企业对于“以客户为中心”的精细化营销运营需求越来越广泛，在前端，用户数字化触点越来越丰富，客户数据无法统一整合，很多企业都会成立“全渠道数据”的项目，来满足全渠道客户精细化、个性化营销运营的需求。
企业该如何结合自身情况，来考虑全渠道数据解决方案？——三大基础以及三层数据应用价值。
本文，Convertlab根据服务过的零售行业、金融行业品牌客户的全渠道数据项目需求，总结常见的三种全渠道营销切入方式。从营销模式的三个阶段，以业务的视角，依据数据应用的层次，梳理不同品牌客户成功的解决方式。总结全渠道项目中成功的经验以及一些场景细节，与大家分享……
营销模式的三个阶段
“数据要求”不断迭代
最早营销模式是基于固定日期和时段的一次单次营销，这是最初级的数字化营销的时代。这一时代对数据的要求比较简单，只需要对所有的用户数据进行存储，在使用时导出即可，对数据的准确性、实时性要求都不太高。 第二种营销模式是基于固定周期的自动化营销，这个阶段营销策略开始有了进化，最重要的是融入了定期的营销周期，并在实时性和策略丰富性上相较于之前有了进一步的演进。 第三种是我们现在已经开始逐渐被广泛应用的个性化、智能化营销的模式。在这个模式下，除了一些用户的基本信息获取之外，还开始采集用户的一些关键行为数据。当采集到这些用户行为事件以后，基于实时行为、客户属性、以及消费偏好，还需要进行策略的再分配，最终可以在不同的渠道以不同的内容以非常好的实时性来触达用户，这个时候这样智能化的营销场景，复杂度就会有一个质的提升。 零售行业小程序常见的例子：对加购了商品但未支付的用户进行优惠券推送。这样一个简单的需求其实可以分为几种营销需求。
按照实时事件来看，这个需求要满足：
1、关键事件是加购且未支付；
2、同时也要考虑到时效性与沟通时机，比如是否在离开小程序后，且离开后多久适合进行发放；
3、基于用户的客户类型来看，又要考虑到是新客、VIP客户等不同类型客户要给的个性化权益；
4、如何在不构成骚扰的情况下进行适时沟通；
5、最后，也要考虑到用户的权益限制，比如之前是否曾使用过同类型的优惠券等。
这个时候品牌客户会发现，看似简单的营销需求就需要满足若干个这样的条件，真正实现起来其实并不容易。那么，面对客户极度个性化的需求的时候，企业应该如何结合自身情况，来考虑全渠道数据精细化运营的解决方案呢？Convertlab观察，目前现有的全渠道数据解决方案常见的有三种切入方式。
全渠道数据解决方案
常见的三种切入方式
第一类更注重IT底层基础架构，以数据仓库或者数据中台为核心，有一个比较明确的系统规划。这一类解决方案以性能、拓展、维护为关注点，大多以战略级的规划由上向下或者以是IT发起，但挑战是实施成本、周期和业务价值的实现都较高的风险。
第二类是更加普遍的一种情况，在客户传统的业务系统上做adhoc，以此来优化、迭代。这种解决方案的优势是，以传统业务诉求为驱动，因此会基于之前积累的复杂业务需求为主，但对于实时性和个性化需求局限性也比较大。
第三类是基于企微工具、微商城等应用系统的解决方案，这种方案的优势是快速出成效，实施起来也比较轻量，但其扩性型和迭代性的风险是比较不可控的。
干货：
全渠道精细化营销的基础建设
以及零售、金融行业场景分析
在Convertlab在全渠道数据项目中，经过多年的实践，已经积累了很多的项目成功经验和实施细节，现在分享给大家。一些基础建设：首先，全渠道数据项目首先需要一个整体的规划；因为Convertlab接触到的这类项目，并不是所有客户都有良好的IT基础。全渠道数据项目往往是从单个或者某几个渠道的数据采集开始的。在这个阶段，规划是非常重要的，既要有完整的蓝图规划设计，又需要明确路径，确定每一小步的建设目标。第二点，一个好的全渠道数据解决方案一定是需要考虑如何帮助业务部门做业务赋能的。我们需要定义全渠道数据项目带来的业务价值，而这些价值无论是是定性的，还是定量的，都需要在项目开始前就考虑好。最后一点，面对这样复杂的全渠道数据项目，我们需要一个强大的数据产品支持。例如：Convertlab 业务型CDP——Data Hub，Data Hub是Convertlab基于多年数字化实践经验打造的数据产品，可以帮助企业高效、灵活的解决数字化营销的各类底层需求。
Convertlab 业务型CDP：四步安全开启数据资产增值之路
从数据链接管理、客户数据合并、客户洞察到数据应用，简单4步即可为企业持续提升全渠道数据资产价值。
第一步：全域客户数据链接
Data Hub能够帮助企业将全渠道合规数据采集进来。根据业务的需求，我们预置了各种数据连接器如文件连接器、JDBC、API、应用连接器等，可以进行离线以及实时的数据接入，而且实时性可以做到秒级。在Data Hub系统内，无论多庞大复杂的数据都可以做到完全隔离。我们利用单租户与多工作区的架构设计，让数据隔离更安全。
第二步：数据建模与全域身份统一
在这个过程中，可以通过Data Hub的GDM，也就是通用数据模型，灵活地根据自己的业务需求，自定义创建在营销领域的各种数据对象。在数据模型建立完成后，Data Hub就可以帮助企业对各类档案数据进行身份统一，即实现了one ID。
第三步，全视野客户洞察
在完成了One ID后，Data Hub将帮助你打造实时的360°客户画像，展开持续的、深度的洞察。Datahub拥有强大的标签计算能力，设置了规则、函数、模型和GDQL等类型的标签，进行各类事件条件的且或逻辑计算，也可以进行复杂的函数公式计算和SQL语句计算，也提供诸如RFM等模型标签计算能力。
第四步：将数据在全链路进行激活赋能
在Data Hub内完成了用户洞察与圈群后，就可以将这些数据输出给各个业务系统。比如，实时输出给营销自动化系统MA，向对应的人群进行拉新、留存或刺激复购的沟通。
当然，最后，这些数据在输出前，都是在我们的CPM系统中，适配了同意与偏好管理的规则的。也就是说，在CPM系统内提交了不允许通过短信渠道沟通的客户，Data Hub将帮你做好管控，不会对这个客户发送短信。这样，在数据价值激活的同时，也能够同样保证数据使用的安全合规性。
一些行业场景例证：
以Convertlab服务过的零售行业为例，伴随着智能设备与移动支付技术在各年龄段人群的普及，全渠道零售应运而生，企业可以在任何时候、任何地点、任何方式满足客户的购买需求，同时采取线下渠道+线上渠道的整合方式销售商品或服务，提供无差别的交易体验。
从这角度上看，企业做全渠道精细化运营，应该从全渠道数据的“生命周期上”看。聚焦业务，数据的应用过程包含：数据采集、数据统一和管理、数据激活等一系列过程。
1、“业务角度”的全渠道数据采集
品牌客户对数据采集并不陌生，运营人员只要在系统中录入了内容就完成了一次主动的数据采集工作，期间任何数据加工都可能产生了新的数据。对于庞大的数据量，大型企业建数据仓库、集市等可以解决数据的大集中的问题，但是面临多触点数字化的今日，对于这些传统的系统数据似乎满足不了应用的需求。
一旦企业存在与客户的沟通，哪怕没有产生实际购买交易之后，如果需要完成自动化、个性化的沟通，所有关于客户的信息与行为都可能需要采集。这时候数据的输入——客户、交易与渠道三个维度数据互相交织在一起，需要通盘考虑。
比如，在线下门店，通过用户在商品货架的轨迹、购买数据等其他数据一起，分析客户门店线下行为，获得客户偏好等标签，了解门店客户的基本组成。
2、“业务角度”的全渠道数据管理
在采集不同的数据之后，企业需要通过数据管理系统对数据进行识别、分类、整合新增和不断变化的数据源，比如：在对数据进行标准化处理、客户ID打通以及异常数据的甄别，并进行客户统一的管理和运算。在跨渠道的场景下，其实很难拿到唯一的一类ID，企业需要做到通过不同类型的ID完成Mapping（用户ID关联识别）。
从“业务视角”数据管理的理念与机制问题来讨论，这次我们说的的“数据管理”，首先讨论的是数据谁来管？如何配合开展业务？很多企业聚焦于数据政策设定并推动企业级决策建立了单独的数据管理的组织，希望统一数据管理与应用出口，在实际执行过程中往往受到流程效率的制约。
Convertlab认为对于面对营销环境变化迅猛的业务部门，是需要培养一部分y业务部门“自己的”技术人员，因为IT部门并不能快速了解一线新业务的发展与变化，很难一下切入支持数据的管理和分析。
3、“业务角度”的全渠道数据激活
对于数据的价值，包含两个层面“管理的价值+运营的价值”，这里不赘述数据对于“企业管理价值”的意义。以下，通过零售、金融行业的场景示例，简要说明全渠道精细化营销项目的数据激活，对实现企业业务运营的价值实现。
常规化的数据运营需要相对固定的KPI指导，所以数据应用最直接的体现就在数据看板上。
比如以零售行业APP的渠道，除了看销售的规模以外、要重视客户访问量、浏览量、点击量、交易活跃情况；又如针对“沉睡客户”优惠活动短信优惠码，除了看参与率之外，还要重视参与了但是战败的比率，通过分析失败的原因可以找出客户的需求点改进下次活动方案。
客户行为越来越从“线下”转向了“线上”。
以金融行业为例，在商业银行，除非监管限额要求，大部分转账都发生在手机银行上；非柜面限定的理财产品，也是由客户经理通过电话维护提示客户手机购买。
对所有产生交易的客户进行分析以后，就可以得出不同渠道大致的客户画像：年纪大的青睐网点面对面接触、中青年优选电话语音咨询、而青年人青睐APP自助查询办理。了解不同渠道大致的客户特点以后，就可以在涉及精准的营销产品推广时，结合更细致的分析维度锁定相应的人群。
比如：在使用银行卡与支付宝与微信绑定支付的过程中，发现支付宝经常处于“高价低频”定位，客户用于购买大件服装、电器等产品，客户平均年龄28岁；微信经常处于“低价高频”定位，客户用于购买食物与日常用品且平均年龄段23岁。根据这样的渠道交易规律，就可以选择合适的合作渠道进行优惠活动的推广了。
以零售行业为例，有些线下门店的作用不仅是销售终端，而是更是品牌展示平台和与客户交流的触点，同时客户从实体店到线上的偏好并不是一天促成的，是伴随着电商的发展培养的，所以分析客户交易，要结合线上线下联动考虑。
比如：需要精准定位某零售线下门店的一类客群：在门店购物的同时线上购物的频次也很大，这有可能是这群客户居住或者工作在门店附近、而且客群对价格敏感。可以通过持续观察客群的数据，例如一旦门店撤店以后，该部分热衷客户的交易行为是否会收到影响，他们会1、选择其他门店进行购物；2、完全转线上购物；3、放弃了这个品牌。分析这部分客户的线下与线上交易购买行为，能够就能很好的定位精准的客群，以及指导对不同客群选择最合适的沟通渠道。
……
在人人都在说“全渠道数据”的时候，大家都认为拥有了全渠道用户行为数据就可以通过这些行为数据描绘各个维度的用户画像。企业的数字化转型与全渠道业务都离不开数据洞察，通过数据洞察为客户进行个性化推荐与沟通，基于客户的行为偏好进行精准化营销的关键。数据管理工具在期间扮演着重要的角色，如何让数字化工具发挥业务的价值，这个工具的业务性性能是非常必要的。