杜吉普：数字化运营广告营销之道

目录：

• 数据驱动的广告营销

• 广告投放流程

• 精准与覆盖的平衡

• 广告效果的测量

• 数字化营销数据技术

前言

数据来源于流量，流量的方向即是目前企业进行营销广告投放的方向。在大数据时代，数据技术真正发挥价值的地方应该是提升流量的营销价值。我本身并不是营销出身，但也完成了达伊利诺伊香槟分校 UIUC 的 digital marketing specialization，所以我这篇文章会站在数据技术的角度来探索数据对于流量营销价值的应用。

说到营销 Marketing 其实离不开的是我在之前文章里经常提到的 4P 原则，因为营销的主体就来自于这 4P 与消费者之间的联系，我们要做的就是加强这种联系。今天文章主要探讨产品投放 placement 与用户之间联系加强的应用，这也是做数字化营销最为重要的一个部分之一。

上图是我对于数字化营销的一个基本认识，也是这篇文章会探讨到的内容。投放与用户之间联系要需要解决解决两个问题，第一个问题，我的投放如何找到正确的用户？第二个问题，如何测量投放效果？以上两个问题在本篇文章中会进行

数据驱动的广告投放营销过程

用户触点产生记录，记录变成数据，当记录变成一条流程时，那么数据就变成了用户行为流，用户的所有用户行为流在一起之后，我们就能够通过数据分析来定义你所触达的用户群体，以及用户形态。在这里举一个例子，用户在 APP 上访问你的网站，从开始访问开始用户触点就出现，他的手机信息，他的网络信息，他在网站上所查看的内容，以及网站上他看了哪些广告，点击了哪些广告，与广告位发生了怎样的交互行为，这些用户的一系列行为就是用户在此次使用 APP 过程中的触点所构成的行为流，这些行为流也就是我们的数据来源。

所有的用户触点数据我们收集到之后我们该如何更丰富的，更全面的了解用户，使我们对于广告的投放更加精确，或者说使广告与用户之间的交互更加精确？所以如何对于用户进行细分，并且将用户细分标签与营销场景相匹配起来就变成了一个核心的问题。因为我们需要让正确的广告在合适的场景下曝光给正确的用户，以达到广告主的最大利益。

你的广告适合于哪些标签用户，是在整个过程中的一个挑战，这需要通过数据的积累，然后通过机器学习算法去精准的将产品广告与投放人群标签相匹配。营销数据来源一般分为用户性别年龄等人口属性，行为数据，二次消费数据进行简单划分。

精准与覆盖的平衡

通过用户标签的匹配进行精准营销目标定位其实并不足够最大的满足营销效果，这需要我们在“精准投放”与“覆盖投放”之间进行 trade off。过度追求精准投放就会造成营销覆盖面积较小，潜在用户覆盖不足的问题，而广告主都会追求尽可能的覆盖更多的用户从而保证品牌认知度的提升，但是这就会导致后期的转化效率降低，造成不必要的成本与资源浪费。如何找到覆盖和精准之间的平衡点是品牌营销面对的最大的挑战。

广告效果的测量

选人-投放-测量-优化，这四个步骤是我认为在数字化广告投放营销中的四个步骤。首先选人和投放就是我们在之前说到的用户标签的建立，并且在合适的营销场景下对于正确的用户进行广告投放。但是在投放完毕之后，整个的营销活动并没有画上句号。我们需要进一步对于广告投放效果进行测量，通过最终的统计结果对于投放以及选人策略进行进一步的有针对性的优化，以达到更好的营销效果。

在这里就需要说到广告的两种分类了，第一种是效果广告，一种是品牌广告。

这里举个例子，让大家对于两种广告进行很好的区分。

上面这个就是品牌广告，其主要目的是为了突出品牌价值。官方定义是：以树立产品品牌形象，提高品牌的市场占有率为直接目的，突出传播品牌在消费者心目中确定的位置的一种方法。这是一种长期“洗脑”的方式影响消费者心智的方式来达到一个长期的效果。目的是记住品牌。

上图就是典型的效果广告，其目的性非常明确，就是赶紧催促你买买买。官方定义是在基于效果为基础的广告系统中，广告主只需要为可衡量的结果付费。也就是说这种广告天然就自带可衡量属性，可以利用一些指标进行广告效果的衡量。例如：购买量，CTR（click through rate），付费转化率等等。通过这些既定指标的衡量，广告主可以对于乙方投放平台进行计费，同时乙方平台也可以通过指标来进行自己投放策略的调整和优化。

通过上面的例子，我们可以很清晰的认识到效果广告的投放效果衡量是非常的明确的，通过指标来衡量用户曝光到广告后的量化操作。但是品牌广告的投放效果测量就非常的玄学，因为其投放目的并不是希望在短期内能够在用户中产生什么快速的效果（如购买），品牌广告的投放目的是让品牌在长期扎根于消费者的心里，让消费者能够“记住”品牌。那么问题就来了，如何衡量品牌在消费者心里的地位？以下六个方式是能够间接了解品牌广告投放效果的。

·      通过在线调查获知公司产品的流行度

·      监测新旧博客帖文的访问量

·      社交倾听并观察线上对话内容

·      衡量社交媒体的互动表现

·      研究搜索数据

·      监控网站流量数据及表现

上述的几种方法中，第一种方法在线调查也是目前绝大多数广告投放平台都在进行使用的方法，比如搜狐大数据中心的解决方案：

通过用户对于广告的自行选择来确定用户对于广告的偏好，这样可以做到广告与人群之间的双重精准投放。备选广告精准的投放于目标群体，目标群体自行选择最想了解的广告，通过用户自行选择让广告的投放精度更加加强。

在广告播放后，搜狐会通过在线调查问卷的形式追踪用户主观态度的变化。为了获得效果衡量，基于大数据，这些问卷分别面向“看过广告”和“没看过广告”的用户精准展现，通过广告曝光人群和非曝光人群的答案对比，帮助品牌主了解用户群在观看广告后主观态度的变化。

数字化营销数据技术

分类算法

用已知的分类标准去推测未知类别的数据。放在营销应用里就是通过已知的用户标签所训练出的分类模型去为剩下大量的用户进行用户标签的建立，以此来对于整个用户群体的画像进行描绘。

聚类算法

在未知分类标准的情况下对于总体进行分类。比如我有 100 万个用户，在没有分类标准的情况下，我该如何对他们进行细分管理呢？这就需要聚类算法来给予所有用户的特征来进行自动化的分类，每一个被分在一个类别中的用户都会用于相似的用户行为，这样万平米就可以根据聚类结果以及不同聚类类别的用户行为来对于用户进行精准的用户管理。

算法组合我们要知道，分类与聚类算法都是算法的最终解决目的，真正达成分类与聚类目的的算法与很多种，比如分类算法就有 xgboost，decision tree，random forest，SVM，LDA 等等。在不同的细分营销场景下，每一种算法的效力是不一样的，所以通过算法组合的投票 Voting 方式对于结果进行判断，是模型强化的一种方式。例如 3 个算法判断该用户是 A 类，2 个算法判断是 B 类，那么少数服从多数，最终的预测结果就是 A。这就是 Voting Model 的应用。

AB Test

AB test 的应用非常广泛，他的原理是基于统计学的假设检验，意在检验实验组与对照组的是否有明显差距。在刚才写到的搜狐通过问卷调查的方式来衡量品牌广告投放效果的例子中，就是 AB test 的应用。将相同的问卷发放给“看过广告”和“没看过广告”的用户，通过数据收集以及统计衡量最终品牌广告效果是否显著。