大数据时代广告营销

大数据时代的广告营销

随着互联网的快速普及与网络终端的多元化， 我们的生活维度正从一

元 结构（现实生活）逐渐走向二元结构（线下与线上） 。十几年前，我们与周围的 人在现实生活 中基于各种纽带，以一种近乎鸡犬相闻的状态相处，互联网对于 所有人而言仅仅是一个新颖、 陌生甚至带有欺骗色彩的虚拟存在； 十几年后的今 天，人与人在现实生 活中变得无比陌生而私密，以至于一墙之隔却“老死不相 往来”，反而那张无形的网络却赋予了人们更多的“存在感” 。男女老少，有哭有 笑——互联网世界着实显 得真实而丰满

与此同时， 我们不得不承认一个事实： 与现实生活的私密性相比， 身处网络 世界的我们是近乎透明的！我们从事的浏览门户、搜索信息、收发邮件、网络购 物、即时聊天等几乎一切的网络行为，都被那块“曲奇饼”

（ cookie ） 默默地记 录了下来， 并随时可以被网络服务商抓取与挖掘。 这种大量网民网络生活形态的 历史与即时的海量信息， 是我们以上种种网络行为的 “数据痕迹”，并形成 了一 幅庞大的有关网民的 “数据影像”；这些数据的“体量（Volume）”、“类型（ Variety ）”、 “处理速度（ Velocity ）”均超乎我们对 常规数据的感知，堪称“大数据” （ Big

data ）。至此，不管你信不信，“大数据时代”已经以一种汹涌澎湃的姿态扑

面而 来了

“大数据”作为网络时代的信息矿山，无疑蕴含着大价值。目前，大

数 据比较明朗化的商业价值开 发，发生在互联网广告精准营销领域。传统的广告 营销，在经历了大众传播的喧嚣、 分众传播的繁荣后， 开始迎来新的变革窗口 -------------------------------------------------------- 针对特定网民的精准营销 （有人称其“个众传播” ）。基于对记录着用户人

口属 性、兴趣喜好、消费习惯、价值导向等信息的大数据的挖掘， 通过人群定向技术， 向特定的某个用户传播极具 针对性的广告，从而降低广告的无效损耗，提升品

牌的投资回报率( ROI), 这是大数据在网络精准营销领域“闪出的一道金光”

广告商合作模式

“大数据”时代网络广告投放我们为用户准备了多种推广模式，有针对性的 为各行各业的用户提供最有价值的广告价值的评估及推荐， 让用户不像过去广告 投放不当而造成的资源浪费的现象不符存在， 让用户所有的成本投入都一定换来 同样回报，让广告精确的投放到对象中。

针对投放模式我们提供如下选择：

1. CPC(Cost Per Click;Cost Per Thousand Click-Through) 每点击成本

以每点击一次计费。 这样的方法加上点击率限制可以加强作弊的难度， 而且 是宣传网站站点的最优方式。

2. CPM(Cost Per Mille ，或者 Cost Per Thousand;Cost Per Impressions) 每 千人成本

网上广告收费最科学的办法是按照有多少人看到你的广告来收费。 按访问人 次收费已经成为网络广告的惯例。 CPM千( 人成本 ) 指的是广告投放过程中，听到 或者看到某广告的每一人平 均分担到多少广告成本。

3. CPA(Cost Per Action) 每行动成本

CPA计价方式是指按广告投放实际效果， 即按回应的有效问卷或定单来计费， 而不限广告投 放量。 CPA 的计价方式对于网站而言有一定的风险，但若广告投 放成功，其收益也比 CPM的计 价方式要大得多。 4.

CPR(Cost Per Response) 每回应成本

以浏览者的每一个回应计费。 这种广告计费充分体现了网络广告“及时反

应、 直接互动、准 确记录”的特点，但是，这个显然是属于辅助销售的广告模式， 对于那些实际只要亮出名字 就已经有一半满足的品牌广告要求，大概所有的网 站都会给予拒绝，因为得到广告费的机会 比 CPC还要渺茫。

5. CPP(Cost Per Purchase) 每购买成本

广告主为规避广告费用风险， 只有在网络用户点击旗帜广告并进行在线交易 后，才按销售笔 数付给广告站点费用。

6. 其他计价方式 某些广告主在进行特殊营销专案时，会提出以下方法个别议

价： (1)CPL(Cost Per Leads) ：以搜集潜在客户名单多少来收费 ;

(2)CPS(Cost Per Sales) ：以实际销售产品数量来换算广告刊登金额。

广告营销业务面临的问题

1 目标客户提取方法相对粗糙

由于缺乏深度细分的用户数据支持，广告推送

难以做到精确营销，目标客户的提取往往仅能从粗粒度 数据分析按经验出发，采用简单的门槛条件

2广告营销的推广缺乏针对性

以往的广告推广往往采用统一的营销方法，无

法根据客户渠道偏好采用有效的营销手段

3 广告营销缺乏及时性

在互联网时代，客户的消费行为和购买方式极易在短的时间内发生变化。 在需求点最高时及时进行营销非常重要。 我们需可通过技术手段充分了解客户的 需求，并及时响应每一个客户当前的需求，让他在决定购买的“黄金时间”内及 时接收到商品广告

以如下四层模型为基础建立广告投放精准化的定位

1 场景

对于广告主、 谁是目标用户该如何向这些用户推荐产品， 营销人员

往往 把握不准难以清除回答， 而在实践中更对的采取比较粗粒度的用户选择方法推送 广告信息，收效优限

2方法

主要步骤：行为分层 - 》关联分析 - 》界定评判标准 - 》选取目标客户

3 模型

对客户行为属性进行合理分层的基础上， 对现有客户网站访问记

录、 类 别广告关注度、 移动新业务消费习惯等进行广泛的关联分析， 得出类别广告现有 的用户特征及目标用户的提取标准

4数据

数据输入 boss 系统数据、 misc 平台数据、 各业务平台 （如 12580 服务平台、 12580 惠生活、移动气象站、车讯通、宝贝计划等）和网站数据 数据输出

第一步 用户行为分层数据

第二步 单类别广告投放数据及回复数

第三步 支持度、可信度、提升度具体值 第四步 广告主目标用户名单

综合

业务建模

用户分类模型

1 数据预处理

通过用户账户信息、套餐定制情况，我们先将这些用户按客户基信息、

消费情况、套餐情况进行统计计算，对数据进行预处理 用户编 性 年龄 婚姻状 是否购 态 车 号 别 层 是否购 孩子数 估计收 月消 套餐分 房 量 入 费 类 1 男 A Y Y Y Y Y N N A A A C C A D Y Y Y Y Y N N 1 100000 1 1 3000 43 NA 78 NA 129 129 189 69 2 男 A 3 男 A 4 男 C 5 女 C 6 女 A 7 女 D 43200 175 156 1 120000 0 350000 219 1 120000 0 40000 98 23 NA 2特征变量的分析和挖掘

我们从消费水平， 时间变化，空间变化和用户结构这四个方面对用户信 息进

行分析， 挖掘其中直接或间接体现出来的信息特征， 依据这些特征变量并对 部分变量进行离散化处理

2.1 消费水平

以用户账单为研究对象，在预处理后的数据中，我们直接提取了三个变量： 套餐费用、增值业务费用、总费用，作为消费水平的表征变量

2.2 时间变化信息 关于时间变化方面，我们冲流量记录中抽取两个特征变

量：

1) 主要网络使用时段：网络访问次数及流量比例最大的时段 2) 忙时比例：流量最多的时间段的往往次数除以总次数

根据电信市场营销策略中普遍使用的规则， 我们将网络使用分为四个 比较经典的时段 a 凌晨 0am-8am b 白天时段： 8am-6pm c 晚间时段

6pm-9pm d

深夜时段 9pm-12pm

对每个人在各个时段网络使用总流量分别进行统计， 四个时间段的流量使用总量 范围有较为明显的区别。

对网络访问这依据访问时间段进行分类和统计后，定义如下变量类型：

2.3 空间变化信息

由于每个基站都有自己的工作范围， 从通话记录中的所属基站数据

及所 给地图的信息可推知主叫者此时所在的大致位置， 故可近似认为， 通话地点趋近 于所属基站，并定义如下变量： 1) 本地比例：本地通话次数除以总通话次 数(将通话次数最多的地点称为本地) 2) 流动类型：表征主叫者在这 10

天之中的位置情况

由于地图中的基站分布较为密集， 而一个人的通话地点总会存在小

范围 变动，当一个人的通话属于相邻的两个基站， 仍存在没有出行的可能性， 此时若 将这两个电话判断为异地显然是不准确的。 为了解决这个问题， 我们对每个主叫 这的通话地点（所属基站） 进行统计，取通话次数比例最大的基站作为主叫者的 本地，且将与这个地点直接相邻的基站同样作为本地， 由此基础上再对主叫者的 流动类型进行判断。

2.4 用户结构信息

根据用户在网络日常使用中对类别资讯的关注、 对资讯的评议、 在

社交 网站发布的状态， 对在线商城的上商品的浏览， 购买及顶棚以及各类别增值业务 的定制等分析出用户的相关行为， 分析出在实体上兴趣度， 按具体实体行为给用 户赋予相关类别标签，并定义如下变量：标签用户，非标签用户。

3 分析及用户分类

通过聚类分析，我们根据每个用户的特征变量值对用户进行了相似性

研 究，从而得到有关的用户分类信息

A类：典型活跃用户

此类型用户的数量最为庞大， 且人均通话次数和网络流量使用率最

大并 有自己的标签； 由本地比例和流动类型可知这些用户经常往返于两地之间； 紧密 联系群体的值为 2，表明有固定且频繁的联系对象；主要通话时段为 3（晚上 6 到 9 点间），非工作时通话的商务用户。此类用户的聚类效果十分好，紧密联系 群体变量值为 2 的用户高达 80%，且各变量特征十分鲜明，数量大，通话活跃， 是推送广告时时必须关注的典型活跃用户群。

B

一般流动型用

此类型用户的通话次数较少网络使用率一般， 常在工作时段打电话， 且

紧密联系群体之值为 1，表明通话对象较多且分散， 经常出行且往返于两地之间， 类似商务型用户。虽人均通话次数较少， 然而用户数量可观， 仍具有关注价值。

C类：一般固定型用户

此类型用户数量很少， 然而人均通话次数相对较高网络使用较少。

本地 比例高达 0.89 ，表明通话地点较为固定。主要通话时段在白天，忙时比例高达 0.44 ，即在此时段通话的比例十分高，类似固定办公用户。

D类：其他用户

此类用户为聚类时的孤立点， 有较极端的属性特征值， 且用户数量

极少， 故将其归为一类，对广告营销无明显价值

关联模型

模型信息

大数据时代广告营销的一个重要特点在于客户关注的广告与广告之间的关 联性，由于大数据在采集过程中可快速得知目标受众关注的内容， 以及可知晓客 户身在何处， 这些有价信息可让广告的投放过程产生前所未有的关联性。 即客户 所看到的上一条广告可与下一条广告进行深度互动

基于 3 大标准判断广告内容及广告类别直接关相关强度

相对其他数据挖掘模型， 关联分析模型的有点在于： 业务人员容易理解模型 思路而且输出条件的理解性很强

营销产品关联性 3 要素计算公式： A 代表 A 类广告的回复用户数， B代表 B 类广告的回复用户数， S 代表总投放用户数， AB代表同时回复 A、

B两类广告的 用户数

1广泛关联

根据福建省实际情况， 在分析对象方面尽可能多的广泛关联， 作为分析工具， 数据属性粒度越细，关联范围越广，就越有利于发掘出更多价值的信息

2基于用户属性、行为的合理分层

通过用户的相关属性及行为数据划分为多个层次进行数据分析， 用户普及率

过高的广告或 活动不合适关联分析。为了将其纳入模型，首页要基于福建各地

区真实用户分布情况，对其进行合理拆分或分层

用户行为分类

用户标签分类

3计算过程

通过用户分层基本数据筛选出各层次人员数据进行类别广告关联， 通过对广

告信息的投放及回复计算其支持度、可性度和提升度

4确认并提取目标用户

根据计算结果并确认 3 大判断标准的合理取值范围， 并确认符合目标提取条 件的客户关联条件进行撒选并成功提取广告主目标客户

高端男装定向分析用户

应用框架

场景 1

提供直观的数据对比广告商及影响人员直管的观察到效果的变化

10月

11月

12月

13月

14月

胡伪数码矣一告稣回复歩计

9月份U别吿投戲同霞蜒计

g月楡諛朋厂告矜化率扬计

15月

ft*；尼…

16月 17月 18月 19月 20月