DMP高级玩法案例分享

admin2022年03月09日 16:17
cover

这是一个食品行业大品牌主的需求,希望在曾经被投放过广告的人群中找出最有可能购买产品的人群,广告进行二次投放,目的是为了获得尽可能高的广告曝光到产品购买的转化率。

面对客户这一非常符合DMP高级玩法应用场景的需求,TalkingData选择通过二分类模型预测找出这部分高潜人群,并建议品牌主除历史曝光人群外,额外提供目标商品近半年的订单数据。通过数据融合,从这部分购买人群中挑选出数万个仅在非促销时段购买了该产品的设备作为正样本,同时选出数万个半年内点击过广告却没有购买目标产品的设备作为负样本。随后,将正负样本与营销实验室的活跃设备库匹配,选出最终用于建模的样本。

再之后就是指标体系设计、特征匹配、降维和模型训练的过程了。这次建模所使用的特征库包含设备APP行为、位置、终端属性等8大类合计20万+个特征,样本匹配全部特征后,经过稀疏特征过滤、高相关性特征删除等一系列特征降维处理后,得到1000+个有效特征,再选择其中最重要的200个特征作为模型训练和预测的依据。

建模完成后,刨除正负样本,将所有半年内被投放过广告且和营销实验室活跃设备库可匹配上的设备,都用模型预测出了一个分值,这个分值的高低代表购买目标品牌产品的可能性或潜力。再把分值按照从高到低排序,选出了几千万潜力最高的设备,同时作为对照,又从近半年内被目标品牌广告投放过的设备中随机选出了等量设备。

之后,在相同的媒介渠道、用相同的创意,对这两组设备做了广告的二次投放,并追踪被广告曝光后一段时间内的产品购买数据。最终发现,通过模型预测出的高潜组在这段时间内的目标产品购买率,比随机抽取的对照组高出3-8倍。

这个案例中,营销实验室针对品牌主旗下的四个品牌分别建模,最终获得四组对比数字。在奉上广告效果成倍提升的同时,AI还会带给品牌主额外的福利。上文中提到,数据科学家通常会把AI在模型训练中找到的最重要特征做分享和解读,而这些特征,可以辅助品牌进一步了解目标受众,以及调整后续营销投放策略。例如,借助在APP行为特征方面的优势,如果我们通过建模发现,这个品牌高潜人群使用出行类APP的这一特征重要性最高,那么品牌后续移动端广告预算就可以考虑向出行类APP倾斜,促进广告转化率的提升。

需要特别强调的是,样本的选择以及特征的优化是最终决定模型效果的最关键因素,而这一关键因素,往往容易被经验不足的建模人员所忽略。在前面这一案例中,品牌主希望通过模型预测出看过广告后最有可能购买的人群,那么选择曾经在看过广告后又购买了产品的人群作为正样本,逻辑相对简单明了。但负样本应该从曝光后未购买人群中选,还是从点击广告但未购买的人群中选呢?

营销实验室的数据专家坚定的选择了后者,并且在标准的特征过滤过程后,对相关性较高的特征做了进一步筛查,去除了其中不合理的特征。这才保证了模型能够具备比较好的预测效果,而这无疑要仰仗数据科学家的经验和判断。

这个实践案例的结果,于品牌主而言无疑是一颗定心丸。对于正在为品牌广告效果化而伤脑筋的品牌主来说,这无疑是一个最新的有力武器。如果想把广告投给最有可能购买产品的人群,却又对他们缺乏了解,不知道选择什么投放渠道;如果有现成的样本数据,想先做大规模的放大,再进行广告投放;如果想提升品牌广告的带货能力,都可以尝试下这个DMP的高级玩法,用靠谱的AI和模型来帮助提升广告效果。

数智赋能每一个岗位