专栏首页互联网数据官iCDODMP 101之三:DMP的渊源

DMP 101之三:DMP的渊源

这个系列的文章已经有无量的抄袭者和“盗版者”出现。所以,从这一篇开始,我把部分的文字变成图片,一种无奈之下的“版权保护”。若影响了阅读体验,请朋友们见谅。

DMP不是凭空出现的。

DMP的出现,是多种条件成熟之后的必然结果。但这些条件在数年前尚未成熟,因此那个时候也没有DMP。

今天,技术条件成熟了,但DMP仍然面临着很多业务上的挑战。这些挑战,我们放到后面再慢慢说。

这一篇,我来讲讲DMP在瓜熟蒂落之前,它源自哪里。

DMP就是源自网站分析工具

在这个系列的第一篇文章中已经说了,DMP的核心思想是获取消费者在各个触点上的行为数据,然后加以利用。

获取触点上的数据,这个事情,直到今天,所采用的方法与十多年前即开始的网站用户行为分析所采取的方法,仍然大同小异。

网站分析获取数据的方法是在页面中加上“监测代码”,以及在一些非HTML互动的位置(比如JavaScript呀,Flash呀,Video呀之类的地方)加上“事件监测”(俗称埋点)。这个方法的思想后来被用在了app的用户行为监测上(技术上不同,但思想上完全一样),然后微信的小程序也采用了类似方法(技术上类似,思想上也完全一样)。

当然,DMP还有另外一部分的数据,是来自于其他数据源直接获取的,比如CRM里面的数据或其他合作方提供的数据,但这些数据都不是DMP数据的根本,DMP的核心数据就是自己通过上面的方法获取的各营销触点上消费者的行为数据。

除了获取数据的方式与网站分析工具一脉相承,DMP还有至少其他三处地方与这些“传统工具”非常类似,接着看。

DMP和用户行为分析工具的相同之处

1.在抓取数据上,DMP的很多方式与传统分析工具是一样的。或者说,DMP的数据收集部分,很依赖于那些成熟的用户行为分析工具的经过多年检验的方法,例如在页面上加监测代码、事件监测、SDK,利用cookie和device ID分辨不同人等。事实上,DMP的数据抓取,部分组件就是以网站分析工具和app分析工具为基础的。这是我们上面刚刚讲过的。

2. DMP中的分析模型,大部分都是源于这些传统工具的经典模型,比如转化漏斗、路径、归因、细分流量的方法等等。这一点再加上上一点,也是为什么学习网站分析、流量分析的模型、事件监测以及流量的追踪,对于活学活用DMP是非常重要的。这也是为什么说DMP,尤其是第一方DMP源于网站分析工具的第二个原因。但是,也应该注意,与传统工具不同的是,传统工具应用这些模型是基于流量的,而DMP应该是基于具体的人。后者是DMP的价值所在,也是DMP开发的难点。原因无他,追踪一个人需要跨域乃至跨设备,或是做不同源数据的同源化(data onboarding,id mapping等),很不容易。

3. DMP,尤其是第一方DMP的部分数据应用(data activation)与传统的用户行为分析工具的数据输出很相似,即输出给不同的消费者触点上的自动化营销工具。比如,国外的营销自动化工具,比如很有代表性的Hubspot和Marketo,就是基于一个简单的第一方DMP系统,或者,你也可以认为这是一个用户行为分析系统,本质上二者并无区别。而今天国内较为典型的一些第一方DMP,例如品友的DMP,也不仅仅只是在广告营销上进行输出,同样强调将数据应用于不同消费者触点上的营销(或运营)自动化。

所以,没有这些传统工具做基础,DMP是不会凭空产生的。

DMP和用户行为分析工具的不同之处

1.目的不同:传统工具的目的是为了提供分析能力。DMP也提供分析能力,但是角度不同。传统工具的角度是通过分析优化营销触点本身,从而为消费者提供更好的营销体验以及说服与转化,所以传统工具是建立在优化营销触点的角度;DMP并不聚焦于此处,它偏重于优化消费者人群本身——选择哪些人群,跟这些人群沟通些什么,以及在什么场合下与他们发生交互,所以DMP是人的角度。因此,尽管大家都关注人的数据,但并不能相互替代。

2. 涵盖的营销触点的范围上有差异:DMP与这些工具很大的不同,在于这些工具基本都是记录某一类消费者触点上的数据,比如广告追踪/监播工具(以AdMaster的TrackMaster为代表)、网站分析工具(以Google Analytics、国双为代表)、APP分析工具(以神策为代表)、小程序分析工具(以及策为代表),都只是记录一类触点上的数据(今天它们也往往能记录2个或者更多消费者触点类型的数据,所以,可以说也已经具备了DMP的一些特征了),而前面讲了DMP的核心思想,是希望能够记录同一个人在尽可能多的触点上的数据。传统数据工具可能也能记录不同触点上的数据,比如GA,既有web版的GA,也有app版的GA,但它本质上并不是为了实现(或是功能很弱地实现)将不同触点平台上同一个人的数据打通而创造的。

3. 数据输出方面的差异:本质上看,不应该把DMP作为一种数据分析工具,尽管它确实是关于数据的,但不止步于此;尽管它存放了海量的数据,但这些数据最终应该被输出——不仅仅是被处理后供人阅读的信息或报告,更是是提供给其他营销系统使用的数据包。DMP不只是一个分析工具,它更是一个让机器能够自动化甚至智能化操控营销的工具。而传统工具一般是封闭的,它们的目的是分析和优化某一个触点,因此它们很少强调数据的输入和输出(基本上不具备,或者只是具备非常有限的这样的功能)。

DMP的产生,与硬件的进步息息相关

DMP的产生,还有一个极为重要的大背景,那就是硬件的进步。这不是DMP的渊源,确实DMP成长成熟必不可少的环境。

主要就是出现了人人生活中必不可少的智能手机。

智能手机有持久的,不依赖于任何第三方存在的标记,即设备ID。与PC时代不同,PC时代我们也有可以追踪设备的标记——cookie。但cookie有两个严重问题:不持久,并且不同主体(企业、组织,甚至个人)建立的cookie完全不同,很难互通。而设备ID则完全避免了这两个问题——它很持久,大部分情况下除非人们换一个手机,否则设备ID是不会发生变化的;它又是独立存在的,移动设备不变,不同的主体获取到的这个设备的ID也都是一样的。

这两个原因,既意味着通过移动设备可以更好地(又准确又持久地)“定向”消费者,又意味着提供营销服务的“各种企业”,能够非常好的携起手来,轻松地进行数据打通甚至交换,以及在数据打通的基础上构建各种各样的营销技术与方法,取长补短、互通有无、通力合作地共同“对付”每一个消费者。这两点,在PC时代可都是可望而不可即的。

如果你想更多了解为什么移动化如此重要,可以移步我的这篇图文并茂的文章:【万字长文】深度解读2018年互联网营销的新生态.

随着硬件的进一步发展,DMP应该还会变得更加重要,尤其是将线下的物理世界数字化,以及帮助把数字化的线下世界与线上世界打通方面,DMP都会极为关键。

这些,留着后面慢慢讲。(看起来坑是越挖越大了)。这次就酱。

预告

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;

之四:DMP 101之四:DMP到底有什么价值?

之五:DMP应该如何组织重构各数据源的数据;

之六:一个好的DMP系统为什么特别难(绝对比你的供应商能实现的要难);

之七:DMP上“外挂”的功能有哪些;

之八:你的企业是否需要DMP,需要满足哪些需求特征;

之九:一个好的DMP有哪些衡量标准或者特征;

之十:DMP这个“好东西”背后有哪些坑;

之十一:DMP跟CDP以及Martech之类的概念有什么关联。

之十二:……

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。

本文分享自微信公众号 - 互联网数据官(internetcdo),作者:宋星

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-03-27

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • DMP 101之四:DMP到底有什么价值?

    上一部分讲了DMP的由来,很多朋友问什么时候下一篇出来。还有部分同学问DMP到底用在什么地方。

    iCDO互联网数据官
  • 【DMP篇】15个DMP相关经典问题集锦

    Q1:宋老师您好,我目前在互联网公司负责营销中心DMP的搭建工作,想向您请教几个问题:

    iCDO互联网数据官
  • 如果你想用DMP……(DMP 101之一:DMP的核心思想)

    最近比较忙,但我有一个决心,就是从今天开始,我会尽全力每天(每个工作日)都有一个文章(帖子)。我对自己的要求是,无论长短,但一定是有营养的。大家监督。

    iCDO互联网数据官
  • DMP 101之四:DMP到底有什么价值?

    上一部分讲了DMP的由来,很多朋友问什么时候下一篇出来。还有部分同学问DMP到底用在什么地方。

    iCDO互联网数据官
  • 0基础搭建Hadoop大数据处理-初识

      在互联网的世界中数据都是以TB、PB的数量级来增加的,特别是像BAT光每天的日志文件一个盘都不够,更何况是还要基于这些数据进行分析挖掘,更甚者还要实时进行数...

    欢醉
  • Kafka API实践

    Kafka文档路径更好找,就在kafka.apache.org。 别用百度搜索,再跳转一次,记住xxx.apache.org就是apache项目的主目录。

    birdskyws
  • 基于Hadoop大数据分析应用场景与实战

    为了满足日益增长的业务变化,京东的京麦团队在京东大数据平台的基础上,采用了Hadoop等热门的开源大数据计算引擎,打造了一款为京东运营和产品提供决策性的数据类产...

    CSDN技术头条
  • 数据告诉你,中国哪里的地铁最拥挤

    打开北京、上海与广州的地铁地图,你会看见三张纵横交错的线路网络,这代表了中国最成熟的三套城市轨道交通系统。

    CDA数据分析师
  • 基于 Hadoop大数据分析应用场景与实战

    为了满足日益增长的业务变化,京东的京麦团队在京东大数据平台的基础上,采用了 Hadoop 等热门的开源大数据计算引擎,打造了一款为京东运营和产品提供决策性的数据...

    李鹏
  • 浅析Hadoop大数据分析与应用

    为了满足日益增长的业务变化,京东的京麦团队在京东大数据平台的基础上,采用了Hadoop等热门的开源大数据计算引擎,打造了一款为京东运营和产品提供决策性的数据类产...

    挖掘大数据

扫码关注云+社区

领取腾讯云代金券