我们再来看客户数据平台（也就是CDP）的建设和应用，在上篇文章建立的指标体系中，如果问题指向了商品或者场景，调整起来相对还比较容易，但如果指向的是客户，就要复杂的多，原因就在于商品和场景的调整都可以处在我们的控制范围之内，但很显然，客户处在我们的控制范围之外，我们只能努力想办法去影响我们的客户。
在面对客户的时候，逻辑其实也不复杂，首要的是要了解我们的客户，洞悉他们的需求，了解之后就要去做好产品和服务来满足客户的需求，已知需求满足了就可以想着卖出去更多的产品和服务，提升客户的生命周期价值（LTV），同时比照着现有客户去不断扩大我们的客户群，驱动业绩增长。这几步也是个循环迭代的过程。
如何去了解我们的客户，洞悉他们的需求，对于电商而言，我们回到最初描述人货场的那句话，用户在什么场景下购买了什么商品，这个用户是谁？怎么定义，对于系统而言，你的行为定义了你是谁，你留下的行为越多系统就越了解你，系统对你越了解制定的策略就会越有效果。这是客户数据平台建设的基础逻辑。
怎么建设和使用客户数据平台，主要是这循环迭代的四个步骤：行为数据采集、标签计算、分群营销和画像应用。
首先是尽可能多的采集客户的行为数据，越全越好，当然这个采集过程得是在保护客户隐私的前提下进行。在电商的业务场景里，简单列举几个比较有意义的行为，很好理解，比如浏览行为，看了哪些品牌，哪些商品，是自己主动搜索的，使用哪个搜索词搜索的，还是通过单品页的关联推荐或者首页的猜你喜欢，或者是直播里推的商品，有没有加车，来回纠结了多久；购买行为，这是客户最重要的行为，后面会具体用到；评论行为，是好评还是差评，评论字数有多少，是否有信息量；分享行为，像商品的分享、活动的分享、直播的分享、订单的分享以及分享带来的效果等。其它的行为还有售后行为，异常行为，在玩法中的行为，在社群中的互动行为，参与问卷调查的行为，参加市场活动的行为以及其它系统监测不到需要借助人工采集录入的行为。这些行为数据需要从不同的源头采集，大致分三类，一类是可以直接采集的，像APP、微信小程序、H5，以及抖音、支付宝等其它的小程序，一类是内部系统数据同步，像客服系统、社群管理系统以及其他的内部服务，还有一类是第三方像天猫、京东、拼多多、微信公众号、线下门店等系统的数据同步。这些行为数据我们统一采集到CDP平台里，异构数据源还需要做一些ID映射，让所有的行为数据最终都聚拢到具体的每个客户身上。
有了这些行为数据之后，需要经过分析提炼加工，才会产生价值，我们接着要做的就是在行为数据之上计算出有意义的标签。左侧是电商业务中常见的一些计算类标签，右侧是具体某个客户的标签值。像生命周期阶段这个标签，一般会划分为五个阶段，新客期、成长期、成熟期、沉睡期、流失期，可以考虑把最近1个月才开始下单的客户划入新客期，把最近三个月内有重复下单的客户划入成长期，把最近半年下单次数超过4次的客户划入成熟期，最近半年没有下单但以前下单较多的客户划入沉睡期，一年内都没下单的划入流失期，当然具体的划分规则需要根据具体业务情况和使用的结果进行不断调整。有了生命周期阶段这个标签，我们就可以通过一定的策略使得更多的客户快速的从成长期进入成熟期，并尽可能的使客户停留在成熟期，同时再通过其它的策略去唤醒沉睡期的客户，比如采用扩充品类的方式。RFM是电商行业的经典模型，下一页再单独讲。像品类偏好、品牌偏好、渠道偏好、场景偏好、支付偏好、价格偏好这些标签都可以归入消费偏好，也比较好计算，价格偏好可以先计算出平均客单价再划入高中低几个档，其余几个可以计算出次数最多的值，或者次数比例超过多少的值作为标签值。最后几个标签，互动积极性、传播积极性、社交影响力，这些标签的作用是要把那些社交活跃的客户从沉默的大多数客户中识别出来，然后可以设计一些策略或者玩法去借助这些活跃的客户力量进行二次传播，影响到更多的潜在客户，互动、分享、邀请这类行为可以用来计算出这些标签。还有更多的标签可以计算，比如客户的决策力，是偏果断还是偏纠结，偏纠结的就需要有更多的利益刺激。
讲CDP，不讲RFM模型说不过去，RFM是按照客户的价值进行分类，用来指导营销策略和营销资源的分配，资源始终是有限的，要把有限的资源发挥出更大的价值不是一个简单的活。我们来看一下是怎么分类的，RFM是三个维度，R是最近一次购物时间，F是购物频次，M是购物金额，每个维度分出高低两档，一组合就可以把客户分成八组。很显然，M是最重要的维度，带重要两字的都是购物金额高的，其次是R，最近一次购物时间越近越有价值。不同的分组对应不同的运营策略，价值越高的客户，相对忠诚度也会越高，与我们的心理距离也会越近，维持关系相对也会比较容易，也更容易有二次传播，如果要建立更好的客户服务体系，重要价值客户是首先要覆盖到的群体。RFM模型在实际使用过程中，有难度的地方是如何确定高低两档之间的分界值，可以使用平均值、中位数、四分之一位数，还可以各个维度先来个5分制再计算，或者直接使用绝对值，比如最近一次购物时间在45天之内就划入高档，这些都需要根据自身的业务实际情况进行调整，另外一点是，把RFM模型用于品牌，相对而言会更容易见到效果，原因是客户对品牌的购买规律相对会比较稳定，忠诚度也会更高。
物以类聚，人以群分，有了标签之后，最简单的用法就是分群营销，举个例子，当兔头妈妈甄选这个母婴品牌准备推出一款新的纸尿裤，在正式推出之前计划拿出100份新品进行试用，那这100份新品该给谁？怎么给？通常的做法是，做一个试用活动，邀请所有用户来参加试用，用户提交试用申请，审核通过后发放试用商品。这个做法实际上会伤害到客户，一是申请通过率低，二是审核过程无标准，随意性很大。还有一点，你肯定还想要质量高的试用报告，最好还能影响到更多潜在的客户。更好的做法是选取精准的目标群体，进行定向邀请，在刚才这个场景里，我们可以选择符合左侧这些特征的客户群，通过push、短信、站内信这些触达方式进行定向邀请，当然如果你的服务团队已经覆盖到了这些客户，也可以一对一使用微信或者电话进行邀请。
除了前面讲的计算标签之外，我们可以收集到客户的人口属性标签、业务属性标签，还可以计算出更有意思的预测标签，当这些标签都丰富之后，就可以称之为画像，在系统中勾勒出客户的形态，有了清晰的画像之后，除了上一页提到的分群营销，还可以把画像对接到我们的销售系统、客服系统以及社群管理系统，促进业务更加高效的运转，也可以使用这些画像进行个性化推荐，千人千面，或者简单点，先来个十人十面。
