掌握客户数据的现代管理方法

本文探讨了现代客户数据管理方法，强调使用云数据仓库和机器学习来优化客户数据策略，避免追求不切实际的360度客户视图。通过案例分析，展示了如何提高营销效率和业务成果。

当许多组织考虑未来其 martech 队伍的路径时，它们很快采用了一种基础现代数据堆作为起点。它们以云数据仓库为依托，使用可缩放且具有互组架构的工具和技术。

现代数据堆的优势是显而易见且广泛的，例如快速进入市场、灵活和成本较低的操作能力（从有限的运营）。然而，如果你没有采取现代方法来利用你的客户数据，就不会从客户数据中获得预期的价值。

‘客户360度’误导了

每个人都在说它，并认为它是值得追求的。许多 martech 平台和组织的初始化名称都包含“360”这个词。多年来，我们一直被误导，认为个性化是驱动增长的主要方式，而从客户的360度视图中实现增长是可行的。

客户360是一个美好的愿景，但这是一个不负责任的追求。仅仅花太多时间和预算来完成——不仅要考虑机会成本，还要考虑没有投入其他资源可能带来的增长机会。如果你有一个正确的目标客户数据策略，你永远不会接近客户360，因为你会被数据分散注意力。太多东西需要学习了。最好的客户数据策略是基于学习议程的。确定明确的学习目标，这些目标应与实现可衡量业务成果相关，将引导你的行动。当计划得当时，这种策略应该会阻碍你实现客户360的目标，并且驱动的结果会让你 wonder 为什么你会有这个梦想。

最近，我们看到这种方法在一家旅行公司中发挥作用，他们由于销售force的容量限制而无法将所有引用来转化为潜在客户。他们没有专注于更全面的前客和历史互动资料，而是专注于理解预订倾向。他们重新设计了他们的 lead scoring 模型，基于机器学习（ML），以基础数据为基础——客户概况、网络交互和转换数据。

这种方法改变了他们在营销自动化平台中对 lead scoring 的传统复杂方法。它允许他们更好地投资销售努力，从而提高运营效率并增加预订。

构建客户101的第一步

大学一年级课程是介绍性课程，专注于基础知识。构建客户的客户数据存储应该采取类似的方法——解决基本的数据需求：

使用正确的数据

不要认为从品牌所有互动渠道获取所有客户数据是必要的。正确的数据包括：

客户的核心特征。
最常见的触点交互。
与你最重要的增长指标（即新客户、重复购买）或阻碍增长的指标（即流失）相关的行为。

数据管理最佳实践

在建立基础能力的同时，确保在第一天就为数据分类、数据治理、数据血缘和数据隐私奠定基础。

创建优秀数据

只有当数据本身是优质时，才能发挥其效果。确保你的数据环境应用预先和持续的数据质量实践至关重要，这样才能保证数据保持一致、可使用，并且最重要的是值得信赖。

身份识别是关键

任何客户数据存储的基本假设是，你必须通过身份识别（IDR）来解决一个单一的客户视图（SCV）。要创建 SCV，你需要将不同来源的数据连接起来并去重。根据数据的性质，所需的复杂性可以有很大差异：

客户如何识别自己到你的组织。
你从各个数据源获取的不同标识符类型。
数据源中的关键 PII 缺失程度。
数据的标准化和清洁程度。

身份识别（IDR）可能很困惑，并且市场提供者（市场提供者）五花八门。

101级身份识别

无论你采取哪种方法来解决身份问题，解决方案必须处理基础数据并能够做以下事情：

构建和持久化身份图。
随着新增来源和标识符调整和扩展身份图和匹配规则。
生成并分配一个持久的 ID 来唯一标识一个人/用户/客户。

解决 IDR 的方法多种多样。示例包括利用 ID Spine 提供商、MMD 平台、 packaged CDP 或甚至构建自量身定制解决方案作为 custom 解决方案的一部分。

构建客户101的扩展

不要试图通过整合所有客户数据来实现客户360度视图，而是通过丰富核心客户的101数据集来增强它。最好的客户数据策略是建立在学习议程基础上的，使用丰富的数据。

首先识别你可以丰富核心客户数据资产的方法：

利用机器学习生成新的分组。例如，购买倾向、流失倾向、下一次购买和渠道倾向。
分析数据并根据重要指标（即新客户、重复购买）生成新的客户群体。
基于高价值客户的群体建立 lookalike 模型，扩展 reach 到一个更大的潜在客户群体。
与合作伙伴共享第二方数据。
将客户数据与第三方数据源叠加，例如人口统计信息、心理特征、公司特征和天气。
使用公开可用的数据集，例如气候和环境、人口普查、经济、地理、交通和旅行。

使用、验证并前进

在采用新的能力（如 CDP 或集成客户数据存储）后，很少有组织会回去尝试他们过去的历史策略。他们缺乏证据表明他们的旧策略是最佳选择。他们对影响 legacy KPI 的风险感到担忧，从而避免尝试新方法。然而，立即且仔细地进行测试新策略可以快速发现新的见解。

采用持续改进过程允许你快速迭代每个学习目标。如图所示，它从构建增强开始，然后 orchestrate 程序以利用增强的增强和测试结果及性能指标中 derive 的见解。

Great-data--E2-80-93-Enrich-orchestrate-derive-insights.png

应用增强策略到你的数据

典型的第一步是更好地理解你的客户是谁——哪些是最有价值？哪些最积极地与品牌互动？为了学习这些，你可以利用机器学习模型生成新的分组。利用模型评分将生成新的分组。这些分组应该被部署并提供给用户社区， wherever 消费者数据被使用：

作为客户报告和营销活动仪表板的维度。
作为 CDP 中构建 audiences 的分组。
在产品中作为用户属性或动态值。

验证（或反驳）你的假设

确保你建立一个结构化、迭代的学习方法论，以允许量化测量。这意味着：

定义——并与业务目标保持一致。
文档公式——每个指标的定义，以便团队可见性。
组织指标到不同的类别中。
利用实验设计来 enable 可行性的行动结果。
确保测试样本量足够大以进行统计显著性检验。

无论直接应用你的见解还是测试，确保你计划测量以确保影响可以被量化。

移动到下一个学习目标

从你获得的测试中推导出调整策略所需的调整：

调整渠道策略，以优化你正在创造的经验。
根据额外特征微调机器学习模型。
减少不必要的营销资源浪费在非响应受众上。

有时，你的学习已经完成，你可以移动到下一个学习目标。也许你学习了需要进一步探索最初假设的内容。或者，当你的学习导致你对初始假设进行更深入的探索时，有时候你需要移动到下一个学习目标。遵循数据 breadcrumbs。

一个典型的进路可能是从“谁是我们的客户？”这个问题开始：

谁是高价值（HV）客户？
- 谁有最高的潜在成为 HV 的可能性？
  - 如何吸引更多的 HV 客户？
    - 如何吸引更多的 HV 客户？
      - 如何获取更多的 HV 客户？
        如何吸引 HV 客户？
        哪些产品更可能被 HV 客户购买？
他们最感兴趣的是什么？
- 他们的 LTV 相比其他群体如何？
  - 哪些产品是他们最有可能购买的？