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