【数据治理】企业数据治理价值解读白皮书

—数字化经营系列白皮书一企业数据治理价值解读与场景实践伴随中国人口红利消失，企业用工成本逐年增长，急需降本增效、产品创新迭代的新方法，“数字化转型+数据治理”成为企业实现数据驱动增长的共同选择。同时，以“数据资产”与“数据安全”为核心的新政策频出，越来越多的企业开始认识到数据价值的重要性，数据治理市场迎来高速发展。加之，《数据安全法》发布、《个人信息保护法》立法通过，无疑给企业数据采集、数据安全、数据开放带来了巨大的挑战，催生了数据治理需求。对企业来说，数据治理是所有数据应用的基础和根基，它的好坏直接影响数据应用过程中的价值体现。同时，数据治理也是一个组织进行数据资产沉淀的基础，直接决定一个组织的数据资产能否得到有效的沉淀，以及在数据应用过程中能否充分地发挥数据价值。要最大程度地发挥出数据治理的价值，就需要在系统认知的基础上，明确企业对应的业务痛点，了解数据治理完整的能力构成和对应的解决方案，进而通过最佳实践，实现从数据治理到价值创造的跨越。本白皮书即是在上述逻辑的基础上形成的。我们希望各行业、各职能的读者，都能通过本白皮书，了解数据治理，并掌握其在推动数字化转型上的价值，帮助企业实现数据驱动。注：为保护商业信息，本白皮书所涉及案例及数据均为模拟。一、落地数据治理与数字化转型成为全行业的共识 03 032.数据治理的四大发展阶段 04 05 06 07二、企业数据治理的六大痛点 08 08 09 09 09三、详解数据治理完整方案 四、数据治理的典型业务场景 20 21 24 五、三大行业数据治理实践解读 27 六、企业开展数据治理的四大建议 一、落地数据治理与数字化转型成为全行业的共识1.认识数据治理：数据的采、存、质、管、用数据治理的概念主要由国际数据研究机构、国内企业级研究机构以及部分学者进行界定。其中，比较权威的定义可以参考DAMA(国际数据管理协会)与DGI(国际数据治理研究所)的定义。国际数据治理研究所(DGI)国际数据管理协会(DAMA)数据治理是指对数研资产管理行使权力和控制的活动集合(计划、监督和执行)统地创建和实施政策、角色、职责和程序来协作并估、指导和监督，确保富有成效且高效的数据利用，促进跨组织协作和结构化决策，为企业创造价-图：数据治理概念的多重界定-DAMA(国际数据管理协会)认为，数据治理(DataGovernance,DG)指的是对数据资产管理行使权力和控制的活动集合(计划、监督和执行)。DGI则认为，从广义来说，数据治理是对数据相关事项作出决策的工作。从狭义来说，数据治理是与信息相关过程的决策权与问责制度体系，根据商定的模型执行，确定谁能够对什么信息采取什么措施，以及什么时候、在什么样的情况下使用什么方法。在国内研究机构的定义中，阿里研究院认为，数据治理即建立在数据存储、访问、验证、保护和使用之上的一系列程序、标准、角色和指标，以期通过持续的评估、指导和监督，确保富有成效且高效的数据利用，促进跨组织协作和结构化决策，为企业创造价值。头豹研究院认为，在数据驱动的业务与生产环境中，围绕具备更高可用性的数据标准与数据模型，规划构建“采集、存储、管理、服务”一整套制度体系的系统工程。此外，在阿里研究院调研中，总结了数据治理的相关学者的界定，在此不再赘述。综合以上各家之言，神策数据认为，数据治理广义上包含所有数据事项决策，狭义上包含数据采集、存储、质量、管理、应用等关键流程。2.数据治理的四大发展阶段数据治理自概念产生起至现在国内开始全面推行，共经历四个阶段，接下来分别展开描述。据管理与据管理知识体系指南数据治理至此数据治理的理论进行定义框架基本固定成熟与推广(2002-2009)DAMA等机构；数据企业政府、部分大型银行、央企、通信、能源企业国际数据研究组织理论框架构建，政府与头部企业尝试√协会引领√理论框架确立√政府与头部企业尝试起源与探索(1988-2002)几乎没有，少量研究者学术发展，数据产业-特别是数据仓库等产生与发展学界引领概念确立√企业参与者极少接受与吸收(2009-2018)DGI、DAMA等机构；先进数字化公司互联网、金融、能源、通信教育、医疗及房地产头部公司监管日益完善，大数据平台数据中台、微服务等意识兴起国外企业引领数据管理技术高速发展√中国企业迅速跟进落地与转型(2018-现在)各类数据机构、研究所；中大型企业全行业跟进数据资产意识升级，数字化转型与数据安全需求升级√国家层面高度重视法律与监管配套出台√全行业跟进转型发展阶段国际参与者国内参与者驱动因素中国发布了十九屈四中《银行业金全会首次将融机构数据数据作为生治理指引》产要素并列麻省理工学院全面数据质量管理计划(TDQM)DAMA(国际数据管理《关于构建更加完善的要素市场化配置体制机制的意见》《数据安全法》数据治理概念首次出现在学术界美国学者发表《数据仓库治理》中国推出《数据治理白皮书》国际研究报告DGI(国际数据治理研究所)特点第一阶段——起源与探索(1988-2002)伴随着早期数据仓库的产生与发展，海外学术界迅速跟进，标志性的事件是1988年由麻省理工学院的两位教授启动了全面数据质量管理计(TDQM),这可以认为是数据治理最初的雏形。同年，DAMA(国际数据管理协会)成立。时间流转到2002年，数据治理概念首次出现在学术界，美国两位学者发表题为《数据仓库治理》的研究，探讨了公司的最佳实践，由此拉开了“数据治理”在企业管理中的大幕。在这一阶段，我国仅有少量研究者关注该领域，基本不存在数据治理的参第二阶段——成熟与推广(2002-2009)在这个阶段，国际数据研究组织逐步构建数据治理理论框架，政府与头部企业迅速跟进探索数据治理实践。标志性的事件是2003年DGI(国际数据治理研究所)成立，同时ISO(国际标准化组织)对数据管理与数据治理进行定义。再到2009年，DAMA发布DMBOK数据管理知识体系指南，至此数据治理的理论框架基本固定。在这一阶段，我国政府、部分大型银行、央企以及部分通信、能源企业开始意识到数据治理的重要性，纷纷参与到数据治理建设中。第三阶段——接受与吸收(2009-2018)这一阶段，国内外关于数据治理的监管政策日益完善，国内大数据平台、数据中台、微服务等意识和能力逐渐崛起，推动数据治理体系在国内全面吸收。我国根据DAMA数据管理体系等指导文件不断延伸和扩展，标志性的事件是2015年提出了《数据治理白皮书》国际标准研究报告，在2018年发布了《银行业金融机构数据治理指引》。在这一阶段，我国头部公司基本均意识到数据管理与治理的重要性，以金融企业为代表，互联网、能源、通信、教育、医疗及房地产头部企业纷纷投身数据治理中。第四阶段——落地与转型(2019-现在)当前，国内充分吸收先进经验后，全国范围内数据资产意识升级，数字化转型与数据安全需求进一步增强，国家层面高度重视数据资产管理，全行业提倡数字化转型与数据治理。标志性事件是2019年十九届四中全会首次将数据作为生产要素并列，至2020年中共中央国务院在《关于构建更加完善的要素市场化配置体制机制的意见》中，进一步提出要“加快培育数据要素市场”。2021年6月10日，第十三届全国人民代表大会常务委员会第二十九次会议通过《中华人民共和国数据安全法》,自2021年9月1日起施行，更是将数据安全治理提升至前所未有的高度。在这一阶段，我国全行业全面铺开数据治理，推进数字化转型。不可否认，大数据市场的扩张带动了数据治理市场增长。根据IDC的预计，2019-2023年，中国大数据市场的复合增长率为23.5%;至2023年，中国大数据市场总规模将达到1600亿人民币，其中软件和服务约为1000亿元。根据沙利文与头豹研究院的调研，2018至2024年，数据治理在大数据平台建设中预算占比逐年升高，数据治理市场将保持39%的年复合增长率将到达325.5亿元。02021-图：数据治理市场规模预测(单位：亿人民币)-数据治理市场的高速发展，离不开政策、经济、社会及技术等四大因素的驱动。近年来，以“数据资产”与“数据安全”为核心的新政策不断推动数据治理市场发展。2018年，欧盟《通用数据保护条例》(简称GDPR)在成员国内正式生效实施；2019年党的十九届四中全会首次将数据与劳动、资本、土地、知识、技术、管理等生产要素并列；2020年国务院在《关于构建更加完善的要素市场化配置体制机制的意见》中，明确提出数据是一种新型生产要素，同内部自由流动的目标。此后，我国31个省的“十四五规划”建议文件中，均提到了数据资源利用、数字经济等内容，国务院国资委印发了《关于加快推进国有企业数字化转型工作的通知》,就推动国有企业数字化转型做出了全面部署，其中明确提出要着力夯实数字化转型基础设施建设，提出数据治理需求；而最近全国人大通过了《个人信息保护法》(拟2021年11月1日生效),收集、处理个人信息的尺度把控对企业业务的数据采集提出了更高的要求。以上政策要点，成为了企业发展数据治理的重要驱动力。(2)国内经济增速换挡期，数字化转型带动数据治理旺盛需求国内处于经济增速换挡期，企业数字化转型带动数据治理旺盛需求。自1978年至今，中国人均GDP逐年升高，但改革开放早期人口、土地及政中国人口近10年来保持低速增长，人口老龄化趋势不可逆转。伴随中国人口红利消失，企业用工成本逐年增长，急需降本增效、产品创新迭代的新方法，“数字化转型+数据治理”或成企业实现数据驱动增长的最佳解决方案。(3)社会热度与行业认知成熟度促使数据治理市场升温根据赛迪顾问调研2012年以来大数据领域中最近10000个热点事件中最常见的关键词显示：2012-2019年，我国关于大数据重要论述中，“数据”“数字经济”“互联网”“平台”成为最常见的高频词汇，“数字经济”“数字中国”等正逐渐成为我国推进经济高质量发展的重要力量；2020年以来，与数据治理相关的词汇逐年增多，数据共享开放、数据孤岛、数据治理等话题成为当前大数据发展关注点。1.1.“数据”“数字经济”“互联网”“平台”1I.“数字经济”“数字中国”Ⅲ.“数据共享开放”“数据孤岛”“数据治理”同时，中国电子技术标准化研究院2020年调研也发现：超过92%的受访企事业单位已经认识到数据价值的重要性，认为数据是一种无形资产，与财务、人力资源等企业资产同等重要。(4)数据流与算力指数增长，支撑数据治理与应用产业迅速成长技术层面，数据流与算力指数增长支撑数据治理与应用产业迅速成长。IDC认为，2010年全球产生的数据量仅为2ZB,到2025年全球每年产生的数据将高达175ZB,相当于每天产生491EB的数据，年均增长20%。代表数据流量大小的全球互联网协议(IP)流量从1992年的约100GB/天增长到2017年的45000GB/秒。数据流量增长曲线2000年-2010年2010年-2020年时间周期SynergyResearch将“超大规模数据中心”定义为拥有几十万台甚至是数百万台服务器。2019年全球超大规模数据中心已超过500个，已经是2015年的两倍，越大规模数据中心仍然处于高速扩张的发展期。2015年全球数据中心大数据存储量仅为25EB,到2021年预计这一规模将达到403EB,增长16.12倍，年均复合增长率约为48.76%。2000-2020年，我国数据采集与存储产业、数据分析与可视化产业都有着较成熟的发展，而伴随数据流与算力的高速扩张，数据治理与应用产业尚处于成长期初级阶段，入局企业数量众多、技术水平尚在增长、企业需求仍在优化。企业数据治理价值解读与场景实践二、企业数据治理的六大痛点企业数据治理的整体目标是持续运营数据价值，推动企业数字化转型。而企业在转型过程中会面临来自业务、组织架构、技术等等方面的问题，从企业整体的数据治理链路来看，我们把企业数据治理过程中面临的问题总结为以下六大痛点。1.组织架构不适配，推进难度大企业在进行数据治理时，首先面临的问题就是组织架构的不适配。数据治理的整体运作需要很高的数据管理统一性和一致性，传统的企业组织架构往往没有单独的数据管理部门，数据治理相关业务由信息科技部门代为统筹，导致数据管理团队和角色比较分散，相关工作无法顺利推进。在具体推进过程中，还会遇到如下挑战：关键角色权责不统一、多个部门之间配合不到位、数据治理各个相关角色缺乏共同语言、不同角色的付出与收益脱节以及谁来对数据的质量负责等。举个典型的例子：某企业推行数据治理由业务部门发起，但对业务数据和系统进行整治时，得不到IT和数据部门的配合，开展数据治理工作流程的关键动作时，经常找不到对应负责人，导致数据治理在推行时的功能性和可用性都大大降低，数据治理最终沦为样子工程。2.数据采集和获取困难，数据源格式、类型均不统一企业在进行数据治理的过程中，需要对接其现有的业务系统、自有触点以及各类三方数据源。当前，普遍存在的问题是，数据源缺乏统一的标准，不同业务系统的数据的格式、类型不统一，导致整体数据获取和对接的成本较高。同时，数据的采集和获取需要穷举所有结构化和非结构化数据，并满足不同时效性的要求，这对数据采集和接入的开发带来了很大的挑战。另一方面，数据采集离不开SDK的支撑，数据采集的标准化需要保证SDK本身在数据标准、数据传输、数据安全的要求，这也对数据采集SDK的开发带来了很大挑战。3.数据孤岛效应严重，数据标识千奇百怪，数据打通困难重重企业的整体业务架构下包含各类独立运作的数据系统，每一类数据的来源都不同且离散，数据孤岛情况非常严重，数据烟囱林立，企业在打破数据孤岛将各处数据进行汇聚的过程中，缺乏合适的数据模型、架构和框架设计，在数据仓库、数据湖、数据中台的取舍和侧重间难以抉择，这使得企业的数据治理进程举步维艰。加之，企业普遍缺乏合适的数据模型来承载全部来源的数据，数据模型本身的抽象难度较大，需神策研究院要同时考虑数据属性和业务场景，进行数据盘点，实现数据的标准化和统一，这需要相关人员有足够的数据标准化经验和业务理解能力，来拉通数据现状和业务需求。企业业务侧往往存在多个终端，由于终端用户所在渠道不一致，导致用户数据的标识也不一致，比如：有的渠道只能获取设备ID,有的渠道只能获取虚拟用户名等，从而无法打通用户数据在全域上的身份标识，并获取用户在企业所有的交互数据。从技术上而言，要把这些用户数据进行标识打通，实现统一标识ID非常困难，这给后续企业业务的数据应用带来了很大阻碍。4.企业数据质量管理难，问题积压如同“定时炸弹”企业缺乏数据质量的管理体系和方法论，对于数据质量缺乏合理的评估体系，只能得出有问题或者没问题的结论，缺少打分机制，无法诊断数据质量问题的严重性，最终质量问题大量积压对业务造成严重影响；另一方面企业无法对数据质量做主动监控，永远处在被动状态，只能在发现问题后亡羊补牢，大大增加了企业的数据维护成本。企业数据质量管理无法从源头做起，作为源头的数据埋点和接入数据的质量无法保证，只能对上游产生的数据做人为修复，随着时间变长，数据沉淀越来越大，数据质量的问题会日益凸显。5.企业数据管理混乱，想重新梳理但不知从何做起从宏观上来看，企业对于数据的生命周期无法进行管控，数据的热度、数据的老化情况无法得知，数据日益臃肿，资源占用、成本日益高昂，处理的代价越发庞大。多个业务系统供应商之间的数据标准不统一，导致数据的管理难度越加巨大，数据管理大量依赖于专业技术的DBA、数仓工程师等底层技术工作，企业没有可视化、简便的数据管理平台，使得数据维护和管理难顾头尾。从细节来看，企业数据命名定义混乱，同名不同义、同义不同名的现象普遍存在，数据一致性无法得到保证；企业数据之间缺少数据关联关系、血缘情况，对每个数据波动的影响面无法控制，从而加大了整体数据管理的难度。6.数据开放风险大，数据合规安全不可控企业数据在对外输出时，无法做到灵活的数据流量控制、脱敏化处理，企业对外往往无法提供灵活的数据使用接口，数据API定制化程度较高，新数据需求只能二次开发，或者冒险直接提供底层数据平台获取数据。企业缺乏数据合规的管理机制以及技术工具，对数据上报和数据传输无法进行及时的控制和检查。数据权限的管控需要贯穿整个业务流程来确保顺利实施，这对企业的数据安全治理架构和权限设定有着很高的要求。三、详解数据治理完整方案基于上述企业进行数据治理的六大痛点，完善的数据治理完整方案成为企业进行数字化转型的破局之选，本节将以神策数据治理完整方案为例，详细阐述其是如何帮助企业进行全端数据采集、治理、存储、查询及展示，高效积累数据资产，发挥数据资产价值，赋能业务应用场景，助力企业构建扎实的数据根基，实现数字化经营。1.数据治理是企业完成数字化运营闭环的重要基础神策数据通过为超过30多个行业、1500多家企业提供数据分析和数字与营销服务，总结出一套企业经典的运作模式——基于数据流的企业运营框架SDAF。其中，Sense即感知，从抽象的数据分析中形成对业务和用户的洞察；Decision即决策，感性与理性的平衡，人与机器共同决策；Action即行动，基于数据的全方位智能触达手段；Feedback即反馈，实现全端数据全面、实时的反馈。基于数据流的企业运营框架SDAF,企业的数据从头流到尾，感知——决策——行动—反馈四环节共同组成数字化运营的闭环。对企业来说，数据治理是上述数据应用的基础和根基，它的好坏直接影响数据应用过程中的价值体现。同时，数据治理也是企业进行数据资产沉淀的基础，直接决定企业的数据资产能否得到有效的沉淀，以及在数据应用过程中能否充分地发挥数据价值。在基于SDAF运营框架开展业务的过程中，神策数据治理方案贯穿企业整个业务流程，为企业提供实时、高效、规范化的全域数据采集、全域数据的标识打通、以及数据质量把控和管理，帮助企业沉淀数据资产，为企业在后续SDAF框架中的数据应用打下良好的数据根基。神策数据治理方案的核心是面向企业客户数据，助力企业发挥数据资产价值，主要从以下4方面帮助企业推动数字化运营。第一，积累“有效”的数据资产。通过整合多种数据源，打通用户ID体系，从而帮助企业打造持续积累可用、有用、实用的数据资产。第二，驱动企业业务数字化。干净的数据、统一的用户体系，可以实实在在地赋能业务运营中的分析场景和营销场景，有效实现业务数字化运营与增长。第三，赋能企业团队和组织。完整的数据平台和数据流建设规范，可以推动数据团队工作的流程化、规范化，提升组织产出效率。第四，降低机器和人力成本。稳定、可靠、性能优质的数据根基平台，可以处理海量数据，从而大幅降低机器硬件和人力成本。2.数据治理需要组织架构支持，企业数据文化建设需并行数据治理离不开企业组织管理架构的支持，在推行数据治理之前，企业需要梳理哪些角色参与数据管理、分配至哪些部门和人员、分别承担哪些职责，同时，建立体系化的数据管理制度和沟通机制，提高业务部门的参与度，推动企业数据文化和标准衡量体系的建设。业务数据产品组业务数据开发组业务数据智能分析组基础类数据标准指标类数据标准-图：数据治理离不开组织管理架构的支持一一个典型的数据管理组织模式应该有统一的数据管理角色和独立的数据管理部门，与信息科技部门及业务部门并行，受公司领导层统一管理，具备高度的数据管理协作性和统一性，如下图所示。-图：典型的数据管理组织模式一3.面向业务的“螺旋式”数据治理理念在落地数据治理具体方案前，需要具备正确的数据治理理念。在数据治理方面，神策数据崇尚面向业务的“螺旋式”数据治理理念，将数据治理分为三个阶段：关注源头、关注波动、全面掌控。企业数据治理价值解读与场景实践一图：神策数据面向业务的“螺旋式”数据治理理念一第一阶段——关注源头在数据建设的初期，重点关注数据的质量，强调从需求到测试按规范进行，保证源头安全大约可解决80%以上的问题。一旦数据被污染了，发现、制定方案和清洗均是一个漫长的过程，最终还不一定能达到我们的预期。比如，数据的治理需要伴随App发版，但即使我们新版本发出去了，用户也不一定会升级，从而导致部分数据一直被污染。因此，对于数据治理，不要先污染后治理，而是应该从源头控制。第二阶段——关注波动当业务越来越依赖于数据的准确性和实质性时，需要整个数据团队及时监控数据质量的变化，避免发生线上故障从而影响业务。随着业务的持续迭代，数据应用的需求以及系统本身也在不断发生变化，数据治理也需要随之进行不断地更新与调整。在这个阶段，由于对数据治理的重视程度下降、组织架构以及人员变更、流程不稳定和不全面等因素，数据治理的结果一般很难保持在一个较高的基线，反而会越来越差，直至无法满足最终的数据应用需求。以在线推荐系统为例，如果用于给机器学习训练的Item数据流、曝光和点击事件导入有延迟、故障，会直接影响在线服务，比如出现刷不出新条目推荐系统fail的情况。因此，数据治理的过程要贯穿到整个业务迭代的过程中，业务发生了变更，组织架构发生了变更，数据治理方案和流程也应该随着进行变更。第三阶段——全面掌控当业务越来越复杂、数据源越来越多，且各种运营动作对数据依赖程度较高时，需要整个业务团队和数据团队一起来关注数据质量。针对特定的市场需求，标准的数据采集SDK,将匿名ID生成、基础属性采集、数据打包压缩加密、本地缓存、网络传输、时间校准、远程控制等通用功能都需要进行产品化与标准化处理。除此之外，数据治理过程中的通用需求和通用治理方案，可以以产品化的方式进行沉淀。从日常统计结果可知，ID-Mapping,即数据打通相关问题的耗时可以占到一个数据处理项目的30%左右。如今，ID-Mapping已经发展至3.0版本，每一个数据ID都有明确语义，如OpenID、UnionID、IDFA、DIFV、Mobile、Email等等，不同ID之间可以自由关联且支持ID解绑。对于一个用户而言，只要构建其任意两个数据ID之间的关联，即可完成所有ID的关联，从而实现数据层面的用户标识打通，这对于企业的业务数据治理至关重要。AppWeb用户浏览商品AppWeb用户浏览商品用户使用手机登录用户账号"xiaoming"电脑浏览用户继续浏览商品商品上登录账号自营平台注册胀号电商渠道各法量平台微信生态内部系统数据治理的核心目标是帮助企业整合数据资产，发挥数据资产价值，赋能企业形成数字化的业务闭环，实现企业数字化转型。以神策数据治理方案为例，数据治理方案涵盖数据源采集→数据打通→数据质量→数据管理→数据开放→数据安全整个流程。企业数据治理价值解读与场景实践特入的质自的分折甲入用企业数据治理方案包括数据采集、数据打通、数据质量、数据管理、数据安全五大关键点，全方(1)数据采集：通过SDK等数据采集工具，实现全端数据资产积累企业数据治理需要从源头上进行管控，这需要优质可靠的数据采集工具提供支持，对于最常见的App、网页等业务生态，SDK是最佳的数据采集方案。数据治理应拥有统一的数据采集框架，并支持多种数据采集方式。企业可以通过市面上40+种SDK数据采集工具，灵活适配各类数据源，c控5P5)科窗费(50全神策研究院对于外部数据的接入，数据治理方案包含了多种数据接入的通道，可以快速的将外部数据接入到企业数据平台进行数据的存储和数据的分析、可视化。预置通道集成了一方业务数据库、Excel等数据文件、三方电商渠道、微信生态的私域数据接入。同时，为了包容其他的数据源，整体设计以插件化的方式进行数据源的集成，除了下图的预置通道还可以快速集成其余数据通道。同时，为了保证持续的数据接入可以对接入的数据表进行数据同步频率的设定，根据业务诉求在对应的时间、对应间隔上对数据进行更新设置。雪数据接入数据源管理数据质量数据接入数据质量数据库(2)电子商务(4)天猫商城100个户山旺店通Hive旺店通微信生态(1)微信公众号1个张号S微信小程序企业微信一图：对于外部数据接入，预置多种数据接入通道一对于外部接入进来的数据可以对数据进行快速的数据模型映射，将外部数据做简单的标准化和归一化的操作。对于每一个接入的数据都会记录在数据接入管理当中，知晓数据同步的具体情况。与此同时，为了帮助接入进来的数据的最终确认可以对接入的数据进行预览，确认无误后会将数据写入到底层存储当中。(2)数据打通：通过实时一对多的ID-Mapping,构建全局统一的用户体系数据打通的核心是实现数据模型和标准的统一。企业数据的存储按照标准的四层数据分层进行，每层数据的存储进行差异化的类型定义和受众对象。在分层的基础上考虑数据模型本身的设计，遵循数据服务于业务，业务形态决定数据模型。数据模型一方面考虑当前数据的实际情况，另外一方面考虑业务对于数据的实际诉求，将两者合二为一构建整个企业统一的数据模型体系。每一个数据字段都有业务、技术、管理三个视角的数据标准定义，统一企业内部对于数据的理解企业数据治理价值解读与场景实践和认知，避免数据同名不同义、同义不同名，保证每个数据在整个企业内部的唯一性。敏感度敏感度业务定义与相关数据关系标准依据值域相关数据数据标准数据类型技术属性数据格式使用系统业务运用领域数据使用者中文名称英文名称业务规则数据定义者数据管理者业务属性管理属性-图：统一数据标准一数据模型和标准完成统一后，基于ID之间的精准匹配，将两个不同用户在同一用户标识下ID相一致的用户进行关联，并以此将不同业务系统的数据进行用户ID的打通。通过ID-ID之间两两映射关系表，将多种ID之间的关联打通，比如手机号、身份证号码可以关联，手机号、邮箱账号可以关联，这样通过手机号就可以把身份证号码和邮箱账号也关联了。通过电话号码将A和B两个用户进行关联，把AB识别为同一个用户一图：将不同业务系统的数据进行用户ID的打通一在系统中统一维护各个业务系统或者数据来源的用户身份标识，并为每个用户身份标识设置优先级，系统会根据维护的用户标识和其对应的ID优先级，将接入的数据进行自动打通。神策研究院优先级用户标识标识显示名数量限制近7天接收量上次修改时间创建人白定义规则C2Sidontity_mobll用户手机号标识12021-04-2617:30:00系统创建^0-9a-zM5,JSC3Sidentity_emil用户邮箱标识1121C4Smp_unionid微信用户UnionIDN32021-04-2617:30:00系统创C5Smp_la2b3o4d_openid神策数据微信用户146Sidentity_androld_jdAndroidDC7Sidentity_anorymous_id历史匿名IDN4562021-04-2617:30:D-图：用户身份标识一(3)数据质量：构建数据治理监控体系，异常数据监控报警及在线修复企业数据治理方案需要构建一整套完善的数据质量监控体系，包含质量规则引擎、数据质量异常监控报警、异常数据在线修复。在数据质量看板中，企业可以结合业务梳理，通过可视化的形式选择数据和字段对数据质量规则进行配置，定义接入数据需要满足的质量要求。校验规则设置·对ordec,type进行|枚举校验test000事件(Event)杠位ID校验事件(Event)pay_typeNC磁信’,支付宝)一图：数据质量之校验规则配置一企业数据治理价值解读与场景实践根据用户设定的数据质量规则，所有进入数据平台的数据都会主动进行规则校验，并将不符合规则的异常数据及时通过异常看板，实时反馈给数据使用者。同时，平台会对异常数据进行实时修复和改正，并及时调整上游数据和规则。数据质量规则校验后能够保证接入的数据符合数据质量要求，对于那些没有通过数据质量规则校验的数据，用户可在界面当中对异常数据进行修复和改正，经数据修复后的异常数据如果通过数据质量的校验可以将数据存储到底层数据存储当中。(4)数据管理：打造一站式数据资产管理平台，随时掌控数据大盘企业数据治理方案包含整套数据资产管理平台，涉及数据资产管理、数据开放平台、数据地图、元数据管理四个部分，帮助企业以可视化的方式实现数据管理。在数据资产管理上，企业数据管理人员可以通过可视化的数据资产管理平台，快速查看当前数据大盘情况，也可以快速查询入口检索需要的数据。152个一图：通过可视化的数据资产管理平台查看数据大盘情况一神策研究院数据开放平台通过数据API的方式将平台数据提供给业务部门，实现对业务的数字赋能。通过RestfulAPI方式，一方面规避了数据团队人员对底层数据系统的入侵，另一方面帮助企业相关部门规范化使用数据，更好地监控业务部门对底层数据的使用情况。数据地图能够按照不同的业务主体对数据进行集中化管理，帮助不同的业务部门整理和管控整个部门所属的数据资产。数据管理人员在日常工作中可以查看每一个数据的基本情况、数据列、数据血缘情况等信息，对上下游相关数据进行查询、分析，衡量每一个数据对其他数据的影响。在元数据管理上，通过可视化、极简化的方式实现底层数据的管理工作，使所有日常数据工作标准化、规范化，解放专业数据人员，让更多非技术人员上手进行底层数据管理。(5)数据安全与合规：严格控制数据安全分级，切实遵守数据相关法律法规企业数据安全是越来越不容忽视的重点，为了保障企业本身的数据安全，神策数据治理方案对不同的使用者提供不同数据安全级别的控制，从取数和访问流程对数据进行隔离和区分，同时提供专门针对于数据安全的服务控制，切实保障企业数据安全。企业数据合规化是企业数据治理的核心和红线，企业对于数据的收集和使用需要按照国家《数据安全法》《个人信息保护法》,海外按照欧盟GDPR为代表的各属地法律法规进行。对于涉及公民隐私等相关数据务必进行安全与合规化的管理和控制。采集安全在数据采集过程当中保证数据的安全传输采集安全在数据采集过程当中保证数据的安全传输以及数据本身的多重加密，做到数据不丢以及不可破解。定期销毁数据存储遵循各国法规，保证数据的境内存储，不支持跨境传输。同时，数据存储做到根据企业实际业务周期对数据做最短期限存储，保证数据信息的保存时间与业务使用目的保持程度上相一数据存储遵循各国法规，保证数据的境内存储，不支持跨境传输。同时，数据存储做到根据企业实际业务周期对数据做最短期限存储，保证数据信息的保存时间与业务使用目的保持程度上相一致一图：企业数据合规化-四、数据治理的典型业务场景数据采集是数据应用的源头，是企业进行精细化运营的基础和前提。如果数据采集没有做好，会影响整体的数据质量，即使在后面环节进行弥补，其代价会更大，最终的数据应用以及基于数据做出的决策和反馈也必然会受到影响。企业在开展精细化运营过程中，首先需要一套标准化、规范化的数据采集方案来收集一方体系和三方平台的全域业务数据，夯实数据应用根基。通过数据采集SDK、预置系统/数据对接、电商/三方平台API、定制开发且集成进行全域的数据接入，从而打通各渠道数据，构建全域数据基础。典型场景：品牌零售企业的整个消费者生命旅程主要分为知晓品牌、产生兴趣、首购体验、持续复购、分享裂变几个阶段，每个阶段消费者与品牌的数据交互与触点分布如下图所示。8天而①动支②r-图：围绕消费者生命旅程的全域数据采集-以某餐饮品牌为例，其各渠道数据包括门店POS订单数据、CRM系统中存储的会员数据、积分数据、优惠券数据、堂食与外卖小程序行为数据等，该品牌的运营人员想看到全渠道的会员相关数据，就需要对不同渠道设计针对性的采集方案。例如将门店订单数据、CRM数据通过API导入统一数据平台，小程序等私域触点的用户行为数据通过SDK完成实时采集，通过对这些渠道数据进行采集与治理，共处理4亿多条数据，最终实现全渠道会员数据集中管理查看。神策研究院2.全域OneID打通：ID-Mapping构建统一用户体系，获取真实画像企业业务侧往往存在多个终端，由于终端用户所在渠道不一致，导致用户数据的标识也不一致，无法实现数据OneID化。比如，有的渠道只能获取设备ID,有的渠道只能获取虚拟用户名等，无法打通用户数据在全域上的身份标识，并获取用户在企业所有的交互数据。由此可见，企业数据治理中，全域数据OneID体系设计对企业的用户精细化运营、CDP构建等都至关重要，下面以神策数据治理方案为例。神策数据采集方案拥有规范的ETL流程，让企业低成本获得干净的数据，从源头保证数据质量。成熟的Event-User-ltem数据模型，让跨部门、跨业务的数据治理标准统一，同时通过实时一对多的ID-Mapping,构建全局统一的用户体系，打通用户在各端、各场景下的用户数据，获取用户真实画像，从而为后续的精准营销和精细化运营打下基础。典型场景：某知识共享平台，经常在其公众号中推送相关活动，用户看到后进行注册，之后领取红包购买课程，接着登录App,开始课程的学习。但由于其中牵涉H5、小程序、App等不同的端，许多企业在进行此步骤时并不知道该如何将多端数据统一，进行同一用户识别。通过神策的ID-Mapping机制，可以实现同一用户多端行为数据的打通，如下图。 12->1设备ID购买课程学习课程这里有三个ID的概念，神策ID、设备ID、登录ID。当用户进入落地页后，刚开始就会将其企业数据治理价值解读与场景实践OpenlD作为设备ID,此时也会生成一个神策ID,比如用“一号”来标识这个用户，当用户注册时填写手机号码，我们可以把他的手机号码作为他的登录ID写入，假设是ABC,然后将他的当他启动App但并未登录时，对于这个陌生的设备，此时会用他的手机设备ID进行标识，并在神策中用“二号”标识，一旦他登录ABC进行学习，就又会被识别出——原来他是“一号”用户。如此，利用设备ID与登录ID关联的机制，基本上可以将关键流程的所有行为贯通在“一号”用即使是用户的那段“匿名时光”,也可通过多设备关联，把用户登陆之前的那段行为与ABC进行关联，实现一个更为完整的用户路径打通。数据治理方案可以为企业提供全局的数据质量监控体系，并通过可量化的数据质量指标体系刻画当前数据质量情况。某汽车品牌的数据来源纷繁复杂，包括厂商、车载车机、车联网、私域小程序、车主App、外部车联网后台第三方平台第三方平台加上该品牌的数据多以SDK埋点数据、日志数据为主，但当前埋点数据质量较差，主要使用日志数据，而数据当中的关键信息缺失、数据字段缺失、数据数量与实际不符。神策研究院一图：该品牌数据采集的问题一数据针对当前整个数据体系所存在的问题，该品牌对源头数据进行梳理，并确立每一种数据本身应该达到的质量标准，将质量标准转化为对于每一个业务数据的质量规则定义。基于神策整体数据质量管理，对该汽车品牌进行如下落地架构上的整体实施设计。车生t车联网官网正空概野厂一图：数据质量监控体系一为了帮助该品牌数据团队认识到当前数据质量情况，避免小题大做和业务误解，神策针对不同数据质量规则进行可量化的数据质量指标体系设计，并通过打分机制掌握当前数据问题的情况。钻mmbelminodeCod⁸F平。0209662590010287_111007-图：针对不同数据质量规则进行可量化的数据质量指标体系设计一4.数据资产管理：实现可视化、极简化的数据体系管理数据治理方案可以帮助企业摆脱底层命令式的数据管理，利用可视化、极简化的手段进行企业数据体系的管理，通过工具化的手段实现主数据、元数据的便捷管理。典型场景：某奶饮国际巨头，以往的公司内部数据管理主要依赖外包厂商的数仓工程师和DBA等技术人员通过服务器端工作，非专业人员无法进行数据管理工作，也无法直观地获取当前数据库当中的数据体量和种类，因此需要有一个可视化数据资产管理系统进行日常数据的管理工作。通过数据资产系统可以按照业务主题对数据进行管理和维护，同时支持查看每个数据表的血缘关系。通过数据资产系统的资产目录也可以快速索引和查找需要的数据表，同时支持对数据字典的支持和维护。|sfn-图：数据资产系统一数据治理方案通过对数据的梳理，统一企业对于每个数据的定义，达成对数据的统一口径和认知，解决数据二义性，同时通过数据标准管理规范企业全域数据。典型场景：某智能电动汽车公司业务发展速度较快，随着汽车保有量的逐年增长，用户数和服务量增加，数据增长速度和数据体量增大。如果不做数据治理的话，根据这种接近指数级的数据增长趋势来预测，未来数据生产、存储、服务的复杂性及成本负担都会变得非常之高。基于此，该公司确立了四个数据治理目标：建立健全数据标准框架，制定基础类数据标准和指标类数据标准；提高数据使用和运营效率，提高数据运营的自动化和系统化程度；提高数据治理程度，通过系统化手段管理指标口径，保障数据一致性；健全企业线上数据权限管理流程。此后，该公司主要从组织、标准规范、技术、衡量指标四个维度进行数据治理。整体数据治理的实现路径以标准化的规范和组织保障为前提，通过技术保证数据治理策略的实现，搭建数据治理的衡量标准来观测和监控数据治理的效果。在具体落地时，该公司专门成立了数据管理委员会，下设业务数据产品组、业务数据开发组以及业务数据智能分析组，并明确三组的具体职责：·业务数据产品组：负责数据标准、数据需求对接、数据产品设计·技术数据开发组：负责数据仓库、数据产品、数据治理、数据安全和数据工具的开发和实现企业数据治理价值解读与场景实践敏感度敏感度业务定义与相关数据关系标准依据值域相关数据该公司数据标准框架数据类型技术属性数据格式使用系统业务运用领域数据使用者中文名称英文名称业务规则数据定义者数据管理者管理属性业务属性一图：某智能电动汽车公司的数据标准框架一报表数据来源报表归属业务线报表更新频次报表推送方式报表紧急联系人查看筛选维度全量/批量下载配置报表定时更新明细报表/图形分析预警提示报表主题分类数字报表上线上线数字报表工具数字报表展示一图：上线数字报表工具Pulseweb-保障数据一致性；在数据效率上，数据工具上线后，提高了数据集的使用频次，减少了业务和研确定了统一标准和规范的数据口径、数据来源、指标维度的计算逻辑，数据仓库分层优化的实施提高了数据质量；在数据安全上，线上数据字典数据上和数据指标的维护负责人，业务线同事需要在流程申请后才可使用该业务数据，对保证业务数据五、三大行业数据治理实践解读1.保险业：基于OneID打通全域数据，助力360°洞察与精细化运营随着保险行业数字化转型的深入，很多保险公司越来越意识到：数据资产是保险企业获得永久性竞争的基石，是推动生产力的数据资本。完备的数据资产可以帮助企业获取更强的决策力、洞察发现力和流程优化能力，因此重视数据根基的搭建成为很多保险公司的共识。在推动数据基础建设中，通过完成数据资产建设与管理、数据采集规范体系建设、数据质量保障体系建立、实现全渠道数据采集及融合，从而赋能实际业务的应用。加之，随着“以客户为中心”逐渐成为保险公司普遍认同的战略重点，保险公司要了解客户需求与偏好，投其所好地提供相匹配的产品或服务。建构数据根基平台，形成对客户实时精确的分析洞察，进而提供匹配的保险产品和服务，最终提升客户粘性，促进转化，成为保险公司提升自身品牌影响力和竞争力的重点。此外，由于保险业务“低频交易，弱连接”的特点，对企业的精细化运营程度要求更高。当有了统一OneID的数据基础，就可以进一步展开数据分析和洞察。在A端和C端用户体验优化上，可以对平台数据概览、核心指标预警、渠道追踪评估、活动效果评估等相关指标进行下钻分析；在A端代理人团队管理上，可以针对代理人特征洞察、招聘培训、行为指标体系建设等进行具体分析；在C端用户运营策略上，通过客户特征数据的洞察，根据其行为偏好制定运营策略，进行个性化运营和营销。基于上面的分析与洞察，可以开展进一步的行动和反馈，推动精细化运营。在C端客户运营上，进行针对性活动策略的触达，进行微信公众号服务运营以及自动化的智能营销；在A端代理人运营与赋能上，可以助力拉新增员、成单转化、线上精准培育、业务排名预警等；在电销人员赋能上，可以帮助进行线索质量划分、线索精准匹配、企业微信客情卡、线索培育、线索清洗回捞、沉默线索激活等。某人寿保险公司A:基于OneID打通内外用户全链路数据，助力智能营销与精细化运营某人寿保险公司A近年大力发展数据资产与数据智能化应用建设，改变以往业务运营缺乏数据支持的情况。希望基于OneID打通用户全链路以及与内部数据，助力公司业务的数据化、精细化用户运营，提升用户及价值增长。该保险公司在数字化转型战略之下，大力建设及丰富App生态，逐步将客户向线上化迁移，在此过程中，线上端积累了一定数量的客户，如何将客户线上行为数据与保单数据、自然属性数据等融合，基于MDM客户号与神策ID融合多策略产生唯—ID、具备实时生成标签能力，客户经营系统标签和用户行为标签、实时标签贯通，是该公司的核心诉求。基于此，建立全公司层面的客户标签体系，形成360°的客户视图与洞察，方便后续推进精细化运营促转化。通过神策数据治理的OneID能力，通过采集该公司展业端、保险官网、保险公众号、保险商城及保险管家等全渠道的A端和C端用户行为数据以及企业内的CRM系统、投保系统、核保系统、理赔系统、风控系统等各业务系统明细及标签数据的导入，加上第三方数据的导入，比如保险经纪公司A端和C端用户行为和业务数据等，运用ID-Mapping统一保险客户的ID,完成数据资产的积累和沉淀。基于OneID打通数据后，可以通过用户信息全景看板和对用户行为的归因分析、转化分析、复购分析等数据表现，根据相应的规则搭建用户标签体系，通过静态的基本属性和动态的行为属性及付费属性，构建完整的用户画像，从而可以360°地进行客户洞察和机会挖掘。比如，通过标签体系的搭建，可以清楚地看到某个年龄在30-35岁的白领用户，收入约5W,多次浏览重疾，且做了保费测算和咨询了客服，基于这样的标签画像，对此进行针对性的重疾险、教育金险、养老金险、车险等商品和服务的推送，转化率会更高。多次浏览重疾做了保费测算咨询了客服重疾险意向喜欢大促活动关注养老社区30-35岁用户基础信息人口统计属性社会属性激活注册用户行为数据业务数据用户生命特激活/暗育期已有标签综合价值付费价值访问活跃功能活跃投保活跃营销活跃付费属性行为属性生活关系关联关系付费频次付费偏好活信跃好付费生命线上渠道制已有元数据设备账号人口统计位置信息渠道特征营销偏好价值属性-图：用户标签体系示例一OneID助力构建保险用户关键行为预测标签，提升运营效果数据感知(Sense):基于神策数据的OneID打通和ID-Mapping,通过对该公司的线上App行为数据、CRM系统业务数据、保单信息管理系统业务数据及第三方数据的打通及导入，基于这些基础数据分析，通过预测客户行为，将客户初步划分为以下几类，方便展开针对性运营。保险转化客户：过去30天，做过支付保单的事件；神策研究院保险价格敏感客户：过去30天，做过查看保单价格事件且未投保；退保客户：过去90天，做过申请退保的事件。数据决策(Decision):通过神策分析对以上人群进行圈选和数据进行分析，进一步计算出用户的保险转化概率、价格敏感概率和退保概率，然后将行为发生的概率值保存为标签，并提供不同用户分层的建议，最后输出相关性最高特征及魔法数字。数据驱动(Action):根据上述决策，针对不同层的客户展开相应的运营触达动作，针对保险转化率高的客户推送到代理人跟进，进行专属服务促进转化；针对保险价格敏感概率高的用户，推送保险咨询顾问服务链接消息；针对退保概率高的客户，将这批客户推给呼叫中心，方便在客户退保前，进行提前干预，减少用户流失。数据反馈(Feedback):通过上述触达策略的执行和推进，该公司的保单转化率有所提升，退保率也有了下降。此外，基于不同的触达策略，结合不同的触达方式、触达内容、触达时机等触发维度的效果数据分析，总结触达过程中不同客群的营销话术内容、投放策略以及触达节点对触达效果的影响，不断对后期话术、投放策略、触达时机等进行调优，最终固化最优运营策略。此次从粗放式到精细化的运营转变，使优化后的触达转化率显著高于原始触达转化率3%,获得了领导的认可，并计划结合基于数据流的企业运营框架SDAF的方法论在线上转化流程中尝试不同“触达”环节的精细化运营策略，最终提升业务转化率。通过客户标签助力个性化推荐，提升客户体验和促进转化数据感知(Sense):基于用户统一ID的用户数据进行分析，可以获知不同客户的基本属性和各种偏好。比如在保险类型偏好上，是倾向于返还型还是消费型，是有购买人身险、健康险还是车险的意向；在产品偏好上，是偏向长期还是短期保障，是有意愿购买老年险、成人险还是儿童保险；在资讯偏好上，是浏览健康、养老、美食类的资讯多，还是优惠活动、服务类的资讯多；在行为习惯上，是倾向于选择线上代理人服务还是线上渠道，等等，各个群体的用户偏好都可以一览无余。数据决策(Decision):然后，在这些行为偏好的基础上，对个性化需求的人群进行细分，在个性化保险产品需求上，分为重疾险、意外险、车险、医疗险、教育年金、养老年金、定期寿险等。在个性化服务需求上，分为专业心理咨询、健康服务、美食类知识讲解、法律咨询等。数据驱动(Action):根据不同需求的细分人群，圈选相应的人群，在触达方式、触发内容及触达时机上进行针对性的动作，展开个性化的营销和服务。比如通过短信、站内消息、代理人专属服务、呼叫中心等，分别推送不同的保险产品和主题营销活动。数据反馈(Feedback):通过全方位的客户洞察，结合智能推荐工具，该保险公司实现了“千人前面”的个性化、差异化运营，有效提升了客户满意度与产品粘性，在营销成本降低的情况下，有效提升了业务转化率与品牌忠诚度。专专业心理客i健康服务咨美食类知识务咨询求求1附水意外险需求车险需求重疾+意外+寿险需求定期寿险重疾险需求医疗险需求教育年金养老年金&专属服务恐保险产品1保险产品2主题活动1主题活动2年龄/性别家庭结构/收入/资产返还型/消费型人身险/健康险/车险长期/短期保障产品偏好老年/成人/儿童保险健康/养老/美食类资讯优惠活动/服务类资讯线上代理人专属服务线上渠道偏好2.品牌零售业：ID-Mapping打通全渠道数据搭建CDP,打造私域流量精细ID-Mapping助力跨端行为打通，真正实现全渠道追踪当前，众多品牌商和零售商都开始意识到“以消费者为中心”和“数据驱动”是企业增长的两大核心武器，纷纷进行基于大数据的全渠道精细化运营。如何围绕用户构建消费场景，运用数据提升极致体验，是大环境下品牌零售企业需要直面的命题。不可否认，数据根基建设是一切精细化运营应用的基础。品牌零售企业普遍面临着消费者数据数据采集难、质量差、割裂严重等制约精细化运营的难题，他们格外需要可以打通消费者全触点的数据根基平台。通过数据治理可以实时采集、治理、存储、查询、展示数据，并搭载数据智能引擎，高效积累数据资产，真实还原消费者的足迹，真正赋能业务应用场景，帮助品牌零售企业构建扎实的数据根基，实现数字化经营。在Sense感知阶段，品牌零售企业依托于全域数据采集能力和便捷的ID-Mapping数据整合技术，打通移动端、线下门店、电商渠道、社交媒体以及企业自身所有的(S)CRM、数据平台等全渠道数据，打造一体化消费者数据中心(CDP),从而掌握全面、实时的消费者画像及灵活的标签分群能力。只有做到对自己的消费者了熟于心，才能在策略制定和营销触达时有的放矢。接下来，基于业务需求和消费者本身所有数据的情况，提取数据中可描绘消费者不同维度信息的标签，全方位读懂用户，还原出运营的真相，针对性地做出业务决策(Decision)。然后展开Action行动，即根据用户画像和具体的业务目标，针对不同的用户进行个性化的触达营销和差异化的运营，同时根据用户触点识别客户旅程所处的生命周期阶段，利用个性化的接触和需求满足达到极致的用户体验。最后，针对用户触点数据进行拉新、激活、支付、复购的营销数据反馈，进行效果分析，通过事件、归因、漏斗等用户行为分析，以及各生命周期的用户旅程分析，在投放端的流量分析等，优化营销决策。最终完成对消费者形成洞察(Sense)、制订策略(Decision)、实施动作(Action)、回收效果(Feedback)四个步骤的运营闭环，真正赋能品牌零售业务增长。接下来以某国际知名的消费电子品牌B为例，看看它是如何通过搭建消费者数据中心，一步步践行消费者数字化运营闭环，逐步实现数字化转型。整合全渠道消费者数据，务实品牌数据根基品牌B很早就意识到构建品牌私域流量数据的重要性，并着手布局微信小程序触点矩阵，2019年初，品牌B的小程序商城、会员中心、内容中心、远程操控等四大小程序已经积累了可观的用户规模。小程序触点矩阵虽然已经布局好，但品牌B发现分散在四处的消费者数据并没有打通，仍是不连贯的，比如当某用户浏览了一篇介绍新品的公众号文章，在小程序商城下单购买，并且在会员小程序进行售后保养，再利用远程操控小程序对设备进行控制……品牌B甚至无法识别这些动作来自于同一消费者，基于此，品牌A计划将4大微信小程序整合成为一个“AllInOne”小程序，除了前端界面的改造，更为关键和复杂的是打通底层消费者数据，还原其真实足迹。经过对品牌B小程序的现有数据的综合诊断，神策数据帮助其找到了重构数据根基的5大障碍：1)缺失统一的ID-Mapping规则2)埋点的深度与广度皆不足3)缺少有效的数据维度属性企业数据治理价值解读与场景实践4)渠道来源标识缺失5)数据采集准确度不足上述5大问题直接导致消费者足迹割裂，无法形成细颗粒度的消费者洞察，精细化运营闭环更无从谈起。基于此，神策数据对品牌B每个小程序的原有埋点进行了处理与优化，使用ID-Mapping技术打通了各渠道的消费者数据，并针对原数据进行了大量的校验和治理工作。该年双11大促时，品牌B利用新上线的消费者数据平台，尝试性地圈选了一批高潜力转化消费者，发送优惠短信进行触达，这一年品牌B在所有品牌微信商城双11销售额中排名第二，足见消费者数据平台对精细化运营的助力作用。私域精细化运营，赋能618大促实现降本增效在对各渠道消费者数据整合完善后，品牌B希望针对消费者特征进行更精细化的运营。在2020年618大促期间，神策数据在品牌B推行了精细化运营闭环的SDAF方法论，具体实践如下。■精准推送：对过往90天浏览5次以上商■满足条件的近万人共带来近百台■数百元的短信成本带来了数十万GMV的回报■归因分析发现：相比对比商品、观看直■通过标签画像平台、留存分析发现：浏数据感知(Sense):大促期间将足够接近转化的消费者进行圈选并有限触达是提升运营效率的关键。基于此，品牌B对近两年来，所有小程序消费者的行为进行洞察后，发现浏览商品详情页5次及以上的消费者具有较高的转化率。数据决策(Decision):基于数据感知得到了上述消费者洞察后，品牌B决定从大促的预热期开始，对过去90天之内浏览过商品详情页大于等于5次的消费者发送定制的促销短信。数据驱动(Action):通过神策智能运营平台，品牌B在大促期间每一天的上午10点对消费者进行价格直降的短信发送，考虑到消费者的高转化潜力，品牌A还利用行为数据的优势，专门设计了“实时刺激”的运营方案。品牌B预设了一些小程序内的关键行为，例如收藏商品、对比商品、咨询客服、加入购物车、浏览购物车等，并在消费者点击短信，进入小程序触发了上述关键行为，如果其在30分钟之内未完成购买，会再追加一条实时提醒的短信发送给该消费者，提高其下单的可能性。-图：神策数据的流程画布图一作但是未触发B动作的消费者进行实时触达，满足实时刺激条件的人群包共计万余人，总计为品牌B带来了几十万GMV,这也成为品牌B运营历史上RO1最高的人群策略包。企业数据治理价值解读与场景实践3.汽车业：搭建CDP平台还原全域旅程数据，构建车主画像驱动品牌价值升级不可否认，近两年传统车企的数字化转型意愿非常强烈，这主要由三个方面原因所致：第一，用户体验的数字化需求，随着时间的推移和购车目标人群的演变，80后、90后互联网原住民将成为购车的主力军；第二，触达渠道的数字化需求，从原来在公域上购买流量进行触达，逐步转向公域流量+私欲流量的触达方式，并且整个车企也在加速企业全旅程业务线上化转型与数字化变革；第三，企业营销的数字化需求，车企要从原有的硬件制造向科技公司转变，同时还需利用社交媒体释放的红利，去构建营销势能力。那什么样的工具可以满足车企的数字化转型，现阶段而言，搭建车企自身的CDP平台是个很好的解决方案。通过CDP平台的打造，完成内外部系统数据源连接，打通营销触点，为车企以及其业务部门提供从客户数据采集与分析、统一用户画像构建以及营销自动化触达的全渠道闭环运营解决方案，帮助车企实现数字化转型。通过数据治理与分析，CDP平台可以解决车企内部业务部门之间、品牌与经销商之间的数据一致性与数据割裂问题，通过建立统一的底层数据湖，沉淀高价值数据资产。同时搭建敏捷的数据驾驶舱，衡量行动真实效果，赋能业务决策。同时，以可靠的ID-Mapping能力建立360°车主用户画像，准确识别唯一用户，还原完整用户旅程，为运营与营销行动提供坚实基础。车企CDP平台建成后，最直观的感受是散落在各个业务系统的数据得到了有效的互通，比如DMS系统、CRM系统、DMP系统等，数据互通后利用ID-Mapping的方法，完成用户线上线下行为的唯一识别，实现用户从看车、购车、用户、聊车、玩车、换车关键业务节点的全生命周期覆盖，接下来使用不同的数据模型分析用户在不同端、不同业务触点、不同业务系统的行为数据，完成车主画像的建立，区分不同用户群体的特征，通过不同的运营动作实现用户精细运营，形成数据闭环。接下来以某汽车品牌C为例具体展开讲述。汽车品牌C成立于九十年代后期，旗下拥有多个品牌和三十多款产品，覆盖了从高端豪华车到经济型轿车各梯度市场以及MPV、SUV、混合动力和电动车等细分市场。经过二十余年的发展，品牌C形成了千万级的车主保有量和庞大的经销商网络，该品牌在2010年前后引入了车联网服务系统，并且逐步推广到品牌旗下的所有车型。作为传统的汽车企业，企业内部存在着各式各样的业务系统并且拥有巨量的数据，企业内部不同的业务部门有着很强的数据应用需求。首先对接车企数据负责部门与相关人员共同整理数据资产，主要包括售后系统数据、销售数据、车联网数据、呼叫中心数据等，涉及近10个数据源，总数据存储量高达几百T。其次对于不同数据源可以应用的场景，我们也逐一跟不同的对应部门进行确认。最后根据数据资产现状和业务部门的需求，建立起一个数据互通，可以满足不同业务部门随时取用的CDP数据平台。神策研究院然后，进一步打通各数据源建立统一的底层数据库，沉淀高价值的数据资产。比如，售后数据主要关注点有工单数据、结算单数据、配件数据等；车联数据关注点有位置数据、车辆状体数据、车辆行驶状态数据等；用户数据关注点有车主数据、联系人数据、用车人数据等，完成高质量的数据沉淀后，接下来通过用户ID-Mapping的建立，可以纵观车主的全生命周期，一个用户从看车、购车、用车、聊车、玩车、换车，都会从不同的渠道进入留下自己的行为印迹，由于用户行为数据又存储在不同的业务系统，如何去串联识别单个用户的行为变的尤为重要，随着用户ID-Mapping的建立可以完成车主画像构建，准确地识别唯一用户，还原完整的用户旅程，为运营与营销行动提供坚实基础。第三步通过与不同部门的访谈了解到各自的业务目标，基于业务目标结合数据资产建立不同的数据模型，完成对业务价值的赋能。业务目标业务目标提升DAU/MAU用户触达效率线索成交转化率销售收入品牌忠诚度直达用户数字化运营赋能聊车/元车增车/换车流失用户预测车联网体验管理数据运营高质量的用户资产沉淀全渠道触点采集媒体渠道投放购车链路分析用户直连购车转化分析流失质量评估