力一：以用户为中心的全要素、实时性数据处理
显然，作为业务型CDP的核心驱动因素，随着以数字化营销为代表的业务应用不断发展，业务对数据的要求和依赖将会越来越高。数据处理是CDP首要的关键能力。
根据数据处理流程来看，业务型CDP数据可分为基础数据、资产数据、标签数据以及应用数据这四大类型。
基础数据是指官网、电商平台、公众号、小程序等全渠道的用户全维度匿名/实名信息，包含用户属性数据、行为数据、订单数据等，比如汽车行业，基础数据维度涵盖用户以及跟用户相关的车、顾问等维度的数据。基础数据收集要求业务型CDP具备全渠道触点的数据追踪和采集能力，并且需具备开放性和可扩展性，能够通过标准API接口添加、扩展企业所需的其他触点。
资产数据是指基础数据经过治理后形成的结构化数据，要求业务型CDP平台能够将不同来源的数据进行融合、清洗、校验、结构化处理，形成用户唯一ID，并进行有序、持久存储。
标签数据是用于营销模型实现的数据， 最终用以支撑精准用户获取和精细化用户运营相关场景落地。基础标签可进一步按照标签规则和计算形成用户360度画像、人群细分等复杂标签数据。标签数据的应用和价值变现要求业务型CDP平台具备完善的标签体系。
应用数据是指可导出用于数据分析、数据洞察的宽表。为满足不同部门对于数据分析的需求，要求业务型CDP平台能够对接多个外部系统，将加工好的数据通过标准的API接口提供给其他工具（如驾驶舱等BI应用）进行应用，或推送至不同部门。
根据数字化营销业务应用将从数据化走向智能化的发展趋势来看，业务型CDP的数据处理关键能力体现在以下两个方面：
一是用户全生命周期全要素闭环数据处理能力。全面高效采集以用户为中心的全要素数据，包含但不限于用户基础数据、订单数据、商品数据等；并且围绕认知、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。
二是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。
图 6： 业务型CDP的数据处理关键能力
2.4 业务型CDP关键能力二：湖仓一体化架构下的GDM实现
随着越来越多的企业认识到用户数据资产管理和应用价值，CDP应该具备以用户为中心的全要素、实时性数据处理能力，已然成为共识。全要素、实时性的大数据处理能力的背后，是大数据技术基础的支撑。
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。
图 7： 大数据技术发展阶段
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。
数据存储结构层面，湖仓一体化架构的业务型CDP不仅实现了成本和效率的最佳组合；更重要的是，提供了面向业务的模型表，从而能够搭建GDM（统一数据模型）并定义标准化数据格式，实现对业务对象、及其关联关系的统一规范的描述，并支持外部识别和对接。
湖仓一体化模式下的GDM实现是业务型CDP关键能力，也是业务型CDP的独特之处和最大优势。
图 8： 湖仓一体化模式下的GDM实现
在统一的数据规范基础上，企业可灵活扩展自定义对象，完成满足业务需求的数据建模。从根本上解决CDP产品面对的越来越复杂的数据治理难题。
如下图所述，通过GDM，企业可快速将客户、客户订单、客户事件、人车关系、客户群组、汽车、4s店、维修单等对象建立关联关系，完成复杂营销场景需求下的数据建模。
在实际的操作中，还可通过可视化ER图的方式，进行拖拉拽操作即可完成数据/标签建模。
图 9： GDM在汽车行业的实现
在实际落地过程中，用户全生命周期全要素闭环数据处理流程中的每一步都不轻松。
首先，在CDP的部署上线过程中企业IT人员就面临数据采集和治理难题，从CDP数据处理流程的视角来看：一是「基础数据」的形成过程面临多元化数据接入的挑战，全渠道触点布局和全量数据接入对CDP的埋点能力、数据连接能力提出较高的要求；二是「应用数据」的输出，要求CDP能够高效对接MA、BI等业务应用系统。
其次，除了上述IT人员面临的数据治理问题以及数据分析师等角色面临的数据建模问题，CDP的一类重要终端用户——营销、运营人员，也面临资产数据沉淀方面的挑战。
应对以上难题和挑战，湖仓一体化架构下的GDM实现必不可少。
由于GDM能够将多种格式数据快速转化为统一建模语言，对于IT人员和业务人员来说，不同的数据来源也来带来一样的理解，大幅度提升数据连接和治理效率。因此业务型CDP中，基础数据的集成、资产数据的沉淀以及应用数据的输出和对接，都是基于GDM进行数据映射。
以资产数据的沉淀为例，需要完善、强健的ID-Mapping机制。具备GDM能力之后，原本异构数据打通和治理过程中以散乱表结构存储的对象、关联关系等，将会形成按照业务逻辑抽象的统一范式，并能基于可视化拖拉拽方式，进行One ID策略设计和落地，大量节省业务人员策略设计、IT人员ID-Mapping模式中双方的来回沟通时间和精力投入（并且可能陷入一有策略改动，就要经历长周期定制化开发的模式）。
图 10： 基于GDM的数据映射
2.5 业务型CDP关键能力三：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。（关于规则标签和公式标签将在4.1进行详细分析）
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。由此，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。
3. 业务型CDP现状与挑战——成熟度评估
3.1 业务型CDP成熟度评估模型
根据前言中的定义，业务型CDP是支撑业务部门实现数字化营销等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落地，最终实现业绩增长的目标。
因此，业务型CDP建设应该以用户价值为核心，以精准用户获取和高效用户运营等业务应用为目标，对用户数据进行管理和应用。其中，数据基础是用户价值和业务应用实现效果的决定因素；由于涉及到客户服务和营销等不同业务流程，因此组织支持是业务型CDP建设的基础支撑条件。
① 用户价值：用户价值思维而不是产品或者渠道思维，即用户生命周期价值导向，注重用户资产化，关注用户增长、复购以及用户对企业的忠诚度；
② 业务应用：指数字化营销场景，主要是精准用户获取和精细化用户运营，包括触达方式、互动方式（含营销内容与时机）、购买体验以及口碑传播等；
③ 数据基础：C端用户的全生命周期数据，主要指基础数据、资产数据、标签/画像数据以及应用数据四大类数据的完备度和应用程度；
④ 组织支持：主要涉及决策层支持、预算支持以及数字化营销、运营团队支持
根据业务型CDP的要求，爱分析从用户价值、业务应用、数据基础三个维度对业务型CDP进行成熟度评估，旨在帮助有业务型CDP建设需求的企业厘清建设目标、评估企业业务型CDP现状，并提出业务型CDP建设路径。
图 11： 业务型CDP成熟度评估维度
其中，业务应用和数据基础涉及到业务型CDP的建设和运营现状以及长期建设方向，主要包含CDP、DMP、CRM等系统现状，以及用户画像等相关数据应用深度，需要甲方企业与供应商紧密协作；
用户价值和组织支持主要由甲方业务属性和战略规划以及组织架构建设决定。
业务型CDP建设对于企业的重要性等级，由用户价值以及业务应用的重要性等级决定，跟企业本身业务属性（对应用户价值）和数字化营销业务应用战略（对应业务应用）相关。业务型CDP建设的成熟度等级，则由用户价值、业务应用以及数据基础三个方面的成熟度等级决定，是对甲方企业当前在以上维度的实际建设和运营进展做评估。
重要性和成熟度具体释义，以及相关指标和对应功能如下表所示。
图 12： 重要性和成熟度具体释义
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，每个维度的成熟度分为4个级别（0-3级）。
由于业务型CDP建设以支撑精准用户获取、精细化用户运营为导向，而不同行业、不同企业对C端营销、运营的需求有较大差异，因此对于不同企业来说，用户价值和业务应用的重要性不同，对应的目标成熟度也不同。
并不是所有企业的用户价值和业务应用维度目标成熟度都需要达到3级，用户价值和业务应用对企业的重要性，决定了对业务型CDP成熟度的要求。而对于所有需要建设CDP的企业来说，数据基础的重要性都是3级，对应的目标成熟也是3级。
图 13： 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，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。
以国内领先的某乳制品公司为例，经过爱分析多方调研，该乳制品公司的业务型CDP成熟度评估结果如下。
整体来看，用户价值重要性为1级，但成熟度也为1级，对于用户价值的认知较为清晰，业务应用需要继续做加强，但整体数据基础薄弱。因此：
数据层面，需要沉淀完整的一方数据，并进行体系化标签建设，用于优化广告投入、并开展精细化用户运营以进一步提升复购率。
业务应用层面，广告投放有一定应用，但精细化用户运营缺失，需要做加强以便支撑长期更高的转化率和复购率。
数据基础、业务应用达到比较均衡的状态之后，二期规划考虑进一步提升业务应用深度。
图 14： 某乳制品公司业务型CDP成熟度评估结果
3.2 国内CDP落地的进展与挑战
消费品领域是数字化营销业务应用的排头兵，因此从消费品品牌商业务型CDP落地进展中，可以窥探业务型CDP当前整体挑战以及建设思路。
根据商务部消费品分类，10大类主要的消费品包括：食品、服装鞋帽、母婴用品、化妆品、家居和家装用品、电器电子产品、文教体育休闲用品、钟表眼镜、珠宝首饰、乘用车，代表10个细分的消费品品牌商。
10个细分消费品品牌商的获客成本、upsell空间如下图（图15）所示。整体来看，客单价越高的品牌一般而言，客单价越高的消费品，获客成本也越高，因此横坐标轴同时代表获客成本和客单价。
如图所示，获客成本（客单价）越高，Upsell空间越大，用户价值重要性越高。虽然不同细分消费品的用户价值重要性存在差距，但都处于1-3级之间，即所有消费品品牌商都有建设业务型CDP的需求。
按照用户价值高低将消费品领域分为两大类（图示蓝色和白色），根据爱分析调研情况来看，各类企业均根据自身业务价值重要性展开了CDP建设，且业务价值成熟度基本达到业务价值重要性同等级水平。但数据基础和业务应用的成熟度还有待提升。
用户价值相对较低的品类，其数据基础成熟度基本在1级，业务应用成熟度基本在2级。此类企业建设MA、CDP等应用相对较早，但由于其高频、低客单价的业务属性，看重业务效果而忽略了基础数据的长期建设。
用户价值相对较高的品类，其数据基础成熟度基本在2级，业务应用成熟度基本在1级。相比于用户价值度相对较低的企业，此类客户虽然整体启动CDP时间更晚，但由于用户价值高、获客成本也很高，因此更加看重长期的精细化运营体系建设，愿意投入预算和精力来进行数据基础的建设。
图 15： 消费品用户价值现状
从企业建设业务型CDP成熟度评估整体结果来看，用户价值基本达到目标成熟度水平；业务应用成熟度距离目标成熟度尚有一定距离；数据基础建设不足。
企业普遍对数字化营销业务应用ROI有期待，却无合理的衡量标准，一定程度上处于观望状态，这将对数据基础的预算投入产生影响；而数据基础建设不足的更是直接影响业务应用效果。
因此，国内业务型CDP落地面临的核心挑战是：业务应用ROI未达预期与数据基础建设不足相互制约。
图 16： 国内业务型CDP落地挑战
数字化营销是业务型CDP建设的核心驱动力，因此数字化营销相关业务应用ROI未达预期，很大程度上制约了企业对业务型CDP建设预算投入。
根据爱分析对各领域头部企业CDP相关负责人的深度调研，由于业务应用价值ROI未达预期，制约了业务型CDP的建设，导致数据基础建设不足；而数据基础建设不足也会影响业务应用的价值释放。即业务应用ROI未达预期与数据基础建设不足相互制约，是业务型CDP面临的核心挑战。
进一步分析发现，业务应用ROI不达预期和数据基础建设不足这个负面循环的症结在于，基于标签数据的支撑能力不足，从而没有形成可直接面向业务人员开展营销、运营日常工作的标签工具体系。
根据爱分析对品牌商的调研发现：
数据基础建设主要面临以下两方面挑战：① 数据接入成本高、效率低，造成基础数据的体量和质量不达预期，无法真正发挥CDP的价值；② 数据治理难度大、成本高，造成资产数据支撑力低，从而直接影响标签数据的可应用程度。
而业务应用ROI不达预期的原因更为直接，一线业务人员不具备对标签数据」进行基于业务逻辑的梳理和灵活应用能力，往往需要IT人员的按需开发才能实现业务价值落地，期间的沟通成本和时间成本阻碍了业务场景的落地，业务应用ROI自然不达预期。
4. 业务型CDP建设思路——模型标签驱动业务落地
如前所述，国内业务型CDP落地面临的核心挑战是业务应用ROI未达预期与数据基础建设不足相互制约。症结在于标签数据支撑能力不足，从而没有形成可直接面向业务人员开展营销、运营日常工作的标签工具体系。
因此，业务型CDP的建设应该从标签体系重点突破，建设思路是模型标签驱动业务应用落地。
如图所述，首先要解决业务型CDP建设的核心问题 —— 以GDM为基础完善标签体系，搭建面向业务人员的模型标签体系，从而驱动业务应用落地。其次，要为标签体系建设提供数据基础保障，提升标签数据质量，使其能够支撑模型标签体系搭建。
在长期的业务运营过程中，数字化营销业务的业务效果反馈以业务逻辑和运营策略抽象至标签体系中；而不断迭代和完善的标签体系，也会持续驱动标签数据质量的提升，以这种正向反馈打破业务应用ROI未达预期与数据基础建设不足相互制约的魔咒，驱动业务应用落地。
图 17： 业务型CDP建设思路
4.1 愿景：沉淀行业通用模型
按照所需标签能力差异，可将标签分为4大类，从规则标签到业务个性化标签，对标签能力的要求越来越高，同时标签系统对业务人员也越来越友好。
规则标签是基于对象的属性，满足一定规则条件所生成的标签。
公式标签是基于对象的属性或事件，通过组合函数计算生成的标签，可分为计算标签值和计算标签值权重。基础型公式标签一般只实现特定功能，比如两项求和；而相对高阶的公式标签是提供函数能力，终端用户能够按照业务需求进行灵活的标签体系建设和运营。
模型标签是使用预先定义好的规则，通过调整规则的不同参数而生成的值，如 RFM 标签、品类偏好等。模型标签提供了一种普适性的模型，预置标签规则，只需通过调参即可完成标签设计。
业务个性化标签是针对以上几种标签均无法满足业务需求的情况下，一线业务人员可基于通用数据语言进行标签模型设计，支持更复杂的条件与分支判断，能够满足各种复杂和个性化业务场景需求。
图 18： 标签类型
规则标签对CDP产品能力的硬性要求是规则计算，公式标签对CDP产品能力的硬件要求是规则计算和公式计算，以上两种能力都只能将高度重复的、简单易于实现的业务经验配置到标签体系中，因此对于业务的支撑能力也相当有限，这也是CDP业务应用ROI不达预期的核心原因。
因此，业务型CDP的关键能力 —— 基于GDM的模型标签沉淀，正是解决业务应用ROI问题的核心抓手。
模型标签要求CDP产品具备业务逻辑沉淀能力以及支持通用数据语言进行查询与计算。
实际上，业务型CDP产品的独特之处和最大优势——湖仓一体化模式下的GDM实现，从数据流通的视角来看，其逻辑就是通过通用数据语言统一 ”数据通信”。
比如，Convertlab的业务型CDP产品——Data Hub，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。
有了通用数据语语言言，不仅仅解决了基础数据、资产数据、标签数据以及应用数据之间的通信问题，以及CDP与数据源相关系统和应用数据输出相关业务系统之间的通信问题； 更重要的是，业务人员能够进行灵活的标签模型搭建，从此摆脱对于IT人员的强依赖，从而架起数据到业务应用之间的桥梁。
对于业务人员来说，随着业务型CDP的不断普及，通用数据语言能够为其日常工作带来更加显而易见的价值 —— 基于沉淀的行业通用模型，极大地提升模型搭建和运营效率。
图 19： 沉淀行业通用模型
可见，通过解决“数据通信”和业务可视化操作问题，行业通用模型才是CDP真正高效率落地至业务应用的核心驱动力。
不同于场景型CDP基本针对特定数字化营销场景提供数据基础，以及大数据平台型CDP完全依赖IT进行数据治理和梳理、甚至是标签配置，业务型CDP通过GDM的实现，提供了面向一线业务人员的可操作性的、灵活的、高效的标签模型体系。
同时，随着业务型CDP的不断普及，沉淀特定行业业务逻辑的GDM支撑下的标签模型，能够使标签搭建和运营变得无比轻松，从而能够高实现效驱动业务应用落地。沉淀行业通用模型是业务型CDP的愿景和方向，当前，业务型CDP 正在通过实际落地不断沉淀和打磨行业通用模型。
4.2 地基：构建产品化数据连接能力
在上述“数据通信”中，业务型CDP与其他系统和应用之间的“数据通信”是重中之重。
业务型CDP四大类型数据之间的数据通信，属于产品内部的互通逻辑，基于通用数据语言即可实现；而「基础数据」的形成以及「应用数据」的输出，均涉及到与其他业务系统或者应用之间的数据互通，且不同类型的系统和应用、或者不同供应商提供的系统和应用其数据格式都不一样，这也是CDP建设过程中最耗时费力的部分。
因此，如何做好与其他业务系统之间的“数据接入”和“数据输出”的“数据通信”工作，是业务型CDP的地基，也是重大挑战。从业内实际经验来看，在GDM支撑下构建产品化数据连接能力是个很好的思路。
图 20： 构建产品化数据连接能力。
如图所示，产品化数据连接能力即各类连接器，旨在基于GDM实现不同系统之间的数据互通。
从数据源角度来看，包括支持SFTP、 HDFS、 COS等文件连接器、 支持MySQL，PostgreSQL等数据库的JDBC连接器、支持HTTP的API连接器以及支持微信、各类数据分析系统等应用的SaaS应用连接器。通过构建覆盖多数据源的连接器，能够满足业务型CDP高效率、高质量采集用户全生命周期全要素数据的需求。
值得关注的是，基于API连接器实现实时数据采集和同步，这是业务型CDP能够支撑实时营销等特定数字化业务应用落地的必要条件，也是实现自动化、智能化数字化营销等业务应用的重要数据能力。
4.3 进阶：走向数据驱动的一体化、智能化业务型CDP
业务型CDP必须明确建设目标——支撑数字化营销业务应用实现。即数据基础建设必须从业务应用需求出发。
业务应用分为两个层次。一是拉新、销售转化、复购、交叉销售等业务指标，是业务应用效果的量化体现；二是支撑上述业务指标实现的营销与运营策略，即以用户旅程为基础，进行营销流程设计、营销策略沉淀（比如事件营销、节日营销、社交裂变营销等）以及营销策略优化（比如A/B测试）、个性化预测（比如NBA）等。
在基于GDM的标签体系下，业务型CDP能够支撑营销与运营策略落地、从而助力业务指标提升。这一过程中，GDM数据是驱动数据基础成功变现为业务应用的关键所在。
而不论是GDM的抽象逻辑、还是数据基础的建设，都要从业务应用出发，最终走向数据驱动的一体化业务型CDP。
图 21： 数据驱动一体化业务型CDP
此外，对应业务应用从数据化、自动化到智能化的发展路径（第2.2节业务应用驱动CDP建设核心内容），智能化也将是业务型CDP长期发展的必然之路。
可见，在实现沉淀行业通用模型的道路上，业务型CDP不但要脚踏实地构建产品化数据连接能力；而且要瞄准未来，适时走向数据驱动的一体化、智能化业务型CDP。
4.4 底线：夯实数据合规应用机制
随着《个人信息保护法》的正式施行，CDP首当其冲成为企业自我查检的重要区域。在此趋势下，业务型CDP要想在保证合规的同时，最大程度挖掘和释放数据价值，就必须守住底线 —— 夯实数据合规应用机制。
完整的数据合规应用体系应该在满足数据法规要求的前提之下，最大程度的发挥数据价值。具体落地过程中可从以下三个层面做全面考量。
一是从数据运营视角来看，能够让企业按照字段、并且选择合适的加密方式满足数据存储、传输过程中的数据安全要求。
二是从用户层面来看，从采集数据开始的授权管理、到应用数据过程中必须遵守的偏好管理，都需要按照用户知情且同意的原则，做好数据使用许可工作。比如偏好管理中，需要记录用户希望通过什么渠道、在什么时间、以何种沟通频率、沟通什么内容。若圈选规则不符合用户偏好，将限制其数据被输出、利用。
三是从场景层面来看，按照各个场景的数据披露限制性要求，对数据进行加密、去标识或者去字段等处理。
图 22： 业务型CDP数据合规应用机制
5. 业务型CDP落地——选型
在进行新兴解决方案规划过程中，相当比例的企业会参考同类型企业的实践案例，或者在供应商选型过程中，着重考察厂商的过往标杆案例，以最大程度的降低选型风险。业务型CDP就是2022年以及未来2-3年内企业将重点考虑的新兴解决方案。
实际上，根据业务型CDP成熟度评估模型来看，企业在用户价值、业务应用、数据基础以及组织支持四个维度均存在差异，因此同行的最佳实践案例并不意味着同样能在其他企业复制，能够提供光鲜亮丽的标杆案例的供应商，也不一定就是所有企业的最佳选择。
爱分析认为，企业应该基于业务型CDP成熟度评估模型，合理评估自身需求和能够为此提供的支持，选择在业务需求方面能满足自身条件、同时具备技术领先性的供应商进行业务型CDP的建设和长期运营。
一般来说，企业选型过程中，对供应商的评估分为解决方案以及商务两个部分。其中，如何从解决方案视角来甄选合适的供应商，本白皮书的结尾将给出一些建议。
业务型CDP成熟度由用户价值、业务应用、数据基础三个维度共同决定，因此企业进行业务型CDP选型也可以从成熟度评估模型的三个维度出发，对比评估各厂商的业务型CDP解决方案优劣。
图 23： 业务型CDP选型参考
首先，用户价值维度的成熟度主要由企业用户数据应用程度决定，而用户数据应用程度取决于标签能力。因此业务型CDP厂商在用户价值维度的能力主要取决于其解决方案建设思路：能否从模型标签驱动业务应用落地角度出发。从湖仓一体化技术架构体系来看，GDM是模型标签体系搭建和运营的必要保障，因此能否基于GDM进行营销要素数据化并沉淀行业/领域通用标签模型，是判断厂商能力的最重要因素。
其次，业务应用维度的能力主要体现在数字化营销等业务应用场景理解方面。具备MA等数字化营销业务应用场景实现能力的厂商，能够从数据-业务一体化视角进行标签模型和业务型CDP的建设，具备很强的优势。
最后，数据基础维度的能力则体现在业务型CDP的关键能力方面：一是以用户为中心的全要素、实时性数据处理；二是湖仓一体化架构下的GDM（统一数据模型）实现；三是在基于GDM的模型标签沉淀。
6.结语
近年来，消费者生活及工作的线上化习惯使得企业加快数字化步伐。而新冠疫情无疑加速和催化了数字化的进一步发展，数字化成为企业普遍的战略重点。对营销领域而言，公域流量虽然广阔，但成本高企、已然红海一片，高可控、低成本的私域也已进入下半场，数据驱动增长，越来越成为业界共识。
CDP作为品牌商营销工作的中心枢纽，通过全渠道、全场景数据采集、治理，在安全合规的前提下，将品牌商的用户数据最大程度地资产化、标签化，帮助企业构建数字化广告投放及用户运营体系，最大化的释放品牌商私域用户全生命周期价值，引领品牌商营销、用户运营体系走向自动化、智能化。尤其是兼顾业务场景、技术能力和易用性的业务型CDP，将有助于最大程度激活品牌商的营销及用户运营能力，为企业公私域高效联动提供强有力支撑。
我们相信，未来，CDP尤其是业务型CDP将拥有更为强大的数据集成、合规、智能化能力，通过深挖数据价值与潜能，系统化地对品牌商的营销和用户运营进行深度赋能，助力品牌商实现持续稳定的业绩增长。
主创团队
张扬
爱分析联合创始人&首席分析师
李喆
爱分析合伙人&首席分析师
姜凯燕
爱分析高级分析人
文鸿伟
爱分析高级分析师
外部专家
刘金砚Convertlab市场VP
李征 Convertlab联合创始人兼CTO
