<big id="ptvpz"></big>

    <big id="ptvpz"><progress id="ptvpz"><meter id="ptvpz"></meter></progress></big>

          <big id="ptvpz"><progress id="ptvpz"></progress></big>
              <ins id="ptvpz"></ins>

              數據化互聯網營銷和運營
              綜合知識平臺

              DMP的人群畫像功能,究竟應該怎么用

              最近跟一些甲方朋友們聊品牌廣告的投放,對DMP又起了興趣。DMP,我在很多場合都說,它跟CDP很不同,在廣告投放領域,DMP不可或缺,具有支配性的數據地位。

              另一方面,DMP也被認為是一個數據分析工具,一個給人很fancy感覺的數據分析工具。

              因為它能給你的廣告受眾做畫像。

              畫像功能,給人的趕腳實在是太好了,就像一個神奇的透視儀器,把藏在黑箱里面看不到的東西,都一覽無余。

              畢竟,我們此前從來沒有任何一個直截了當的工具,能夠告訴我們,看到你的廣告、點擊你的廣告的,都是什么樣的人,都有什么喜好。想想就覺得美。

              唉,但現實總是骨感。

              當你真的使用了這個工具,就會發現,似乎它并沒有想象中那么美好。

              不美好的,在于兩點。一方面,是DMP有長處,也有短板,它和我們想象中的并不一樣。另一方面,我們也未必會使用這個工具,讓它發揮應有的價值。

              這篇文章,我來聊聊DMP的人群畫像功能,究竟應該怎么用。畢竟工具好不好,這個是客觀難以短期改變的,我們至少能改變我們的技能。

              光有個畫像,沒啥用呀

              關于DMP的畫像到底有沒有用,有很多爭論。反對者的主要聲音是,DMP中的人群畫像普遍非常“粗枝大葉”,并且準確性也欠佳。不僅如此,往往給出的畫像跟常識并沒有很大區別。

              DMP的畫像能力,體現了DMP的制作水準。一個不太好的DMP,人群畫像中的屬性如同上面所說的“粗枝大葉”,是非常泛泛而談的。

              例如,看見不少DMP中,對人的描述,是“白領麗人”或是“職場精英”或是“家庭主婦”,這種標簽屬性是很模糊的。

              除此之外,還能夠給出人群的性別年齡等人口信息、地理位置,以及人群常用的app或網站,再加上一些感興趣的事物,通常是喜歡看什么節目,或是大概對什么商品感興趣,就構成了幾乎所有的DMP內人的屬性數據。

              但這些DMP,特別是廣告主“自建”的DMP,由于它們不具備大型電商平臺或者大社交媒體平臺的一手數據積累,因此,除了人口信息地理位置這樣的較為靜態的數據之外,動態數據(感興趣的事物或商品等數據),是很難真正知道它們是否準確的。

              例如,下面這樣的商品數據,基本上只有電商平臺給出的DMP才比較有意義。

              屬性數據匱乏,其實是讓廣告主用不好DMP的一個很重要的原因。

              因此,當一次廣告投放之后,廣告主自己的DMP給出的數據是類似于下圖的樣子,并且要從這些數據中得出有價值的“insight”,實在是太難了。

              上圖的DMP所展示的人群,是我的讀者的畫像,在職業分布(第二行右邊的圖表)中排名第一是IT,排名第二的是營銷公關,這個還make sense,但并沒有什么幫助,因為它就是說明了一個我們都知道的情況罷了。但在興趣分布這一項,則相當匪夷所思,例如,第二大興趣是“美容美體”——難道,我的讀者都是步入中年,需要考慮優化自己的顏值了?而這個興趣,又意味著我要對美容美體感興趣的人投放我的廣告嗎?

              所以,DMP看起來很fancy,想要用起來,其實遠遠不像我們想象中那么神奇美好。

              那么,我們需要怎么做?

              用TGI,只是走出地下室的第一步

              朋友們會說,上面的報告,應該給出TGI數據才能用。

              好想法,說明已經是有經驗的讀者了。但光TGI還遠不足以解決問題。

              所謂TGI,是比較當前人群和普通人群在不同屬性上差異大小的一種度量衡。類似于控制組與曝光組的概念,普通人群,也就是俗稱的普羅大眾,就是控制組,而DMP中選定的人群,則是曝光組。二者的差異用TGI來表示。

              比如,上面的例子中,假如我的讀者的職業為IT的人的TGI是1.8,那么意思是我的讀者中的IT職業者的比例,比普羅大眾中的IT職業者的比例高1.8倍。

              不過,很多地方把TGI的倍數,乘以100進行計算。上面的例子中,IT職業的對比,我的讀者人群對比普通人群,TGI應該是180。所以你可能看到有TGI不同的表示方式,乘以100的應該是更標準的方法,但二者都不算錯。

              1. TGI:即Target Group Index(目標群體指數)
              2. TGI指數= [目標群體中具有某一特征的群體所占比例/總體中具有相同特征的群體所占比例]*標準數100。

              所以,上面關于我的讀者的畫像的例子,要是加入了TGI就會有不同的解讀。例如,在興趣中,我們發現排名第二的興趣是美容美體,但是,跟普通人群的TGI相比,這個TGI如果是0.3(或者用標準數100乘了之后,是30),那就說明雖然美容美體是第二大興趣,但是相比普通人的感興趣程度,那可差了遠了。

              于是,如果沒有TGI數據,營銷策略肯定是要投廣告給美容美體人群的。但沒想到,追蹤了TGI數據后,卻顯示美容美體人群反而更多是普通人,所以這個廣告的策略恰恰得反過來,不能這么投給美容美體人群,這些人并不是目標人群。

              這就是DMP的一個陷阱,特征比例強的某個屬性,并不能直接得出要投放廣告給他們的結論。這個道理其實很容易理解:宋星的讀者都喜歡美容美體,但喜歡美容美體的人卻并不一定都是宋星的讀者。你投廣告選擇美容美體很容易大大滴浪費錢。

              所以,TGI是DMP畫像的一個必須有的指標,如果不能提供TGI,這個DMP的畫像基本上可以認為啥用也沒有。

              如果選定人群的某個屬性排名很靠前,且TGI相比普通人群非常高,那么得出對這群人進行投放的結論,才說得過去。

              這說明TGI很有用。

              但TGI雖然有用,卻只是給出了一點點基礎性的數據,可以給我們一些洞察,但離“勝利”其實還差得遠。例如,如果我們看到下面的數據,我們會發現,即使加入了TGI,世界仍然“很不美好”。

              上圖展現了“畫像數據”的某個維度,即廣告覆蓋人群的app使用情況。遺憾的是,這些TGI數據并不非常顯著,似乎只有右數第二個app是大家“嫌棄”的,因此廣告主能得出的結論,最多就是不要在這個app上投放廣告,僅此而已。這樣的結論,等于沒有結論。

              這說明TGI并不總是能幫到我們。

              對比,是使用畫像的基本方法

              既然只靠TGI無法幫助到我們,因此,我們需要在TGI的基礎上用到更多的方法。無論多么fancy的數據工具,利用這些工具的時候,都必然會遵循一些一點也不fancy的基本方法。

              這些基本方法中最重要的兩個,一個是細分,一個是對比。

              事實上做細分,也就是為了對比。

              使用DMP的畫像功能,必須要做細分,才有價值。

              而所有DMP常用細分中最重要的細分,是按照“行為”所做的細分。

              所謂行為,對于廣告投放的受眾而言,有三大類:曝光、點擊、流量行為。

              所謂流量行為,是指廣告投放出去引來流量之后,這些流量在落地之后(進入網站、H5或是app等)的行為——瀏覽、點擊、轉化等等。

              現在我們看一個例子:

              一次投放,有100萬個曝光,1萬個點擊,5000個網站上的訪問,100個提交自己的購買意向。

              這實際上就天然帶來了四個人群。而四個人群,是父集(曝光人群)、子集(點擊人群)、孫集(訪問人群)、重孫集(意向人群)的關系。

              這四個人群的畫像應該作對比。比如,下面的數據。

              有意向的人群和曝光人群,有比較大的差異,凸顯在意向人群的年齡普遍高于30歲。這對于投放來說,是重要的指導線索。

              又如下面的數據。

              意向人群TGI最顯著的是淘寶和支付寶,而曝光人群則更喜歡抖音。這,也能給我們很多insight。

              有了這些細分的對比數據,投放策略應該怎么定,就比不做細分的時候,要清晰多了。

              哪些是我們常用的畫像人群對比項目

              所以對比很重要。

              下面是利用DMP畫像數據時,常用的細分人群對比項目:

              1. Demographics數據(后面簡稱Demo)
                • 性別、年齡
                • 地域,尤其是城市分布
                • 一二線城市 和 三四線城市的 demo TGI有沒有差異
                • 地理位置——是否有在城市的繁華(貴)的地區活動(不僅僅只是城市)
              2. 細分行為的人群分組對比
                • 曝光人群的demo vs 點擊人群的demo
                • 不同曝光頻次的人的demo 對比
                • 不同點擊頻次的人的demo 對比
                • 點擊人群和對我們商品感興趣人群的demo對比
                • 投放人群 vs 購買人群:利用電商平臺DMP如品牌數據銀行數據(可能有樣本的偏差,但聊勝于無)
              3. 興趣數據和細分人群的興趣數據
                • 曝光人群興趣數據 TGI
                • 點擊人群興趣數據 TGI
                • 一二線城市 和 三四線城市的 興趣TGI
                • 興趣數據包括:
                  • 平時使用app的差異:不僅僅是app本身,還有使用時間的差異
                  • 其他購物上的差異(電商提供)
                  • DMP中的標簽(但不能確定是否準確度高)
                  • 運營商可能能提供的數據
              4. 不同商品之間的差異對比
                • Demo角度的差異:曝光人群、點擊人群、轉化人群
                • 興趣角度的差異:曝光人群、點擊人群、轉化人群

              最后看一個經典案例

              下圖是阿里巴巴的品牌數據銀行的一個campaign投放之后的簡明扼要的畫像。廣告主是某母嬰產品廣告主,而對照人群,則是阿里提供的所有買母嬰產品的人的數據。

              你能從中看到什么有意思的東西?注意,下圖中靠上面的兩個圖表,其實就是TGI,不過不是標準計算方法,因為標準計算是用的除法,而這里的計算,運用了減法的絕對值(靠下面的圖表中的每個屬性的兩個柱子的值相減,就是靠上面的圖表中的柱子的值)。不知道為什么用了減法,而不是TGI的標準算法,或許,是為了更直觀吧。

              請大家具體分析。我只講講結論。結論是,這一次投放的人群,似乎偏的厲害呀!

              如果對上面的圖有疑問,歡迎留言!

              未經允許不得轉載:版權歸宋星及chinawebanalytics.cn所有互聯網分析在中國——從基礎到前沿 » DMP的人群畫像功能,究竟應該怎么用
              分享到: 更多 (0)

              評論 搶沙發

              • 昵稱 (必填)
              • 郵箱 (必填)
              • 網址
              欧美一级情欲视频在线播放