編者按: 營銷云筆記特約作者于勇毅老師今天為大家解析B2B客戶畫像，如何讓業務人員讀懂和會用數據。
某客戶：“我們收集和整合了很多客戶數據，包括歷史采購，社交媒體，營銷反饋…我們為了處理和運營這些數據投入的資源越來越多，到底收集和運營數據的邊界在哪里？”
筆者：“直到這些數據建立的客戶畫像能支撐您的業務應用場景為止”
客戶畫像在B2C被稱為“Persona”，B2B被稱為“Customer Profiling”，以前也被稱為“360度客戶視圖”。作為廣告主有很多渠道收集到各種客戶數據，大致包括：
內部系統中留存，以歷史采購和PII數據為主的“傳統CRM數據”（Traditional CRM Data）
通過外部調研和營銷收集的客戶反饋數據（Response Data）
社交媒體，電商等平臺的API接口提供的第二方數據（2nd Party Data）
營銷技術收集的，描述客戶行為的“數字數據”（Digital Data）
通過爬蟲技術收集的開放數據（Open Data）
在收集了大量數據后，再通過客戶識別（同人技術）打通數據源，以客戶為中心建立各種標簽體系，幫助廣告主能更深度的了解客戶。
根據以上的定義，似乎客戶畫像和普通數據的差別只是不同數據源的打通，在實際應用的時候，手上只有歷史采購數據同樣可以做客戶細分，只收集到客戶電子郵件地址一個字段同樣可以eDM營銷，那為什么要花精力去建客戶畫像呢？
1.客戶洞察
這是客戶畫像存在的最大意義，如同本文標題所列，為了讓業務側（決策層，營銷人員，銷售人員，產品經理等）讀懂和會使用客戶數據，將對數據的應用上升到“洞察”的層面。
如圖所示，技術和業務側人員對于數據的理解往往南轅北轍，之間的溝通也大多是雞同鴨講。技術側人員往往會熱衷于
更多的數據源
更快的數據處理速度
更好的數據完備度
更便捷的數據抽取和應用
而對于業務側的人員來說，天生沒有數據解讀能力，需要把復雜的技術側數據語言對于客戶的描述，通過數據挖掘等手段簡化成業務側能理解的客戶標簽（洞察）。
比如，如表所列的兩條客戶數據，業務側人員需要判斷哪個客戶更有價值，如果只從前面幾個字段，業務側人員是很難做出判斷，但是如果通過數據挖掘，最后數據分析人員給出單一的指標“客戶價值”，在實際使用的時候，業務側人員可以簡單的要求“這次營銷只針對A和B級別客戶”，而不用去搞懂背后的復雜邏輯。
2. 統一口徑
對于B2B客戶的描述往往會由于口徑的不同而造成誤解，比如行業的劃分，就有GB（中國國標代碼），SIC（美國政府標準），IDC（某IT咨詢公司自編碼）等。
例如“中國銀行“毫無疑問是“金融業”的客戶，但是互聯網金融的客戶呢？現在沒有一套標準會對這一新出現的事物進行編碼，有的廣告主把互聯網金融客戶歸類到“金融業”，有的劃分到“互聯網行業”甚至“服務業”。當廣告主的決策層決定營銷重點是“金融業”的時候，其實存在著是否包含互聯網金融這一細分領域的重大歧義
在客戶畫像的建立過程中，有一個核心步驟是制定各種標準，保證在廣告主內部各部門對于同一客戶描述有著同樣的理解。
3. 通過客戶畫像完成對于行業理解的傳承
對比B2C的客戶采購決策鏈，B2B更加復雜而且個性化，沒有一個專家敢說自己了解每個細分行業的所有客戶特征。客戶畫像的建立是一個長期的積累過程，在業務側不斷發生人員變動的時候，每一代人員對于行業的理解都會在客戶畫像中體現。
例如醫療行業的“X康公司”，直接隸屬于某省國資委，負責該省除了三甲醫院以外的所有醫療系統的設備采購。這種非常個性化的行業理解，很難直接從數據層面得到，需要業務側的專家輸入后在客戶畫像中體現。
1. 企業畫像
這是大部分B2B廣告主談及客戶畫像所指的部分，并且有最多的數據收集源。技術側的原始數據包括：
基礎信息：客戶的名稱，地址，聯系電話等
行業屬性：各種行業代碼標準的所在行業
地域屬性：所在省份，城市，城市級別等
歷史收入：需要整合訂單數據，了解客戶在過去購買過的產品金額，產品類型，時間等
現有設備使用情況：包括客戶采購的自家設備，以及可能安裝的競爭對手設備
商機：已經獲知的，并且銷售人員跟進的客戶未來采購意向
和內部銷售組織的從屬關系：現在負責這個客戶的銷售團隊名稱，銷售人員等
企業規模（Firmographic）：客戶的規模，包括員工人數，年銷售額，PC臺數，納稅額等
名單制標簽：是否是中央國資委下屬企業，是否外企500強等各種名單企業
收集完以上信息后進行簡化，最終業務側需要的標簽包括
客戶購買潛力（Buying Power）：綜合客戶的規模，行業，所處地域，是否名單企業等綜合因素后，通過數據挖掘給出定量的客戶采購預算數值，再結合歷史收入，可以預計客戶份額。業務側人員在篩選的客戶數據的時候，可以將目標客戶描述為”2017年預算超過100，并且2016年我們產品的份額低于30%的客戶。
建設階段：大型客戶的重點項目采購往往會分為數期，并且延續數年，最有代表性的是政府主導的“十二金工程“（參閱百度百科）。通過歷史采購的產品類型，就能推導這些項目的階段，并且預測下一階段可能采購的產品類型
客戶細分：綜合客戶歷史采購金額，購買潛力，所在行業等各個維度，給同一類客戶貼上同一細分標簽，例如以下“金銀銅客戶”的常規細分方法：
2. 決策鏈畫像：
這是B2B客戶畫像中最重要的部分，也是最難建立的。通常大型企業以及政教醫療客戶的采購決策鏈收到大量自身不可控的因素影響，包括：
政府紅頭文件（限定品牌）
集團上級機構的統一采購（集采和分采）
客戶內部部門間的分權（需求方，財務方，實施方，審批方等）
各種背景的代理商和廠商的影響
從數據角度能收集到描繪采購決策鏈影響因素的數據包括
客戶樹結構：對于大型集團型客戶的上下級公司結構，以及有決策權的節點
部門職能：在大型客戶內部，一次采購會牽涉到需求方（實際使用產品的部門），采購部，審批部門等多種角色，通過客戶的官網可以很容易獲取客戶的內部部門結構，再結合調研能知道對采購有影響力的核心部門
受影響渠道：受限于招標相關法律，政教醫療和大型國企的采購結果會在網上進行公示，通過爬蟲對這些數據進行收集，可以很清晰的了解到對于客戶采購決策有影響力的代理商和品牌（這個使用爬蟲進行渠道影響力分析的內容，將在之后另文描述）
在獲取以上數據后，對于業務側的人來說，最終產出的客戶標簽只有兩個：
客戶是否有采購決策權，只要Yes或者No
渠道地圖：針對具體客戶銷售不同產品，需要通過的代理商名字，下圖是簡單示意：
3. 聯系人畫像：
雖然B2B的營銷主體是客戶（Account），但是在營銷落地的時候仍然需要面對具體的負責人（Contact），常規用于營銷的數據包括：
基礎信息：聯系人姓名，性別等
職位：所在部門，對接之前決策鏈畫像中的部門職能，了解這個聯系人在采購中是否有影響力
在線行為：通過營銷技術，了解到聯系人在線的行為，這是利用B2C技術進行B2B營銷的模式。
聯系方式：現在B2B的營銷大多還是以傳統的電子郵件，電話等信息，收集客戶的電子郵件地址，電話號碼的重要性是遠大于各種數字ID的（例如Cookie，微信ID等）
營銷接觸和反饋：歷史上對于這個聯系人進行過的營銷類型，客戶的各種反饋動作（是否點擊了電子郵件，是否接聽了電話等）
客戶興趣圖譜：同一個聯系人在不同時間節點會不同的產品有興趣，通過整合聯系人過去的營銷接觸和反饋數據，能夠了解到此人現在在瀏覽的內容，幫助營銷找到正確產品
職位標簽：同一個職能在不同行業和客戶有著不同的稱謂，例如IT部門的負責人，在銀行可能叫科技處處長，在政府叫信息中心主任，在企業可能叫CIO…廣告主要抽取目標聯系人，需要把五花八門的聯系人職位稱謂進行標準化。下圖是國內各個行業的核心部門以及不同聯系人的稱謂的對照表。
1. 想清楚客戶畫像的應用場景：由于客戶數據的收集和運營是無限的，先要做好最終應用的頂層設計才能有效控制投入資源
2. 想清楚應用場景需要的客戶畫像精度：把所有客戶標簽都做到精準是很難的，這就需要在資源投入和精度間找到好的平衡點
3. 想清楚支撐客戶畫像的數據源：包括內部數據源的整合和外部的采購和對接，數據源的拼合和運營需要大量資源，建立客戶畫像的數據需要控制在“正好夠用”的層面
4. 數據清洗和對接：在收集大量數據后，還需要進行數據標準化，同人等大量底層數據處理工作，這是最耗費時間成本的
5. 客戶標簽體系的定義:標準化業務側人員最終使用的客戶標簽定義
6. 客戶標簽所需的模型建立：模型的建立除了數據挖掘的模式，在采購決策鏈畫像建立過程中，還需要大量的外部調研。常規的數據挖掘模型包括
客戶潛力模型（Buying Power Model）：通過客戶的規模，來預測客戶的購買潛
客戶興趣圖譜（Interest code）：根據客戶過去的營銷接觸，反饋和在線行為，預測客戶當前可能有興趣的產品
7. 應用及調試：客戶畫像要做到精準不是一日之功，需要長期經歷業務側人員的反饋，尋找新的應用場景，尋找新的數據源，新的模型這個閉環
