小区门口有家开了十年的精品超市，人人都夸老板娘王阿姨“记性好”。柜台上摊着一本卷了边的小本子，记满了熟客的秘密：张奶奶每周三来买无糖麦片；小李周五发工资的晚上会来拎一打进口啤酒；王姐家孩子上小学，最常买奶酪棒；隔壁楼的老陈三个月没露面，王阿姨一通电话打过去，才知道他扭了脚，立刻安排店员把常喝的茶叶送上门。 王阿姨的秘密武器，就是这本小本子加一颗好记性。可这两年超市开了线上商城、小程序和三个粉丝群，每天进店的顾客涨到上千人——小本子记不过来了，王阿姨开始“漏页”：记得住老客，顾不全新客；知道谁买过什么，却说不出谁快要流失。 这正是零售业今天的共同难题。解题的关键，是给王阿姨装一个“数字分身”——CDP 客户数据平台。它把散落在门店收银、小程序浏览、直播间下单、客服聊天里的客户数据全部收集、洗净、按人归拢，为每个顾客建一份“数字小传”；再按小传把顾客分成高价值、活跃、沉睡等群体；最后让系统像王阿姨一样自动记住“该给谁、在什么时候、发什么消息”。 这篇文章就从王阿姨的小本子出发，把 CDP 的数据整合、统一画像、客户分群、营销自动化、与 CRM/DMP 的区别，以及零售实战打法一次讲透。学完你就会明白：为什么 CDP 是零售精准营销的“记忆引擎”。

岗位关联

对零售数据从业者来说，CDP 是把“数据资产”翻译成“增长动作”的核心技能。掌握它，你就能从只会跑数的分析师，成长为驱动精准营销的数据操盘手。

目录
  1. 可视化演示
  2. 一、数据整合：先收集，再整理
  3. 二、统一客户画像：给每位顾客写一本小传
  4. 三、客户分群：把顾客分成几类客人
  5. 四、营销自动化：让系统替王阿姨办事
  6. 五、与 CRM / DMP 的区别：三种档案柜
  7. 六、零售实战：王阿姨的三大战役
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

数据整合——多源统一ID 电商/官网/App/客服多源汇聚 ID Mapping打通统一客户 实时采集：SDK+API+消息队列 One ID = 跨系统身份图谱融合

一、数据整合：先收集，再整理

王阿姨每周日晚上都要做一次“盘点”：把收银小票、微信下单记录、群里接龙、送货单统统摊在桌上，按“谁、买了什么、什么时候、多少钱”抄进大本子。抄之前她得先定规矩——同一笔订单别记两回，手机号格式统一，字迹潦草的先打电话核对。没有这套“整理”，小本子记再厚也只是乱账。

CDP 的第一步正是“数据整合”。零售客户数据散落在门店 POS、电商订单、小程序浏览、直播互动、客服会话等十几个系统里，各家格式不一、口径不同，第一步必须把它们汇聚到统一的数据池，就像把摊了一桌的纸片变成一本规整的账。

整合分三步走：①采集——通过 SDK 埋点、API 对接、文件导入把各渠道数据接入；②清洗——去重、统一格式、补齐缺失，比如把“138xxxx1111“和”13800001111“识别成同一个手机号；③ID 打通——用手机号、会员卡号、微信 OpenID、设备指纹互相印证，映射到同一个全局 ID（One-ID）。ID 打通是 CDP 的灵魂，它决定了你能否认出”线下逛店的 TA“和”线上下单的 TA”其实是同一个人。

数据整合完成后，王阿姨的大本子第一次变成了“一客一页”的合规账本。这一步的质量，决定了后面所有画像和营销动作的成败——账本乱了，再聪明的脑子也算不对账。

数据完整率=有效字段数应填字段总数×100%\displaystyle \text{数据完整率} = \frac{\text{有效字段数}}{\text{应填字段总数}} \times 100\%
数据完整率衡量“这本账记得多全”：完整率越高，画像的可信度越高，后续分群和营销才不是空中楼阁。
  1. 分子——有效字段数指这条客户记录里，填了内容且通过格式校验的字段个数。比如手机号必须 11 位才记入“有效”。
    N有效N_{\text{有效}}
  2. 分母——应填字段总数指该客户理论上应该拥有的字段数量，如手机号、姓名、消费金额、渠道来源等。
    N应填N_{\text{应填}}
  3. 比率转百分比两者相除得到小数比率，再乘以 100% 转为百分比。完整率低于 80% 时，应该回头查采集链路和清洗规则。
    完整率=N有效N应填×100%\text{完整率} = \frac{N_{\text{有效}}}{N_{\text{应填}}} \times 100\%

二、统一客户画像：给每位顾客写一本小传

大本子整理完后，王阿姨给每个熟客都开了一页“小传”：李姐，40 岁，两个孩子，周五爱买半成品菜；小陈，刚搬来的程序员，深夜下单咖啡豆；老陈，爱喝铁观音，腿脚不便需要送货上门。正是这些细节，让王阿姨能“比顾客自己更懂顾客”。

对 CDP 来说，这一步叫“统一客户画像”，行业里也叫 Customer 360°——一个客户一份数字档案。你可能会问：这和办会员时填的资料有什么不同？差别在于，画像是“数据养出来的”，它把每一次浏览、加购、下单、退货都实时写进那一页小传，而不是办卡那天填一次就完事。

画像的落地形态是“标签体系”。按内容分为四类：基础属性（年龄、性别、城市）、消费行为（客单价、频次、偏好品类）、兴趣偏好（成分党、性价比、颜控）、渠道活跃（App 党、门店党、直播党）。按生产方式分为三类：事实标签（直接统计出来，如“月消费 5 次”）、规则标签（按业务规则生成，如“30 天未购”）、模型标签（算法预测，如“流失概率 80%”）。标签还会随时间“过期”——三个月前的“爱尝鲜”不代表今天还爱。

王阿姨的小传靠人脑更新，常常忘了小李已经换了工作；CDP 的画像自动保鲜，永远提醒你“新鲜的行为才值钱”。画像不是贴完就结束的标签墙，而是会呼吸、会老去的活档案。

W(t)=W0⋅e−λt\displaystyle W(t) = W_{0} \cdot e^{-\lambda t}
这是“标签保鲜”公式：标签权重随距离现在的时间 t 指数衰减，越久远的行为越不值钱。
  1. 初始权重 W₀标签刚建立时设定的基准权重，如“高消费”标签记 1.0。时间越近，标签越接近原始值。
    W0=1.0W_{0} = 1.0
  2. 衰减系数 λ控制标签“过期”的速度，λ 越大，标签越快失效。比如对快消品，λ 可以设 0.1，表示每月衰减约 10%。
    λ=0.1\lambda = 0.1
  3. 自然指数衰减$e^{-\lambda t}$ 随 t 增大单调下降，表示“昨天的行为比三个月前的行为可信得多”。这就是画像“实时更新”的数学含义。
    e−λt<1(t>0)e^{-\lambda t} < 1 \quad (t > 0)

三、客户分群：把顾客分成几类客人

王阿姨接待客人从来“看人下菜碟”：老领导来了端茶陪聊，带娃的妈妈先递湿巾，只看不买的学生也不冷落。她心里其实早就把客人分了档：贵客、熟客、新客、沉睡客——不同档位，接待方式完全不同。

CDP 把这份经验变成标准化的“客户分群”。零售业最经典的分群框架叫 RFM，它用三个数字给每个客户打分：R（Recency）最近一次购买距今多久，F（Frequency）周期内购买了几次，M（Monetary）累计花了多少钱。这三个数字就像三维坐标，把客户定位在“价值空间”里。

具体做法是：每个维度打 1-5 分（比如 7 天内买过 = 5 分，30 天以上 = 1 分），再按业务重要性加权求和得到综合分，最后按阈值切出高价值、活跃、沉睡、流失风险等群体。CDP 还能做“实时分群”——客户刚发生一个动作（比如领了一张券），系统立刻重新计算他属于哪个群，让营销永远跟着最新状态走。

王阿姨要靠十年功力才能把上千位客人分出三六九等；CDP 用这套三维打分法，让刚入职的实习生也能一秒完成同样的判断，而且不会因为今天心情好就乱加分。

RFM 综合分=wR×R+wF×F+wM×M\displaystyle \text{RFM 综合分} = w_{R} \times R + w_{F} \times F + w_{M} \times M
这是分群的“总账公式”：三个维度的得分乘以各自的权重再加总，得到客户价值分，再按分数划档。
  1. R 最近购买时间Recency，距上次购买越近得分越高。网购服装等低频品类，R 的权重可以调高。
    R∈{1,2,3,4,5}R \in \{1,2,3,4,5\}
  2. F 购买频次Frequency，周期内购买次数越多得分越高。对生鲜这类高频品类，F 能区分“天天来”和“偶尔来”。
    F∈{1,2,3,4,5}F \in \{1,2,3,4,5\}
  3. M 消费金额Monetary，累计消费金额越高得分越高。M 是“钱包份额”的直接体现，高 M 客户值得优先服务。
    M∈{1,2,3,4,5}M \in \{1,2,3,4,5\}
  4. 权重加权求和给 R/F/M 各配一个权重再求和。权重之和为 1，代表业务对不同维度的重视程度。
    wR+wF+wM=1w_{R} + w_{F} + w_{M} = 1

四、营销自动化：让系统替王阿姨办事

王阿姨最厉害的不是记性好，而是“心里有数，到什么点干什么事”：张奶奶生日前三天她订好无糖蛋糕；下雨天她给没带伞的常客备了雨披；老陈两周没来，她主动发微信问一句茶喝完没有。这些动作的背后，是一排看不见的“人肉闹钟”。

营销自动化，就是给 CDP 装一排永远不会忘的闹钟。企业把“什么条件触发什么动作”固化成自动化工作流，系统 7×24 小时自动执行，不再依赖运营手动导名单、发消息。这就像王阿姨把“记性”外包给了系统，自己只管定规则。

一个典型的营销自动化工作流包含三要素：事件源（生日、加购未支付、30 天未复购、会员等级升级）、判断条件（圈定人群 + 确定时机）、执行动作（短信、App 推送、小程序优惠券、企微私信）。例如“会员生日当天 10 点自动发 8 折券，48 小时未用自动补发提醒”。所有触达和转化记录都会回流到 CDP，形成“数据 → 策略 → 触达 → 效果”的闭环，持续优化下一轮动作。

王阿姨只有一个脑子，一天最多记得住几十件事；CDP 的“闹钟”同时盯住 100 万个客户，生日、加购、沉睡、流失全都不漏，还从不打盹、从不忘事。

CLV=客单价×年购买次数×留存年数\displaystyle \text{CLV} = \text{客单价} \times \text{年购买次数} \times \text{留存年数}
CLV 是“客户终身价值”，回答“一个客户一辈子值多少钱”。算出它，你才知道该花多少钱去召回、去挽留、去宠他。
  1. 客单价平均每次成交金额，等于周期营收除以订单数。比如月营收 10 万、订单 2000 单，客单价就是 50 元。
    客单价=周期营收订单数\text{客单价} = \frac{\text{周期营收}}{\text{订单数}}
  2. 年购买次数统计单个客户过去 12 个月的订单数，衡量消费频次。高频客户哪怕客单价低，累计价值也不可小觑。
    n年购n_{\text{年购}}
  3. 留存年数平均客户关系时长，比如普通会员平均 3 年、高价值会员平均 5 年。留存越长，价值越高。
    T留存T_{\text{留存}}
  4. 三者相乘得 CLV预测一名客户未来带来的总利润贡献，用来决定“值得为他投入多少营销预算”。
    CLV=客单价×n年购×T留存\text{CLV} = \text{客单价} \times n_{\text{年购}} \times T_{\text{留存}}

五、与 CRM / DMP 的区别：三种档案柜

王阿姨抽屉里有三个本子，大家总是搞混：客户登记本记着“谁买过、谁该跟进、欠没欠钱”，情报小本记着“谁来过、看过啥、摸过啥、和谁一起来的”，路口观察本则记着“路过的人长什么样、什么时间段人多”。三个本子用处完全不同，但都叫“王阿姨的本子”。

对应到企业软件，就是 CRM、CDP、DMP 三兄弟。CRM（客户关系管理）管理已成交客户的销售流程和互动记录，是“关系档案”；DMP（数据管理平台）管理匿名受众的 cookie 和设备行为，主要服务广告投放，是“路人观察本”；而 CDP 管理已知及可识别客户的全渠道行为数据，服务全生命周期的精细化运营，是“情报小本”。

三者不是替代关系，而是互补关系：CDP 从 CRM 获取订单结果数据，把清洗、打通后的标签和分群结果推送给 CRM 用于销售跟进，推给 DMP 用于广告扩量。你可以这样记：CRM 管“成交后”、DMP 管“广告中”、CDP 管“全旅程”。

先有情报小本（CDP）把人和行为认全，登记本（CRM）才知道该给谁建关系档案，路人观察本（DMP）才知道该向谁投广告——三个本子各司其职，缺一不可。

客户覆盖率=已识别客户数全部触达客户数×100%\displaystyle \text{客户覆盖率} = \frac{\text{已识别客户数}}{\text{全部触达客户数}} \times 100\%
覆盖率衡量 CDP “认识”多少客户。对比之下，DMP 大量依赖匿名 cookie，识别率低；CDP 用手机号、OpenID 等真实标识，覆盖率通常高出数倍。
  1. 已识别客户数能通过手机号、会员卡、OpenID 等真实标识定位到具体人的客户数量。这是 CDP 的“熟人名单”。
    N已知N_{\text{已知}}
  2. 全部触达客户数各渠道所有发生交互的客户总量，包括匿名的过路人。这是“到过店的所有人”。
    N全部N_{\text{全部}}
  3. 相除得到覆盖率覆盖率越高，说明 CDP“认识”的客户越多，营销越能触达真人，而不是把钱花在匿名流量上。
    覆盖率=N已知N全部×100%\text{覆盖率} = \frac{N_{\text{已知}}}{N_{\text{全部}}} \times 100\%

六、零售实战：王阿姨的三大战役

小本子升级成数字分身后，王阿姨打出了三场漂亮的仗。第一场是会员激活：店里 60% 的会员超过三个月没来。她让系统圈出“沉睡高价值”人群，按每个人上次的购买偏好发不同面额的券——爱喝咖啡的发咖啡券，买过宝宝用品的发母婴券，一个月后 18% 的沉睡客回来了。

第二场是新品推广。店里进了新品牌的燕麦奶，王阿姨在 CDP 里用“健康饮食”“新品尝鲜”标签圈出种子用户，先在企微私域发试饮邀请，再配合小程序定向券，上架一周就售罄。第三场是流失预警：CDP 的实时分群发现老陈的 R 分连续下降，自动触发“老友回归”短信。以前王阿姨靠打电话只能顾上几个老客，现在系统替她盯住了全部会员。

你会发现三个场景走的是同一个闭环：埋点采集 → CDP 整合画像 → 分群 → 自动触达 → 效果回流再优化。衡量这场战役打得值不值，不能只看热闹，要看 ROI。

数字分身没有取代王阿姨，而是把她的好记性复制了一百万份，让每个顾客都觉得自己被记得、被在意。这正是 CDP 在零售业最动人的地方：技术越冰冷，服务越有温度。

ROI=活动收益−活动成本活动成本×100%\displaystyle \text{ROI} = \frac{\text{活动收益} - \text{活动成本}}{\text{活动成本}} \times 100\%
ROI 是“投产比”：每投入 1 块钱做营销，能净赚回多少钱。ROI 大于 100% 才说明这场战役真正盈利。
  1. 活动收益活动期间由该营销带来的净收入增量，如短信召回带来 30 万销售额。
    R收益R_{\text{收益}}
  2. 活动成本发券让利、短信费、折扣补贴等所有投入的总和。别忘了把“券被用掉”的补贴也算进去。
    C成本C_{\text{成本}}
  3. 差额与比值收益减成本得到净利，再除以成本，得到每 1 块钱投入换回多少净利。结果乘以 100% 就是 ROI。
    ROI=R收益−C成本C成本×100%\text{ROI} = \frac{R_{\text{收益}} - C_{\text{成本}}}{C_{\text{成本}}} \times 100\%

AI 应用场景

场景一：连锁茶饮的沉睡会员召回

阶段：客户分群 + 营销自动化

解决的问题：过去运营从 CRM 导出 Excel、手动筛选“三个月没来”的会员，再群发同一张 85 折券，无差别轰炸导致召回率只有 2%。CDP 自动整合小程序、门店 POS、外卖平台的订单数据，用 RFM 实时分群，把沉睡客户细分为“高价值沉睡”和“普通沉睡”，分别配置不同面额和品类的优惠券，系统到点自动触达，召回率提升到 15-20%，ROI 达 3 倍以上。

具体案例：某头部茶饮品牌上线 CDP 后，针对 120 万沉睡会员做“唤醒计划”：爱吃芋泥的收芋泥券，常买纯茶饮的收第二杯半价券。触达后 18% 的沉睡客在 7 天内回流，其中 30% 走回了三个月没进过的门店。

场景二：美妆新品首发的人群圈选

阶段：统一客户画像 + 个性化推荐

解决的问题：新品上市如果全量推送，广告费高、转化低。CDP 用标签体系圈出“成分党”“尝鲜先锋”“敏感肌护理”等种子人群，做定向种草和限量试用，让每一分营销预算都花在“最可能买”的人身上。

具体案例：某国货美妆推新品精华，先用 CDP 从 800 万客户中圈出 5 万种子用户，小程序开屏加企微私域定向发“新品体验官”邀请，首发 3 天 2.8 万份售罄，复购率达 22%，是过去全量投放转化率的 6 倍。

场景三：跨渠道 ID 打通识别“逛逛族”

阶段：数据整合与 ID 打通

解决的问题：很多顾客线下逛了不买，回家在线上下了单——门店和电商各算各的，系统把他当两个人。CDP 用手机号、微信 OpenID、设备指纹互相印证，把线下“逛”和线上“买”拼成完整行为链。

具体案例：某家电零售企业发现，打通 ID 后 23% 的订单其实来自“先到店体验过”的客户。于是门店导购在顾客扫码连 WiFi 时就能识别出他线上加购了哪款，当场给出针对性报价，连带率提升了 31%。

Python 演示

python60 行
"""CDP 客户数据平台迷你演示：多渠道数据整合 + 统一画像 + RFM 分群 + 营销建议"""from collections import defaultdict # 多渠道原始事件（门店、App、小程序）raw_events = [    {"channel": "store",   "phone": "13800001111", "item": "拿铁",  "amount": 32,  "days_ago": 2},    {"channel": "app",     "phone": "13800001111", "item": "蛋糕",  "amount": 28,  "days_ago": 5},    {"channel": "app",     "phone": "13800002222", "item": "咖啡豆", "amount": 129, "days_ago": 35},    {"channel": "miniapp", "phone": "13800003333", "item": "挂耳包", "amount": 45,  "days_ago": 60},    {"channel": "store",   "phone": "13800003333", "item": "手冲壶", "amount": 89,  "days_ago": 75},    {"channel": "app",     "phone": "13800004444", "item": "燕麦奶", "amount": 22,  "days_ago": 1},] def build_profiles(events):    profiles = defaultdict(lambda: {"orders": 0, "total": 0, "last_days": 365, "channels": set()})    for e in events:        p = profiles[e["phone"]]        p["orders"] += 1        p["total"] += e["amount"]        p["last_days"] = min(p["last_days"], e["days_ago"])        p["channels"].add(e["channel"])    return profiles def rfm_score(p):    """R 越近越高、F 越勤越高、M 花越多越高，各取 1-5 分"""    r = max(1, 5 - p["last_days"] // 7)    f = min(5, max(1, p["orders"]))    m = min(5, max(1, p["total"] // 40))    return r, f, m def segment(r, f, m):    if r >= 4 and m >= 4:        return "高价值"    if r >= 3 and f >= 2:        return "活跃"    if r <= 1:        return "流失风险"    return "普通" def suggest(seg):    table = {        "高价值": "推送新品试用 + 生日礼包",        "活跃": "发放满减券刺激复购",        "流失风险": "发送召回短信并附赠优惠",        "普通": "邀请加入社群活动培养习惯",    }    return table[seg] def main():    profiles = build_profiles(raw_events)    print("统一客户画像与营销建议：")    for phone, p in sorted(profiles.items()):        r, f, m = rfm_score(p)        print(phone[:3] + "****" + phone[7:], end=" | ")        print("渠道:" + ",".join(sorted(p["channels"])), end=" | RFM=({},{},{})".format(r, f, m), end=" | ")        seg = segment(r, f, m)        print("分群:" + seg + " -> " + suggest(seg)) if __name__ == "__main__":    main()
目的：用一份极简 Python 模拟 CDP 的核心链路——把多渠道订单按手机号归并为统一画像，计算 RFM 分数，自动分群并给出营销建议。
  1. profiles = defaultdict(lambda: {"orders": 0, "total": 0, "last_days": 365, "channels": set()})为每位客户准备一个“数字档案袋”，记录订单数、总金额、最近消费天数、渠道集合；last_days 初始 365 表示一年没来。
  2. p["channels"].add(e["channel"])记录客户通过哪些渠道出现过，这是“多渠道归并”的最小单元。
  3. r = max(1, 5 - p["last_days"] // 7)R 分：越近消费得分越高，7 天内得 5 分，超过 28 天保底 1 分。
  4. m = min(5, max(1, p["total"] // 40))M 分：每消费 40 元加 1 分，封顶 5 分。
  5. if r >= 4 and m >= 4: return "高价值"同时满足“最近很活跃 + 消费多”的客户才是高价值。
  6. print(phone[:3] + "****" + phone[7:])输出时对手机号打码脱敏，数据合规从 demo 做起。

常见误区

误区很多零售人觉得 CRM 里已经存了客户手机号、买了多少、跟进记录，再上一套 CDP 纯属重复花钱，换个名字而已。

正解CRM 管的是“销售流程与客户关系”，数据以订单、跟进、商机为主，且往往只覆盖已成交客户；CDP 管的是“全渠道客户数据整合与统一画像”，覆盖已成交、未成交、甚至匿名的访客，能把小程序逛过没买的人、直播互动过的人都识别进来。就像王阿姨的客户登记本记的是“买过东西的人”，而 CDP 是那本把每个进店说过话、看过货的人也都记下来的情报小本——一个管“关系”，一个管“情报”，配合使用才是正解。

为何常见：因为很多 CRM 厂商也开始提供会员标签、人群包功能，名字越叫越像，边界自然容易混淆。

误区反正 CDP 能存数据，把所有能接的埋点全打开，日志都导进去，以后想分析再慢慢整理，存了总比没存强。

正解垃圾进、垃圾出。没有经过字段规划、口径统一、质量校验的数据，不但浪费存储，还会让画像失真——把“浏览了 2 秒”和“加购”都算成强购买意图，营销就会乱枪打鸟。就像王阿姨如果什么都往本子上抄，连客人随口一句“这雨真大”都记，小本子很快就会变成废纸。CDP 的第一道工序永远是清洗和口径管理，而不是囫囵吞枣。

为何常见：数据存储越来越便宜，给人的错觉是“存了不亏”，却忽视了脏数据对决策的放大伤害。

误区只要把客户打上“高消费”“爱尝鲜”的标签，CDP 就完成使命了；至于标签怎么用，那是营销部门的事，和建设 CDP 的人没关系。

正解标签只是中间产物，必须落到“分群 → 策略 → 触达 → 回流”的闭环里才有价值。比如“沉睡”标签如果只在报表里躺着，就一文不值；但当它触发自动召回短信、带来 18% 的回流率，标签才真正变成了钱。CDP 是发动机，不是仪表盘——它驱动动作，而不只是展示数据。

为何常见：因为 CDP 的界面通常以“画像页 + 标签页”为主体，看起来像一本电子档案册，容易让人误以为建完档案就万事大吉。

误区手机号、OpenID、设备 ID 全对上，画像就完美无缺，分群绝对正确，营销一定百发百中。

正解现实里 ID 映射有大量模糊地带：同一家庭共用会员卡、安卓设备 ID 会重置、顾客可能换手机号。CDP 通常用“置信度”和多种标识互相印证（如手机号 + 设备 + 收货地址同时匹配才算高置信），并保留未打通的“匿名画像”单独观察。王阿姨也会认错人——但她的做法是再核对一句，而不是假装自己万无一失。

为何常见：厂商演示 demo 通常用清洗干净的示例数据，而真实世界的数据脏得多、乱得多，容易让人高估打通的准确率。

面试题

Q1. CDP 客户数据平台最核心的定位是什么？

单选题 · easy

  • A.整合客户数据并统一画像← 正确答案
  • B.核算门店财务成本报表
  • C.管理商品库存与补货
  • D.调度物流配送与仓库

答案：A。CDP 的核心是“数据整合与统一画像”，把散落多渠道的客户信息汇聚成一份可行动的档案；财务核算、库存管理、物流调度都不是它的职责。就像王阿姨的小本子是记客人的，不是用来算账的。

Q2. CDP 中的“ID 打通”主要解决什么问题？

单选题 · easy

  • A.同一客户跨渠道数据合并← 正确答案
  • B.对所有采集数据加密保护
  • C.删除系统中的重复商品
  • D.提升数据库的查询性能

答案：A。“ID 打通”解决“同一个顾客被当成好几个人”的问题——线下门店、App、小程序各记各的，打通后才能合并成一份画像。加密、删重、加速都属于其他技术层面的问题。

Q3. 关于 CDP 与 CRM 的区别，下列说法正确的是？

单选题 · mid

  • A.CDP 侧重跨渠道数据统一画像← 正确答案
  • B.CRM 侧重跨渠道数据统一画像
  • C.CDP 只负责广告媒体投放
  • D.两者功能完全没有区别

答案：A。CDP 侧重跨渠道数据接入与统一画像，CRM 侧重销售流程、商机和跟进记录；负责广告投放的是 DMP，所以 C 错；两者边界清晰，D 也错。三个系统像王阿姨的“情报本”和“客户档案柜”，各管一摊。

Q4. RFM 分群模型中，字母 M 代表什么？

单选题 · mid

  • A.客户最近一次购买时间
  • B.客户周期内消费总金额← 正确答案
  • C.客户发生购买的总频次
  • D.客户所在城市与地理区域

答案：B。RFM 中 R=Recency 最近购买时间、F=Frequency 购买频次、M=Monetary 消费金额。M 衡量的是“钱”，所以选 B。A 是 R，C 是 F，D 是无关干扰项。

Q5. 统一客户画像在 CDP 中最常见的呈现形式是？

单选题 · easy

  • A.客户标签与标签体系← 正确答案
  • B.SQL 数据库查询结果
  • C.纸质客户档案资料
  • D.门店监控人脸识别

答案：A。客户画像的载体是标签体系，由事实标签、规则标签、模型标签组成；SQL 结果、纸质档案、人脸识别都不是 CDP 画像的标准形态。画像就像王阿姨给每个熟客写的那页小传。

Q6. 以下哪个属于“触发式营销”的典型场景？

单选题 · mid

  • A.会员生日当天自动推送优惠券← 正确答案
  • B.每周固定时间群发海报广告
  • C.等顾客主动咨询后回复消息
  • D.每年年末统一寄送实体贺卡

答案：A。触发式营销强调“事件驱动、自动执行”——生日是天然触发点，系统到点自动推券。定时群发、被动回复、年度寄卡都不符合“因人因时自动触发”的特征。

Q7. DMP 数据管理平台主要用于什么场景？

单选题 · hard

  • A.匿名受众的广告定向投放← 正确答案
  • B.会员积分的权益与兑换
  • C.售后服务工单的流转处理
  • D.门店员工排班的自动化

答案：A。DMP 的核心资产是匿名 cookie 和设备数据，主要服务广告投放的人群定向；会员积分、客服工单、门店排班分别是 CRM、工单系统和排班软件的职责。

Q8. CDP 相比传统手工报表能带来哪些价值？

多选题 · mid

  • A.统一客户跨渠道完整视角← 正确答案
  • B.按规则实时动态客户分群← 正确答案
  • C.自动触发个性化营销动作← 正确答案
  • D.直接替代经营者的最终决策

答案：ABC。统一视角、实时分群、自动触发都是 CDP 的核心价值；但“替代决策”不可能也不应该——CDP 提供情报，经营者做判断，就像王阿姨的小本子不能替她开店。

Q9. 跨渠道 ID 打通常见的客户标识有哪些？

多选题 · hard

  • A.手机号码与会员卡号← 正确答案
  • B.微信 OpenID 与设备 ID← 正确答案
  • C.邮箱地址与设备指纹← 正确答案
  • D.一次性短信验证码

答案：ABC。手机号、会员卡号、微信 OpenID、设备 ID、邮箱、设备指纹都可以作为跨渠道识别的持久标识；一次性验证码用完即弃，无法持续关联一个人的行为，不能作为 ID 打通的基础。

Q10. 某零售企业上线 CDP 后营销 ROI 提升不明显，可能的原因有哪些？

多选题 · extreme

  • A.多渠道数据未打通致画像不准← 正确答案
  • B.只建设数据没配套营销动作← 正确答案
  • C.标签体系与业务场景未对齐← 正确答案
  • D.上线 CDP 必然导致企业亏损

答案：ABC。ROI 不高通常因为数据没打通导致画像失真、只建数据没配套营销动作、标签与业务脱节；CDP 本身是工具，上线不会“必然”亏损，D 的说法过于绝对。