某客户：“我们收集和整合了很多客户数据，包括历史采购，社交媒体，营销反馈…我们为了处理和运营这些数据投入的资源越来越多，到底收集和运营数据的边界在哪里？”
笔者：“直到这些数据建立的客户画像能支撑您的业务应用场景为止”
什么是客户画像？
客户画像在B2C被称为“Persona”，B2B被称为“Customer Profiling”，以前也被称为“360度客户视图”。作为广告主有很多渠道收集到各种客户数据，大致包括：
内部系统中留存，以历史采购和PII数据为主的“传统CRM数据”（Traditional CRM Data）
通过外部调研和营销收集的客户反馈数据（Response Data）
社交媒体，电商等平台的API接口提供的第二方数据（2nd Party Data）
营销技术收集的，描述客户行为的“数字数据”（Digital Data）
通过爬虫技术收集的开放数据（Open Data）
在收集了大量数据后，再通过客户识别（同人技术）打通数据源，以客户为中心建立各种标签体系，帮助广告主能更深度的了解客户
客户画像有什么用？
根据以上的定义，似乎客户画像和普通数据的差别只是不同数据源的打通，在实际应用的时候，手上只有历史采购数据同样可以做客户细分，只收集到客户电子邮件地址一个字段同样可以EDM营销，那为什么要花精力去建客户画像呢？
1.客户洞察
这是客户画像存在的最大意义，如同本文标题所列，为了让业务侧（决策层，营销人员，销售人员，产品经理等）读懂和会使用客户数据，将对数据的应用上升到“洞察”的层面。
如图所示，技术和业务侧人员对于数据的理解往往南辕北辙，之间的沟通也大多是鸡同鸭讲。技术侧人员往往会热衷于：
更多的数据源
更快的数据处理速度
更好的数据完备度
更便捷的数据抽取和应用
而对于业务侧的人员来说，天生没有数据解读能力，需要把复杂的技术侧数据语言对于客户的描述，通过数据挖掘等手段简化成业务侧能理解的客户标签（洞察）。
比如，如表所列的两条客户数据，业务侧人员需要判断哪个客户更有价值，如果只从前面几个字段，业务侧人员是很难做出判断，但是如果通过数据挖掘，最后数据分析人员给出单一的指标“客户价值”，在实际使用的时候，业务侧人员可以简单的要求“这次营销只针对A和B级别客户”，而不用去搞懂背后的复杂逻辑。
2. 统一口径
对于B2B客户的描述往往会由于口径的不同而造成误解，比如行业的划分，就有GB（中国国标代码），SIC（美国政府标准），IDC（某IT咨询公司自编码）等。
例如“中国银行“毫无疑问是“金融业”的客户，但是互联网金融的客户呢？现在没有一套标准会对这一新出现的事物进行编码，有的广告主把互联网金融客户归类到“金融业”，有的划分到“互联网行业”甚至“服务业”。当广告主的决策层决定营销重点是“金融业”的时候，其实存在着是否包含互联网金融这一细分领域的重大歧义。
在客户画像的建立过程中，有一个核心步骤是制定各种标准，保证在广告主内部各部门对于同一客户描述有着同样的理解。
3. 通过客户画像完成对于行业理解的传承
对比B2C的客户采购决策链，B2B更加复杂而且个性化，没有一个专家敢说自己了解每个细分行业的所有客户特征。客户画像的建立是一个长期的积累过程，在业务侧不断发生人员变动的时候，每一代人员对于行业的理解都会在客户画像中体现。
例如医疗行业的“X康公司”，直接隶属于某省国资委，负责该省除了三甲医院以外的所有医疗系统的设备采购。这种非常个性化的行业理解，很难直接从数据层面得到，需要业务侧的专家输入后在客户画像中体现。
微企工作手机销售管理系统利用人工智能技术主动学习企业的兴趣特征、销售行为轨迹等，建立企业客户画像，为企业推荐潜在客户线索。免去了企业自己建立客户画像的流程，还可以根据企业的客户画像，为企业从微企工作手机大数据库中匹配符合的潜在客户线索，提高企业找客户的效率。