这两年大家开始讨论数据工具，于是，很多企业也纷纷上马数据工具。内部开发给业务提效的数据管理和流程规范工具，才买了第三方的消费者数据平台CDP，但是很多业务问题并没有得到解决，甚至带来了更多的麻烦。这些数据工具很难真正被用上或被用好，也是新一种常态。

久而久之，这就会陷入一个恶性循环：大家用数据工具费劲，而且用不到业务上，于是干脆就不用工具了，于是又认为工具不够好，期盼另一个新的工具能够解决老问题，结果真的引入了新的工具，发现还是用不好——如此往复，钱花了，却没有让数据工具带来应有的价值。

工具是来帮助人的，但是，却变成了人要么被工具折腾，要么将工具束之高阁，真正能发挥工具价值的少之又少。这样的怪圈是如何产生的呢？今天我们就谈谈我们是如何一脚踏进数据工具的坑中，又是如何深陷其中的。

全文大纲：

• 01 企业不具备应用数据工具的基础条件：缺数据或者缺标准

• 02 工具本身质量或者功能与业务的实际需求不符

• 03 期望工具是用来“降本”的，但事实并不如此

• 04 缺乏用工具的人和能力

• 05 管理问题：用工具的人和实际做业务的人分别属于不同部门

1 企业不具备应用数据工具的基础条件：缺数据或者缺标准

如果本来就没有数据资源，那么工具能有什么用。就如同，花了大价钱买了全套别墅保洁，但是发现，自己并没有别墅。

存在这个问题的根本原因是：企业对自身拥有什么样的数据资源都不了解，就盲目上马数据工具。

比如某企业拥有几十万会员，但是大部分会员数据都存储在经销商系统，以及各大电商平台中，能为自己所用的只有一些手机号、ID或者过期的订单数据。可能真正能应用的数据属性只有那么有限的几种。聊胜于无吧。但CRM系统就解决问题，压根没必要上CDP这种处理大数据的工具。

这一点我们在之前文章中也提到过，企业以为自己拥有的数据和实际能应用的数据是两回事。

同时，企业也可能存在一种错误的认知，认为数据积累是工具的事情，我只要把工具配齐了就行，那这样导致的结果，通常是最后什么数都没有。工具只是数据的承接平台，我们通常把数据比喻成石油，那么工具就是一个个“储油罐”，只是上一套工具就像是只打一口井，“石油”是不会自己从井里喷出来的。就像开采石油需要不断地升级提取和挖掘技术，数据积累也是如此，不仅需要业务通过运营不断地去挖掘用户数据，获得反馈数据之后再不断地优化业务；而且还需要专门的数据运营，结合业务去规范指标体系和数据字典，这其中的流程和标准也是需要不断地升级去顺应市场规律。这样才能提取到对企业有用的数据。

其中典型情形是就是数据有，但是没有统一的标准。这也让工具变得无法使用。常见的例子包括没有统一的规则去管理数据。不统一的埋点与渠道命名导致最初源头就是不标准的，这样生成的数据标签必然无法统一。数据的埋码和监测缺乏标准化流程，导致数据收集之后都很难用起来，数据分析的结论自然也是错误的。

诸如此类的情形还有很多，具体的阐述我们会在接下来继续发布的《坑六》中介绍。

因此，数据资源的积累和使用是需要大量业务（运营）上的努力的。只有通过运营手段，才能去积累消费者ID背后的属性和标签，才能积累成品牌的数据资源。

2 工具本身质量或者功能与业务的实际需求不符

第二个工具用不上的问题，确实是工具本身造成的。

数据工具层出不穷，甚至不乏有一些工具拿之前的产品重新包装后，套一个比较fancy的概念或者名字就是一个全新的产品。这样的工具到应用阶段，必然会出现各种意想不到的问题。

常见的产品功能不佳的领域包括：

1）数据对接能力欠缺，跟不上市场的变化

数据工具的对接能力应该算是最基础的一个功能，是消除数据孤岛的基础。比如，当业务部门想看到前一波大促活动的潜在用户画像或者会员相关数据，这其中会涉及到市场部门、电商部门、会员部门、库存管理、OMS等；线下数据还会涉及Trade marketing等部门；媒体数据会包括各方DMP，如果数据产品与各个内外部工具的对接不能做到即开即用，而要额外开发，那么在活动中可能就用不上工具了。

甚至在工具使用过程中，和公司内部接口打通需要各种关卡，不得不人员手动导入和导出数据。不仅仅数据准确性会受到影响，实时性和效率上也会大打折扣，企业需要花费更多的时间和资源来维护和更新其数据。这样就彻底偏离了用工具提升数据收集和处理的效率这个初衷了。

如果从数据收集这个源头环节，工具就缺乏和不同数据来源对接的能力，更不用谈后续的数据集成和应用。

2）不能提供基于API等技术的实时数据，数据实时性的欠缺。

在营销场景下，对获取数据的实时性要求是很高的。比如在大促期间的营销活动，分析工具需要实时计算人群及标签数的变化，如果API接口提供过来的数不是实时统计的，而是T+1甚至是T+N，业务人员要等好几天才能形成活动期间用的正确洞察。这种在产品功能上没有对数据实时性的考量，导致数据工具不能适用于营销这种实时性很强的场景，最终让工具和业务脱节，业务人员始终用不起来。

3）数据处理速度慢，低效，不符合不断变化的营销状况。

同样的，营销对数据处理的速度也有快捷和敏捷的要求。我们拿分群功能来说，人群标签并不是一个固定的结果，而是在某一时间段内持续滚动计算的。如果工具本身在算力上不过关，或者大数据处理能力低，那么总结出的人群特征必然不能为营销策略所用。

4）缺乏足够针对行业的模型和计算能力，让大数据成为空谈

具备行业模型能力的数据工具可以根据用户数据来进行分类和预测。通过学习并理解特定行业的规则、趋势和模式，来构建更精准的模型，并更好地应用到业务场景中。

例如金融行业中，数据工具可以使用更复杂的模型来分析市场波动、预测股票价格和风险，同时根据监管要求对数据进行合规性检查。那么在零售行业的常用场景是，根据用户的购买历史和行为数据，提供更个性化的产品推荐和定价策略。但是在我们的了解下，对于大部分数据工具来说，这个功能上是有欠缺的，甚至根本没有这个功能。

5）数据安全性不达标，或者缺乏数据安全和隐私意识

在个保法的限制下，在数据的传输、收集和处理上需要不断地细化来符合法律法规的条款。这对数据工具的功能能不能快速迭代升级，提供针对个保法的功能和隐私计算的解决方案都提出了新的要求。

甚至有极端一点的例子，消费者的敏感数据很有可能会遭到黑客攻击。这些问题不仅影响了企业的数据分析和业务决策，还可能导致企业面临法律责任和信誉风险。

6）数据处理和应用的权限管理功能缺失等等

最后，数据工具不仅仅是业务应用数据管理，也会涉及到深入企业内部的流程改造等。在大集团多部门的企业里，针对数据和相关应用的权限应当按职能和业务分开管理，不同业务人员需要开通不同权限才能保证数据处理的合规等这些细节功能。通常这些功能会集成在单独的一个产品里，市面上也已经很多类似的产品功能，但是深入到业务的使用场景如何进行区分是需要工具方去深挖的。

另外，营销场景对实时性的要求很高，且在短时间内需要多方的配合和协助才能共同完成，那么使用的工具的人一直会有增加和更改的需求，如果权限管理的功能不完善就会导致每一步骤的操作都有泄露数据的风险。

3 期望工具是用来“降本”的，但事实并不如此

我们聊完了基础，聊完了选择更合适的工具，必然碰到的下一个问题是：数据的降本KPI，怎么搞定呢？原本上数据工具是为了降本增效，但很多工具，实际上还增加了企业的成本。额外的成本和劳动多了，大家就反而更抗拒了。

比如，在企业拥有大量级数据的情况下，首先需要用上打通数据ID的CDP工具，从部署工具可能就得花费几百万，还有学习使用工具的时间成本，加上学会使用和应用工具的人力，甚至工作岗位都要增加。

同时，因为数据工具更多了，对消费者的认识更深入，人群分组分层也会更加细化，就导致消费者标签体系更为丰富；同时造成对消费者的运营方式需要更精细化，这样的结果就是运营人群不止一两个，很有可能是10组、20组。

如果这么多分组人群都需要个性化营销策略，过往一两个人群的营销策略，只需要5个人的团队，很可能需要扩展到20人甚至50人。

当然，现在已经有很多AIGC的工具可以一定程度上减少我们的人工劳动。不过，如今的营销也不只是简单的人工劳动，针对不同人群应该采用什么样的营销手段，这是人工智能目前还解决不了的问题。这些关键点都需要人脑去想，在策略上，企业甚至需要更多的岗位和人力去解决。

实际上，工具更多是用来增效的，而不是仅仅只用来降本的。很多数据工具，它们提供的价值是让数据驱动更好的业务能力，而不是让数据去降低业务费用。

因此从以上角度看，如果单纯期望数据工具用来“降本”，实际情况很有可能和预期不符。

4 缺乏用工具的人和能力

不管是CDP，DMP，CRM，MA……都只是工具。更重要的，是用工具的人。上的数据工具使用不起来，背后有一个隐藏的重要原因，就是工具使用者的能力与工具的脱节。

对甲方来说，用工具的人对自己的业务非常熟悉，但对数据和第三方的工具操作却了解甚少。这是第一个脱节。

我们曾经做过咨询的很多企业都反馈，从执行人员到管理层，对数据的理解存在很大差异。甚至，在采购完多种工具后都不知道这个工具是什么，何谈更好地去（实践）运用工具。

过去和数据相关的工作中，每个岗位的同事都需要做各种各样的报表。为了推进数字化，现在可能会用到一些企业级的数据系统。但结果发现大家还是觉得表格好用。这是为什么呢？

第一，是做事的思维没有改变。学习不同的工具系统，学会操作和细节都需要时间成本。明天要交文档了，那还是用简单的Excel来解决吧！久而久之，数据工具还没派上用场，已经被直接打入冷宫。这背后，是业务团队缺乏对工具的重视，对工具提效缺乏感性认知，就会惯性回到原来的工作模式中。

第二，是有一些工具，也确实缺乏对易用性的考量。举例说，有些工具方的使用语言和功能过于技术，当业务方需要分析数据的时候，还需要手动编写复杂的SQL查询语句去查找，这样一来，每一位工具的使用方必须要经过学习如何编写准确的SQL才能掌握工具的使用。这类问题会非常影响使用工具的用户体验，久而久之工具也发挥不出应有的价值。

相反，服务方和甲方的要求刚好反过来，他们对工具熟悉，但对甲方的业务完全不了解。甚至很多情况下，适应甲方的话语体系就需要一段时间。并且甲方乙方的沟通会存在很多壁垒，理解认知也很难在同一个层面上，数据工具的使用自然难以实现。

即使企业拥有了数据工具，但若使用工具的人缺乏数据思维，也可能导致数据工具得不到实际应用。

所以，既懂业务，又懂数据，才能真正推进数据工具的落实。而且相比之下，甲方学习工具会比服务方了解业务容易，甲方应该尽力掌握这些工具和数据。

5 管理问题：用工具的人和实际做业务的人分别属于不同部门

工具的KPI如何考核，在很多企业中都成了“无头帐”。这实际上更偏向一个管理问题：数据工具的投入产出比，好像算到哪个部门头上都不合适。

在我们接触过的企业和案例中，这种现象已经非常普遍。通常一个数据工具的立项部门，多半是企业中的技术部门，因为归根到底工具还算是技术产品，技术部门来负责招标，看上去也是顺理成章。

那么工具的KPI让技术部门来背？这不太合理，技术部门会说是业务部门没有使用好工具。

因为数据工具的使用部门,往往是业务部门或者与市场相关的部门。但是都算到业务部门也不太合适，工具的技术是业务使用的基础。

解决这个问题的方法，是必须要明确“唱主角”的部门。业务部门应该更多承担数据工具的KPI，他们是数据应用工具的兜底方，因为工具最终提升了业务部门的效率。同时，技术部门（IT部门）也要背上来自它的客户（也就是业务部门）的评价指标，或者背一定的与该工具相关的业务绩效的指标。

导致这样情况最关键的原因还是在于各个角色的关注重心不同。使用数据工具的人，通常是数据分析师，或者在更大型的企业中是数据科学家，他们的专业更注重数据分析本身，以及数据是否准确，结论是否正确。而负责产品的员工，更关注的是产品逻辑的实现，能否从工具中捞出准确的数据。

而做业务的人，更在乎的是客户需求以及业务目标的实现。如果工具中的使用体验和逻辑与实际业务流不一样，业务人员很难使用工具去分析想要的结果。

举个例子来说，针对同一个活动数据的需求，产品同学只要做到逻辑上可实现，功能上齐全，在工具中可提取到相应数据。而业务同学更需要从用户路径出发，观察整个用户旅程的数据。如果业务人员想要的数据散落在工具的各个模块，甚至在工具功能中很难找到，那么在实际业务中，工具也自然会被淘汰。

因此，业务和技术人员双方都需要去理解对方的目标和重心，才能更好推进转型。

总的来说，数据工具不能发挥作用，这不仅仅是一个工具问题，或者说技术问题，它涉及到企业的方方面面。从不具备使用工具的基础条件开始，到工具本身的问题，以及使用工具的人，甚至还会涉及到管理问题。每一个环节我们都要做好，才能确保工具能发挥实效。