圖二

從左至右我略作解釋。

深綠色的「數據抓取、埋點、Tag管理以及數據輸入系統」，最核心的功能是在不同的觸點上獲取用戶相關的數據，以及通過其他數據源輸入數據。在網站、app、小程序等，主要是通過加監測代碼和埋點（事件監測）實現的數據抓取；而從其他數據源發送的數據，則需要有一個能夠接受數據的介面，例如ftp或者API。Tag管理則是對監測代碼和埋點代碼進行統一管理的工具。

深藍色的「Raw Data存儲與處理」，是對深綠色部分獲得的數據進行處理。數據清洗、格式化、數據的存取等，都在這個部分。藍色部分雖然在上圖中看起來小小的，但卻是整個系統的核心。

綠色的四片，「ID引擎」是對用戶個體進行唯一化辨識的過程，在這裡要實現不同觸點ID之間的匹配、構建ID匹配表，並對每一個個體構建統一化的ID體系。

「報告引擎」，是對Raw Data處理之後的Data進行重新組織和數據可視化，它與我們在前面的系列中談到的網站分析工具的報表很類似，但是增加了一些報表，例如人羣特徵報告，端到端（含線下到線上或者反過來）的營銷漏斗報告，跨域路徑報告，各營銷觸點的互動（事件）報告等。關於報告中都應該有什麼，報告中哪些數據比較可信賴，哪些數據相對較為抽象或者不能保證準確，我在這個系列中另外起一篇跟大家介紹。

「標籤引擎」，這個是任何DMP和大部分CDP都應該有的，即根據系統所記錄的受眾的行為數據以及其他屬性數據，為受眾建立格式化的自然語言的屬性說明，即標籤。一般而言，DMP會儘力將標籤與受眾個體的ID一一對應，但是，由於大量外部數據源提供的受眾及其標籤不以個體形式呈現，而是以人羣包的形式呈現，因此，DMP中的標籤引擎不排除以為羣體為單位建立標籤。這不盡如人意，但是卻是非常現實的辦法。

「規則引擎」，任何DMP和CDP都必須有，如果沒有，那這個系統根本就算不上是DMP或者CDP。規則引擎是建立細分規則的模塊，將滿足規則的用戶聚合起來，形成一個人羣。規則包括多種：受眾標籤、具體的受眾行為或是行為的組合、受眾或流量的來源，以及受眾的設備屬性等等。DMP和CDP本質上就是「人羣操作系統」，如果連區分不同人羣的功能都沒有，那是不可思議的。

可以說，綠色的四片引擎是一個DMP或者CDP的功能核心。

核心應用體系

簡單講，DMP/CDP的核心應用體系是兩大類，即給人看的和給機器用的，如上圖中橙色的兩片。前者當然就是指報告，後者則是大家更加關心的應用領域。

無論是報告系統還是數據應用系統，都依賴於規則引擎實現的人羣細分能力。因此，由規則引擎這一核心功能所構建的應用系統，則是被很多DMP提供商稱之為的「人羣構建器」或者「人羣計算器」。

而關於報告，前面已經講了，我會再起一篇另行介紹。而給機器用的數據應用系統，則是大部分企業建立DMP和CDP的首要原因。

當然，這裡說的「給機器用」絕對不是一個規範的說法，但這麼說的原因是DMP/CDP需要與其他的系統對接才能體現其價值。

在這裡，DMP和CDP開始出現分野，本系列的上一篇：【DMP101 之五：DMP vs CDP，它們到底有沒有區別】提到了這一區別。DMP在應用上主要對接的是數字廣告的投放系統，包括DSP、PDB（AG——Automated Guaranteed）、各家媒體的私有廣告系統（PMP）或DMP，以及數字廣告投放服務系統，包括自動化創意、Tradingdesk（預算分配、自動化排期、自動化預算消耗管理）等。CDP則對接人羣運營的自動化系統，例如營銷自動化系統、EDM/SMS、動態網站或網頁、動態內容系統等。DMP和CDP核心的應用就是將構建好的人羣輸出給這些系統，從而實現針對這些人羣的營銷和運營。

圖三

當然，還有一些雖小但卻十分重要的功能，就是圖二的灰色部分，即許可權管理和用戶管理，本質上也是數據安全管理的一部分。

附加功能體系

具備了核心功能體系和核心應用體系之後，DMP和CDP基本上就是成品了。但，為了滿足人們日益增長的數字營銷需求，DMP/CDP又增加了一些「額外」的功能。

最典型的就是人羣放大系統，學名是look-alike，就是當你通過「人羣計算器」構建出一個人羣後，再到更大的受眾資料庫中間去找跟這羣人相似的人羣。當然你不能自己用肉眼找，你需要依賴演算法和程序，即人羣look-alike功能。是的，嚴格講它不是一個應用，而是一個功能。

另外一個典型的功能是數據輸入。這裡講的數據輸入不是DMP自己抓取的數據，而是指由外部數據源（即第二方數據和第三方數據）提供的數據輸入到DMP中——通過ftp，S2S（Server to Server）或是API的方式等。數據輸入之後，往往需要進一步的數據清洗、ID匹配等。

還有一個功能則是更高級的數據的挖掘功能，提供給數據科學家，對人羣數據或是更原始的數據（raw data）進行更加深度的挖掘。並非所有DMP都有這樣的功能，但媒體的DMP有時提供這樣的高階功能，例如京東九數和阿里的御膳坊（後來關閉了），另外nEqual的DMP同樣提供這一能力。

另外一個更加神奇的功能是AI功能，你可以理解為更高級的基於DMP實現的機器學習的引擎。AI並非噱頭，沒有任何一個營銷系統能夠比DMP擁有更多可供進行機器學習尤其是監督學習的數據。機器學習實際上已經廣泛應用於廣告投放，例如信息流廣告的自動效果優化的投放，所以並不是新奇事物。但AI在DMP中則相對少見，更多會被部署在數據應用的落地端，例如前面提到的數字廣告投放系統和投放服務系統。

圖四

儘管附加功能為DMP和CDP增添了亮色，但要記住，它們並不是DMP和CDP體系中必不可少的。不過，話又說回來，僅僅只是提供必須功能的DMP和CDP是很難獲得用戶的青睞的，附加功能體系往往很大程度上影響了廣告主建立DMP/CDP的意願和決心。

好，這一部分就寫到這裡，下一部分我們開始談談DMP中存儲的數據。

後面的內容將會仍然圍繞「標準」的DMP，包含的內容有：

之一：DMP 101之一：DMP的本質是什麼？

之二：DMP 101之二：關於DMP的數據源

之三，DMP 101之三：DMP與傳統的用戶行為分析工具到底有什麼關聯或淵源；

之四，DMP 101之四：DMP到底有什麼價值？

之五，DMP 101之五：DMP和CDP有什麼區別

之六，就是本篇：應用角度的DMP和CDP的邏輯架構

之七：DMP應該如何組織重構各數據源的數據；

之八：一個好的DMP系統為什麼特別難（絕對比你的供應商能實現的要難）；

之九：DMP上「外掛」的功能有哪些；

之十：你的企業是否需要DMP，需要滿足哪些需求特徵；

之十一：一個好的DMP有哪些衡量標準或者特徵；

之十二：DMP這個「好東西」背後有哪些坑；

之十三：DMP跟CDP以及Martech之類的概念有什麼關聯。

之十四：……

或者，還有其他更多。大家如果願意看，我就寫下去。願意看的話，歡迎留言，有問題或者有其他想讓我寫的也歡迎留言。

推薦閱讀：