一句话回答
单一客户视图是为每个人建立的一份一致的档案和时间线,汇总来自各系统的身份、行为、交易、对话和属性。只有同一个人有一个稳定的 ID 时它才存在;把表连起来而没有这个 ID,并不会得到它。
公式: ID 减少 = 1 − (人数 + 未匹配 ID) ÷ 匿名 ID;已识别占比 = 已识别 ID ÷ 全部 ID
什么是单一客户视图?
单一客户视图(SCV,也叫客户单一视图或客户 360 视图)是一个组织掌握的、关于某一个人的全部信息,汇成一份一致的记录,放在同一个地方。不用再到网站统计工具里按一个 ID 找人,到订单系统里按邮箱找人,到客服收件箱里按名字找人,而是打开一份档案,在一条时间线上看到全部内容。
这个概念既有监管上的根,也有营销上的根。在英国,吸收存款的机构必须能够出具一份单一客户视图文件,提供赔付机构在机构倒闭时向客户赔付所需的信息;提供这份文件的期限是 24 小时。营销和客服团队借用这个词,出于同一个原因:不再把一个人当成几个陌生人。
本条目的核心:单一客户视图不是把所有表连到一起得到的,而是让同一个人拥有一个稳定的 ID 之后得到的,这样行为、订单和对话才挂在同一条时间线上。先做 ID,再谈视图。 一个装满未关联数据表的数据仓库只是一堆数据,一个人的 ID 才把它变成视图。
视图旁边还有三个相关的词,分清楚有好处:
| 术语 | 它是什么 | 和视图的关系 |
|---|---|---|
| 单一客户视图 | 结果:每个人一份档案和一条时间线 | 销售或客服看的东西 |
| 身份解析 | 把记录和 ID 关联到同一个人的方法 | 视图是怎么拼出来的 |
| 身份图谱 | 存放哪些 ID 属于同一个人的数据结构 | 视图依赖的查询表 |
| 客户数据平台 | 一类产品:收集数据、解析身份并提供档案 | 构建和提供视图的一种方式 |
本页讲视图本身,关联的算法在身份相关的页面里讲。
视图里的五类数据
有用的视图有五层。只有一两层的档案是联系人记录,不是视图。
| 层 | 它装什么 | 典型例子 | 通常来自哪里 | 关联键 |
|---|---|---|---|---|
| 身份 | 这个人在各设备和系统里是谁 | 登录 ID、邮箱、手机号、设备 ID | 登录事件、账号系统 | 登录 ID |
| 行为 | 他们做了什么 | 浏览的页面、事件、会话、用过的功能 | 网站、App 和服务端统计 | 登录前用设备 ID,登录后用登录 ID |
| 交易 | 他们买了什么、付了什么 | 订单、退款、订阅 | 订单或计费系统、购买事件 | 客户 ID 或登录 ID |
| 沟通 | 对他们说过什么、他们说过什么 | 客服对话、工单、邮件 | 在线客服、工单系统、邮件工具 | 访客 ID、邮箱或登录 ID |
| 属性 | 对他们已知的信息 | 姓名、套餐、国家、标签、分群 | 档案字段、规则、导入 | 登录 ID |
注意,每一层都需要一个能和身份层对上的键。「客户 360」最常见的失败原因不是缺数据,而是某一层无法关联:购买记录按邮箱存,行为按匿名设备 ID 存,两者之间没有任何记录把它们连起来。
ID 怎样把各层连起来
关联的规则说起来简单,执行起来要严:
- 登录 ID 胜过一切。 一个人登录时,你就知道这台设备、这次会话和这个账号是同一个人。这是确定性的关联:要么对,要么不对。调用方式见用户 ID和识别。
- 登录之前,一个人就是一台设备。 匿名访客 ID 描述的是一个浏览器或一次 App 安装,不是一个人。同一个人在笔记本、手机和平板上,在有东西把它们连起来之前,是三个 ID。
- 按登录合并,不按猜测合并。 同一个登录 ID 出现在哪台设备上,就把哪台设备连起来。按相似的姓名、IP 地址或屏幕尺寸去匹配(概率匹配),会产生错误合并,也就是把两个人并成一份档案,这比漏掉一次合并更难修复。
- 匿名访客没有档案。 一个人从不登录,就只留在汇总数字里。这是一个特点:你没法给一个从未表明身份的人编出一个视图。
- 回填,然后继续。 一台设备第一次登录时,它之前的匿名活动可以挂到这个人身上,所以时间线从第一次访问开始,而不是从登录开始。
诚实的结论是:视图只覆盖表明了身份的人。如果只有 5% 的访客登录,你有的就是 5% 受众的视图,其余只有汇总数字。
算例:五个匿名 ID,一个人
示例数据:一周内,某网站的统计数出 1,200 个匿名访客 ID。其中 300 个 ID 属于曾经登录过的人,另外 900 个从未登录。这 300 个 ID 实际上是 120 个人,因为很多人用过不止一个浏览器或设备(300 ÷ 120 = 平均每人 2.5 个 ID)。
拿其中一个人作为具体的例子:
| 匿名 ID | 设备 | 首次出现 | 合并前 | 合并后 |
|---|---|---|---|---|
| a1 | 笔记本,Chrome | 周一 | 访客 1 | 人员 P |
| a2 | 手机浏览器 | 周二 | 访客 2 | 人员 P |
| a3 | 笔记本,清除存储后的 Chrome | 周三 | 访客 3 | 人员 P |
| a4 | 手机 App | 周四 | 访客 4 | 人员 P |
| a5 | 平板 | 周五 | 访客 5 | 人员 P |
登录把它们连起来之后,三台设备上的五个 ID 变成一个人。再看整整一周:
| 数量 | 合并前 | 合并后 | 计算 |
|---|---|---|---|
| 访客(人或未匹配的 ID) | 1,200 | 1,020 | 120 个人 + 900 个未匹配 ID = 1,020 |
| 减少 | – | 15% | 1 − 1,020 ÷ 1,200 = 15% |
| 已识别的 ID 占比 | – | 25% | 300 ÷ 1,200 = 25% |
| 已识别者占合并后总数的比例 | – | 11.8% | 120 ÷ 1,020 = 11.8% |
| 转化率,48 位购买者(都已登录) | 48 ÷ 1,200 = 4.0% | 48 ÷ 1,020 = 4.7% | 缩小的是分母,购买者没有变 |
两点启示。其一,这里合并让访客数变了 15%,所以每一个以访客数为分母的比率都会跟着变:转化率没有多卖一单,却好看了 0.7 个百分点。其二,1,020 个里只有 120 个(11.8%)是你真正有视图的人;其余 900 个仍然只是 ID。想扩大视图,该下功夫的是在合适的时机让更多访客登录,而不是更聪明的匹配算法。
会出什么问题,怎么检查
- 每人一行不是视图。 一张每人一行的表(姓名、邮箱、最近一单)有用,但视图要有它下面的时间线:发生了什么、先后顺序、在哪台设备上。
- 无法撤销的概率合并。 两个人被一次猜测并到一起,客服就会把一个人的订单说给另一个人听。优先用确定性的关联,并且记下每一次合并和拆分,这样错的可以撤回。
- 共用设备。 家里的笔记本或店里的终端,一台设备上有很多个登录。一个好规则是:设备上出现不同的登录时,较早的活动留给较早的人,新的人从这一刻起开始自己的时间线。
- 过期的视图。 每晚才更新的视图,在客服通话时就是错的。先定下哪些必须实时(对话上下文、最近订单状态),哪些可以等。
- 忽略删除。 视图是个人数据。按欧盟的 GDPR,个人可以依据第 17 条要求删除其个人数据,这个请求必须传到视图的每一层,而不只是你记得的那一张表。
- 把未知当成已知。 一份写着「客户」却包含未匹配访客 ID 的报表,会夸大客户基数。把已识别的人单独标出来。
在称某个东西为单一客户视图之前,先做个快速检查:挑五位真实客户,对每一位试着回答「这个人在购买之前做了什么,之后我们对他说了什么?」如果一分钟内答不出来,你有的是一组表,不是视图。
在 TapCub 里搭这个视图
拿客服的问题来说:「我在和谁说话,他在网站上做过什么?」下面是各部分在 TapCub 里怎么对上。TapCub 不是 CRM:视图只覆盖 TapCub 采集到的内容(行为、你发送的事件、聊天),不包括保存在别处的联系人记录或发票。
- 打开识别模式并调用登录。 档案需要识别用户,登录能不能绑定到档案,取决于合规中心里的设置。然后在登录成功时调用
tapcub.login('user-id', { $name: '…' })。见识别用户。 - 在 全端分析 › 用户 › 用户 里打开这个人。 按姓名或登录 ID 搜索就能找到。档案左侧是他的设备和登录 ID、分群、标签和账户,右侧是按天排列的时间线,把所有已绑定的设备合并在一起。登录之前的活动会标成匿名段,所以时间线不是从登录才开始。
- 在 全端分析 › 用户 › 身份映射 里看合并了多少。 差异卡片对比访客、设备和人员的数量,和上面 1,200 对 1,020 的思路一样;映射日志记录每一次绑定、回填、解绑和拆分,所有者或管理员可以把错误的关联撤回。
- 让客服看到同样的上下文。 聊天和统计用同一个访客 ID,所以 客服 › 客服工作台 的侧栏会显示访客当前的页面、来源页、最近两天的统计轨迹和过去的对话,并有一个「在统计中查看」按钮通向访客档案。
- 了解限制。 匿名访客没有档案,也不会进入分群。在严格隐私档位下访客 ID 每天更换,所以两天的轨迹在午夜会断开;平衡档位则会保留。
资料来源
- 维基百科,Single customer view:定义、用途和难点。
- 英国金融服务赔偿计划(FSCS),Single customer view:监管上的来历和对吸收存款机构的 24 小时要求。
- 通用数据保护条例(GDPR),第 17 条 删除权:为什么删除必须传到视图的每一层。
这个解释清楚吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。
