一文解读广告投放全攻略，提升拓客效率

　　每家公司都绕不开的一个命题是——用户从哪来?伴随互联网生态的发展,以效果广告获取用户的方式越来越成为企业高效获客和营收增长的手段。如何更好地进行广告投放,成为一个值得探讨的话题。

　　本文聚焦数字营销中的投放运营,洞察新语境下品牌数字营销的机遇与挑战,伴随着新技术能力的发展,品牌该如何提升拓客能力和效率?在进行全渠道投放时,该如何搭建有效的指标监测体系,赋能营销效果提升。

　　关注神策数据公众号,了解神策在 30+ 细分领域的更多数字化实践。

　　一、数字化营销的新趋势与新能力

　　过去的2021 年可谓数据隐私元年,随着数据安全监管升级,数字化营销面临新挑战。

　　在国内,2021 年工信部出台《个人信息保护法》,这一法案的颁布对国内的营销和广告生态带来一些影响。放眼全球视野,移动终端巨头苹果更新 iOS 隐私协议,随着 iOS14.5 发布而全面落地的 ATT 隐私政策也是苹果面对用户隐私保护的一张大牌,这意味着 iOS 系统的追踪溯源与触达将更具挑战。针对以上挑战,如何完成营销突围?我们提供三大方向供参考。

　　​(1) 基于全域用户关联的归因分析

　　基于稳固的ID-Mapping能力,合规获取多域、多渠道、多业务场景的用户 ID 拉通,同时通过实现不同角度的归因分析,赋能精益化获客。

　　(2) TA 模型训练与触媒偏好判断

　　对于已经归因好的设备和模型,如何更好地训练与发挥数据效应?比如深度挖掘品牌受众的数据资产价值,训练高价值潜客的人群算法模型;比如挖掘潜客的触媒偏好,识别“高价值潜客集中度高”的媒体进行投放,提升投放效率。

　　(3) 新流量渠道的商业化潜力与投放管理

　　拥抱新隐私架构下涌现出的新流量渠道及商业化玩法,帮助品牌开启后 IDFA 时代的数字营销下半场。面对这些挑战,如何释放数据价值,实现高效拓客?围绕着数据获取、数据分析及数据赋能三个维度,最终要做好三件事情:用户洞察、公域获客、私域运营。

　　关注神策数据公众号,了解神策在 30+ 细分领域的更多数字化实践。

　　二、数字化能力升级,赋能全渠道精细化拓客

　　公域获客、渠道效率判断及长效营销的前提 —— 广告侧的全域用户关联

　　广告投放是一笔生意账,多少钱带来多少用户需要算得清清楚楚,如果投产比过低,则代表效果广告投放链路中存在问题。那么把营销费用核对正确的前提是,进行多渠道、全链路的归因分析。

　　基于广告业务视角下的整个链路,主要由媒体、数据接口、数据处理三个环节组成。

　　首先在媒体侧,媒体会提供用户点击广告时下发的设备信息,由广告主的数据接收层接受上报的设备号;用户侧使用 App 时,在用户同意授权的前提下,通过合规 SDK 收集到相关设备号信息,如果两个设备号完成匹配,就认为是某次广告点击带来了一次有效的转化,即激活;与此同时,通过广告而进入到私域的产品时,将会为该设备用户分配一个唯一的 UID。

　　神策强大的 ID-Mapping 技术能力,能够帮助企业打破公域媒介数据和私域用户行为数据的壁垒,完成媒体广告二方数据与落地页、App 等一方用户行为的统一串联,支持全链路转化效果分析。

　　另一方面,神策数据建立了自归因、Specific ID 匹配、用户/设备 ID 匹配、IP+ 辅助条件匹配等广告归因模型,配合多重归因校验规则,实现不同转化层级的广告受众分析,精细化还原高价值受众画像;同时,深链路的用户转化行为可以通过灵活的深度回传能力赋能广告媒体进行oCPX 投放,驱动全域高效拓客策略,优化获客成本。

　　在广告投放中,涉及到实际用户行为时,可能存在用户在不同媒体平台进行访问的行为,比如用户B会在抖音击广告后,同时又通过其他方式访问了官网的落地页并下载激活APP。这个时候就需要通过归因能力识别出访问落地页的用户与在抖音点击广告的用户是同一个设备实体并进行正确归因。如果同时用户B又在快手看到了广告并产生点击行为,那么通过神策ID-Mapping跨域用户识别的能力,我们可以清晰的得知该设备的归因于后链路访问行为。

　　虽然已经存在很多用户匹配的手段和方法,但实际的业务场景中很难做到百分百匹配。比如在线下渠道(公交、地铁及楼宇广告)投放广告时,如何更准确地归因到某一班地铁或是某个小区电梯广告,面临不小的挑战。对于这类情况,可以通过模糊归因提升匹配的准确度,比如通过解析 IP 字段或操作系统版本号等更多公用参数,提升模糊匹配的准确率。完成以上匹配后,再进行跨域用户识别,洞察不同用户的特征。

　　识别潜客高集中度媒体,优化频控策略

　　用户的行为千变万化,我们无法得知同一个用户在不同媒体侧的行为,以及被不同媒体打上了哪些标签,所以也无法避免同一个用户在不同平台看到同一个广告的情况。

　　任何用户在同一个时段对于某品牌的广告曝光都会有经历从认知-接受-熟悉-转化的过程,但没有用户喜欢铺天盖地的广告轰炸,所以如何找到潜在客户在不同媒体之间的重合度,变得很重要。

　　比如,实际广告投放中,如果对曝光数据进行监测,能够辨识不同设备号在多个媒体重复曝光的情况。

　　假设有这样一群用户,已经在巨量引擎、百度信息流和广点通三个渠道重复曝光 5 次,那么数字 5 对于一个用户来说,究竟意味着什么?

　　如果抽取某个百万曝光的campaign中的点击率分析,假设发现用户对同一个系列的广告接受程度在 5-6 次时,CTR 是最高的,曝光超过 6 次之后,CTR 明显下滑,那么如果灵活的调整针对该部分用户的竞价策略就显得尤为重要。

　　关注神策数据公众号,了解神策在 30+ 细分领域的更多数字化实践。

　　媒体重合度分析——科学优化流量竞价策略

　　既然已经通过数据分析得到 CTR 会下滑的现状,那么接下来要做的事是尽最大可能想办法将这批用户进行转化。

　　这时通过对业务数据的掌握,比如哪个渠道适合做首次曝光,哪些渠道适合做业务转化,就可以把适合做曝光的渠道定义为本次投放的引流渠道,把适合做转化的渠道定义为转化渠道,再基于媒体不同的受众制定不同的转化策略。

　　同时,我们可以将已经转化用户的一些特征行为,比如所在城市、业务动作等通过 API 接口的形式回传给媒体,由广告媒体帮我们找到更合适转化的受众人群。

　　沉淀品牌资产——正负向人群模型训练

　　那么如何找到更合适的受众人群呢?可以借用模型训练能力,帮助广告系统更好识别受众群体。

　　假设某款产品有一百万注册用户,其中有 5000 个非常忠实的铁杆用户,在产品粘性和付费能力上表现突出。除了高留存率和高付费力两个指标外,这群铁杆用户在设备机型、渠道来源、城市省份等维度上,是否还具备共性特征?

　　这时候可以通过算法进行相关模型训练,在一百万注册用户中找到非常接近上面 5000 名铁杆粉丝特征的群体,还可以通过数据维度的调整增加或减少人群规模。计算出来的用户越少,意味着受众相对越准确,数量越多则代表用户画像越宽泛。

　　之后再将我们认为适合的受众群体上传到媒体海量的用户库中,由媒体进行第二次模型匹配,即常说的 lookalike,确保能够在公域潜客池子中找到对产品更感兴趣且更适合的用户群体。

　　基于实时 API 对接能力,提升获客效率

　　接下来介绍最近在广告业务中很热门的一项能力——RTA。

　　RTA,即 Real-Time API,通过媒体提供的实时 API 接口,能迅速完成程序化竞价,达到更加精细化的竞价策略,满足动态调整的需求。

　　常见的 RTA 业务场景有竞价频控,在不同的阶段采用不同的竞价策略以及基于个性化的指标完成竞价策略与素材的调整,比如基于 ROI 自动进行预算和出价调整,以及自动计算素材在不同时段的跑量效果,调整前端素材的展现等。

　　以实际场景为例,假设广告主是一个吸尘器自有品牌,在自身 App 中发现有这样一个频繁进行某些业务动作的用户,比如浏览详情页、把某款吸尘器加入到购物车、点击降价提醒、和客服完成对话等,通过这些行为可以判断其是一个非常接近成交的高意向用户,但近几日该用户并没有完成订单支付。

　　这时 RTA 会基于用户自身特征,比如是否高价值等,来判断是否符合某个竞价策略的触发条件,如果符合的话,则面向该用户的出价策略和文案素材策略也会随之匹配。于是,这个用户可能会在某个短视频平台刷到一个前几天非常心仪的吸尘器产品,伴随着产品精美的素材宣传,该用户最终完成了一次有效转化。

　　RTA 的动作都是基于程序自动化运行,包括人群定义和筛选、广告平台受众定向、出价策略、素材策略等,而广告主更多要做的是及时基于相关数据调整 RTA 策略。

　　ASA —— AppStore 广告生态的新变革

　　ASA 即 Apple Search Ads,苹果应用商店搜索广告。广告主投放后,其 App 会出现在 iPhone 和 iPad 的 App Store 搜索结果的第一位,以此高效获得用户。2021 年 7 月,ASA 在中国大陆地区正式可用。

　　面对 ASA 及其他多种并行投放渠道融合的复杂场景,如何做好正确归因成为众多尝鲜广告主关心的话题。

　　通常,广告主在 iOS 端投放推广 App 时,最终都会跳转到 App Store 这一步,而此前苹果公司并没有提供用户在 App Store 侧的数据给开发者。这样,广告主投放后没有办法准确地追踪每一个用户在整个广告投放链路中的完整轨迹,也就没有办法准确地衡量该渠道的具体推广效果。

　　现在,神策数据通过对接 ASA 渠道,可以在用户点击苹果应用商店搜索广告后,接入 App Store 的归因数据,帮助广告主追踪每一个用户在整个广告投放链路中的轨迹。

　　通过 ASA 的归因,我们可以做到之前 ASO 优化无法想象的数据粒度。原来可能无法知道 ASO 的投放效果,而现在我们可以知道不同热度的关键词、在某一个时间周期内花费多少钱,能带来多少有效的 App 激活及后续转化数据,从而能够对激活成本、转化率、ROI 等指标进行优化。

　　关注神策数据公众号,了解神策在 30+ 细分领域的更多数字化实践。

　　多维度标签组合,持续关注 A/B 测试的获客双效

　　其实广告媒体已经基于海量用户数据搭建了一套受众标签体系应用于媒体DMP当中,在业务投放中可以合理运用媒体给受众打上的标签进行对照测试,也能有效降低获客成本。

　　比如在第一个阶段,可以用自己的行业标签匹配某一个行为兴趣标签,比如工具类的广告主,就可以用工具 + 游戏、工具 + 金融等标签组合进行成本测试,然后选择成本最低的几组标签进行下一轮标签测试。

　　之后可以把阶段一测试中优质的组合再与其他标签进行组合测试,再选出优质的标签组合,比如工具 + 教育 + 咨询,再将该标签组合跑出的定向人群在不同的资源位上进行测试,就能看出不同标签组合在不同资源位上的获客成本究竟如何。

　　三、完善全渠道效果指标监测

　　在广告投放的业务中,我们应该关注哪些量化指标来判断投放效果呢?

　　在整个广告营销链路中,从一条广告曝光在用户面前,到用户点击广告,再到后续产生了一系列激活、加入购物车、支付等行为中,在不同业务阶段都有对应的指标进行业务监测。

　　比如,在广告曝光和点击的阶段,更多关注的是想方设法把自己的广告让更多潜在用户看到,并且文案和素材是否足够有趣,能够让用户产生兴趣愿意点击,这时候可以通过「曝光量」和「点击率」等前端指标判断第一阶段是否做的足够好,而广告媒体的人群定向、时间定向、素材策略等都会影响前端指标的波动和走势。

　　当用户下载和激活 App 后,更多需要在产品内寻找业务触点指标来判断一个渠道是否可以满足用户的需求。最常见的指标有不同渠道的激活和注册,以及后续一系列的转化指标,比如电商的加购,比如线下行业(如地产)的留资数据等。

　　在转化上,还要关注站内行为指标,比如用户来到 App 后,对哪种类型的 SKU 更感兴趣,新客户及老客户的转化究竟哪个更好等。

　　当然,指标体系并不是万能的,因为还会存在一些黑盒指标的存在,会影响前后端指标的判断。什么是黑盒指标?简单来说指的是某些并不受广告主控制的指标,且不太能规律掌握这些指标变化的趋势。

　　比如不同广告媒体账户和广告权重,比如是否有其他竞品产品在同时争取同一批用户从而导致成本提高,再比如不慎使用了某些低质量的素材被用户投诉,导致广告限流等。

　　这些黑盒因素我们无法将其量化,只能说在日常的投放分析中,我们尽量控制好变量,尽量通过单一测量手段将能够被量化的特征指标化,通过规律和趋势变成自身的业务方法论。

　　关注神策数据公众号,了解神策在 30+ 细分领域的更多数字化实践。

　　完善贯穿前后链路的广告效果指标体系

　　同时,我们梳理了贯穿广告投放-平台运营/电商运营-用户运营的广告效果指标体系。

　　通过广告投放进行拉新获客这件事,并不是市场部门或用户增长中某一个部门的职责,而应该拉通前后链路的数据整体评估,在广告投放前链路除了关注广告素材的点击量之外,还要关注后链路用户运营相关指标,比如广告素材与最终用户行为是否匹配?产品过程中转化率如何?针对新用户的引导做到了什么程度?哪些渠道的沉默用户流失最严重?

　　落地页指标监测

　　随着落地页投放占比越来越高,对此也需要相关指标监测。落地页指标比较突出的是能否通过一个制作精美的落地页承接前向的广告文案,突出产品特色,使用户产生转化的欲望。

　　值得关注的指标是跳出率和停留时长。当用户进入到落地页首页,没有进行任何操作就流失,这种情况可以按照不同维度分析跳出率高的原因,比如是否是落地页的制作不够吸引用户,或者与前端文案没有进行匹配对应,给用户一种标题党的感觉等。而停留时长同样可以从另外一个维度来反应上述问题。除此之外,类似表单字段的填写率也可以判断表单落地页设计是否复杂。

　　从分析场景来说,数据反应的问题可以从内容和用户需求是否匹配、页面布局是否合理、落地页信息是否冗余等维度判断一个落地页是否合格。

　　总结来说,在整个广告业务流中,根据来自各渠道能被统计到的数据,将其应用到投放端,即为常见的广告前链路数据分析,比如计算 CTR、查看不同广告的 eCPM、统计广告的 CAC 和 ROI 等指标。

　　最后,基于上面的广告投放全景图,神策总结提炼了广告业务五大核心能力:广告归因、全域 ID-Mapping、媒体洞察、受众洞察以及全链路数据追踪打通能力,站在效果广告业务视角中,只有将底层的归因能力、全域数据追踪能力与媒体受众洞察能力相结合,才能真正实现企业精细化投放获客的增长目标。

　　关注神策数据公众号,了解神策在 30+ 细分领域的更多数字化实践。