2018云栖大会|友盟+李春元：数据智能在营销场景下的探索与实践

今天我和大家分享友盟+如何将采集的大量线上、线下数据，应用在 营销 方面，帮助广告主用数据驱动营销的一些实践与思考。

营销本身是一个闭环，如果想要做到营销的可持续性，必须要有一个数据积累的过程，不仅要有中间的数据分析，也要有投放后的优化和应用。在这个过程中，对广告效果数据的采集是一个必要的基础，有了数据，才能打造营销的“永动机”。而友盟+具有很强的数据采集和分析能力，所以我们从这块切入，帮助广告主用数据来驱动营销。

广告监测、效果评估

我们看到目前传统营销存在一些难点和问题。

第一，全 媒体 覆盖不足。 目前大多数广告效果监测公司，大多都是监测 互联网 媒体，但是户外媒体如何进行效果监测和评估？电视的收视率是靠几百个样本进行评估的，其数据统计的准确性很容易被影响。所以我们要解决第一个问题是全媒体问题，也是目前广告监测还没有解决的问题。

第二，缺少全链路数据。 最近Google在和万事达卡进行数据合作，把消费者线下购买数据归因到广告投放上，就可以清晰追踪广告曝光到线下商品购买的完整链路，这样有助于更好制定人群、创意策略。

第三，全数据覆盖不足。 传统数据在讲人时都是样本数据，样本数据是对个体样本采集、收集过程，一般是基于问卷，这样的环境下样本量一定不会大，样本量不大就会有数据偏差问题，这样的做法数据获取周期就会长，所以数据更新迭代就会有问题。

第四，流量真实性难以识别。 如何解决流量欺诈问题，在很多广告里面都有各自方法去做监测和评估。

上述的几个痛点，可以通过友盟 + 的三大能力来解决： 全媒体、全链路、全数据。

在全媒体方面： 我们不仅可以监测到互联网广告，而且通过Wi-Fi、LBS等数据进行户外广告的监测。同时，还可以通过智能电视的数据合作伙伴，监测并拉通电视广告数据。这样一来，各媒体的数据可基于用户ID打通，便可以做到全媒体效果监测。

在全链路方面： 首先我们有针对媒体端的监测工具，可以给广告加监测代码；其次，通过网站分析、APP分析工具，在广告端进行组合，将这两部分数据连接起来。同时，将线下数据连接起来，即可实现全链路的效果监测。

在全数据方面： 广告投放所用的数据支持，大多为相关传统的调研数据，而友盟+还会加入丰富的行为大数据，通过大小数据结合的方式，帮助广告主更加准确的来洞察用户、预测行为。

基于以上思路，我们开发出相关指标体系以及研究方法。我们拥有较为丰富的采集手段，如JS、SDK、Wi-Fi等方式，将网站、APP、智能电视、户外大屏等广告数据有效采集。然后，我们再将曝光、点击、到达、到店等数据进行全面分析，之后，再通过大小数据结合的方式，对人群进行洞察和理解。例如可以看到触达广告后访问店铺和官网情况，对品牌的兴趣或意向，以及通过样本数据评估用户对品牌的认知和感受。再将数据打通看后链路数据，如有多少用户到达了线下店铺，有多少到达官网，并进行加购或购买行为。

分享两个真实案例。

第一个案例 ，某高端耳机的投放案例，在一次营销活动中，集中投放了三家媒体：新闻App、视频媒体、某DSP平台。从点击-TA浓度-行动数据，综合评判媒体效力。

1）点击数据，新闻App的点击率最高，是否说明信息流的效果最好的？

2）TA浓度，视频媒体的TA浓度最高，也就意味着用户的兴趣度会很高。

3）行动数据，视频网站的用户访问及搜索率最高，而行动转化率相比另外两个媒体也更高。

第二个案例 ，一家美妆品牌在双11前做预热，采用媒体直采加DSP精准定向的方式，共触达8000万人群。投放媒体选择了新闻媒体、OTT、视频媒体、DSP，那么广告创意的触达频次为多少是最好？从下图中可以看到，用户看到2~3次的时候，行为转化是最高的，之后的频次越高，转化率越低。

只看行为转化数据，我们也并不知道这个转化率是好还是不好，无法评估。传统的做法是划定控制组，做调研分析。而用大数据的方法我们可以将曝光组和非曝光组转化的数据进行对比分析，非曝光人群随机抽取100万用户，去看自己店铺转化，如上述案例，经对比发现，曝光组比非曝光组在各项转化数据上都有非常明显的提升。

数据融合、数据分析

友盟+积累了大量的媒体营销数据，我们会发现广告主数据沉淀下来，不仅可以帮广告主很好的管理数据，而且也可以通过数据分析，帮广告主为接下来的活动做营销策划。那我们做了怎样的尝试和探索呢？

我们帮广告主采集线上、线下、电视等全媒体的效果数据，并将这些数据沉淀至友盟+数据智能平台上，与友盟+14亿活跃设备数据进行打通融合，同时我们也支持广告主将一方的DMP与友盟+数据智能平台做关联，然后广告主可以在我们的平台上，做人群圈选，也可以将自己的数据作为种子人群去做人群放大，同时，也可以基于友盟+全域数据的能力去做智能分群。

如何做到智能分群呢？我们可将用户分为中、高、低三个层级，针对每一类人群去做不同的创意，做不同的媒体营销策略，最后做投放优化。我们可以继续往下细分，例如对6-8个人群进行细分，传统的方式会选择调研数据去分，根据人的特征划分数据，今天在友盟+平台你可以这样做，首先把确定的行为数据，结合友盟+的数据，放在目标客群身上，获得客群的特征、消费属性，之后再研究用户的心理特征，使用k-means, dbscan, gmm等聚类算法，在我们的平台上进行不同的参数设置，选出你要分的群，就自动分出来了，在输出媒体策略或创意策略，最后我们对接媒体投放，影响精准人群。

另一个案例是一个国际母婴品牌，他们的投放目标受众确定为20-35岁女性，及0-3岁孩子的妈妈两类人群。

我们帮助客户做了一些优化，首先是帮客户解决广告投放时数据的查询速度问题，一个广告响应时间一般在100毫秒，我们通过提前与客户投放的PDB平台对接，部署前置机，确保数据查询响应速度在20ms以内。之后，我们帮客户解决目标人群的圈选和放大，在友盟+平台上，广告主圈选出20-35岁女性共1.2亿，对于0-3岁孩子妈妈的人群，我们利用友盟+数据进行特征提取，建立模型训练2000万，这个过程中，友盟+对媒体流量的识别率85%以上，目标受众人群命中率20%以上，第三方监测公司验证TA浓度达31%，高于品牌主过往投放28%的TA浓度。投放后，我们监测到的效果是，投放人群为0-3岁孩子妈妈，点击率为5.38%，20-35岁女性，点击率为4.99%，未用到友盟+数据的人群，点击率为4.43%。

还有一个案例是某国际啤酒品牌，他们赞助了世界杯，计划在2018年世界杯期间进行广告投放，投放泛足球爱好者以及热门球队粉丝。他们在友盟+圈选了6000万人群。同时用友盟+数据特征提取，自定义模型训练400万人群，之后做投放，使用友盟+的广告监测持续追踪活动效果，TA浓度、品牌搜索都有非常明显的提升。

投放管理及优化

在数据智能下进行投放、优化和提效，核心在于模型，我们将建模的能力开放给了客户，而不是简单的交给算法工程师，因为算法工程师擅长的是算法的选择，并不知道算出来的人群准还是不准，而把模型训练的过程交给客户，客户可以根据历史投放数据、友盟+的全域大数据等进行模型训练，并支持到投放中。

我们常说白盒和黑盒，白盒是根据人群的理解，自己去选择用户，黑盒就是知道自己的用户是什么样子，并拿这些用户的数据做样本来训练模型，产出更多相似用户，而我们并不知道这些客户是怎么产生出来的，这就是黑盒。

我们再来看一个案例，一个数码品牌，他们通过ADplus监测垂直类网站、SEM、信息流的广告投放。同时在线下店铺使用Oplus获取线下用户数据，并将线上及线下数据打通并沉淀。该品牌商计划将线上投放触达的用户引流到线下店铺完成购买转化，他们将人群分成三波来开展投放计划，分别为历史沉淀人群retargeting，友盟+地理位置特征人群选取，基于历史沉淀人群的相似人群模型训练。从效果上来看，历史沉淀人群效果最好，到店成本最低，为什么呢？因为在过去，我们花了很多精力去做人群，而这些沉淀和积累是最宝贵的资产，事实证明，效果也是最好的。

最后一个案例是一家 金融 企业，在2018年，互联网媒体上的有效资源转化成本越来越高，几乎每年都有30%-40%的上涨，这家客户希望通过友盟+优化媒体投放和转化成本。他们将人群分为三类，人群1为客户自选友盟+金融/股票标签，人群2为客户提供1万种子数据在友盟+人群放大，人群3为客户提供的1万正样本，友盟+自己筛选负样本进行模型训练。整体成本最后优化至57元左右。对于该过程，为客户沉淀结论：一是友盟+人群比头条标签转化率更高，成本更低，有效留资用户质量度更高；其次OCPM比CPC效果更好，OCPM成本20-40元，但OCPM有效留资用户质量度不高，整体表现一般；最后，人群2的效果较好，人群1次之，人群3成本比人群1、2高。

以上就是我们在营销领域的一些数据智能的探索，友盟+一直在帮助客户用数据智能驱动业务/品牌的持续增长。同时，在10月16日，我们将在北京举办UBDC全域大数据峰会，内设有数据营销专场，将会分享近10场营销演讲，邀请各位参与。