如何成为广告营销「数据高级玩家」？

Key Points（关键点）

• 在汹涌的大数据面前，广告主正面临失控的境地，他们对数据黑箱的顾虑日益强烈。
• 广告主已经不满足于平台提供的通用化能力，他们希望获得更大的自定义空间，以便让数据处理更贴合业务场景和企业的个性化需求。
• 平台和广告主之间的关系正在重新厘清，前者将退回到基础设施建设者的角色，后者将更尽兴地释放经营智慧，这将促成广告营销数据生态效率地进一步提高。

引言：一场数据拔河

月初，「华尔街日报」报道美国联邦贸易委员会正在调查电商巨头亚马逊，因为它在为自有品牌定价、定位和确定目标消费者时涉嫌不当使用数据。所谓不当，具体指的是其借助平台优势使用更多第三方卖家数据辅助决策，无论从数据量还是数据处理能力上看，亚马逊和第三方卖家间都存在不公平竞争的问题。

这不是平台与广告主间首次发生矛盾。

2017年，逾200个广告主宣布抵制YouTube，明面上的原因是广告内容出现在极端主义视频的前贴片时段，让品牌形象暴露在风险中。但实质上，这是一场广告主和平台间的博弈，企业希望在广告投放中拥有更多主导权。在YouTube承诺开发新工具让企业更好地控制广告投放位置后，争议才算暂时落幕。

这些案例指向同一个事实：在数字广告生态摸爬滚打十余年后，广告主有了自己的想法。他们发现了潜藏在数据中的庞大商业价值，因此不仅希望获得更多数据，也迫切希望平台为他们创造充分使用数据的条件和环境。

如果说以往，平台的通用能力就能满足广告主日常所需；那么现在，平台就需要提供定制化能力，给企业更大的空间去自主释放数据价值。

01 能力进阶：从数据到智慧

广告主对数据的使用正变得越来越精细。以往，人们通过整体点击率和转化率来判断广告效果；随后，从业者发现同一广告可能在不同人群中的数据表现差异巨大，所以又开始将点击率、转化率等指标与细分人群交叉分析，这样能够获得更多信息。

比如「八大人群」就是常被使用的细分人群维度。以年龄、地域、收入等人口统计学指标为参照，它将消费者分为资深中产、新锐白领、精致妈妈、GenZ、都市蓝领、小镇青年等群体。通过这样的维度拆分数据，企业在制定策略时就能够更加科学。

但是，当数字营销平台推出「八大人群」的分析维度后，它们也面临着来自部分广告主的拷问：「企业什么时候可以拥有自定义人群的能力？」言外之意是希望拥有在八大人群外自主定义新人群的自由。

其实，企业产生这样的需求并令人意外：

首先，八大人群并不能实现对人群100%的全面覆盖，这导致有错漏交易机会的可能性；

其次，八大人群考虑的是大部分广告主需求的公约数，因此它依赖广义上的人口统计学指标，没有考虑具体的消费行为和兴趣，这使它存在脱离实际业务场景的风险。

所以，通用化的人群细分能力或许对绝大部分企业适用，但对有较强数据存储和处理能力的品牌来说，这样的粗颗粒度满足不了它们精细化运营的需求。

释放数据价值的工作经常沿着「数据-信息-知识-智慧」的逻辑展开：企业从繁杂、孤立、分散的数据中提炼出可用信息，又从信息中总结客观规律转换成知识，在大量知识沉淀的基础上形成智慧，而智慧最终让企业在不同时空环境下游刃有余、充分获益。

平台过去提供的通用化能力，更多是在数据、信息和浅层知识上满足广告主需求，却没有为企业提供释放智慧价值的舞台。举例来说，某品牌在长期业务实践中发现具有某几种行为特征的消费者总是更容易被转化；但如果没有自定义空间，品牌宝贵的经营智慧在通用能力的框架限制下就无法顺利落地。

当更多企业开始成为广告营销行业的数据高级玩家，广告主个性化需求和平台通用化能力间的结构性矛盾迟早需要突破。

02 如何在数据中避免失控？

在大数据时代，除了享受精准营销带来的效果和效率提升，广告主同时也体会到了在数据海洋中失控的感觉。

上个世纪中叶，莱斯特·伟门等广告人提出了「直销（Direct Marketing）」的概念，通过直邮、免费电话、忠诚度计划等模式建立与消费者直接沟通的渠道。在这个过程中，数据收集和处理的重要性开始显现出来。从70年代初开始，CRM系统和数据库营销等新技术逐步普及，企业在这个阶段对数据仍然具有较强的控制权。

然而随着大数据时代的到来，更多不同来源、不同类型的数据集中涌入，海量的数据规模开始超出广告主的控制能力，失控的现象开始出现。典型表现是「数据黑盒」，广告主只能被动接受数据计算的结果，但却无法探知数据如何被处理——譬如什么内容能处于搜索结果页前列？什么短视频更容易被算法青睐并起量？什么商品有潜力成为爆款？这类问题的解答只能靠企业频繁试错，缺乏科学指导带来了不可忽视的试错成本。

在这一背景下，营销科学适时出现，其核心价值是「黑盒白盒化」。在营销科学的辅助下，企业可以部分参与计算过程，原本的黑箱变得透明起来，失控带来的焦虑也有所缓解。

事实上，营销科学的发展可以被分为两个阶段：

第一个阶段是搭建产品化、通用化、标准化能力。例如巨量云图的「O-5A」模型就是典型代表，所有商家都能够基于该模型评估用户关系的亲疏远近。在模型中，企业能快速掌握有多少高转化潜力人群和已转化人群，甚至了解不同人群间的流转效率，并基于丰富的数据实现针对细分人群的个性化运营。这种通用能力易上手，适合绝大部分商家。

第二个阶段是提供自定义能力。这部分能力主要针对「数据高玩」们，因为通用能力无法满足他们的高阶运营需求，而自定义能力让他们有条件将个性化需求和经营智慧注入到数据处理中。

比如去年9月，巨量引擎就上线了数据工厂。这个产品集成了不少具有自定义功能的模块，最核心的就是「标签工厂」和「建模预测」：

• 标签工厂：企业的人群细分维度以往可能被限制在「八大人群」的框架下，现在它们可以从品牌自身、商品类目、用户行为偏好、用户特征等多个维度自定义创建人群、内容和达人标签，精准圈选目标人群并围绕目标人群进行多维度深度洞察。

• 建模预测：企业以往更多是沿用人工方式分析数据，现在它们可以基于巨量的海量数据与机器学习能力，自定义正负样本和优化目标，最终的建模成果能够直接反哺到企业真实业务场景中。

那么如何看待「数据工厂」这类自定义产品的价值？用一句话概括，就是从「计划数据」阶段进入「市场数据」时代。

以往，数据价值的兑现建立在通用化能力的基础上，平台给什么功能，企业才能够发挥什么实力。数据流动与处理看似井然有序，但要素的价值和企业的智慧并没有被充分释放出来；而在「数据工厂」这类产品中，品牌的主观能动性有了充分释放的舞台，数据价值也能够最大程度被激发出来。

事实上，仔细分析你会发现，这类进阶产品让平台方和广告主实现了双赢：

首先，它避免了平台方被拖入「重服务模式」的深渊。随着数据和不同行业业务场景的融合日益深入，无论从团队能力还是人力成本的角度思考，平台方都不可能提供覆盖所有行业、所有场景的解决方案。因此，将更多权限回归给企业和服务商成为必然选择；

其次，它也能够让广告主发挥出自身优势。因为在通用化数据能力的基础上，广告主既面临着数据与业务场景难以深度融合的问题，也很难拉开与竞品间的差距。但在「数据工厂」类产品提供的广阔自定义空间下，企业和服务商的能力差异就会直接反映在效果上。当品牌不再吃「大锅饭」而是各凭本事时，围绕数据价值的主观能动性就被激发出来。

在不断膨胀的数据面前，品牌总是处于失控和控制的循环往复中。提供通用化能力虽然看似有序，但却会造成数据要素价值释放不足的弊端。让品牌在可控范围内自由施展能力，从「计划数据」到「市场数据」的突变才是真正对抗数据失控的最佳选择。

03 各凭本事的数据高玩

虽然推出时间不足一年，但数据工厂在多种场景和目标下搭建了可观的自定义舞台，这也让「数据高玩」们有条件玩出各种花样。

标签工厂是个相对轻量化的工具，很多具备基本业务能力的公司都能够自如使用它。简单来说，企业可以在人群、内容、达人和商品等不同场景数据中圈选标签，并通过「交」或「减」等简单计算规则重新定义人群。这样做的好处在于，品牌可以基于自身对业务的理解充分挖掘数据价值。

举例来说，法国个人护理品牌欧舒丹就面临着在抖音上寻找目标消费者的难题。不同于大众消费品牌，欧舒丹定位于高端市场，这让它需要在大量消费者中更精准地捕捉转化机会。在标签工厂中，它通过四个步骤达成目标：

• 第一步，在身体乳品类下筛选全平台的「高占比&高增速」关键词。其中，「高占比」意味着其在用户消费决策中拥有更高的权重，「高增速」代表着关键词正在成为消费者关心的热点。

• 第二步，在筛选出的平台关键词融入品牌自定义关键词，比如欧舒丹旗下就推出了涵盖「樱花」「乳木果」和「甜扁桃」成分的产品，那么这些词语就作为自定义标签被纳入分析范畴。

• 第三步，通过自主定义标签的CTR和CVR计算公式，欧舒丹将不同关键词划归到主力词、潜力词、蓝海词和汰换词四个类别。这种分类能够让投放策略有据可依，比如「樱花」作为潜力词可以加大投放预算，「甜扁桃」作为蓝海词就需要投入少量经费进行先期效果测试。

   

  

• 第四步，基于关键词筛选购买人群并建立标签体系。比如欧舒丹梳理了「樱花」背后的用户画像，根据特征将她们定义为「甜美女孩」。随后企业又基于圈选出的「甜美女孩」建立了一套完整标签体系，从而指导品牌关键词购买、内容创作、达人选择等具体工作。

去年双11期间，欧舒丹使用数据工厂实现了7%的点击率增长。而在与数据工厂核心团队成员的交流中，我了解到目前已经有600多家品牌商已经使用了标签工厂功能，其中三分之一进行了深度使用。

与标签工厂不同，建模预测是一个对广告主技术要求更高的功能。由于建模预测对算力的消耗较大，所以巨量引擎采用了开白审核机制，具备相应数据处理能力的品牌和服务商可以按需申请使用该功能。

虽然与标签工厂相比，建模预测使用门槛较高，但仍然已经出现了一些极具参考价值的标杆案例，比如护肤品牌露得清就从中获益。

在使用建模预测之前，露得清主要采用传统电商的拉新策略，但拉新人群往往由黑盒输出，透明度和精准度均存在问题，导致人群深度转化效果不彰。在与阳狮集团沟通后，露得清决定使用建模预测功能，自己搭建模型提高目标消费者运营效率：

• 首先，它结合业务痛点确定了三个建模方向：「人群兴趣度提升（以CTR提升为优化目标）」「品牌深度交互人群量级提升（以A3和A5人群量级提升为优化目标）」和「购买转化率提升（以ROI为优化目标）」。

• 其次，根据不同建模目标匹配不同数据源。由于三个目标由浅入深、覆盖范围较广，因此在数据源的组合上就使用了「27个优选达人粉丝人群」「品牌优势概念搜索人群」「全行业机会人群」等多类人群数据。

• 最后，在不同建模方向和数据源的基础上进行样本组合优选、特征组合筛选、模型类型优选和参数调整优化等。借助建模预测的自定义功能，与均值相比，露得清实现了200%的CTR增长和170%的深度转化关系资产增长。而在最核心的ROI上，品牌也实现了400%至900%的提升。

在与数据工厂核心团队成员的沟通中，我了解到他们在去年5月就启动了客户调研，几乎所有调研对象都对数据工厂抱有极大的期待，尤其是服务商们。这不难理解，对服务商来说，当获得大量自定义空间后，他们的工作就带有了智慧密集型的特征，服务商的能力差异和优势将更直接地反映出来。

04 让生态生机勃勃

过去几年，从业者们始终强调着「精耕细作」的重要性。但「精耕细作」除了需要意识到位之外，还需要有适合耕作的优质工具。唯有如此，那些掌握娴熟技艺的农民才能在收成中体会到精细化的好处，并愿意花更大的气力继续参与。

从这样的比喻中，你大概就能明白为什么自定义功能对于数字广告业的发展如此重要。

在各凭本事的状态下，服务商和品牌商就真正进入到「优胜劣汰」的完全竞争状态。离开了通用化能力的襁褓，能力差异形成的壁垒将奖励那些具有真才实干的「数据高玩」，并刺激他们拓展更多新玩法——我了解到一些数据能力极强的跨国公司，已经在自定义功能的充分使用上积攒了厚实的经验，比如某美妆巨头已经不满足于自定义少量人群标签，它针对旗下两大品牌已经分别自定义了2000多条和400多条标签，并在类似「赛马机制」的尝试中筛选出了转化质量最优的标签，实现数据价值的深度挖掘。

在这个过程中，平台本身退回到了生态建设者的角色，它更多提供完善的基础设施，同时给予广告主和服务商充分的自主空间。各居其位的角色划分，让生态参与者的智慧能够摆脱既有规则的束缚，一个稳定、活跃、多元、贴合业务场景和奖惩分明的数据使用生态随之成型。

就像亚马逊雨林给了所有生物充足生长的空间，这样的生态最终归向往往是四个字：生机勃勃。