浅谈新零售DMP系统搭建
为了追求更高的业绩增长,以线下零售为代表传统企业都在寻求数字化转型。尤其是2020年新冠”黑天鹅“事件发生,线上渠道的重要性凸显,加速了各个企业转型步伐。
数字化转型的关键之一需要企业尽可能全面采集到用户数据,并把数据运用好。所以,DMP(data management system,数据管理平台)应运而生,以下简称DMP。
那么究竟什么是DMP呢?接下来,我将从以下4个部分进行浅析,希望能够帮助感兴趣的你进行了解。
01.DMP是什么?
02.应用场景及价值
03.产品功能模块
04.困难及突破方向
01.DMP是什么?#
以下是来源于百度百科的解释:
DMP(Data Management Platform)数据管理平台,是把分散的多方数据进行整合纳入统一的技术平台,并对这些数据进行标准化和细分,让用户可以把这些细分结果推送现有的互动营销环境里的平台。
提炼出4个关键词:数据、整合、细分、推送
由于企业所在行业和业务需求不同,DMP定义有所差异,但本质上是基于数据实现产品功能。咩咩基于从事的新零售行业,对DMP进行了场景化定义,如下所示:
DMP(Data Management Platform)是集数据采集、整合、应用于一体的数据管理平台,通过标签自定义圈人、多维度画像分析及统一接口数据输出能力,助力用户增长决策、数据变现以及运营效率提升。
(图1:DMP业务流程概览)
02.DMP的应用场景及价值#
DMP是数字化时代企业的数据大脑,是运营和市场营销的基础。以BAT为代表,由于拥有用户流量的优势,早已搭建了自己的DMP系统,e.g.阿里巴巴的达摩盘、百度DMP、腾讯广点通。
对于线上线下渠道的新零售行业,拥有深度定制的DMP系统开始变得重要。零售行业搭建DMP系统的目的通常如下。
1) 管理用户生命周期
通过自动化标签快速定位生命周期各个阶段的人群及其特征,方便以用户运营为代表的业务快速做大量的A/B test,验证拉新/促活/留存最有效的策略模型。
- 拉新:辅助运营策略转化
针对某品牌拉新,运营通过DMP捞出“近一个月购买该品牌新用户”为种子人群包,再通过lookalike模型找出相似人群进行活动触达,为品牌吸引更多新用户。
- 促活/留存:系统个性化推荐
以“淘宝”为例,通过用户行为习惯抽象出标签“喜欢淑女风服饰”“3个月孩子妈”等标签;再通过建模分析预测出用户未来偏好再沉淀在DMP系统;最后,通过对接推荐系统或者运营策略化维护用户,起到促活留存的作用。
2)助力数据变现
数据+工具+服务+(资源)=变现,资源并非DMP的模块,这里不再详说。
由于本身产品工具、服务的可替代性强,所以数据成为DMP帮助变现业务的核心关键,数据的丰富度和质量影响变现效果。
通过精准人群数据+资源位打包的方式,自由组合集合成变现拳头,加上产品工具和投放策略服务即可帮助广告主实现投放策略目标,达到平台变现的目的。
e.g.参考2.1中“拉新”案例
3)提升业务效率
DMP作为面向多条业务线产品工具。搭建的共同目标之一——提升使用方效率。
传统零售公司获取数据流程长,耗时多。通常流程为:提数据需求给IT部门——Excel提供数据(1周)——运营做触达/分析。对于需要数据追热点等场景,最后只能和运营“say goodbye”。
而拥有DMP工具后,运营可以独立快速获取数据完成策略(定位目标人群——活动触达——报表分析)闭环,极大程度提高运营效率。
03.DMP产品功能模块#
对于不同公司,dmp业务边界不一样,功能模块组成有些差异。但DMP通常会包含以下几部分:数据采集、标签、群组、分析、对外API接口。
数据采集和对外API接口虽然无法可视化呈现,但把握着DMP的入口和出口,是实现DMP价值的关键;标签/群组/分析主要偏向于前端,是使用方能够有感知的部分,故交互体验尤其关键。
(图2:DMP产品功能组成模块)
1)数据采集
DMP作为典型的数据产品,越丰富的数据越能充分发挥产品价值。简要介绍如下:
- 一方数据:订单、用户行为、用户属性等。作为零售平台,如何快速且全方位采集线上线下全渠道的数据,是最快获得价值的方式。但是,线下数据采集需要借助硬件设备,如:摄像头、互动屏等,耗费巨额财力和人力。
- 自媒体数据:微信公众号、短信、微博、抖音等自媒体。企业官方自媒体数据灵活应用起来,可以有效帮助企业宣传品牌和拉新用户,但是往往依赖(制约)于自媒体平台能够提供什么样的数据。
- 第三方数据:由于政策的严格,目前买入的第三方数据无法在自有体系中使用起来。为了丰富数据源,目前各大零售平台会采用和供应商共建(数据交换)的方式去获得更多用户数据。
- 广告投放数据:属于次生数据。当零售平台通过广点通、今日头条或者百度投放广告时,广告引入的用户行为数据可以反哺回一方数据采集。
2)标签
将不同数据聚合成标签给业务团队精准圈人,成为DMP重要用途之一。其中,预置常用标签也可以帮助系统节约资源,并加速业务圈人群的操作效率。
标签模块通常由标签分类和标签管理两部分组成。
- 标签分类:标签分类多种多样,从产生方式来说,标签通常由事实类、规则类和预测类组成。但实际前端应用分类,需要产品经理深入业务场景考虑。后续我会写文章重点介绍零售行业有哪些标签,以及如何分类,这里不再细说。
- 标签管理:标签交并差。有些公司为了快速定制标签,也会开放接入接口和上传接口,快速接入第三方标签或者业务自行上传用户ID生成标签。
3)群组
群组和标签的功能在某些方面上是类似的,比如:分类方式,筛选人群,都依赖于底层数据,但使用场景有所差异。
为实现更灵活的人群应用,目前市面上DMP会采用群组独立的方式。群组拥有标签不具备的功能如下:
- 人群支持快速交并叉,A/B分组,下载,并可通过API接口推到SCRM中做活动
- 可以设置独立标签的更新周期,解决不需要更新或者更新频次不同标签的业务场景
4)分析
多维度的分析是DMP核心价值模块,也是数据闭环(标签人群——活动触达——分析)的关键。后续我会重点介绍分析模块的搭建和应用,这里仅简要描述。
新零售行业常用的分析如下:
- 人群行为分析:线上曝光-点击-浏览-加车-购买漏斗转化、线下用户互动行为、客单价分布、购买频次分布、领券/用券分布等
- 人群属性分析:地域、性别、年龄、手机品牌等
- 活动触达分析:新用户转化、复购率提升、关注公众号、跨品类转化、商品销售提升等
5)对外API接口
有了数据采集的入口,对外API接口成为DMP输出价值的关键。
通过API接口对接第三方平台,我们可以赋能更多业务场景。比如:推荐系统利用DMP标签做APP前端个性化推荐,SCRM接收DMP人群做精准触达。
产品经理和研发需要重点关注接口性能,数据并发量及传输速度等。
04.困难点和解决方向#
以下是我搭建DMP过程中遇到的困难点和解决方向,部分已经正在实践,部分还停留在理念阶段,希望有经验的朋友可以加入指导和探讨。
1)数据采集的全面性
线上数据采集技术已经成熟,通常情况下不难获取到。但线下由于无用户ID(e.g. open ID、手机号、Device)数据,采集变得非常艰难。
而作为零售企业,线下的数据已成为拉开竞争对手的关键。
解决方向:
- 引导用户成为线上用户。比如:C端产品(拉新礼包、积分),门店引导注册小程序,关注公众号等
- 硬件采集用户信息。由于硬件设备昂贵,用户行为捕捉干扰性强等,这块只能尝试性投入
2)数据准确性和实时性
由于数据量巨大,如何保证数据准时获取,准确且无缺失成为实现DMP痛点和难点之一。
解决方向:
- 推动相关部门搭建实时化管道,分阶段实现实时数据的获取。但主要取决于公司是否愿意投入成本,以及产品经理需要很好把控哪些数据需要实时,哪些“T+1”也可以满足
- 搭建数据监控体系,程序化对于缺失数据进行预警和解决。如何制定预警规则,且高效化处理成为方案落地关键。
3)数据安全性/政策影响
由于DMP汇集了公司最全面的数据,如何保证公司数据被安全合理应用成为DMP产品必须要面对的点。
解决方向:
- RABC权限管理体系,细颗粒度分割数据和功能权限。但随着颗粒度越细,权限管理和开发的工作量越来越大,需要做好平衡。
- 用户日志记录,无法从源头杜绝,仅能用于后续追溯。但无论如何,从风险角度,建议在搭建初期便规划好日志管理系统,避免后续出现问题无从查询。
- 引入审计审核环节,确保数据符合公司应用。对于离线数据对外传输等场景,建议引入公司内审部门审核,从流程上严格把控。
05.写在最后#
DMP系统搭建得好的话,确实可以很大程度助力业务的发展。但是,精细化DMP的搭建需要公司投入大量财力,人力和时间,数据采集、标签沉淀和分析洞察等每个模块都需要精细化打磨,任重而道远。愿你我在产品汪道路上,做些真正有意义和价值的事情。