广告随人意TM
爱投数创科技公司运用非Cookie大数据和人工智能引擎,统一在移动、固网、视频和社交媒体上按照意向人群实现程序化购买,提升广告主在数字媒体的投资回报。爱投数创在上海、广州、深圳和福建设有分支机构,为数百个品牌客户服务(百事可乐、奔驰汽车 、海尔,华为等)和大型营销代理机构 (奥美、群邑、实力、浩腾、传力等)提供了数字广告和营销服务。
你的用户分类方式过时了吗
2016-04-02 12:00:00     来源:中欧商业评论
移动时代的用户分类被前所未有的细分,结果就是每一个用户都是个性的,不能再用“群”来分隔。
分清受众是营销的首要问题,分不清受众就不知道对谁做广告,以用户为中心的市场分类是所有企业的策略核心。俗话说,人以群分,这个“群”就是用户分类,也就是企业把用户按照某种标准进行分类,了解每一类用户的喜好,从而有针对性地推出最有竞争力的产品或服务。从传播的层面来讲,用户分类就是搞清楚对谁做广告、做什么广告的过程。
用户分类的概念有两个层面的意义。第一层的核心意义是运用可以理解的标准来定义产品用户,弄清楚他们的需求。第二个意义是如何对用户分类做出回应,以便企业能够为用户提供最有竞争力的产品,实现和用户最有效的沟通。 然而究竟怎样分清受众呢?营销学家一直在想办法让用户分类变得更加有效。决定区分用户的变量或者说标准十分关键,而这些标准需要与判断用户的购买行为有直接关系才有意义。一个好的分类标准可以解释不同用户对于营销活动反应上的差异,包括对广告和产品购买上的差异。
曾经,人以“群”分
用户分类最基础的方法是将用户分为不同的用户群,主要包括属性分类和心理分类两种方法。
属性分类是用年龄、性别、收入、教育、职业、家庭、地域因素等用户的外部特征来描述广告受众。属性分类是最早、也是应用得最广泛的用户定向工具。这种分类最吸引人的特点是定义清晰,使营销策略容易执行。例如,“某种产品是针对20~25岁的女性设计的”。这种分类,可以很容易地从媒介中选出符合这类人群的资源。属性分类的另一个好处是节约营销费用,广告主只要把资源集中在某个属性符合的人群上面即可。
在属性分类的基础上,营销学家又开发了心理分类。这是根据用户的性格特征、价值观、对事情的意见和态度、平常从事的活动、兴趣、生活方式、对品牌的偏好等内在特征来进行分类的。例如有的人对体育和健康有着非常认真的态度,而有的人将体育活动更多的是看成一种休闲娱乐。体育用品公司针对这两种人设计的产品和广告都应该有所区别。心理分类与广告更具有直接的关联,有人认为这比属性分类更有效。心理分类的好处就是能够帮助激发广告创意,使广告的内容和调性适合对象人群。
属性分类和心理分类是在用户抽样调查的基础上来完成的,区分的种类不会太多,分类的结果也比较稳定。例如,收入、职业、品牌偏好等指标不会经常变动,而且能够对广告创意提供帮助,方便广告的落地执行,所以一直是用户分类的主流形式。在互联网广告出现的初始阶段,这两种分类方式被沿用下来。那个时候,网络广告投放与平面广告投放的方式相似:创意设计是单一不变的,甚至基本上就是把大众广告做一个“e”版本,直接贴到网上。
但人们发现,属性分类和心理分类对广告效果的预测效果是有限的,甚至只能说是一个广告的“建议”。例如受众分类是20~25岁的年轻女性,销售人员会告诉你这类人当中只有60%的人会对产品有兴趣。因此在当今广告主对销售效果要求越来越高的情况下,就需要寻找其他定向方式。
从群体,到行为,再到场景
20世纪90年代互联网出现后,用户分类方式开始出现很大的变化。广告主总有这些问题:来到我们网站浏览的到底是什么人?男的女的?收入高不高?结婚了吗?有无小孩?生活兴趣是什么等等。由于用直接的方式观察不到用户的这些特征,营销专家开始尝试运用用户的浏览行为作为人群分类的标准,认为浏览相似内容的人都有共同的、可以预判的心理特征,于是就按照媒体内容去区隔用户。浏览某一户外体育运动栏目的人可以被“粗略”地认为都是喜欢户外体育运动的用户,于是广告主就在这个栏目投放户外产品的广告。“内容分类”就是运用行为区分用户的早期形式。
内容分类对用户的区分是比较粗泛的,因为它是针对一类用户来讲的。在这种意义上,内容分类与属性和心理分类方式是相同的。但是搜索定向和重定向的出现,彻底地改变了用户分类的方式。“重定向” 是指针对访问过某个网页而又离开了的一类用户;搜索定向是指锁定在搜索引擎中使用了某些设定关键词的用户。营销专家们还可以根据用户对内容或话题的关注来区分用户。
以前讨论的用户分类方式是按照“群”的特点来分,关键词定向和重定向是按照每个用户的行为来分,其结果是用户分类变得更加细分,到了“零碎”的程度。关键词可以分成品类词、品牌词、竞品词、咨询类词等,来代表不同用户群体;重定向的分类面临类似的情况,用来分析受众的网址(URL)可以有几十、几百甚至更多。每一类关键词、网址或者它们的组合都可以是用户分类的标准。其次,用户分类不再是基于少量的抽样数据,而是可以覆盖全球的海量数据。
行为分类发展到后来又有了技术分类。Forrester Research公司是最先提出“技术定向”这个词的,原来指根据用户使用的技术工具特点,包括用户设备、浏览器、所使用的搜索引擎,可以有效进行判断和分类,因为这些“技术参数”与前面提到的用户属性、用户心理都密切相关。
国外报道过这样一个发现:使用搜索引擎必应(Bing)到达页面的人群,转化效果常常会比从谷歌(Google)到达页面的转化效果高,这是因为用必应的用户比较“懒惰”——这个搜索工具是微软浏览器绑定工具,这类用户于是有什么就用什么,而对于信息深度和广度并不太讲究。而运用谷歌的用户就更懂技术一些,他们对信息的要求更多,而不只是贪图方便,因而更难说服。所以对于前一种用户,广告应该着重“行动召唤”,结果导向;而对于后者,广告应该是提供对比信息,把广告做得软一些,这样可以提升销售转化。
行为定向为用户分类理论引进了一个具有划时代意义的标准——时间。行为定向对用户的分类是有时效要求的,换句话说,就是用户的“标签”会因为时间而改变。例如,“重定向”是为了吸引来过页面却没有产生产品购买的用户,很可能过了一天用户已经购买了这类产品,那么这个用户就不再是广告受众了。实践证明,时间作为用户的分类标准可以有效预测广告的效果。银行可以搜索关键词去定义目标用户,这些词可以是“贷款”“抵押”等等。 如果根据搜索关键词投放个人小贷产品的展示广告,搜索词定向的有效性大多不超过24小时。
小贷产品实时竞价展示广告点击率与关键词时效的关系
小贷产品实时竞价展示广告点击率与关键词时效的关系
智能手机的普及标志着移动时代的到来,用户分类出现了一个与时间同样重要的变量——地点。时间和地点定义了一个用户所处的环境,或者说是场景,场景分类的概念就随之诞生。“正在商圈里购物的年轻妈妈人群”“来汽车城看新车的受众”都属性场景分类的范畴。
用户总是从一个场景变动到另外一个场景:早上从家出发、到办公室、中午午餐或者到附近商场买点东西、下午约客户喝咖啡等等,每个时间点上用户的地点、关注点、使用的上网设备、媒介环境都在变化。用户在不同的场景下,兴趣点是不相同的,所以同一广告在不同的环境对用户的效果也会不一样。用户分类就是要用数据推算出用户的场景信息,从而确定推送什么样的广告。例如用户在下午1点钟位于某商场,可以推送与地域有关的LBS广告,2点钟回到办公室,你还在推这个LBS广告就迟了。在移动的场景里,用户“标签”的有效性稍纵即逝,现在还是广告受众的“他”,等会儿可能就不是了。
未来用户分类三大趋势
从最早的属性分类,到现在的场景分类,用户分类有三个明显的趋势。厂商的广告策略也需要进行相应的调整。
第一个趋势是用来分类用户的维度增多。这需要厂商运用大数据让用户画像更为细致。过去,属性分类和心理分类的维度比较有限,大约只有几十种。行为分类就开始多到不容易统计了。场景分类增加了地理因素,全国有数百个大中城市,按照商圈分就更多。维度的增多能够让受众画像更加细致,银行金融公司的策略通常是“数据加挂”,即在同一用户的账号上积累不同信息,使营销更有针对性。游戏公司都想在互联网上找到收费用户,让他们注册参与游戏。营销的效果通常是用“获客成本”(CPA)来衡量的,在广告投放过程中用到的用户定义维度越多,CPA的成本就能变得越低。
第二个趋势是用户分类的时效越来越短,这是大数据时代最明显的特点。属性分类的条件通常具有很长的时效性,不会随时间而快速变化,比如性别和职业。心理分类时效就有所缩短,但也比较长,这是因为分类方式是按照一年或几年一次的市场调查结果作为分类基础的。到了行为分类时代,时效性就非常明显了。一个用户今天搜索了某款新车,表明这个用户对这款新车有兴趣,但运用这个搜索行为作为定向用户的条件可能在几个月或几周内因为发生购买而不再存在。这种变化要求厂商需要注重广告推送的时效性,进行精准投放。在CRM实践中,很多公司直接用顾客未来购买的时间作为用户分类的依据,时间越近,用户潜在的广告价值就越高。在新车购买市场,三个月内有购买意向的人群定义为热度高的潜客,三到六个月的定义为温热潜客。在直销行业,人们按照最近一次购买商品的时间作为区隔标准。有研究表明,如果用行为关键词作为广告分类依据,关键词的时效性会随着时间的推移而迅速降低。
用户分类的这两个趋势可以用图3来说明。可以看到,用户的分类对用户数据的要求越来越高;反过来,数据也让用户分类的方式变得更加多样化。每一步用户分类技术的进步,都是在原来的基础上进行的。这就是说,场景分类会用到包括从属性到行为的所有数据。在大数据时代,用户的一切数据都是和用户分类相关的。
第三个趋势是用户分类从人工走向人工智能。属性分类时代,区分客户用的统计工具相对简单,可以用肉眼来看分析结果;属性分类是用调研的样本数据来判定。用户分类完成后,往往在一年甚至更长的时间内是不变的。大数据时代,手工的方式无法应付大量数据的处理,取而代之的方式是“机器学习”。所谓机器学习,就是用各种算法,比如回归算法、决策树算法、神经网络类算法、深度学习算法等等,利用用户数据预测广告的相关性,从而确定广告的投放。由于有了时间和位置作为变量,用户分类可以实时进行。也就是说,根据广告的需求,一个用户的分类方式可以随时变化:下午是“IT负责人”,晚上被称为“年轻妈妈”更合适。原来稳定的“用户分类”,成了动态的“千人千面”。