精通 Salesforce Audience Builder：来自咨询顾问的精准客群细分指南

背景与应用场景

在当今这个以客户为中心的时代，粗放式的“广而告之”营销策略已逐渐失效。消费者期望获得个性化的体验，品牌需要与他们进行有意义的互动。然而，企业面临的一个普遍挑战是客户数据孤岛化——数据分散在 CRM、ERP、电子商务平台、线下门店等多个系统中。这导致了客户视图的碎片化，营销人员无法全面了解客户，更不用说进行精准的客群细分了。作为 Salesforce 咨询顾问，我们看到无数客户挣扎于此，渴望将数据转化为真正的商业洞察。

Salesforce Audience Builder 正是为解决这一核心痛点而生的强大工具。它构建于 Data Cloud (数据云，原 CDP - Customer Data Platform) 之上，旨在帮助企业整合所有来源的客户数据，形成一个 360 度的统一客户视图 (Unified Profile)，并在此基础上提供一个直观、强大的界面，让营销人员能够通过声明式操作，以前所未有的灵活性和精确度来创建、管理和激活目标客群。

核心应用场景包括：

高价值客户分群： 识别并锁定生命周期总价值 (LTV) 最高、购买频率最快或最近有购买行为的客户，为他们提供 VIP 专属优惠和体验。
流失风险预警： 创建规则来识别那些互动减少、长时间未购买或访问频率下降的客户，并针对性地开展召回营销活动。
交叉销售与增销： 根据客户已购买的产品或服务，结合其浏览行为，智能推荐相关的附加产品或更高阶的服务。例如，向购买了相机的客户推荐镜头和配件。
新客欢迎旅程： 自动将新注册或首次购买的客户纳入一个特定的欢迎旅程 (Welcome Journey)，通过一系列精心设计的内容引导他们更好地了解品牌和产品。
广告精准投放： 将细分好的客群激活到各大广告平台（如 Google Ads, Meta Ads），实现精准的人群定向，提高广告投放的投资回报率 (ROI)。

原理说明

要深刻理解 Audience Builder，我们必须先了解其背后的技术支柱——Salesforce Data Cloud。Audience Builder 并非一个独立的产品，而是 Data Cloud 功能层的一部分，其工作流程和原理可以分解为以下几个关键步骤：

数据摄取 (Data Ingestion): Data Cloud 通过预置的连接器 (Connectors)、MuleSoft、API 或文件上传等方式，从各种数据源（如 Sales Cloud, Service Cloud, Marketing Cloud Engagement, 网站，移动 App 等）中拉取原始数据。这些原始数据首先被存储在 Data Lake Objects (DLOs) 中，保持其最原始的格式。
数据建模与映射 (Data Modeling and Mapping): 接下来，需要将 DLOs 中的数据字段映射到 Data Cloud 标准或自定义的 Data Model Objects (DMOs)。DMOs 是一个标准化的数据结构，它定义了客户、产品、订单等核心业务对象的属性。这个过程是实现数据标准化的关键。
身份解析 (Identity Resolution): 这是形成统一视图最核心的一步。Data Cloud 使用可配置的匹配规则（如姓名、邮箱、手机号的精确或模糊匹配）和协调规则（如“以 Sales Cloud 的数据为准”），将来自不同数据源的、指向同一个人的记录合并成一个统一的个体档案 (Unified Individual Profile)。
计算洞察 (Calculated Insights): 为了获得更深层次的客户洞察，我们可以使用 Data Cloud SQL 对 DMO 数据进行复杂的聚合计算，例如计算客户的生命周期价值 (LTV)、总购买次数、平均订单金额等。这些计算结果会作为新的属性附加到统一客户视图上，成为 Audience Builder 中极具价值的分群依据。
客群构建 (Audience Segmentation): 在以上所有数据准备就绪后，营销人员便可以在 Audience Builder 的可视化界面中大展拳脚。他们可以通过拖拽的方式，对统一客户档案的属性（如人口统计学信息）、关联对象的属性（如历史订单记录）以及强大的计算洞察（如 LTV）进行组合筛选，并使用 AND/OR/NOT 等逻辑运算符构建出复杂而精准的客群。
客群激活 (Audience Activation): 创建好的客群需要被“激活”才能在营销活动中使用。Audience Builder 支持将客群推送到多个目标平台 (Activation Targets)，例如 Marketing Cloud Engagement 的 Data Extension、Sales Cloud 的 Campaign、各大广告平台以及个性化交互平台等。

简而言之，Data Cloud 负责“建材”的生产和加工（数据整合与洞察计算），而 Audience Builder 则是“建筑师”的设计工具，让营销人员能够用这些高质量的“建材”搭建出各式各样的目标客群大厦。

示例代码

虽然 Audience Builder 本身是一个声明式的点击操作工具，但其强大的分群能力极大程度上依赖于底层 Data Cloud 中高质量的数据和洞察。作为咨询顾问，我们经常需要与客户的技术团队协作，通过创建计算洞察 (Calculated Insight) 来丰富客户画像，从而在 Audience Builder 中实现更复杂的分群逻辑。例如，营销团队希望筛选出“生命周期价值 (LTV) 超过 $1000 的所有客户”。这个 LTV 字段在原始数据中通常不存在，需要我们通过 SQL 来计算。

以下是一个来自 Salesforce 官方文档的 Data Cloud SQL 示例，用于计算每个统一客户的 LTV。这个计算洞察一旦创建并运行，其结果 LTV__c 就会成为 Audience Builder 中一个可直接使用的筛选属性。

/*
 * @description: This Calculated Insight calculates the Lifetime Value (LTV) for each Unified Individual.
 * @author: Salesforce Documentation
 * @source: developer.salesforce.com
 *
 * 计算逻辑:
 * 1. 从 SalesOrder__dlm (销售订单数据模型对象) 中选取数据。
 * 2. 按 UnifiedIndividual__dlm.Id__c (统一客户ID) 进行分组。
 * 3. 对每个客户的所有订单的总金额 (GrandTotalAmount__c) 进行求和 (SUM)。
 * 4. 将计算结果命名为 LTV__c。
 * 5. 最终输出每个统一客户ID及其对应的LTV总额。
 */
SELECT
    -- 选择统一客户ID，并将其作为结果的主键
    ssot.IndividualId__c as UnifiedIndividualId__c,
    
    -- 计算该客户所有订单金额的总和，并将其别名设置为 LTV__c
    SUM(ssot.GrandTotalAmount__c) as LTV__c

-- FROM 子句指定了数据来源是 SalesOrder__dlm 数据模型对象
FROM SalesOrder__dlm as ssot

-- GROUP BY 子句指示按统一客户ID对订单记录进行分组
GROUP BY UnifiedIndividualId__c

注释说明：当这个计算洞察成功创建并运行后，在 Audience Builder 的属性库中，营销人员会看到一个名为“LTV”的新指标。他们可以直接拖拽这个属性，然后设置条件，例如 `LTV__c > 1000`，轻松地筛选出所有高价值客户。

注意事项

作为咨询顾问，在帮助客户实施和使用 Audience Builder 时，我们必须强调以下几个关键点，以确保项目的成功和工具价值的最大化。

权限与许可 (Permissions and Licensing)

使用 Audience Builder 需要正确的 Salesforce 许可和权限。首先，企业必须购买 Data Cloud 的许可。其次，用户的权限设置至关重要，需要分配相应的权限集 (Permission Sets)，如 `Data Cloud Admin` 拥有完全控制权，而 `Data Cloud User` 或 `Marketing User` 拥有创建和管理客群的权限。确保为不同角色的用户分配最小必要权限，是安全治理的第一步。

数据质量与治理 (Data Quality and Governance)

Audience Builder 的输出质量完全取决于输入数据的质量，这是一个典型的“垃圾进，垃圾出”(Garbage In, Garbage Out) 场景。我们必须与客户一起建立一套完整的数据治理策略，包括：

身份解析规则调优： 持续监控并优化身份解析的匹配规则，以提高客户档案的准确性和唯一性。
数据映射验证： 确保所有源数据都正确映射到 DMO，避免字段错配导致的逻辑错误。
数据新鲜度： 监控数据流的刷新频率，确保 Audience Builder 使用的是最新的数据，这对于时效性强的营销活动尤为重要。

刷新与激活 (Refresh and Activation)

营销人员必须理解，Audience Builder 中的客群计算和规模统计并非绝对实时。客群的刷新遵循预设的计划（例如每天一次）。这意味着，今天一个符合条件的客户，可能要到下一个刷新周期才会出现在客群中。同样，将客群“激活”到目标平台也需要一定时间。在设计营销活动时，必须将这个时间延迟考虑在内，避免出现“客户刚完成购买，却收到了该商品的促销邮件”的尴尬情况。

隐私与合规 (Privacy and Consent)

在数据隐私法规（如 GDPR, CCPA）日益严格的今天，合规是不可逾越的红线。Data Cloud 提供了专门的数据模型来管理客户的同意和通信偏好，例如 Contact Point Consent 和 Data Use Purpose 对象。在 Audience Builder 中创建客群时，必须始终将这些合规性字段作为筛选条件之一，例如，明确排除那些已选择退出 (Opt-out) 市场营销邮件的客户。这是保护客户信任和避免法律风险的关键实践。

API 限制 (API Limits)

虽然 Audience Builder 的前端是界面操作，但其背后的数据摄取、查询和激活都依赖于 API。Data Cloud 平台有明确的 API 调用限制和数据处理限制。如果数据摄取量巨大或计算洞察逻辑过于复杂，可能会触及这些限制。因此，在进行系统设计时，需要与技术架构师充分沟通，合理规划数据流和计算任务，确保系统的稳定运行。

总结与最佳实践

Salesforce Audience Builder 不仅仅是一个分群工具，它是一个战略性的营销赋能平台。它将企业最有价值的资产——客户数据，从孤岛中解放出来，转化为营销人员可以理解和使用的行动指令。通过其直观的界面和强大的功能，企业能够真正实现从数据到洞察，再到个性化行动的闭环。

作为 Salesforce 咨询顾问，我们建议客户遵循以下最佳实践，以充分发挥 Audience Builder 的潜力：

从业务目标出发 (Start with Business Objectives): 在创建任何客群之前，先明确营销活动的目标是什么。是为了提升复购率，还是为了激活沉睡客户？清晰的目标将指导你创建更有意义的客群。
建立坚实的数据基础 (Build a Solid Data Foundation): 花费足够的时间和资源在 Data Cloud 的数据建模、映射和身份解析上。一个干净、统一、可信的客户视图是所有精准营销的基石。
采用迭代方法 (Adopt an Iterative Approach): 不要试图一次性创建所有能想到的复杂客群。从几个简单但高价值的客群开始（如“最近30天内有购买的客户”），验证其效果，然后在此基础上逐步增加维度和复杂度。
制定统一的命名规范 (Develop a Naming Convention): 为你的客群、属性和计算洞察制定一套清晰、统一的命名规则。当客群数量增多时，良好的命名规范将大大简化管理和协作的难度。
持续测试与优化 (Continuously Test and Optimize): 营销是一个不断试错和优化的过程。利用 A/B 测试来比较不同客群对同一营销活动的反应，根据数据反馈不断调整和细化你的分群策略。
促进跨部门协作 (Foster Cross-Departmental Collaboration): Audience Builder 的成功实施需要市场、销售、服务和 IT 部门的通力合作。建立定期的沟通机制，确保大家对客户的理解和营销的目标保持一致。

总之，当企业将 Audience Builder 融入其营销技术栈并遵循最佳实践时，它将成为驱动客户增长、提升客户忠诚度和实现卓越投资回报率的强大引擎。

Salesforce中文网