广告主使用自有数据人群包几种常见玩法？

广告主使用自有数据人群包进行广告投放时，可以采取以下几种常见的玩法：
1. "重定向营销"： - "网站重定向"：当用户访问广告主的网站后，未完成购买或注册等行为，广告主可以将这些用户添加到人群包中，通过后续的广告触达，促使他们完成之前未完成的行为。 - "应用重定向"：类似网站重定向，针对下载了广告主应用的用户，通过广告重定向来促进用户活跃或转化。
2. "相似人群扩展"： - 利用广告平台提供的相似人群扩展功能，根据自有数据人群的属性和行为，找到具有相似特征的新用户群体，进行广告投放。
3. "品牌保护"： - 通过创建负向人群包，排除那些与品牌定位不符的用户，避免广告浪费在不相关用户身上，保护品牌形象。
4. "竞品营销"： - 通过分析竞品用户数据，创建竞品人群包，在竞品用户活跃的平台或渠道投放广告，吸引他们关注自己的产品或服务。
5. "生命周期营销"： - 根据用户在产品或服务中的不同阶段（如新用户、活跃用户、流失用户等），创建相应的人群包，进行有针对性的广告投放。
6. "个性化推荐"： - 根据用户的历史行为和偏好，创建个性化的人群包，向用户推荐他们可能感兴趣的产品或

相关内容：

lass="xiangguan" id="content">

满足那些好奇的同学们的需求，让我们一起来解密广告主们几种常见的大数据人群包进行广告营销的常见玩法。

01 访客找回

为什么我在一个电商app中看了某商品后，再去别的app中老看到类似广告，是如何做到的？

这个也是大数据精准广告，十分经典的场景之一：北京某同学，曾在一个购物APP上搜索“手机”，随后几天，在他下载的社交类APP上，有关“手机”的广告反复霸屏。“如果在同一款APP浏览，某款商品后，持续给我，推荐类似商品，属于精准服务，但这是两款，从属于不同公司的APP，这种跨平台共享用户信息行为让人不安。”该同学说。

这个场景，大数据精准广告，实际运作的过程，是像该说同学说的那样不安吗？

这在大数据精准广告领域，是十分常见的做法，就是利用广告主自己的数据，圈出目标人群包，进行追踪投放。也就是购物App将，圈出了“手机”品类的设备ID人群包，其中就包含了该同学的设备ID。然后该购物App在这些社交类App上追着该人群包中的设备ID不停投放“手机”类广告。（淘宝、京东，等等几乎所有，电商App都有类似做法。而且按一般的经验数据，至少要投放14次以上，广告实在没有转化效果才会停止投放。）

我们常称这种，人群包再找回投放的模式，为访客找回（Retargeting）（有的也称为Remarketing“再营销”）。

很多时候，尤其是对一些快消品或电商类的广告投放，我们会发现访客找回的效果较好。

用户一旦对某产品或服务产生了长期的使用习惯和体验，一般较少会不断更换。所以我们常常会通过各种手段，收集访客的各种维度的数据来提升既有产品访客的广告转化效果。观测访客行为常见的维度涉及：

• 访客的行为：浏览商品、加入购物车、下订单、付款、评价、分享等等，一般我们将访客会分为全站访客、单品访客；对于全站访客会关注访问深度、订单金额等等；
• 广告曝光相关的用户互动行为：曝光、点击、后续访问官网、站内多跳、转化等等；例如：使用曝光找回可加大曝光强度、点击及访客找回可能会增加转化；
• 行为的时间特征：第一次、第几次、最近一次、距当前的周期（这也是我们常说的“找回周期”（一般周期15天内），这个周期是可以调节的）、频次、停留时间等等；

02 “沉睡用户”找回

当然还有一种很有意思的找回模式，是针对“沉睡用户”的。

用户因为某次推广活动而使用产品、或下载安装了App，而之后很长时间（如1年）未打开过App、或使用过产品服务。

对于这些用户能使用App及产品服务，说明其已对产品及服务有了一定的认知，所以对这些用户做“再营销”能让这些用户再次唤起好奇心，进而促成转化。

03 扩展相似人群

还有一种常见做法是，扩展相似人群（Look-alike）。

很多时候大家会质疑一个用户都已购买了某产品还会再消费么？尤其对于大宗消费的产品（例如：车、房等等），由于产品的生命周期，会导致再怎么做Retargeting也效果一般。

且一般营销也会关注对新客、潜客的获取（老客一旦产生购买是可以使用CRM、关注订阅号等等手段，保持同老客的沟通，刺激其持续的转化。）。

而为了扩大潜客获取，这个目标，经常会用到，扩展相似人群Look-alike的方法，以及老访客排除（排除那些已经不可能再出现转化的人群）等方法。

Look-alike简单说就是依据访客，尤其已转化客户的典型行为特征，去推及，在全网中寻找那些类似行为特征，但并看过广告，或从未出过转化的用户，进行广告投放。

这种方法相对来说计算量较大，且特征可能因为十分的微小分散，也可能因采集样本量级不够大，或不明干扰因素等等，最后得出的特征会较为发散，未必能找出收敛的特征要素。

所以很多时候，也会通过人群标签作为中介，来做Look-alike。具体的做法是，看看那些已转化的客户，及某类行为的访客，身上哪些标签比较集中，然后将那些用户身上所有被打上的标签，全部加在一起计数，选出前十或前几个计数较多的标签，最后再用这些标签作为人群定向条件去投放广告。

04 小结

这里仅仅尽量以最白话最简单的方式介绍，希望能让大家有一个初步的了解，一解大数据黑科技的好奇之心。而在实际的业务应用中，还有很多更为深度复杂的玩法，这里就不再展开了，这些都是需要建立在对大数据程序化广告的行业知识有十分深入的学习和理解之上的。

- 广告分割线 -

若以上内容还不过瘾，更多精彩干货尽在如下视频课：

《24小时精通程序化广告课程录播_高清PPT图_不限时》

《16小时入门Martech数字化转型，玩转广告商业化》

《大数据人工智能贯穿广告营销作业前中后期的创新应用》

《线性智能预测统计学实务（0基础统计学上手实务系列—大数据人工智能的重要基石）》

《运营优化A/B测试统计学实务（0基础统计学上手，大数据人工智能的重要基石）》

《统计学基础入门（0基础统计学上手实务系列—大数据人工智能的重要基石）》

《0基础迅速掌握演讲技能》

《职场打怪试炼能力地图》

可千聊App中搜 “程序化广告实战” 视频直播间

（转载请注明出处：微信订阅号：ad_automation ）