3年后今天CDP能做什么？紛析測評深演AIphaData看CDP最新發展趨勢

前言：本次我們要評測的是一款CDP+MA的智能解決方案。在過去的三年，CDP從最初的群雄混戰到現在的歷經市場考驗，進入由比拼概念到更貼近實際業務的階段。

這背后，是供應商技術能力的不斷分化（強者更強），以及企業的成熟度的提升。另外，行業中數據生態的巨大變化（圍墻花園和個人信息保護法），也更加導致企業在營銷系統上應用的成熟度進一步加深。這些都驅使數字營銷系統工具進一步進化。

以深演智能出品的AlphaData這個工具為例，我們一起剖析下，現在的工具都發生了什么？

測評大綱：

1. AlphaData是什么？

2. AlphaData的主要功能

3. 應用建議

AlphaData是什么？

AlphaData是企業用戶全域數據的智能管理平臺，支持全渠道，全鏈路，全生命周期的智能消費運營。它的核心定位是CDP，但又不僅僅只是CDP。

AlphaData的主要功能

單從操作界面上來看，AIphaData似乎與傳統的CDP差別不大。但如果我們從業務角度和應用角度看，會發現相當多的不同點。

先從它的整體結構入手，可以看出它跟傳統CDP較為明顯的差異。傳統CDP一般是數據的獲取、數據的組織、數據的應用。而AlphaData則分為四個層次：基礎數據層、數據治理層、應用數據層和業務應用層。如下圖所示：

基礎數據層：支持多種數據來源接入，包括線上線下的全域數據接入以及從廣告投放到轉化售后全鏈路的數據接入；

數據治理層：在傳統的基礎數據層和應用層之間，增加了數據治理層。圍繞最具有普遍性的業務應用對數據進行先期的深入的建模和處理，從而能夠將數據的能力適配到更廣泛的營銷應用場景之中；數據治理層是這個工具體系中的重要結構，也是其中的一個主要亮點；

應用數據層：這是CDP中最基礎但也是最核心的功能：標簽與人群圈選；

業務應用層：在客戶洞察和自動化營銷功能模塊加入智能模型，同時將行業智能模型沉淀在系統中，助力業務人員實現更高水平的運營。智能化是其中重要的特性和亮點。

下面我們分別來看看每一層級的具體功能特點。

1.基礎數據層

1.1.可接入全域數據

CDP的主要數據來源是以下六大類。不同來源的數據獲取難度不同，接入系統的難度也不同。以業務場景最為復雜的汽車和零售行業為例，涉及線上線下多種數據來源包括：消費者的數據、車/商品/銷售人員的數據、線下門店數據、POS機數據、企業內部多系統的數據等。

但無論是上述哪種數據來源，AIphaData都可以通過監測代碼、客戶端SDK、數據倉庫連接等多種方式進行全域的數據采集。同時也支持多種類型的數據源直接接入。

上圖：AIphaData DataFoundation的數據管理中接入數據源界面

上圖：AIphaData DataFoundation 數據管理中管理數據源界面

2.數據治理層

2.1.面向業務的數據模型

一般數據接入后，IT同學會進行相應的數據建模工作，但對業務同學而言卻仍是數據黑盒：我依舊不知道自己到底使用了哪些數據。那AIphaData是如何解決這個問題的呢？在數據接入后，IT同學可以在AIphaData的數據管理界面進行配置。根據具體的應用場景從基礎表中抽取字段建立檔案表和事件表，并為使用到的表和數據字段添加文字描述，便于業務人員查看和理解使用到的數據都有哪些。

其中檔案表的結構是ID+屬性，比如公眾號的粉絲

表、CRM中的會員表；而事件表的結構也是ID+屬性，比如注冊表或訂單表。乍看之下，檔案表和事件表的結構相似，那為什么還要有兩種數據結構呢？

上圖：AIphaData事件表示例

上圖：AIphaData檔案表示例

CDP的特點就是建立以人為核心的數據洞察，但AlphaData的產品經理發現，在實際的業務中僅從人的維度出發是不夠的。比如汽車行業，可以為某一個車型構建洞察：這個車型的哪種配置更好賣，這個車型的成交周期有多長，這個車型的哪些特性更受消費者的

，以及什么樣的消費者更

這個車型等，這是從“貨”的角度出發；而對于擁有大量線下門店的企業，需要從門店的維度出發，了解單店的銷售情況，這又是從“場”的角度出發。因此，AIphaData的數據模型結構打破人的維度局限，從“貨”“場”上進行補充，即AlphaData的核心數據體系，不僅僅是以人的數據為核心的體系，也可以以“貨”（商品）和“場”（場景）的數據為核心。

所以，把以人為核心的數據結構，拓展成以人、貨、場為核心的多維度數據結構，就必然需要使用到并列的數據結構。即“ID+屬性”和“ID+行為”并存。其中“ID+屬性”能夠很好地覆蓋對“貨”和“場”的數據描述需求。

來看下面的應用場景就更能體會上述數據結構帶來的業務價值：

在汽車主機廠的售后業務中，我們希望能對潛在換車車主進行定向營銷。那就需要能根據每輛車的行駛里程、維修保養記錄等數據建立預測模型：即每輛車被置換的概率有多大。而這個預測模型就是基于車的維度出發的，基于此可對高置換概率的車主進行針對性的營銷，實現“圈車找人”的場景。

而在景區游樂園的業務中，也有類似的需求。比起單個消費者的單次消費情況，還需要了解年卡用戶的激活和使用數據。而這就需要從卡的維度進行數據查看和分析。

上圖：AIphaData創建群組界面

2.2.One ID產品化

OneID是通過ID mapping的方式將用戶的設備ID、微信UnionID、手機號碼等映射成統一的用戶ID。但在實際操作中，會發現存在諸如：匹配率低、屬性沖突等問題。

匹配率低，一方面要通過數據源的質量控制來解決，另一方面也依賴于更好的OneID合并算法，例如圖計算方式，比簡單的純粹選擇某種ID作為主鍵進行打通的方式要有更好的匹配率。AIphaData中提供基于多維消費者ID的自建規則的自動ID打通能力，也支持全部這些ID打通的算法。

而面對打通ID時候的屬性沖突，AlphaData支持靈活的自定義合并規則。

例如用戶A的性別同時出現男，女兩個屬性值，CRM中顯示男，小程序中顯示女，基于CRM的數據源優先級更高的合并規則，當發生沖突時屬性合并結果為男。

上圖：AIphaData數據管理中的ID設置界面

此外，在我們服務的客戶中發現OneID的打通還存在業務盲區問題。一般公司的OneID打通主要由IT人員來實施，打通效果依賴技術能力，而打通規則對業務而言完全是個黑盒。只有在使用時吐槽：為什么我最后圈出符合條件的人只有3個？數據到底打通了多少？

AIphaData基于多行業客戶的經驗，構建了相對豐富的OneID融合策略的沉淀，并將之全面產品化至AlphaData內。這意味著企業可以完全省去代碼開發環節直接使用AIphaData現有成熟的OneID解決方案，再進行靈活配置即可開箱即用。保證了ID融合的質量和交付時間，同時對業務人員來說規則也是可見的。

上圖：AIphaData中OneID配置界面

3.應用數據層

CDP最主要的功能就是識別人、管理人和影響人。其中標簽引擎和人群圈選是最基礎但也是最主要的功能。

3.1.標簽引擎

AIphaData的標簽引擎有兩個很有意思且實用的點：

一是除了傳統的給“人”打標簽外，還可以給“貨”“場”打標簽。如下展示就是汽車行業給客戶和車輛都建立獨立的標簽體系。

上圖：AIphaData標簽體系界面

而能對“貨”“場”打標簽就是得益于我們在面向業務的數據模型中提到的，AIphaData特殊的數據結構。

另一個亮點功能是智能標簽，這背后是其AI引擎福爾摩斯的能力應用體現。

一般而言，業務人員都是強GMV導向的運營思路，導致實際的運營場景很局限：

大促引流：選出近期訪客或是加購未購的用戶，推送優惠券；近期購買用戶做look-alike后在媒體投放。

老客促活：對之前購買近期沒有訪問的用戶，推送優惠券。

無論是哪種營銷方案，基本邏輯都是訪問和購買的變相組合，因為這是最好判斷用戶購買傾向的特征。而智能標簽則為業務提供更多的數據參考維度。

以快消行業為例，智能標簽可以對用戶的復購傾向、復購周期、流失可能性、折扣偏好甚至是觸達偏好進行預測，并生成智能標簽。幫助業務形成更高層級的運營動作，而不單是圍繞訪問和購買進行粗放的運營。

上圖：AIphaData模型管理界面

目前有智能模型沉淀的行業有：汽車、美妝、快消、保險、零售等。

那智能標簽具體是怎么生成的呢？

方式一：已證模型直接導入AIphaData，設置特征值后即可使用；

上圖：AIphaData模型管理中導入模型界面

方式二：基于技術設置的基礎特征值，利用AIphaData的【模型管理】選取特征并設置模型參數，進行訓練驗證。驗證成功后可以輸出智能標簽。

上圖：AIphaData模型管理中新建模型操作界面

如果功能到此為止，那仍是面向技術人員的邏輯。對業務人員來說，由于涉及算法參數的設置看起來未來仍需仰仗技術的支持。

AIphaData增加【模板庫】的功能，庫內的模板均來自于對應行業內客戶被證實可用的模型。業務可以通過拖拽模板，依據業務經驗修改特征即可建立自己的智能標簽。

上圖：AIphaData模型管理中通過模板創建模型

生成的智能標簽在自動化營銷中有更深入的應用，在后面具體應用中結合實際案例再詳情介紹。

3.2.人群圈選

“你不知道業務的圈人規則有多奇葩”這是最近聽到IT同學對業務提出的人群圈選需求的真實吐槽。可見，一套支持各類業務場景的人群圈選工具，并不如想象中看上去的那么簡單實現。現實情況是，很多客戶搞到最后發現業務人員還是需要單獨發需求給IT，靠SQL代碼來實現人群圈選。

從AIphaData的自定義群組功能的實現上看到有很多業務沉淀的蹤跡。它支持多種條件自由組合（屬性、事件、標簽、所在群組），條件之間可設置AND/OR關系靈活應對業務場景的落地。

上圖：AIphaData中自定義群組設置界面

單從日期篩選的功能就可以看出AIphaData的業務靈活性：正常的日期篩選是按指定日期或日期區間這兩種方式。但如針對會員的生日營銷，AIphaData支持只看月/日的方式按生日時間對用戶進行分組，實現提前N天進行促銷信息觸達的場景要求。而針對月度campaign則可以通過年/月圈選不指定具體日期。以及部分零售行業的周X會員日活動，也可以根據訂單發生的星期篩選。

上圖：AIphaData中自定義群組設置界面

上述屬于基礎功能，此外還有更多進階能力：

AIphaData能基于自定義模型來圈人，同時考慮實際業務的需求上添加更多靈活性，如下RFM模型的應用：

R：一段時間內最近一次訂單來自天貓

F：一段時間內下單的天數，現實中存在拆單等場景，導致一天內有多個訂單記錄，只用次數不能反映業務需求，故支持了按天去重

M：一段時間內多筆訂單金額的合計值，根據需求也可以計算平均值、最大值、最小值

也可以對數值進行排序，然后選取指定分段的人群。如選出最近一年內下單用戶中，總金額在前30%的用戶。

上圖：AIphaData中自定義群組設置界面

除了圈人還可以圈選其他實體：在汽車行業中需要對最近一段時間內，發生過車機報警的車輛以及其車主推送4S店養護券的短信。如下篩選即可實現

上圖：AIphaData中自定義群組設置界面

更高階的應用，可以指定時間范圍內完成指定行為路徑的人。最近一年內先后完成了APP注冊、下單商品A、再下單商品B并且最近一次下單距今7天的人。

上圖：AIphaData中自定義群組設置界面

圈選人群后不僅可以實時查看預估人數，還可以查看對應人群的分析報告：包括用戶畫像分析、事件分析和屬性分析，幫助業務人員更直觀的了解新建的人群信息。

上圖：AIphaData對群組進行分析設置界面

4.業務應用層

4.1.自動化營銷

AIphaData內自帶MA模塊，開箱即用不需要額外的工具支持。該MA模塊已升級到MA2.0階段。與SCRM的MA1.0階段相比具有全域、智能和端對端的特點。簡單解釋下：

全域：主要指從數據的入口和出口的突破實現全域運營

數據入口：可以接入線上線下全渠道的數據

數據出口：打通公域廣告、智能客服、企微等公私域觸點

智能：個性化觸達策略的制定從依賴人工經驗到轉向算法智能推薦

端對端：基于前端拉新到后端運營的全鏈路數據打通，自動生成多維度的數據分析報表

自動化營銷的基本邏輯就是在合適的時間和合適的地方，向合適的人推薦合適的東西。對應到系統層面的即：觸發事件、觸達通道、目標客群和內容配置。

4.1.1.營銷任務

針對單線的觸發邏輯，不需要做額外的條件判斷，可以使用AIphaData【營銷任務】。

如新品上線的一周內，向所有會員發送短信邀請參與新品活動的營銷任務。

上圖：AIphaData中新建營銷任務界面

4.1.2.營銷畫布

而針對觸發條件有多條路徑的營銷事件，需要【營銷畫布】才能實現。AIphaData的【營銷畫布】體驗下來，真實的感受到行業技術的進步。

第一是觸達通道更加豐富，常規的觸達方式有短信、郵件、APP推送、站內信、公眾號模板消息、小程序訂閱消息等。AIphaData在此基礎上，增加了企業微信私信、企業群發消息、微信群發消息、抖音私信和抖音企業號消息推送、以及公域廣告推送。觸達通道的增加，擴寬了與用戶交互的場景。

其中廣告推送渠道包含媒體平臺和電商平臺等主流媒體平臺，實現圍繞用戶的全渠道運營不再限制于私域內。

上圖：AIphaData營銷畫布中廣告推送觸發設置界面

第二連接AI智能的應用，在標簽中我們提到的智能模型在畫布內也有強應用。比如智能模型預測用戶到店的概率：低 中 高，在畫布中我們可以針對三種類型的用戶制定不同的營銷策略。

現在短信的觸達率比較低，很多時候策略定下來了實施后效果卻很難保證。而智能渠道優化一定程度上可以提升觸達效率，現在不僅根據業務的主觀判斷而是根據用戶的渠道偏好選擇最優的方式進行觸達。

上圖：AIphaData營銷畫布中智能渠道優化設置

第三是在畫布中加入AB測試，針對同一群組的客戶，設置不同的自動化營銷方案。利用AB測試看看哪種效果更佳。實驗數據是實時更新的，方便業務隨時查看對比數據并做出調整。

上圖：AIphaData營銷畫布中查看AB測試的實時數據

第四是智能推薦與畫布的結合，簡化了畫布流程。沒有智能推薦時，我們是怎么做的？有ABC三款商品，先建立三個群組分別是對ABC商品感興趣的人，然后再進行推薦。如果要推薦的商品增多，那對應的群組數量也要增多，而現在只需在畫布中增加智能推薦的節點，選擇推薦模型和對應的產品即可，對業務非常友好。

上圖：AIphaData營銷畫布中智能推薦的設置

當然智能推薦的功能并不局限于此，我們后面會再詳細介紹。

4.1.3.智能推薦

智能推薦除了上述在營銷畫布中的應用外，還可以使用在網站、APP、小程序的商品推薦上。對于一些本身就沒有推薦引擎的企業來說，這個功能接入即可使用。但對于本身就有自己的推薦算法的企業，需要對比一下誰的效果更優。

不同的推薦位可以選擇系統內預置的推薦模型，同時還支持靈活的運營設置。例如，某些產品現在缺貨了，可設置排除項；而某些新品上線需要更多流量時，可以設置為置頂。此外，還有頻次控制和補足策略的設置。

推薦位都可以設置流量分配。對于想要與自己的推薦算法對比效果的企業而言，只需接入AIphaData的推薦功能，設置分配的流量即可對比出效果。若效果好，則可以加大流量傾斜或者直接使用AIphaData的推薦算法。

上圖：AIphaData推薦位中設置點位流量

分配界面與結果展示界面

4.2.數據分析

AIphaData的數據分析模塊，具有很強的實際業務針對性。

現在CDP的畫像分析都支持定義的維度選擇，但在實操中你會發現每次都需要重新創建分析看板其實是很麻煩的。AIphaData的【畫像分析】考慮到實際應用場景，新增【畫像模板】功能。也就是說你可以創建一個畫像模板，對不同群組進行畫像分析時，只需要套用這個模板即可，然后再根據需要調整個別指標或展現形式即可。

上圖：AIphaData中畫像模板創建界面

另一個很實用的功能是【屬性分析】。基于下圖的數據層次結構，標簽由單個或多個屬性或事件組成，因此一般的CDP系統都是遵循ID+標簽的角度進行使用與分析。

如果想看屬性的報告，就需要先把屬性轉成標簽然后再查看該標簽的分析報告。而在AIphaData中打破慣性思維，從業務應用場景出發，增加屬性分析功能：無需生成標簽即可直接查看分析報告簡化了操作流程。

上圖：AIphaData屬性分析界面

這種”實用主義“的精神也體現在事件分析功能中。如果你使用過用戶行為分析類工具如Google Analytics相信對事件分析并不陌生。但在CDP的工具加入事件分析，目前除了AIphaData，暫時還沒有發現其他類似產品。

那在CDP中加入事件分析可以干什么呢？

首先要明確一點，這里的事件分析不僅是人+事件，也包括貨+事件和場+事件。業務人員可以使用事件定義指標，使用事件屬性、人的屬性/標簽定義分析維度，從而可以不依賴于工程師即可配置出一張業務報表。

例如在零售行業中，需要查看各個品類的銷售情況。可以在【事件分析】中選擇要分析的指標如：訂單數量、訂單總金額、客單價等，選擇分析的維度是商品品類，快速生成對應的事件分析報告。

上圖：AIphaData中新建事件分析

并選擇分析指標

【漏斗分析】和【路徑分析】這兩個功能大家應該都很熟悉。AIphaData的優勢是接入從前端公域投放，到生意轉化甚至再到售后的全鏈路的數據。使得漏斗分析和路徑分析的使用范圍得以延展，同時也更具備業務指導意義。全鏈路的數據應用不止于此，還體現在【報表分析】中。

AIphaData的【報表分析】提供全鏈路的效果數據分析，從活動觸達、到中間環節的領券分析再到最終的交易轉化。覆蓋完整的用戶生命旅程，定位關鍵節點的轉化流失情況。

上圖：AIphaData中的活動效果分析報表

此外，AlphaData也可以作為量化營銷效果的驗證工具。

例如，AB測試功能在AlphaData中得到了大幅度地拓展。過去AB測試主要強調對單一頁面或單一場景下的多個頁面布局的測試，而在新的CDP中，AB測試可以對同類人群在不同的營銷方案中的效果表現進行測試。

最常見的，是利用AlphaData按照一定的規則和標簽篩選出一組目標人群，然后將目標人群中的人分為兩組，并將其中一組以某一種方式進行營銷推廣（例如以A流程和甲優惠券進行推廣）而另一組以另一種方式進行營銷推廣（例如以B流程和乙種促銷方式），然后比較二者的效果。

兩組人群的推廣方式都能夠通過AlphaData得到追蹤，從而能夠完整展現每一個過程及其效果差異。

另外，驗證體系的科學性也被強調。例如，通過AB測試及其他模型置信度驗證；運營結果數據也提供進一步挖掘的功能，從而能夠擴展AB測試的價值。這些價值體現在提升標簽豐富度，增強模型置信度，豐富更精細的用戶分析。

AB測試也不僅僅只是被動的測試。營銷人員也可以設置一個選項，即基于AB測試的實時結果，讓AlphaData自動為效果更好的營銷推廣方式增加流量。本質上，這與前面所講到的智能化下的推薦是很類似的。不再贅述。

4.3.數據輸出

AIphaData除了本身具備的系統功能外，還可以做為一個客戶數據源服務其他系統。不僅支持C端的應用，也支持B端的應用。比如在汽車行業中可以將AIphaData的數據推送到經銷商的DMS系統中，為經銷商賦能。

具體的實現方式主要有兩種，方式一是我們上面提到的通過API直接調用，例如調用個體級別的用戶畫像數據。

方式二是通過新建任務，選擇要輸出平臺（提前配置）以及具體要輸出群組數據不僅是人群包還包括OneID、屬性、標簽等數據以單次或定期的方式進行輸出。

上圖：AIphaData數據輸出設置界面

4.4.提升一方CDP數據質量

AlphaData不僅能管理現有一方數據，將一方數據進行治理加工后輸出到企業內部系統應用，AlphaData還能依托深演與媒體合作的深度以及自身的建模能力，為一方CDP拓展更多的應用場景

例如，AIphaData通過與京東的聯邦建模的方式，幫助客戶一方數據與京東站內數據進行建模匹配，對潛在高意向人群進行打分，用于京東站內外的廣告投放。

上圖：AIphaData與京東合作聯邦建模的

原理示意圖

紛析怎么看這個工具

總體來說，深演的AIphaData讓我們看到CDP從概念到實際應用的多點進化，這些進化代表著未來CDP的幾個非常核心的進化趨勢：全域、端到端，以及智能化。

全域，有幾個層次，第一個層次，是數據的來源和應用的出口，能夠覆蓋幾乎所有的數字化渠道。第二個層次，則是指能夠連通線上和線下。

端到端，則意味著CDP要能夠將消費者數據和業務數據拉通，甚至能夠實現圍繞“人貨場”三個維度的各自為核心視角的體系。

智能化，則應該成為CDP的底層基礎設施，意味著CDP不僅僅只是輸出被手工圈定好的人群包給營銷工具用于營銷，而是更加成為指導各種營銷工具發揮協同價值的“大腦”級別的中樞系統。

和Adobe體驗云強調的“Modern Foundation”類似，AlphaData將客戶數據接入、統一數據模型、標簽引擎等CDP產品模塊作為平臺底層能力，在此之上基于“客戶運營”這個主場景構建業務應用，包括人群圈選、自動化營銷、數據分析等，為運營人員構建“打標簽-圈人群-營銷觸達-數據分析”的閉環能力，與此同時，讓模型能力像“水”一樣體現在工作流中，支持智能化的客戶運營。

但與Adobe和Salesforce不同的是，AlphaData集成或者內置了更多的符合國內企業業務特征的模型、流程以及算法，并且與國內的數據生態和營銷生態具有更好的關聯性與綁定能力。

AlphaData的另一個不同點（這里的不同點與國內其他很多的工具也不同），是AlphaData的另一個設計理念是“專業的事交給專業的人”，偏底層的數據模型由深演專業的交付和運營團隊執行，客戶的業務人員主要使用業務應用層的功能，無需特別

底層數據的實現。

而CDP的這些進化，也將讓企業的一方數據在業務領域產生更大作用，并同時讓企業能夠基于自身的一方數據，驅動更多外部的數據與資源，從而創造更多的應用和價值。

本文轉自:Morketing