消费者数据孤岛问题已困扰品牌数十年之久。尽管进行了大量投资，品牌所能接入的数据深度还是无法与自身收集的数据相匹，从而难以传递与其所付出努力等效的营销所需的速度和敏捷性。

许多营销云提供商都宣称能通过创建端对端的营销解决方案解决这一问题，即将所有的消费数据集中储存在一个地方，并连接整套执行渠道。但营销云真的能解决消费者数据问题吗？

尽管拥有了营销云解决方案，但品牌还是无法轻松地做甩手掌柜。由于某些原因，营销云解决方案仍需品牌对数据进行拼接并将其与执行系统相连接。

内部孤岛。为了组建自身营销云产品，提供商们都竞相以极快的速度收购相应的解决方案，但将收购来的解决方案整合成有效的产品往往需要花费大量时间。因此，大多数提供商在收购齐相关解决方案数年后，其营销云产品中的消费者数据和执行系统仍然处于未打通的状态。

第一方数据。目前，营销云产品仍欠缺足够复杂的数据层，难以简单迅速地打通第一方消费者数据源。尽管市面上各个营销云产品都宣称自己已具备足够复杂的数据层，但事实上这通常需要大量的IT和咨询支持，需要在复杂环境中发展一年或数年之久来实现。而且，就算这一切准备都就绪，品牌营销人员接入所有数据并进行交互的能力仍然十分有限。

围墙花园策略。绝大多数营销云产品在设计开发之初，都致力于构建一个封闭的生态系统。这便意味着品牌无法部署最佳组合解决方案，在避免数据和渠道碎片化的情况下，保持自身竞争力。因此，这必然会导致营销云产品在向客户要价时掌握巨大的主动性。

品牌在将自身消费者数据问题移交至营销云处理前，应清楚了解自身能在统一数据和将营销云集成到自身营销技术栈付出多少时间和努力，并向提供商问清楚如下3个关键问题：

1. 你的营销云目前能否覆盖所有的关键消费者渠道吗？营销云中的渠道已实现完全整合了吗，即是否能通过一套标准、完整的数据集实现全渠道协同支持？

消除数据和执行系统孤岛是实现等效营销的关键所在。孤岛的存在必然会拖慢营销活动的执行或/和影响极致个性化的实现。要注意，许多营销云产品都无法覆盖重要消费者渠道，如直接邮件、消费者服务、最佳组合网页或移动渠道等。即使这些所有渠道都涵盖在一个营销云中，仍会出现一系列数据+执行系统的孤岛状况。这意味着尽管拥有营销云，品牌仍需要担负起整合并协同消费者渠道的任务。

2. 将一个非系统原生的新消费者数据源或营销执行系统整合入营销云中需要耗费多少时间和工作量？

若致力于实施最佳组合策略和等效个性化，品牌在采用营销云之后将会需要将外部解决方案整合入自身营销云之中。即使决定将所有的鸡蛋都放在一个营销云篮子中，若营销云无法覆盖自身品牌的关键渠道，如直接邮件、消费者服务等，品牌可能仍会面临同样的问题。因此，对于品牌而言，了解数据和执行系统整合所需要耗费的确切时间和工作成本十分必要。否则，若在整合过程中，因缺乏足够的时间和资源而造成更多孤岛的产生便会得不偿失。

3. 在创建营销活动时，品牌营销人员对全部消费者数据的利用率能达到多少？实现数据利用是否需要技术资源？

毋庸置疑，在每次营销活动中，品牌都希望能有效利用其所有的消费者数据。比如，消费者的实时浏览行为是确定消费者兴趣的关键信息，若能有效利用各类消费者数据，便能：

1）将该信息与消费者过去6个月的购买数据相结合；

2）使用AI只能识别每一个消费者所处的消费者旅程阶段以及下一步应将其引导至哪个阶段。

即使正采取措施打破数据孤岛，但品牌仍需意识到营销云尚不具备必需的数据层来实现等效个性化所需的数据广度、深度，更不用说速度了。

贯穿所有数据源和渠道的智能中心

如果你认为营销云能一劳永逸地解决你所有的消费者数据问题，那你可能需要重新进行判断了。但也别太沮丧，企业级的消费者数据平台（CDP）能简单轻松地解决如上3个关键问题，其解决策略在于提供一个贯穿所有数据源和渠道的智能中心，即将任意数据源的原始数据和可执行数据传输至任意消费者交互渠道。

然而，真正的企业级CDP不仅仅是连接不同渠道的一系列数据管道，它能确保营销人员与所有数据进行交互，快速直观地对新想法进行试验，建立并验证分群，并协调数据贯穿于所有渠道，无需依赖技术资源支持。

因此，许多投资建立营销云的品牌纷纷部署CDP，以：

在营销云中打破现有渠道孤岛；

打通营销云和最佳组合系统；

赋能营销人员实现极致个性化所需要的速度、敏捷性和深度；

通过加速第一方数据向营销云的整合并提升自身灵活性配置更适配自身需求的营销技术栈来管控成本。

无论你是否致力于建立营销云、最佳组合系统、这二者的整合或其他任何技术配置，正确的企业级CDP都能支持实现等效个性化所需的3大关键能力：

速度——即能近乎实时识别消费者行为并采取行动的能力，若拥有这一能力，营销人员便能在数天内，而非数月建立并执行智能驱动、跨渠道的营销活动；

敏捷——即在营销中接入并处理所有数据，迅速响应个体消费者的行为（如浏览或购买行为）和市场机会，并根据测试和测量结果实现快速迭代的能力；

深度——即使用统一、全频谱数据（包括历史和实时数据，以及通过可执行AI和其他高级分析补充的数据）的能力。

来源：Martech Today

作者：Tasso Argyros

翻译：Ben