DMP的人群画像,究竟应该怎么用?
宋星
2020/09/15
1432

用好DMP的画像功能,不仅仅只是靠工具,还要掌握方法

最近跟一些甲方朋友们聊品牌广告的投放,对DMP又起了兴趣。DMP,我在很多场合都说,它跟CDP很不同,在广告投放领域,DMP不可或缺,具有支配性的数据地位。
另一方面,DMP也被认为是一个数据分析工具,一个给人很fancy感觉的数据分析工具。
因为它能给你的广告受众做画像。
画像功能,给人的赶脚实在是太好了,就像一个神奇的透视仪器,把藏在黑箱里面看不到的东西,都一览无余。
毕竟,我们此前从来没有任何一个直截了当的工具,能够告诉我们,看到你的广告、点击你的广告的,都是什么样的人,都有什么喜好。想想就觉得美。
唉,但现实总是骨感。
当你真的使用了这个工具,就会发现,似乎它并没有想象中那么美好。
不美好的,在于两点。一方面,是DMP有长处,也有短板,它和我们想象中的并不一样。另一方面,我们也未必会使用这个工具,让它发挥应有的价值。
这篇文章,我来聊聊DMP的人群画像功能,究竟应该怎么用。毕竟工具好不好,这个是客观难以短期改变的,我们至少能改变我们的技能。

一、光有个画像,没啥用呀
关于DMP的画像到底有没有用,有很多争论。反对者的主要声音是,DMP中的人群画像普遍非常“粗枝大叶”,并且准确性也欠佳。不仅如此,往往给出的画像跟常识并没有很大区别。
DMP的画像能力,体现了DMP的制作水准。一个不太好的DMP,人群画像中的属性如同上面所说的“粗枝大叶”,是非常泛泛而谈的。
例如,看见不少DMP中,对人的描述,是“白领丽人”或是“职场精英”或是“家庭主妇”,这种标签属性是很模糊的。
除此之外,还能够给出人群的性别年龄等人口信息、地理位置,以及人群常用的app或网站,再加上一些感兴趣的事物,通常是喜欢看什么节目,或是大概对什么商品感兴趣,就构成了几乎所有的DMP内人的属性数据。
但这些DMP,特别是广告主“自建”的DMP,由于它们不具备大型电商平台或者大社交媒体平台的一手数据积累,因此,除了人口信息地理位置这样的较为静态的数据之外,动态数据(感兴趣的事物或商品等数据),是很难真正知道它们是否准确的。
例如,下面这样的商品数据,基本上只有电商平台给出的DMP才比较有意义。
属性数据匮乏,其实是让广告主用不好DMP的一个很重要的原因。
因此,当一次广告投放之后,广告主自己的DMP给出的数据是类似于下图的样子,并且要从这些数据中得出有价值的“insight”,实在是太难了。
点击上图可查看大图
上图的DMP所展示的人群,是我的读者的画像,在职业分布(第二行右边的图表)中排名第一是IT,排名第二的是营销公关,这个还make sense,但并没有什么帮助,因为它就是说明了一个我们都知道的情况罢了。
但在兴趣分布这一项,则相当匪夷所思,例如,第二大兴趣是“美容美体”——难道,我的读者都是步入中年,需要考虑优化自己的颜值了?而这个兴趣,又意味着我要对美容美体感兴趣的人投放我的广告吗?
所以,DMP看起来很fancy,想要用起来,其实远远不像我们想象中那么神奇美好。
那么,我们需要怎么做?

二、用TGI,只是走出地下室的第一步
朋友们会说,上面的报告,应该给出TGI数据才能用。
好想法,说明已经是有经验的读者了。但光TGI还远不足以解决问题。
所谓TGI,是比较当前人群和普通人群在不同属性上差异大小的一种度量衡。类似于控制组与曝光组的概念,普通人群,也就是俗称的普罗大众,就是控制组,而DMP中选定的人群,则是曝光组。二者的差异用TGI来表示。
比如,上面的例子中,假如我的读者的职业为IT的人的TGI是1.8,那么意思是我的读者中的IT职业者的比例,比普罗大众中的IT职业者的比例高1.8倍。
不过,很多地方把TGI的倍数,乘以100进行计算。上面的例子中,IT职业的对比,我的读者人群对比普通人群,TGI应该是180。所以你可能看到有TGI不同的表示方式,乘以100的应该是更标准的方法,但二者都不算错。
  1. GI:即Target Group Index(目标群体指数)
  2. TGI指数= [目标群体中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例]*标准数100。
所以,上面关于我的读者的画像的例子,要是加入了TGI就会有不同的解读。例如,在兴趣中,我们发现排名第二的兴趣是美容美体,但是,跟普通人群的TGI相比,这个TGI如果是0.3(或者用标准数100乘了之后,是30),那就说明虽然美容美体是第二大兴趣,但是相比普通人的感兴趣程度,那可差了远了。
于是,如果没有TGI数据,营销策略肯定是要投广告给美容美体人群的。但没想到,追踪了TGI数据后,却显示美容美体人群反而更多是普通人,所以这个广告的策略恰恰得反过来,不能这么投给美容美体人群,这些人并不是目标人群。
这就是DMP的一个陷阱,特征比例强的某个属性,并不能直接得出要投放广告给他们的结论。这个道理其实很容易理解:宋星的读者都喜欢美容美体,但喜欢美容美体的人却并不一定都是宋星的读者。你投广告选择美容美体很容易大大滴浪费钱。
所以,TGI是DMP画像的一个必须有的指标,如果不能提供TGI,这个DMP的画像基本上可以认为啥用也没有。
如果选定人群的某个属性排名很靠前,且TGI相比普通人群非常高,那么得出对这群人进行投放的结论,才说得过去。
这说明TGI很有用。
但TGI虽然有用,却只是给出了一点点基础性的数据,可以给我们一些洞察,但离“胜利”其实还差得远。例如,如果我们看到下面的数据,我们会发现,即使加入了TGI,世界仍然“很不美好”。
上图展现了“画像数据”的某个维度,即广告覆盖人群的app使用情况。遗憾的是,这些TGI数据并不非常显著,似乎只有右数第二个app是大家“嫌弃”的,因此广告主能得出的结论,最多就是不要在这个app上投放广告,仅此而已。这样的结论,等于没有结论。
这说明TGI并不总是能帮到我们。


三、对比,是使用画像的基本方法
既然只靠TGI无法帮助到我们,因此,我们需要在TGI的基础上用到更多的方法。无论多么fancy的数据工具,利用这些工具的时候,都必然会遵循一些一点也不fancy的基本方法。
这些基本方法中最重要的两个,一个是细分,一个是对比。
事实上做细分,也就是为了对比。
使用DMP的画像功能,必须要做细分,才有价值。
而所有DMP常用细分中最重要的细分,是按照“行为”所做的细分。
所谓行为,对于广告投放的受众而言,有三大类:曝光、点击、流量行为。
所谓流量行为,是指广告投放出去引来流量之后,这些流量在落地之后(进入网站、H5或是app等)的行为——浏览、点击、转化等等。
现在我们看一个例子:
一次投放,有100万个曝光,1万个点击,5000个网站上的访问,100个提交自己的购买意向。
这实际上就天然带来了四个人群。而四个人群,是父集(曝光人群)、子集(点击人群)、孙集(访问人群)、重孙集(意向人群)的关系。
这四个人群的画像应该作对比。比如,下面的数据。
有意向的人群和曝光人群,有比较大的差异,凸显在意向人群的年龄普遍高于30岁。这对于投放来说,是重要的指导线索。
又如下面的数据。
意向人群TGI最显著的是淘宝和支付宝,而曝光人群则更喜欢抖音。这,也能给我们很多insight。
有了这些细分的对比数据,投放策略应该怎么定,就比不做细分的时候,要清晰多了。


四、哪些是我们常用的画像人群对比项目
所以对比很重要。
下面是利用DMP画像数据时,常用的细分人群对比项目:
  1. Demographics数据(后面简称Demo)
    1. 性别、年龄
    2. 地域,尤其是城市分布
    3. 一二线城市 和 三四线城市的 demo TGI有没有差异
    4. 地理位置——是否有在城市的繁华(贵)的地区活动(不仅仅只是城市)
  2. 细分行为的人群分组对比
    1. 曝光人群的demo vs 点击人群的demo
    2. 不同曝光频次的人的demo 对比
    3. 不同点击频次的人的demo 对比
    4. 点击人群和对我们商品感兴趣人群的demo对比
    5. 投放人群 vs 购买人群:利用电商平台DMP如品牌数据银行数据(可能有样本的偏差,但聊胜于无)
  3. 兴趣数据和细分人群的兴趣数据
    1. 曝光人群兴趣数据 TGI
    2. 点击人群兴趣数据 TGI
    3. 一二线城市 和 三四线城市的 兴趣TGI
    4. 兴趣数据包括:
      1. 平时使用app的差异:不仅仅是app本身,还有使用时间的差异
      2. 其他购物上的差异(电商提供)
      3. DMP中的标签(但不能确定是否准确度高)
      4. 运营商可能能提供的数据
  4. 不同商品之间的差异对比
    1. Demo角度的差异:曝光人群、点击人群、转化人群
    2. 兴趣角度的差异:曝光人群、点击人群、转化人群


五、最后看一个经典案例
下图是阿里巴巴的品牌数据银行的一个campaign投放之后的简明扼要的画像。广告主是某母婴产品广告主,而对照人群,则是阿里提供的所有买母婴产品的人的数据。
你能从中看到什么有意思的东西?
注意,下图中靠上面的两个图表,其实就是TGI,不过不是标准计算方法,因为标准计算是用的除法,而这里的计算,运用了减法的绝对值(靠下面的图表中的每个属性的两个柱子的值相减,就是靠上面的图表中的柱子的值)。不知道为什么用了减法,而不是TGI的标准算法,或许,是为了更直观吧。
请大家具体分析。我只讲讲结论。结论是,这一次投放的人群,似乎偏的厉害呀!



Copyright©2019 艾奇在线(厦门)营销咨询公司 版权所有

闽ICP备15016382号