每个业务部门依赖的是客户数据的不同方面，他们都有自己的运用场景。销售部门依赖于CRM（客户关系管理平台），售后部门主要看客服系统，市场营销部门关心企业微信平台，数据分析团队使用数据仓库或者客户行为分析工具。
各个部门都有自己的主系统，每个系统关注点不一样，针对的也是不同阶段的客户，那么看到的东西当然也是不一样的。
就好像盲人摸象一样，每个部门看到的只是自己关注的部分，而不是客户的完整情况。不同部门使用的工具都各自产生新的、孤立的、片面的客户数据，无法快速同步。
割裂的数据为运营造成极大的挑战。
举个例子，某企业想做个客服小程序，结果发现Billing数据在ERP中，订单信息在电商系统中，行为数据在网站后台。尽管他们要做的功能非常简单，但企业却需要三个开发人员从三个不同的系统中取值。
好不容易搞懂了不同系统的取值规则之后，还需要写大量逻辑去合并。然后，下次再做另一个小程序的时候，又得把以上步骤再重复一遍……因此，企业需要一个数据池作为基础，保障后续的流量运营。需要明确的是，数据池它不是一个产品，你可以将它理解为企业的一类数据资产。
答案是，不行。
很多人都会问“行为分析工具”也会收集客户行为数据，也会提供可扩展的数据结构。那么“数据池”的区别在哪里？其核心区别在于数据的粒度。
比如，企业有多个App。“数据池”存储的时候，会按照不同的App分门别类，将数据存储在一起。在查看的时候，您可以看到各个渠道的数据流入流出的情况，也可以将一个人按照不同的渠道进行切片。
但是“行为分析工具”一般会建议您将各个App的数据隔离处理，因为其设计目的不是做跨渠道数据整合的。
需要强调的是，“数据池”和传统意义上数据湖是不一样的。
“数据池”只关注收集客户数据，并且可以大规模统一，标准化和激活这些客户数据资产。通过“数据池”，收集的数据不是简单的合并，而是可以通过将各个渠道的数据切片保存。
而数据湖则是一个存储大量原始非结构化和结构化数据的库，所以数据湖对于不懂IT的人来说很难使用。
“数据池”是之前的业务系统无法代替的，它是企业存续运营流量而重组的数据资产。
对企业来说，“行为分析工具”收集的数据和“数据湖”都是不同类型的数据资产，只是在构建流量池这个场景中不适用而已。
没有较为完整的全渠道数据，会使运营受阻，因此企业需要一个共享的数据来源，连接每个渠道上的每一个客户互动，从企业微信到网站，从门店到ERP，支付服务，客服系统，甚至是CRM。
然后，再将数据传递到各个部门使用的系统中去。
这样就可以让数据在各个系统各个部门之间流动，从而打破公司的“部门墙”，让每个人都可以对客户有全面的了解，同时也有助于建立公司基于数据、基于事实说话的文化。
进而节约开发成本，提升运营效率，让团队更专注。
各种重复记录、字段缺失、跨系统数据值的不匹配，一直是困扰运营的问题。
因此企业需要在整个组织内实施通用的数据标准，定义构成良好数据的内容，并从源中删除错误数据，让整个企业相信数据是正确的。
以上两步可以说是数据筹备阶段，接下去就应该是数据洞察阶段。
企业可以将收集到的零散的客户属性、行为数据转译成标签，为每个客户打上的“烙印”，比如他们较喜欢的产品类别、购买频次等等，并对这些特征进行分析、统计，以挖掘潜在的价值信息，勾勒出客户画像。
打上标签之后，企业还可以根据自定义业务条件进行标签分组，这样就能在与客户沟通时候，知道应该说什么，为客户提供独特的体验。
客户的行为数据可以为客户画像进行良好补充。随着客户与企业互动渠道激增，知道客户的喜好往往还不够，有时可能还需要知道客户行为发生在何时，从而更精准地对症下药。
企业可以通过捕捉客户的完整行为数据，敏锐洞察客户意向， 基于不同阶段制定运营策略，充分挖掘客户生命周期价值。拥有了完整的行为数据后，企业对于同类型的客户，还可以预设针对性运营策略。
数据池是流量池的数据基础，那么高质量的数据就是必不可少的。高质量的数据是进行分析决策、精细化运营的重要参考，进而企业更好的为客户服务，达到发掘数据价值、带来更多流量的目的。
