定向策略再思考：受众定向失误的缘由

作者：Moloco高级内容营销经理Matthew Kaplan

对营销人员而言，营销推广的策划的第一步就是要确定目标受众。

为此，营销人通常会复盘之前的营销活动，了解用户安装以及使用情况，从而找出最有价值的用户。

媒介购买通常会借助第三方数据来开展营销活动。该类数据一般能够反映用户画像的特征，例如住在美国西海岸的宝妈群体。媒介购买还会选择相应的移动应用以及其他渠道，从而触达符合用户画像的人群，例如宝妈所使用的育儿应用。

鉴于这些用户画像大多都只有很细微的差别（例如性别+年龄+态度+生活阶段），媒介购买需要借助多个数据集并制定复杂的渠道策略以触达目标人群/相关群体/相似人群。

这种方法面临的挑战是巨大的。首先，第三方数据集存在不少问题。这些受众（数据）是如何创建的？利用哪些数据点来给特定用户贴上“精打细算”或“想要购买特定产品”的标签？这些受众数据多久更新一次？

此外，思维定式也为这套定向方法带来挑战。某一特定移动应用的用户群可能以女性为主，但这一结论是如何得出的呢？是否源于该应用的营销人员总把女性作为目标受众？如果在获客营销推广中将男性作为目标受众时，谁能断定他们不会安装应用并经常购买呢？

最糟糕的是，一旦对“谁是受众”产生先入为主的想法，就会缩小营销人员的目标范围并最终削弱品牌发展客户群的能力。举例来说，如果您运营一个专门零售家居用品的应用时，多年来的市场研究和调查结果会告诉您应该以女性为目标受众。

但独居的男人呢？如果一款移动应用可以让他们轻松便捷沟通，他们可能更会囤不少纸巾。因此，您还会想当然地放弃25%的消费群体市场吗？

更好的定向策略：交给机器学习

传统的定向策略基于用户画像，而机器学习则采用了完全不同的目标受众定向方式。机器学习不会寻找代表“理想”潜在客户的数据，而是从品牌的一手数据着手，通过分析以往营销推广的数据，来了解输入（基本上是用户和渠道特征）和输出（用户点击广告、 安装以及使用应用）之间的关系。

理想状态下，机器学习可以查看品牌的整个营销推广日志，以便了解输入与输出之间的关系以及广告投放效果背后的原因。机器学习的方法消除了对用户画像存在的固有看法。

当然，仅仅依靠观看广告而带来的应用安装行为少之又少，尤其是在考量品牌为一个广告投放所购买的大量流量时。正如 Moloco 的机器学习总监 Sechan Oh 博士此前阐释的那样：“当我们寻找某次转化的特征时，我们看到的是一个稀疏的数据集。”

但这项工作将带来更好的广告支出回报（ROAS）。依靠这种输入与输出之间的关系可以为营销推广开辟一个更大的库存池。从本质上讲，整个网络基本上都可以使用，因此可以找到高价值用户，即使他们从未访问过热门应用或渠道，或者并不匹配用户画像。

这种使用机器学习来寻找高质量用户而非预设受众的逻辑与当下的营销学说相悖。营销人员可能不愿放弃基于用户画像的目标受众定向方法。

但事实上，在数字化世界里，传统方法并没有真正起到作用。如今，第三方数据正在消失，隐私方面的限制也变得越来越严格，因此，营销人员应该重新思考他们定向和获取目标受众的方式。

关于作者

Matthew Kaplan拥有十余年的数字营销经验，致力于支持世界上最大的B2B和B2C品牌的内容目标和跨设备的多样化营销活动。同时他有丰富的内容营销写作经验，文章主题涉及IT、技术、能源、医疗保健、交通、B2B企业、食品和烹饪以及政治。

关于Moloco

Moloco致力于为企业提供先进的机器学习算法，助力数字经济更加公平和高效。开发者和线上零售商可通过Moloco机器学习平台盘活一手数据，以了解公司业务表现，促进业绩增长。Moloco Cloud DSP（云营销平台）助力市场营销人员快速扩大获客规模，并通过实践检验的预测模型实现更大的用户生命周期价值。Moloco由前谷歌机器学习工程师团队于2013年创立，总部位于美国硅谷，目前在美国、英国、韩国、中国、日本和新加坡等国家地区设有9个办事处。