今天我和大家分享友盟+如何將採集的大量線上、線下數據，應用在營銷方面，幫助廣告主用數據驅動營銷的一些實踐與思考。
營銷本身是一個閉環，如果想要做到營銷的可持續性，必須要有一個數據積累的過程，不僅要有中間的數據分析，也要有投放後的優化和應用。在這個過程中，對廣告效果數據的採集是一個必要的基礎，有了數據，才能打造營銷的“永動機”。而友盟+具有很強的數據採集和分析能力，所以我們從這塊切入，幫助廣告主用數據來驅動營銷。
廣告監測、效果評估
我們看到目前傳統營銷存在一些難點和問題。
第一，全媒體覆蓋不足。目前大多數廣告效果監測公司，大多都是監測互聯網媒體，但是戶外媒體如何進行效果監測和評估？電視的收視率是靠幾百個樣本進行評估的，其數據統計的準確性很容易被影響。所以我們要解決第一個問題是全媒體問題，也是目前廣告監測還沒有解決的問題。
第二，缺少全鏈路數據。最近Google在和萬事達卡進行數據合作，把消費者線下購買數據歸因到廣告投放上，就可以清晰追蹤廣告曝光到線下商品購買的完整鏈路，這樣有助於更好制定人群、創意策略。
第三，全數據覆蓋不足。傳統數據在講人時都是樣本數據，樣本數據是對個體樣本採集、收集過程，一般是基於問卷，這樣的環境下樣本量一定不會大，樣本量不大就會有數據偏差問題，這樣的做法數據獲取週期就會長，所以數據更新迭代就會有問題。
第四，流量真實性難以識別。如何解決流量欺詐問題，在很多廣告裡面都有各自方法去做監測和評估。
上述的幾個痛點，可以通過友盟+的三大能力來解決：全媒體、全鏈路、全數據。
在全媒體方面：我們不僅可以監測到互聯網廣告，而且通過Wi-Fi、LBS等數據進行戶外廣告的監測。同時，還可以通過智能電視的數據合作伙伴，監測並拉通電視廣告數據。這樣一來，各媒體的數據可基於用戶ID打通，便可以做到全媒體效果監測。
在全鏈路方面：首先我們有針對媒體端的監測工具，可以給廣告加監測代碼；其次，通過網站分析、APP分析工具，在廣告端進行組合，將這兩部分數據連接起來。同時，將線下數據連接起來，即可實現全鏈路的效果監測。
在全數據方面：廣告投放所用的數據支持，大多為相關傳統的調研數據，而友盟+還會加入豐富的行為大數據，通過大小數據結合的方式，幫助廣告主更加準確的來洞察用戶、預測行為。
基於以上思路，我們開發出相關指標體系以及研究方法。我們擁有較為豐富的採集手段，如JS、SDK、Wi-Fi等方式，將網站、APP、智能電視、戶外大屏等廣告數據有效採集。然後，我們再將曝光、點擊、到達、到店等數據進行全面分析，之後，再通過大小數據結合的方式，對人群進行洞察和理解。例如可以看到觸達廣告後訪問店鋪和官網情況，對品牌的興趣或意向，以及通過樣本數據評估用戶對品牌的認知和感受。再將數據打通看後鏈路數據，如有多少用戶到達了線下店鋪，有多少到達官網，並進行加購或購買行為。
分享兩個真實案例。
第一個案例，某高端耳機的投放案例，在一次營銷活動中，集中投放了三家媒體：新聞App、視頻媒體、某DSP平臺。從點擊-TA濃度-行動數據，綜合評判媒體效力。
1）點擊數據，新聞App的點擊率最高，是否說明信息流的效果最好的？
2）TA濃度，視頻媒體的TA濃度最高，也就意味著用戶的興趣度會很高。
3）行動數據，視頻網站的用戶訪問及搜索率最高，而行動轉化率相比另外兩個媒體也更高。
第二個案例，一家美妝品牌在雙11前做預熱，採用媒體直採加DSP精準定向的方式，共觸達8000萬人群。投放媒體選擇了新聞媒體、OTT、視頻媒體、DSP，那麼廣告創意的觸達頻次為多少是最好？從下圖中可以看到，用戶看到2~3次的時候，行為轉化是最高的，之後的頻次越高，轉化率越低。
只看行為轉化數據，我們也並不知道這個轉化率是好還是不好，無法評估。傳統的做法是劃定控制組，做調研分析。而用大數據的方法我們可以將曝光組和非曝光組轉化的數據進行對比分析，非曝光人群隨機抽取100萬用戶，去看自己店鋪轉化，如上述案例，經對比發現，曝光組比非曝光組在各項轉化數據上都有非常明顯的提升。
數據融合、數據分析
友盟+積累了大量的媒體營銷數據，我們會發現廣告主數據沉澱下來，不僅可以幫廣告主很好的管理數據，而且也可以通過數據分析，幫廣告主為接下來的活動做營銷策劃。那我們做了怎樣的嘗試和探索呢？
我們幫廣告主採集線上、線下、電視等全媒體的效果數據，並將這些數據沉澱至友盟+數據智能平臺上，與友盟+14億活躍設備數據進行打通融合，同時我們也支持廣告主將一方的DMP與友盟+數據智能平臺做關聯，然後廣告主可以在我們的平臺上，做人群圈選，也可以將自己的數據作為種子人群去做人群放大，同時，也可以基於友盟+全域數據的能力去做智能分群。
如何做到智能分群呢？我們可將用戶分為中、高、低三個層級，針對每一類人群去做不同的創意，做不同的媒體營銷策略，最後做投放優化。我們可以繼續往下細分，例如對6-8個人群進行細分，傳統的方式會選擇調研數據去分，根據人的特徵劃分數據，今天在友盟+平臺你可以這樣做，首先把確定的行為數據，結合友盟+的數據，放在目標客群身上，獲得客群的特徵、消費屬性，之後再研究用戶的心理特徵，使用k-means, dbscan, gmm等聚類算法，在我們的平臺上進行不同的參數設置，選出你要分的群，就自動分出來了，在輸出媒體策略或創意策略，最後我們對接媒體投放，影響精準人群。
另一個案例是一個國際母嬰品牌，他們的投放目標受眾確定為20-35歲女性，及0-3歲孩子的媽媽兩類人群。
我們幫助客戶做了一些優化，首先是幫客戶解決廣告投放時數據的查詢速度問題，一個廣告響應時間一般在100毫秒，我們通過提前與客戶投放的PDB平臺對接，部署前置機，確保數據查詢響應速度在20ms以內。之後，我們幫客戶解決目標人群的圈選和放大，在友盟+平臺上，廣告主圈選出20-35歲女性共1.2億，對於0-3歲孩子媽媽的人群，我們利用友盟+數據進行特徵提取，建立模型訓練2000萬，這個過程中，友盟+對媒體流量的識別率85%以上，目標受眾人群命中率20%以上，第三方監測公司驗證TA濃度達31%，高於品牌主過往投放28%的TA濃度。投放後，我們監測到的效果是，投放人群為0-3歲孩子媽媽，點擊率為5.38%，20-35歲女性，點擊率為4.99%，未用到友盟+數據的人群，點擊率為4.43%。
還有一個案例是某國際啤酒品牌，他們贊助了世界盃，計劃在2018年世界盃期間進行廣告投放，投放泛足球愛好者以及熱門球隊粉絲。他們在友盟+圈選了6000萬人群。同時用友盟+數據特徵提取，自定義模型訓練400萬人群，之後做投放，使用友盟+的廣告監測持續追蹤活動效果，TA濃度、品牌搜索都有非常明顯的提升。
投放管理及優化
在數據智能下進行投放、優化和提效，核心在於模型，我們將建模的能力開放給了客戶，而不是簡單的交給算法工程師，因為算法工程師擅長的是算法的選擇，並不知道算出來的人群準還是不準，而把模型訓練的過程交給客戶，客戶可以根據歷史投放數據、友盟+的全域大數據等進行模型訓練，並支持到投放中。
我們常說白盒和黑盒，白盒是根據人群的理解，自己去選擇用戶，黑盒就是知道自己的用戶是什麼樣子，並拿這些用戶的數據做樣本來訓練模型，產出更多相似用戶，而我們並不知道這些客戶是怎麼產生出來的，這就是黑盒。
我們再來看一個案例，一個數碼品牌，他們通過ADplus監測垂直類網站、SEM、信息流的廣告投放。同時在線下店鋪使用Oplus獲取線下用戶數據，並將線上及線下數據打通並沉澱。該品牌商計劃將線上投放觸達的用戶引流到線下店鋪完成購買轉化，他們將人群分成三波來開展投放計劃，分別為歷史沉澱人群retargeting，友盟+地理位置特徵人群選取，基於歷史沉澱人群的相似人群模型訓練。從效果上來看，歷史沉澱人群效果最好，到店成本最低，為什麼呢？因為在過去，我們花了很多精力去做人群，而這些沉澱和積累是最寶貴的資產，事實證明，效果也是最好的。
最後一個案例是一家金融企業，在2018年，互聯網媒體上的有效資源轉化成本越來越高，幾乎每年都有30%-40%的上漲，這家客戶希望通過友盟+優化媒體投放和轉化成本。他們將人群分為三類，人群1為客戶自選友盟+金融/股票標籤，人群2為客戶提供1萬種子數據在友盟+人群放大，人群3為客戶提供的1萬正樣本，友盟+自己篩選負樣本進行模型訓練。整體成本最後優化至57元左右。對於該過程，為客戶沉澱結論：一是友盟+人群比頭條標籤轉化率更高，成本更低，有效留資用戶質量度更高；其次OCPM比CPC效果更好，OCPM成本20-40元，但OCPM有效留資用戶質量度不高，整體表現一般；最後，人群2的效果較好，人群1次之，人群3成本比人群1、2高。
以上就是我們在營銷領域的一些數據智能的探索，友盟+一直在幫助客戶用數據智能驅動業務/品牌的持續增長。同時，在10月16日，我們將在北京舉辦UBDC全域大數據峰會，內設有數據營銷專場，將會分享近10場營銷演講，邀請各位參與。
閱讀更多 科技快報 的文章
