可組合 CDP：它們與打包解決方案有何不同？

“可組合的 CDP 不是一個東西。 可組合架構是，”我的同事 Craig Howard 之前在一封內部郵件中寫道。 他解釋說，當組織無法實施自己的雲原生客戶數據存儲並且可以購買商業的現成解決方案——“打包”CDP——時，客戶數據平台 (CDP) 獲得了吸引力，這可以幫助他們實現收益通過管理他們的客戶數據來使用雲技術。

但最近情況發生了變化：

• IT 組織已經圍繞雲技術發展和構建技能。
• 數據集成需求往往超過了 CDP 的能力。 許多 CDP 都在努力管理複雜的數據結構或處理回答有關數據的複雜問題。
• 政策和拼湊而成的全球法律在隱私、同意和數據駐留方面帶來了複雜性。

品牌現在正在使用雲原生身份解析、數據集成和數據存儲功能來創建他們的單一客戶視圖。 CDP 正在適應這種範式、數據云和由此產生的可組合架構模式，稱自己為“可組合 CDP”。

打包與可組合

可組合的 CDP 基於錨定在客戶數據云數據存儲上的架構。 在可組合的情況下，CDP 成為一個編排平台——管理受眾和旅程並激活客戶數據。

然而，決定使用可組合還是打包的 CDP 並不簡單。 首先，如果您要購買其中任何一種，那麼您的頭腦就在正確的地方。 跨渠道激活第一方數據是未來。 如果您的決定是可組合還是獨立，那麼有很多東西需要拆開。

收斂

2021 年，人們不得不在反向 ETL（可組合）或 CDP 之間做出選擇。 今天，這個選擇並不明確。 許多 CDP 和營銷技術可以查詢數據庫。

例如，Lytics、ActionIQ、mParticle、Blueshift 和其他公司已經在本地連接到客戶端數據倉庫和存儲在其中的有價值數據方面取得了長足的進步。 人們可以有效地練習與一些以前被認為是打包的 CDP 的可組合性。

執行

這聽起來很簡單——在現有數據倉庫上應用一個反向 ETL。 是的，“可組合​​”可能更容易實現。 如果您具備以下條件，實現價值的時間通常會更快：

• 在您的數據倉庫中可以輕鬆訪問所有關鍵數據流。
• 身份解析策略制定出來。
• 敬業的分析或企業數據團隊。

因此，可組合的 CDP 將依賴項推送到客戶端數據倉庫。 如果您不符合上述標準，CDP 可能會提供可比或更優的價值實現時間。 例如，身份解析策略是在使用許多打包的 CDP 的入職期間建立的。

此外，電子郵件平台和其他營銷技術的通用連接器可能會為客戶提供以前未存儲的數據集。 這種新數據和身份解析策略為許多客戶提供了“客戶 360”作為增值。

深入挖掘：CDP 應該放在您的營銷技術堆棧中的什麼位置？

可組合與打包的 CDP 用例

在可組合方法中實現的用例與打包的 CDP 沒有根本區別。 也有例外——諸如 Lytics 和 BlueConic 之類的 CDP 提供簡單的站點個性化。

如果基於細分的數據對於營銷目的是可靠的，並且身份解析策略允許在給定渠道中激活，則用例僅受使用該工具的團隊能力的限制。 但是，打包的 CDP 可能具有內置機器學習 (ML)、報告和實時支持，可組合從業者可能需要單獨解決這些問題。

身份解析

可組合的解決方案不會創建身份解析。 可組合架構依賴於預先存在的連接鍵、不同數據集的雲原生身份解析或具有所有相關細分標準的預先存在的客戶表。

CDP 可以使用預先存在的身份解析策略，類似於可組合架構——或者他們可以為客戶創建身份解析策略作為其實施的一部分。 通常，有一種混合方法，其中 CDP 利用客戶預先存在的身份解析策略，然後將新的渠道和數據流映射到該身份解析策略中。

深入挖掘：陌生的身份解析新世界指南

分割

許多打包的 CDP 提供無 SQL 前端，可組合的反向 ETL 解決方案在這方面取得了進展。 同樣，並非所有 CDP 的創建都是一樣的，有些 CDP 會給最終用戶帶來更多的技術負擔。

一些 CDP 需要展平或映射數據以限制複雜的連接。 這是為了限制數據的維度並提供實時響應。

這種架構的實時性可能對某些人來說是一個優勢。 但是，它確實限制了對數據提出複雜問題的能力。 如果實時很重要，打包的 CDP 可能會有優勢。 如果復雜的問題和實施中不那麼繁重的數據映射至關重要，那麼組合式可能更適合您。

數據治理

對於可組合架構與打包的 CDP 決策，許多決策者最關心的是同意、數據存儲、數據駐留和訪問/刪除權的複雜法律要求。 在這方面，可組合性具有優勢。

Composable 將數據倉庫置於營銷領域的中心。 雲數據倉庫為同意和數據駐留提供靈活的控制。 可組合的解決方案可以在預先存在的治理框架內工作，包括多區域支持、數據過期和列級保護。

打包的 CDP 通常會在 CDP 管理的環境中重新創建客戶數據的關鍵方面。 這會為與 GDPR 和 CCPA 相關的請求等產生流程問題。 他們還被迫使用客戶提供的同意屬性或與第三方同意平台集成。 一些 CDP 試圖通過“本地”安裝他們的 CDP 來緩解這種情況。

價值實現時間

價值實現時間因客戶而異。 如上所述，從理論上講，如果滿足某些組織標準，可組合的價值實現時間會更快。 如果不滿足這些標準，打包的 CDP 具有一些結構優勢。

但是，CDP 不能總是聲稱成功。 我們已經看到在短短 30 天內實現價值的時間，不幸的是，我們被要求挽救多年的努力，但幾乎沒有提供任何價值。 但是，如果你有一個多年沒有成功的問題，那麼問題可能不是技術，而是你的用例策略、你採用新技術的過程或者你的員工缺乏技能、可用性或連續性。

數據科學和機器學習

可組合方法依賴於企業為數據集帶來自己的智能或同類最佳解決方案。 許多 CDP 提供開箱即用的數據科學。 根據我們的經驗，CDP 提供的功能僅限於使用該平台的團隊。 如果團隊很先進，他們可能能夠從數據科學功能中提取價值。

我們認為數據科學應該根植於營銷活動中。 如果您的團隊沒有發現他們擁有的 ML 功能的實用性，那麼您的團隊或流程有誤。 如果您的團隊沒有 ML 功能，請與可以幫助您實現營銷流程現代化的專家合作。

深入挖掘：衡量 CDP 的採用：一個綜合框架

使用可組合 CDP 之前要考慮的關鍵問題

使用可組合或打包的 CDP 的決定是非常微妙的。 這些區別是重疊的，並且品牌的數據倉庫、補充技術（BI、機器學習等）和所需用例之間存在特定的依賴關係。

在決定採用哪種方法之前，品牌應該問自己以下一些問題：

• 我要解決哪些用例？ 必須考慮刪除第三方 cookie 的注意事項、實時用例的需求以及與現有 martech 堆棧的連接。
• 我的數據倉庫中是否已包含所有關鍵數據？ 例如，我的電子郵件、網站和來自商店或其他自有渠道的關鍵數據是否在客戶層面可用？ 我是否可以將這些數據集結合在一起以獲得相當可靠的客戶視圖？
• 我的報告和分析能力有多成熟？ 他們能否輕鬆支持報告我打算建立的受眾、我打算部署的用例以及與這些工作相關的投資回報率？
• 我是否擁有支持我的受眾基於 ML 的決策所需的工具？

當我們與部署 CDP 的公司合作時，我們的團隊通常會做出大規模部署第一方數據的組織承諾。 這種固有的承諾有助於加快 CDP 部署的速度並取得成功。

現在判斷反向 ETL 解決方案將如何影響第一方客戶數據的大規模部署還為時過早。 然而，對於快速實現價值的應用程序以及允許數據駐留和隱私問題的能力來說，未來是光明的。

獲取營銷技術！ 日常的。 自由的。 在您的收件箱中。

企業電子郵件地址

訂閱 加工...

見條款。