文 | Finn

在大数据驱动营销的时代，营销体系发生了根本性变化，基于大数据营销对数据与数据融合的迫切需求，我们可以预见未来各工具系统间的壁垒会被打破，统一规范与灵敏兼具的营销数据架构将会诞生，数据营销将跃迁成为更高层的组织和控制。如今，我们还差那打破孤立的临门一脚。

“无论是在中国，还是在世界其他地方，对数据化营销的需求是一致的。营销机构都希望能找到更加富有智能化的方式发现和识别自己的目标客户群、对销售线索进行筛选认定，更好地把握客户需求。”在2017年Strata Data Conferences上，Cloudera首席营销官Mick Hollison接受Morketing专访时，如此描述市场环境对数据营销的迫切需求。

Cloudera由来自Google、Yahoo、Facebook、Oracle的前员工创立于2008年，也是目前位居全球领先梯队的机器学习和分析平台供应商。Mick Hollison 2016年加入Cloudera，负责Cloudera在全球范围内的营销活动。

在采访中，Mick Hollison谈到当前大数据营销面临的挑战和对应的解决思路。

困扰行业的老话题：数据孤岛

随着近些年大数据在商业领域影响力的扩大，营销体系在新技术的介入下发生了巨大变革。Mick Hollison认为两个因素驱动了这种变化的产生：一方面，企业和公司基于巨量数据，能够围绕客户行为及行为规律产生洞见；另一方面，企业对市场营销方面做出投资的回报率要求，需要大数据在投放行为优化和结果呈现上予以支持。

毫无疑问，在这样一个基于用户行为而不断拓展细分的市场中，营销所采用的渠道也势必更加广泛。多样化营销渠道一方面给予营销带来了更灵活更富有差异化的路径，另一方面，营销机构在灵活应用、渠道之间的数据关联等方面面临更大的挑战。

Mick Hollison认为，目前跨渠道数据关联问题在营销机构中普遍存在，如何打通企业内部的数据孤岛成为当前大数据营销领域亟需突破的关键点。

他说：“在营销机构的业务越来越成为数据驱动型业务的过程中，往往最大的挑战是他们手中数以百计的市场营销工具或手段。无论是在B2B还是在B2C的市场当中，企业营销机构的每一个营销手段、每一个营销系统都产生了一个彼此隔离的数据孤岛。“

而Mick Hollison给出的答案是平台化和数据管理去中心化。

如何解决：平台化和去中心化

谈到平台化解放孤岛数据时，Mick Hollison以Cloudera自身为例讲述了应用场景——Cloudera在客户关系管理CRM中使用Saleforce.com，在营销自动化基础方面使用Eloqua，在需求侧使用Bombora和Adobe。同时，在利用以上工具时，Cloudera的平台每15分钟对各工具数据进行覆盖采集和分析，统一输出供更高决策参考的最终结果。

作为在Hadoop开源建设和产品商用化方面颇具地位的科技公司，Cloudera成立7年来已为诸如摩根银行等世界Top500企业建设底层大数据平台，帮助他们实现对巨量数据的存储、组织和分析。

Mick Hollison表示，在该过程中，Cloudera发现，如果一个公司对主要业务职能都指派一位主要的数据负责人，该公司对Cloudera提供的大数据整体解决方案的适配性以及解决数据孤岛蔓延的能力将大大提高。虽然在接入Cloudera解决方案过程中，这种架构调整不是必须的，但毫无疑问，通过设置“部门CDO”的去中心化数据管理能给企业对抗数据孤岛带来更大的帮助。

事实上，无论是从平台化还是数据管理建设来看，大数据营销对技术支持的要求越来越向系统架构层面靠拢。

Cloudera登陆中国市场是在2014年。也是这一年，国内著名家电品牌美的向Cloudera伸出橄榄枝，开始全面合作重构美的集团系统，打造完整的数据管理架构。

作为国内家电行业的代表性的企业，美的集团在其数据融合经营分析中心、外部市场分析平台以及用户服务系统三类业务应用场景下使用了Cloudera的技术服务。根据美的官方统计，2015-2017年两年间，美的通过大数据应用处理了来自用户、合作伙伴、供应商、渠道商以及运行、生产场景下约600TB原始数据。

在家电行业市场竞争尤为激烈的2016年，美的集团依然保持收入高速增长，也为市场在大数据应用提升管理决策等方面提供了一定的借鉴意义。

平衡创收与风险的数据管理职能

值得一提的是，在美的身上，我们不仅没有看到去中心化数据管理的痕迹，恰恰相反，其组织设计上选择了中心化色彩浓烈的IT治理集中制。事实上，中心化和去中心化是两种常态的组织设计方式——中心化组织设计注重数据标准的统一化，优于风险防控，去中心化则更偏重数据实时捕捉和敏捷传递。

但是Morketing也发现，在美的集团与Cloudera的合作成果中，同样具备这两种方向的数据能力建设：一类是，面向数据可靠性和利用率等风险规避类的提升；一类则是，行业市场容量饱和下的高强度竞争的经营数据分析能力提升。

而这些动作往往与企业数据战略相关。简而言之，市场部门等对投资回报率、客户满意度等客户行为洞察相关数据更为敏感的系统，对架构的数据灵活性和实时分析敏捷度要求更高。肩负保证数据隐私规则、财务报告真实性来源等行为合规的部门，则更侧重于标准化数据建设。这两种能力建设所占比例也往往由企业的攻守定位决定，即更注重下行风险防控还是更贴近用户市场。

可见，数据孤岛问题的解决依赖整体数据战略的实施和数据架构的建立。因此，对于企业而言，无论是采用中心化还是去中心化的组织设计，目的都应该是打通数据障碍，在自身风险规避与创收间求得平衡。

在目前大数据建设的浪潮中，提供战略级决策依据可能仍然存在滞后性以及复杂度高等问题，但伴随着机器学习、区块链等新兴技术的加入，平台和企业技术堆栈程度的提升，下一代数据管理能力或将扩大数据架构对企业营销的支持作用。