悠易互通蔣楠：資料在多層程式化行銷中的應用和實踐

2014中關村大資料日于2014年12月11日在中關村舉辦，大會以大會以「聚合資料資產，推動產業創新」為主題，探討資料資產管理和變現、大資料深度技術以及行業大資料應用創新和生態系統建設等等關鍵問題。 大會還承載從政亞信府主管部門到各行各業的需求和實踐中的疑問，探討包括政府、金融、運營商等部門是如何通過資料資產管理和運營，實現轉型發展和產業創新的路徑。

在下午的運營商@Big Data論壇中，來自悠易互通蔣楠先生帶來主題演講，剖析資料在多層程式化行銷中的應用和實踐。

蔣楠：大家好，非常有幸今天能夠收到邀請作為亞信的一個合作夥伴來跟大家做一個分享。 悠易互通是一家什麼樣的公司，先給我們做簡要的介紹及一句話概括，我們使用資料，通過生程式化的方式系説明廣告主做行銷的公司。

提到行銷，一句話概括行銷是四個方面，一個方面是技術廣告的計畫，第二個方面進行廣告的購買，第三個方面進行廣告優化，第四個方面是進行廣告的評估。 這四個方面在過去20年在整個傳統購買方式到數位購買方式一直貫穿到始終的方式。 過去購買到評估可以說是拍著腦門做的，舉個例子，我剛到悠易互通的時候，圈子裡面對於像悠易互通做品牌的廣告公司有一個看法，你們主要是拼關係，靠免單，比返點，誰能拿到更多的客戶。 但是這是四年前。 但是隨著資料的加入，這一切發生了巨大的變化。 我舉個例子，我剛剛進入悠易互通我們廣告主跟我們談計畫的時候，會跟我們說千次CPM廣告呈現掙多少錢，或者點擊率百分之幾，我們知道這個非常難做到，但是因為我們沒有資料印證，所以這一切沒有可比性。 所以我們看到2013年開始到今天整整兩年多過去了，越來越多的大資料運營商的資料加入到我們廣告行業裡面來，讓行業購買到優化，變得可以效果可衡量。 這個怎麼做到的呢？ 我後續會給大家做一個介紹。

首先我來悠易互通以後首先做的資料銀行產品，什麼叫資料銀行？ 顧名思義，每個廣告主都擁有自己的第一個資料，這個資料不能跟其他的資料來源打通。 剛剛周總提到資料裡面最重要的事情就是整合，我們跟外部的很多資料公司，比如說我們下一個會上臺講演的admaster也是典型的資料供應商，後面還有很多很多關於人操屬性資料提供的公司，提供很多關於流覽興趣提供的公司， 我們實際上能夠在整個業內會把這些所有資料來源在資料結合起來，我們會把這些性別資料，年齡資料，和廣告主的第一方資料結合。 我們之前有一個廣告主是博士倫隱性眼鏡，可能大家戴過博士倫隱性眼鏡，但是誰是受眾我們可能很難拍腦袋說。 我們廣告主和我們做計畫的時候，他說他投的是日拋型的隱性眼鏡，說你們給我們定位25歲到30歲的女性使用者，這個我們怎麼定位？ 我們首先把客戶官方網站上的資料進行搜集，還有誰通過百度或者搜狗36搜過你網站的這些人，我們把他隱性眼鏡廣告投放的管道所有這些人搜集進來，做一個管理，我們把第一方人群和協力廠商資料來源做一個比對我們得到了一個結論， 大家可以看頁面右下角，我們看到黃色的曲線是自然互聯網民的樣本，藍色的是廣告主第一方人群，當我們把第一方人群和協力廠商人群進行整合比對的時候，確實是25歲到30歲的人群對於隱性眼鏡的比例更重， 然後是月5000塊錢以上的人使用日拋的眼鏡比例更高，同時5000塊錢月薪以下的隱性眼鏡會使用率低。 我們會覺得這個比例特別高，就是母嬰類型的標籤。 我們公司市場部總監3歲孩子的媽媽，我說你抱小孩經常戴隱性眼鏡呢？ 她說我抱小孩的出去的時候會戴著隱性眼鏡，這是我們把第一方資料和協力廠商資料進行更好的結合裡做的案例。

我們通過這個資料在投放過程中使用上，可以這樣來理解，我們會有很多第一方人群，同時我們會有很多協力廠商的資料來源，比如說亞信也是一個資料來源，當判斷它的廣告主第一方人群是有強烈的母嬰、化妝，25歲到30歲女性比例的人群特徵， 我們可以用所有協力廠商資料進行人群的擴大，也就是說我們所說的行業術語叫做尋找RKLT的人群，我們把集中的人群去搜集到程式化購買的平臺裡面去，然後接下來是體現公司技術的地方，我們會有很多很多的資料來源， 並不是每一個資料來源都是能夠被最後的結果能夠產生價值。 舉個例子戴隱性眼鏡的人，他都是黑頭髮的人，因為今天我們全都是黑頭髮，沒有黃頭髮或者是金頭髮。 當我們把這個進行擴散的時候，我們發現這個效果可能沒有什麼説明。 因為其實悠易互通在這裡面技術體現是可以把資料投放，並且把資料投放結果搜集到我們系統裡面來，然後再形成一個回饋，然後我們好知道我們使用的哪一個資料標籤對於我們來說是最有效的。

也就是後面這張圖，甚至我們還可以做資料搜集，哪些資料人群他使用了以後有了更深一步的行為。 同樣比如說博士倫，我們讓他到網上參加遊戲，他會到網站上做有限，輸入驗證碼，然後再獲取驗證碼，然後申請成功。 證明他們對於博士倫眼鏡的訴求或者是這次活動的需求越迫切。 其實還有一個搜集方法就是在官方網站加放我們的代碼，去搜集每一個使用者到訪了客戶網站以後需求是什麼樣。 我們這些都是和大資料分不開，我們看越到深層次這些人有什麼不同的表現。 還是拿博士倫舉例子，官方網站第一層的時候，他們的使用者並沒有明顯的手重是25歲到35歲之間的特徵，但是越到行銷漏斗的後面，但是剛剛我們說的25歲到35歲，月收入5000以上的會更使用博士倫的特性。

還有一個根據變化就是我們發現跨屏趨勢成為了可能，比如說你在手機上花的時間和2013年比有什麼變化，可能現在有一些人不是很好的手段，還有人有一個不好的習慣，在開車的時候都會使用手機。 廣告主做行銷的時候他不希望PC，這個怎麼來實現？ 我們發現有一些我們可以去做搜集到的精確人群，所謂我們叫跨屏ID的方式，比方說我們跟百度作為我們合作平臺，他們會嵌入我們的雲盤，這個時候你的手機和電腦，電腦上是COOKIE，比如說蘋果手機上是IF，這個可以同步。 還有一個是比如說我們今天在這個會場，我不知道今天有沒有連接到WIFI，或者是在辦公室上連接到WIFI，我們同樣在IP位址上去訪問，我們判斷你在很長一段時間內，辦公室的IP出口和你在家庭的出口， 你在幾個情況下都可以捕捉到你有兩台設備在上網，我們可能視你是一個精准客戶。 所以我們擁抱大資料，希望資料越來越多，同時希望整合的結果越來越多，所以我們非常歡迎尤其是亞信剛剛講到的在統一ID上能夠提供更多的在行業上的支援。

然後我們通過跨屏ID能夠為廣告主得到一個非常有意思的一些東西，這樣我們可以簡單來分享一下，比如說我們發現在移動端做行銷的時候，它是跟PC不是很具備的。 比如說移動有一個LBS資訊，有時間定向的活躍週期跟PC上是比較相反的，然後我們定位手機機型，然後看網路定向，包括對於個別應用的一些定向，這都是我們服務廣告主非常好的方式。 但是對於性別，年齡，職業的資訊，我們會覺得PC上暴露非常多，而在PC上暴露非常小。 你可能是一個在校的學生可能或者是一個白領，你使用的特徵和特長非常近似，我們會發現在PC端經常能暴露出來的你經常上網的時候你流覽的一些興趣，流覽的一些家庭狀況，在移動端根本找不到，所以我們更多的跨屏一些ID在這裡打通， 我們就能夠更具體地勾勒出來每一個人整個在互聯網上的廣告行為，從而為廣告主做更好的行銷服務。

所以當有了更多的PC端的資料，有了更多的移動端資料和更多的跨屏的資料之後，我們可以把所有一個人完整的一個興趣，比如說他的年齡，性別，收入，包括所有偏好都可以在移動階段做到行銷。 舉個例子，我們會發現在移動端表現出來的偏好，我們會發現移動端在手機上讀微博的文章，看朋友圈的文章，看新聞，看一些其他的聚合類的資訊，我們會發現其實很少有人在看汽車這類產品的時候會使用手機，因為汽車的文章有一個特點， 就是它通常圖片會非常的密集，同時文章可能會非常長，會介紹汽車特性等等，這個都是我們手機不管是從網速還是圖片等等會發現的特徵，所以我們會發現藍色的區域在汽車上在PC端，所以我們會對每個人認知做非常好的精准。 所以對每個人我們有精確的認知，能夠知道你適合什麼樣的一個產品，或者反過來我們為廣告主知道什麼樣的人是你的受眾。 另外一個就是我們能夠在合適的時間合適的地點給你傳遞合適的資訊，就是購買領域。 這個領域就是悠易互通我們所服務的一個方面。 所以當有了更多的資料以後我們可以為我們的廣告主更精細地去找到我們的受眾。

同時我們有了從PC端到了移動端中間的人群打通，包括從移動端我看到的東西，廣告主的素材，我點進去以後，到客戶LDPAGE以後，這個資料和客戶資料基本上打通的，我們從計畫到廣告購買到後續流覽行為， 到最後的結果回饋在資料回饋裡形成完全的資料閉環，從而更好的修正我們不管是對人群描述，到包括購買的邏輯模型的正確性。

剛剛主要談了一些我們在廣告行銷活動中我們使用的一些方法論，這個是我們服務的一些客戶，同時是我們公司獲得的一些獎項的介紹。 所以總的來說我們作為合作方的觀點上，我們非常歡迎有更多的大資料加入到整個生態圈裡面來，因為使用大資料有一句話，我們不要求所有的資料它的標籤都是統一的，我們會希望整個的資料範圍，或者資料的內容會越豐富越好， 同時我們希望讓資料本身來發出聲音，就像剛才我們使用了很多資料標籤來讓我們博士倫隱性眼鏡的人群自己的人群一樣，我們歡迎更多的人來擁抱大資料。 謝謝大家！

(責任編輯：mengyishan)