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。