数据化互联网营销和运营
综合知识平台

DMP101 之六:应用角度的DMP和CDP的逻辑架构

上一篇文章(DMP101 之五:DMP vs CDP,它们到底有没有区别)介绍了DMP和CDP的异同,有不少同学跟我提问,它们二者在数据上有不同,功能上似乎也不完全一样,是不是意味着,它们二者本身的架构也完全不同?

我这才意识到,我似乎还没有介绍过DMP的架构,尤其是从业务应用角度来观察它们的架构。正好,这个部分把CDP也涵盖进来,一起看看二者的逻辑架构是什么样的,以及有什么区别。

如果你直接从这一篇开始阅读的话,建议先阅读这个系列的之前的文章,即:

DMP 101之一:DMP的本质是什么

DMP 101之二:关于DMP的数据源

DMP 101之三:DMP的渊源

DMP 101之四:DMP到底有什么价值?

DMP101 之五:DMP vs CDP,它们到底有没有区别

 

逻辑起点

DMP和CDP,它们的逻辑起点都是非常简单的。即,收集人的数据,基于这些数据对人进行分类,然后进行分析,或是对这些人进行相应的营销推广。

收集数据->打通数据->处理数据->应用数据——大逻辑上,二者没有什么区别

不过,DMP和CDP在这四个步骤的细节上会有不同,后面我们再介绍。

DMP和CDP的最简化的架构

在上面的逻辑起点之上,我们下面勾勒DMP和CDP最简化的架构。

图一

这个图我不用多讲了,只要大家从左上角往右下角看,就一定能看懂,就是上一小节我们逻辑起点的更具体的图形化。图中数据应用那个环节,写的是DSP和营销自动化,只是举例,不是穷举,而且CDP和DMP在这个环节会有一些不同,后面会介绍。

几乎所有的DMP和CDP都符合这样的结构,而这个结构,又根本性的与CRM区别开来。

核心功能体系

上面的逻辑架构需要细化为具体的功能,如下图所示:

图二

从左至右我略作解释。

深绿色的“数据抓取、埋点、Tag管理以及数据输入系统”,最核心的功能是在不同的触点上获取用户相关的数据,以及通过其他数据源输入数据。在网站、app、小程序等,主要是通过加监测代码和埋点(事件监测)实现的数据抓取;而从其他数据源发送的数据,则需要有一个能够接受数据的接口,例如ftp或者API。Tag管理则是对监测代码和埋点代码进行统一管理的工具。

深蓝色的“Raw Data存储与处理”,是对深绿色部分获得的数据进行处理。数据清洗、格式化、数据的存取等,都在这个部分。蓝色部分虽然在上图中看起来小小的,但却是整个系统的核心。

绿色的四片,“ID引擎”是对用户个体进行唯一化辨识的过程,在这里要实现不同触点ID之间的匹配、构建ID匹配表,并对每一个个体构建统一化的ID体系。

“报告引擎”,是对Raw Data处理之后的Data进行重新组织和数据可视化,它与我们在前面的系列中谈到的网站分析工具的报表很类似,但是增加了一些报表,例如人群特征报告,端到端(含线下到线上或者反过来)的营销漏斗报告,跨域路径报告,各营销触点的互动(事件)报告等。关于报告中都应该有什么,报告中哪些数据比较可信赖,哪些数据相对较为抽象或者不能保证准确,我在这个系列中另外起一篇跟大家介绍。

“标签引擎”,这个是任何DMP和大部分CDP都应该有的,即根据系统所记录的受众的行为数据以及其他属性数据,为受众建立格式化的自然语言的属性说明,即标签。一般而言,DMP会尽力将标签与受众个体的ID一一对应,但是,由于大量外部数据源提供的受众及其标签不以个体形式呈现,而是以人群包的形式呈现,因此,DMP中的标签引擎不排除以为群体为单位建立标签。这不尽如人意,但是却是非常现实的办法。

“规则引擎”,任何DMP和CDP都必须有,如果没有,那这个系统根本就算不上是DMP或者CDP。规则引擎是建立细分规则的模块,将满足规则的用户聚合起来,形成一个人群。规则包括多种:受众标签、具体的受众行为或是行为的组合、受众或流量的来源,以及受众的设备属性等等。DMP和CDP本质上就是“人群操作系统”,如果连区分不同人群的功能都没有,那是不可思议的。

可以说,绿色的四片引擎是一个DMP或者CDP的功能核心。

核心应用体系

简单讲,DMP/CDP的核心应用体系是两大类,即给人看的和给机器用的,如上图中橙色的两片。前者当然就是指报告,后者则是大家更加关心的应用领域。

无论是报告系统还是数据应用系统,都依赖于规则引擎实现的人群细分能力。因此,由规则引擎这一核心功能所构建的应用系统,则是被很多DMP提供商称之为的“人群构建器”或者“人群计算器”。

而关于报告,前面已经讲了,我会再起一篇另行介绍。而给机器用的数据应用系统,则是大部分企业建立DMP和CDP的首要原因。

当然,这里说的“给机器用”绝对不是一个规范的说法,但这么说的原因是DMP/CDP需要与其他的系统对接才能体现其价值。

在这里,DMP和CDP开始出现分野,本系列的上一篇:【DMP101 之五:DMP vs CDP,它们到底有没有区别】提到了这一区别。DMP在应用上主要对接的是数字广告的投放系统,包括DSP、PDB(AG——Automated Guaranteed)、各家媒体的私有广告系统(PMP)或DMP,以及数字广告投放服务系统,包括自动化创意、Tradingdesk(预算分配、自动化排期、自动化预算消耗管理)等。CDP则对接人群运营的自动化系统,例如营销自动化系统、EDM/SMS、动态网站或网页、动态内容系统等。DMP和CDP核心的应用就是将构建好的人群输出给这些系统,从而实现针对这些人群的营销和运营。

图三

当然,还有一些虽小但却十分重要的功能,就是图二的灰色部分,即权限管理和用户管理,本质上也是数据安全管理的一部分。

附加功能体系

具备了核心功能体系和核心应用体系之后,DMP和CDP基本上就是成品了。但,为了满足人们日益增长的数字营销需求,DMP/CDP又增加了一些“额外”的功能。

最典型的就是人群放大系统,学名是look-alike,就是当你通过“人群计算器”构建出一个人群后,再到更大的受众数据库中间去找跟这群人相似的人群。当然你不能自己用肉眼找,你需要依赖算法和程序,即人群look-alike功能。是的,严格讲它不是一个应用,而是一个功能。

另外一个典型的功能是数据输入。这里讲的数据输入不是DMP自己抓取的数据,而是指由外部数据源(即第二方数据和第三方数据)提供的数据输入到DMP中——通过ftp,S2S(Server to Server)或是API的方式等。数据输入之后,往往需要进一步的数据清洗、ID匹配等。

还有一个功能则是更高级的数据的挖掘功能,提供给数据科学家,对人群数据或是更原始的数据(raw data)进行更加深度的挖掘。并非所有DMP都有这样的功能,但媒体的DMP有时提供这样的高阶功能,例如京东九数和阿里的御膳坊(后来关闭了),另外nEqual的DMP同样提供这一能力。

另外一个更加神奇的功能是AI功能,你可以理解为更高级的基于DMP实现的机器学习的引擎。AI并非噱头,没有任何一个营销系统能够比DMP拥有更多可供进行机器学习尤其是监督学习的数据。机器学习实际上已经广泛应用于广告投放,例如信息流广告的自动效果优化的投放,所以并不是新奇事物。但AI在DMP中则相对少见,更多会被部署在数据应用的落地端,例如前面提到的数字广告投放系统和投放服务系统。

图四

尽管附加功能为DMP和CDP增添了亮色,但要记住,它们并不是DMP和CDP体系中必不可少的。不过,话又说回来,仅仅只是提供必须功能的DMP和CDP是很难获得用户的青睐的,附加功能体系往往很大程度上影响了广告主建立DMP/CDP的意愿和决心。

好,这一部分就写到这里,下一部分我们开始谈谈DMP中存储的数据。


后面的内容将会仍然围绕“标准”的DMP,包含的内容有:

之一:DMP 101之一:DMP的本质是什么?

之二:DMP 101之二:关于DMP的数据源

之三,DMP 101之三:DMP与传统的用户行为分析工具到底有什么关联或渊源;

之四,DMP 101之四:DMP到底有什么价值?

之五,DMP 101之五:DMP和CDP有什么区别

之六,就是本篇:应用角度的DMP和CDP的逻辑架构

之七:DMP应该如何组织重构各数据源的数据;

之八:一个好的DMP系统为什么特别难(绝对比你的供应商能实现的要难);

之九:DMP上“外挂”的功能有哪些;

之十:你的企业是否需要DMP,需要满足哪些需求特征;

之十一:一个好的DMP有哪些衡量标准或者特征;

之十二:DMP这个“好东西”背后有哪些坑;

之十三:DMP跟CDP以及Martech之类的概念有什么关联。

之十四:……

或者,还有其他更多。大家如果愿意看,我就写下去。愿意看的话,欢迎留言,有问题或者有其他想让我写的也欢迎留言。

未经允许不得转载:版权归宋星及chinawebanalytics.cn所有互联网分析在中国——从基础到前沿 » DMP101 之六:应用角度的DMP和CDP的逻辑架构
分享到: 更多 (0)

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址