如何打造私域流量：构建流量池首先需要一个“数据池”

“流量池思维”的火爆，打开了每个运营人对于流量的关注。运营人如何用好流量池思维？如何构建流量池？本篇文章中，笔者对这些问题分享了自己的思路与看法。

流量池思维的横空出世，迅速替代了“增长黑客”，被奉为营销界流量玩法的新宗旨。随后，一阵疯狂的科普浪潮席卷了朋友圈和看一看，在对流量池有了初步的了解后，大家也都四处寻觅构建流量池的方法。

流量池一曰数据二曰运营，要达到运营、发掘数据价值、带来更多流量的目的，需要数据基础+强而快的系统。本期我将就 “构建数据池”分享一些思路。

一、企业为什么需要数据池？

企业或多或少都有自己的客户数据，但他们却很难回答“我们拥有哪些数据”“我们掌握的数据能够反映客户的真实状况”以及“不同部门使用的数据维度是否一致”这些问题。

1. 我们可以一起来看看，企业都拥有哪些数据？

第一方数据

• 交易订单数据： 从ERP、CRM、电商系统中产生的各类交易信息。包括卡券、订单、购物车、退换货订单。
• 行为数据： 客户在微信、网站、App、小程序等各类第一方触点上产生的大量行为数据。比如关注微信，提交表单，访问页面等等。
• 产品等业务对象数据： 这些数据不是客户数据，但会和分析极度相关。比如库存和产品价格，就是许多零售客户分析时必需的数据点。
• 外部工具产生的数据： 现代营销依赖于非常多的外部工具，比如报名表单、邮件、微课堂、微店等系统产生的大量数据。

第二方数据

• 合作系统传回的数据： 如邮件、短信在发送后，客户是否有阅读、点击等。
• 合作媒体数据： 广告投放、视频、门户、垂直媒体等提供的数据。

第三方数据

• 第三方数据供应商提供的数据，如数据平台，运营商等。

2. 企业都把数据放在哪？

每个业务部门依赖的是客户数据的不同方面，他们都有自己的运用场景。销售部门依赖于CRM（客户关系管理平台），售后部门主要看客服系统，市场营销部门关心微信平台，数据分析团队使用数据仓库或者客户行为分析工具。

各个部门都有自己的主系统，每个系统关注点不一样，针对的也是不同阶段的客户，那么看到的东西当然也是不一样的。

就好像盲人摸象一样，每个部门看到的只是自己关注的部分，而不是客户的完整情况。不同部门使用的工具都各自产生新的、孤立的、片面的客户数据，无法快速同步。

割裂的数据为运营造成极大的挑战。

举个例子，某企业想做个客服小程序，结果发现Billing数据在ERP中，订单信息在电商系统中，行为数据在网站后台。尽管他们要做的功能非常简单，但企业却需要三个开发人员从三个不同的系统中取值。

好不容易搞懂了不同系统的取值规则之后，还需要写大量逻辑去合并。然后，下次再做另一个小程序的时候，又得把以上步骤再重复一遍……

因此，企业需要一个数据池作为基础，保障后续的流量运营。 需要明确的是，数据池它不是一个产品，你可以将它理解为企业的一类数据资产。

二、我有其他的数据工具，可以将其作为数据池吗？

答案是，不行。

1. “行为分析工具” 可以成为数据池吗？

很多人都会问“行为分析工具”也会收集客户行为数据，也会提供可扩展的数据结构。那么“数据池”的区别在哪里？其核心区别在于数据的粒度。

比如，企业有多个App。“数据池”存储的时候，会按照不同的App分门别类，将数据存储在一起。在查看的时候，您可以看到各个渠道的数据流入流出的情况，也可以将一个人按照不同的渠道进行切片。

但是“行为分析工具”一般会建议您将各个App的数据隔离处理，因为其设计目的不是做跨渠道数据整合的。

2. “数据湖”可以用作数据池吗？

需要强调的是，“数据池”和传统意义上数据湖是不一样的。

“数据池”只关注收集客户数据，并且可以大规模统一，标准化和激活这些客户数据资产。通过“数据池”，收集的数据不是简单的合并，而是可以通过将各个渠道的数据切片保存。

而数据湖则是一个存储大量原始非结构化和结构化数据的库，所以数据湖对于不懂IT的人来说很难使用。

" 数据池"是之前的业务系统无法代替的，它是企业存续运营流量而重组的数据资产。

对企业来说，“行为分析工具”收集的数据和“数据湖”都是不同类型的数据资产， 只是在构建流量池这个场景中不适用而已 。

三、数据池应该如何构建？

1. 打通数据壁垒

没有较为完整的全渠道数据，会使运营受阻，因此企业需要一个共享的数据来源，连接每个渠道上的每一个客户互动，从微信到网站，从门店到ERP，支付服务，客服系统，甚至是CRM。

然后，再将数据传递到各个部门使用的系统中去。

这样就可以让数据在各个系统各个部门之间流动，从而打破公司的“部门墙”，让每个人都可以对客户有全面的了解，同时也有助于建立公司基于数据、基于事实说话的文化。

进而节约开发成本，提升运营效率，让团队更专注。

2. 数据归一化处理

各种重复记录、字段缺失、跨系统数据值的不匹配，一直是困扰运营的问题。

因此企业需要在整个组织内实施通用的数据标准，定义构成良好数据的内容，并从源中删除错误数据，让整个企业相信数据是正确的。

3. 构建画像

以上两步可以说是数据筹备阶段，接下去就应该是数据洞察阶段。

企业可以将收集到的零散的客户属性、行为数据转译成标签，为每个客户打上独一无二的“烙印”，比如他们最喜欢的产品类别、购买频次等等，并对这些特征进行分析、统计，以挖掘潜在的价值信息，勾勒出客户画像。

打上标签之后，企业还可以根据自定义业务条件进行标签分组，这样就能在与客户沟通时候，知道应该说什么，为客户提供独特的体验。

4. 管理完整行为数据

客户的行为数据可以为客户画像进行良好补充。随着客户与企业互动渠道激增，知道客户的喜好往往还不够，有时可能还需要知道客户行为发生在何时，从而更精准地对症下药。

企业可以通过捕捉客户的完整行为数据，敏锐洞察客户意向， 基于不同阶段制定运营策略，充分挖掘客户生命周期价值。拥有了完整的行为数据后，企业对于同类型的客户，还可以预设针对性运营策略。

数据池是流量池的数据基础 ，那么高质量的数据就是必不可少的。高质量的数据是进行分析决策、精细化运营的重要参考，进而企业更好的为客户服务，达到发掘数据价值、带来更多流量的目的。

本文由 @Linkflow 原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议。

作者暂无likerid, 赞赏暂由本网站代持，当作者有likerid后会全部转账给作者（我们会尽力而为）。


Support author:
Author's Filecoin address:
Or you can use Likecoin to support author: