增加必定需要数据驱动，但数据更多的是在用户增加的流量上设道坎儿，亦或在老练衰退期找到新的利基市场然后完成第二增加曲线

增加必定需要数据驱动，但数据更多的是在用户增加的流量上设道坎儿，亦或在老练衰退期找到新的利基市场然后完成第二增加曲线。

一般用户增加的放量阶段是粗旷的，要么烧钱、要么找到了产品口碑的价值点。用户增加的逻辑是找增量，而数据驱动更多的是挑选流量，这俩实质上是相悖的。数据驱动是在做存量生意，很早年前我说过数据的才能是精准。

那在用户增加场景下，数据驱动就没有意义了吗？并不是。

首要精准是做中小企业和产品的逻辑，由于中小企业更专注于眼下作业的ROI（短期赢利），而大企业更重视中长期价值。这也是为什么效果广告（精准营销）是给中小企业做的，大企业假如只做精准投进营销预算都花不掉。大企业的中心是流量的合理区分导入生态最大化利用，生态说白了便是那个长尾，对流量的多道过滤。

在用户增加的数据驱动上有几件事是确认的：

一个便是用户来源的途径归因，这个也是数字营销贯穿的逻辑，便是我哪些地方花的钱起效了，数据是能够追踪衡量的。只不过这儿边比较重要的是，用户多触点途径进来的归因逻辑问题。实质上也是为了衡量ROI，以及能够在哪些途径大幅放量。

再一个便是精准投进的逻辑，如今演进到了oCPX（oCPCoCPAoCPS）的概念。

原本最早由于数据技能的约束，还在离线剖析数据的时候，会经过离线的种子人群来进行算法特征的剖析，然后经过固化的模型进行潜在用户圈选放大的逻辑，那今日数据实时化现已比较老练，离线的训练迭代过程演化成了算法实时优化，那就变成了实时算法的迭代，完成更精准和高效。

这是能够很直接的提高ROI的手法，不过也因而越来越多的投进代理从投进优化转变成了单纯的途径资源。

一、数字化投进场景

精准投进中有几个中心场景：

1. CTR点击率预估模型；
2. 种子人群的Look-alike ；
3. 行为标签的偏好猜测；
4. 用户画像；
5. 人群聚类；
6. oCPX方针人群实时优化；
7. 途径归因

经过对这些方法排列组合的作业流串起来，便是在不同场景场景下的精准投进SOP，当然这儿边会涉及到比较强的数据技能。

咱们拿一个数字化投进场景来看：

精准投进实质在与下降转化本钱，提高ROI。拉新、老用户促活以及流失用户召回，这儿边除拉新的方针是注册本钱外，其他的方针是付费本钱。

咱们以优化拉新注册本钱为例，低本钱意味着曝光受众与方针用户匹配度高，有购买意向的人群必定最精准，用户特征能够作为人群定向战略。所以咱们会对高购买意向人群进行定向投进，那这部分集体怎么选取？

结合现有老练的数据技能能够经过上文提到的手法进行人群选取。在拉新场景下有别于其他场景的是：不能经过人群包的方法定向触达，只能经过特征剖析进行域外用户的特征定向圈选优化。由于是新用户，所以你的用户池中没有这个用户（当然潜客场景另当别论比较特殊，也是数字营销中的中心场景，早年DMP中的匿名用户主要便是这个场景）。

二、域外精准投进

首要能够把前史成交用户作为种子人群，进行标签画像剖析以及在域外进行人群放大（Look-alike），一起能够把实时转化的种子人群经过对接oCPX的方法进行动态方针人群的特征优化，越跑越精准。现在老练的流量途径基本都会支持oCPX。

这儿用户画像能够分为域内和域外画像剖析，以及域外不同的投进域。

由于现在的标签系统主要以猜测标签为主，不同途径的标签系统和规则有差异，要贴合途径属性。关于域内画像就会涉及到行为偏好的标签猜测，经过种子人群的行为特征进行模型训练后对用户打标。

那用户画像的效果是什么？在前些年用户画像更多的在辅导投进时的定向战略，但现在随着智能投进越来越老练，画像更多的是辅导资料的创造，进行新用户的接受。

投进也好，天然流量也好，当一个用户经过多途径进来后就需要知道评估各途径价值，把有限的资源投入到高价值途径上。那途径归因必不可少，像今年阿里妈妈推出了晋级后的MTA Uplift（Multi-touch Attribution，消费途径全域全旅程归因）途径剖析归因模型。

关于阿里妈妈这个模型不再赘述，大家能够自行去查阅。不过有一点这个模型的“前史追溯剖析才能”很有意思，让我想到了之前在支付宝做智能风控时为了验证机器学习引荐的战略有效性时用到的流量回溯和仿真才能。在投进途径归因上，经过对前史流量的行为回溯和仿真进行投进战略的推演真的算是立异了。

其实域外投进和域内转化的最大区别在于算法布置的环节是在第三方流量侧仍是榜首方广告主侧。比方马上要说的CTR用户点击率猜测模型，以及相似的猜测模型。

三、域内注册转化

CTR模型其实是经过前史行为对用户的点击概率进行猜测，这种方法常见于各种搜索排序和引荐场景，所以只要涉及到曝光点击的场景都会有触及。在投进场景中，由于投进的底层逻辑是CPC或CPM的点击曝光价格，要想下降转化本钱实质上是要提高曝光和点击概率。

一起关于途径来讲还有一个竞争维度需要考虑，便是这个流量给谁（广告主）的问题。除了价高者得以外，天然谁点击概率高给谁曝光。

那关于域内的转化也是如此，无非拉新场景是对潜客的转化，其他是对存量用户转化。只不过潜客和存量用户的数据获取方法以及数据类型不同，由于存量用户有大量域内数据积累，而潜在用户的域内数据十分稀少。

其实关于CTR点击概率也好、注册转化也好仍是购买转化也好，实质上是算法方针的不同来进行优化。那这儿边就会涉及到几个十分中心的环节，便是行为标签以及用户画像。

用户画像是作为方针人群的选取依据，标签作为训练特征。当然用户画像既能够作为方针，又能够作为成果，实质上模型便是一个精准的用户画像。

不同的用户总会给你出其不意，所以关于精细化运营来讲必定需要用户分群以及分群的画像运营。当用户体现没有显着的事务特性时就很难经过专家经历进行界说，那这个时候就需要经过人群聚类的方法利用算法找到一些特征差异和显著体现。聚类和算法模型相关的也不在此赘述了，可详见我之前写的《深化数据剖析思想》。

所以数据驱动这个事实质上的中心是怎么把数据技能更好的应用在事务场景上去解决问题一起经过数据来完成自动化和智能化。而数据的效果更多的是在做“挑选”，这个看似复杂实则简单的道理，大道至简。