中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

在用戶增長場景下，數據驅動究竟有沒有意義？在這篇文章里，作者嘗試圍繞這個問題進行了探討，并對數據驅動用戶增長的邏輯和底層框架做了一定解讀，一起來看一下，或許會對你有所幫助。

增長必然需要數據驅動，但數據更多的是在用戶增長的流量上設道坎兒，亦或在成熟衰退期找到新的利基市場從而實現第二增長曲線。

一般用戶增長的放量階段是粗曠的，要么燒錢、要么找到了產品口碑的價值點。用戶增長的邏輯是找增量，而數據驅動更多的是篩選流量，這倆本質上是相悖的。數據驅動是在做存量生意，很早年前我說過數據的能力是精準。

那在用戶增長場景下，數據驅動就沒有意義了嗎？并不是。

首先精準是做中小企業和產品的邏輯，因為中小企業更專注于眼下事情的ROI（短期利潤），而大企業更關注中長期價值。這也是為什么效果廣告（精準營銷）是給中小企業做的，大企業如果只做精準投放營銷預算都花不掉。大企業的核心是流量的合理劃分導入生態最大化利用，生態說白了就是那個長尾，對流量的多道過濾。

在用戶增長的數據驅動上有幾件事是確定的：

一個就是用戶來源的渠道歸因，這個也是數字營銷貫穿的邏輯，就是我哪些地方花的錢起效了，數據是可以追蹤衡量的。只不過這里面比較重要的是，用戶多觸點渠道進來的歸因邏輯問題。本質上也是為了衡量ROI，以及可以在哪些渠道大幅放量。

再一個就是精準投放的邏輯，如今演進到了oCPX（oCPCoCPAoCPS）的概念。

原本最早由于數據技術的限制，還在離線分析數據的時候，會通過離線的種子人群來進行算法特征的分析，然后通過固化的模型進行潛在用戶圈選放大的邏輯，那今天數據實時化已經比較成熟，離線的訓練迭代過程演變成了算法實時優化，那就變成了實時算法的迭代，實現更精準和高效。

這是可以很直接的提升ROI的手段，不過也因此越來越多的投放代理從投放優化轉變成了單純的渠道資源。

一、數字化投放場景

精準投放中有幾個核心場景：

1. CTR點擊率預估模型；
2. 種子人群的Look-alike ；
3. 行為標簽的偏好預測；
4. 用戶畫像；
5. 人群聚類；
6. oCPX目標人群實時優化；
7. 渠道歸因

通過對這些方式排列組合的工作流串起來，就是在不同場景場景下的精準投放SOP，當然這里面會涉及到比較強的數據技術。

我們拿一個數字化投放場景來看：

精準投放本質在與降低轉化成本，提升ROI。拉新、老用戶促活以及流失用戶召回，這里面除拉新的目標是注冊成本外，其他的目標是付費成本。

我們以優化拉新注冊成本為例，低成本意味著曝光受眾與目標用戶匹配度高，有購買意向的人群必然最精準，用戶特征可以作為人群定向策略。所以我們會對高購買意向人群進行定向投放，那這部分群體如何選??？

結合現有成熟的數據技術可以通過上文提到的手段進行人群選取。在拉新場景下有別于其他場景的是：不能通過人群包的方式定向觸達，只能通過特征分析進行域外用戶的特征定向圈選優化。因為是新用戶，所以你的用戶池中沒有這個用戶（當然潛客場景另當別論比較特殊，也是數字營銷中的核心場景，早年DMP中的匿名用戶主要就是這個場景）。

二、域外精準投放

首先可以把歷史成交用戶作為種子人群，進行標簽畫像分析以及在域外進行人群放大（Look-alike），同時可以把實時轉化的種子人群通過對接oCPX的方式進行動態目標人群的特征優化，越跑越精準?，F在成熟的流量平臺基本都會支持oCPX。

這里用戶畫像可以分為域內和域外畫像分析，以及域外不同的投放域。

因為現在的標簽體系主要以預測標簽為主，不同平臺的標簽體系和規則有差異，要貼合平臺屬性。對于域內畫像就會涉及到行為偏好的標簽預測，通過種子人群的行為特征進行模型訓練后對用戶打標。

那用戶畫像的作用是什么？在前些年用戶畫像更多的在指導投放時的定向策略，但現在隨著智能投放越來越成熟，畫像更多的是指導素材的創作，進行新用戶的承接。

雖然畫像是標簽的產出，但畫像和標簽的用途差距很大，這里暫且不展開。詳細可見我以前寫的文章：《用戶畫像是如何用來數據驅動的》

投放也好，自然流量也好，當一個用戶通過多渠道進來后就需要知道評估各渠道價值，把有限的資源投入到高價值渠道上。那渠道歸因必不可少，像今年阿里媽媽推出了升級后的MTA Uplift（Multi-touch Attribution，消費路徑全域全旅程歸因）渠道分析歸因模型。

對于阿里媽媽這個模型不再贅述，大家可以自行去查閱。不過有一點這個模型的“歷史追溯分析能力”很有意思，讓我想到了之前在支付寶做智能風控時為了驗證機器學習推薦的策略有效性時用到的流量回溯和仿真能力。在投放渠道歸因上，通過對歷史流量的行為回溯和仿真進行投放策略的推演真的算是創新了。

其實域外投放和域內轉化的最大區別在于算法部署的環節是在第三方流量側還是第一方廣告主側。比如馬上要說的CTR用戶點擊率預測模型，以及類似的預測模型。

三、域內注冊轉化

CTR模型其實是通過歷史行為對用戶的點擊概率進行預測，這種方式常見于各種搜索排序和推薦場景，所以只要涉及到曝光點擊的場景都會有觸及。在投放場景中，因為投放的底層邏輯是CPC或CPM的點擊曝光價格，要想降低轉化成本本質上是要提升曝光和點擊概率。

同時對于平臺來講還有一個競爭維度需要考慮，就是這個流量給誰（廣告主）的問題。除了價高者得以外，自然誰點擊概率高給誰曝光。

那對于域內的轉化也是如此，無非拉新場景是對潛客的轉化，其他是對存量用戶轉化。只不過潛客和存量用戶的數據獲取方式以及數據類型不同，因為存量用戶有大量域內數據積累，而潛在用戶的域內數據非常稀疏。

其實對于CTR點擊概率也好、注冊轉化也好還是購買轉化也好，本質上是算法目標的不同來進行優化。那這里面就會涉及到幾個非常核心的環節，就是行為標簽以及用戶畫像。

用戶畫像是作為目標人群的選取依據，標簽作為訓練特征。當然用戶畫像既可以作為目標，又可以作為結果，本質上模型就是一個精準的用戶畫像。

不同的用戶總會給你出其不意，所以對于精細化運營來講必然需要用戶分群以及分群的畫像運營。當用戶表現沒有明顯的業務特性時就很難通過專家經驗進行定義，那這個時候就需要通過人群聚類的方式利用算法找到一些特征差異和顯著表現。聚類和算法模型相關的也不在此贅述了，可詳見我之前寫的《深入數據分析思維》。

所以數據驅動這個事本質上的核心是如何把數據技術更好的應用在業務場景上去解決問題同時通過數據來實現自動化和智能化。而數據的作用更多的是在做“篩選”，這個看似復雜實則簡單的道理，大道至簡。

知道了底層邏輯和框架，你自然就明白用戶增長如何數據驅動。