首家大数据培训挂牌机构 股票代码:837906 | EN CN
阿里巴巴菜鸟级数据产品经理半年回顾总结篇
干货教程:如何绘制业务流程图(二)
干货教程:如何绘制业务流程图(一)
技术贴:如何在数据库中秘密地查询隐私数据
攻略教程:信息图(infographic)是怎么做出来的?
分析师一定要看!用数据讲故事的五个步骤
技术篇:怎样玩转千万级别的数据?
北漂书生:大数据时代SEO数据如何搜集和分析
干货,从十大问题重新认识并读懂互联网
相似图片搜索、算法、识别的原理解析(下)
相似图片搜索、算法、识别的原理解析(上)
制作信息图时请遵循这10条原则
提高表格可读性的一些技巧,适用于Excel、PPT等数据报表
实用教程:如何让Excel图表更具“商务气质”?
一张数据信息图是这样制作完成的
菜鸟读财报,如何从上市公司财报中挖情报?
北大数据分析老鸟写给学弟们一封信
如何一步一步制作出高品质数据信息图?
总结:海量数据分析处理的十个方法
【实战经验】数据分析师如何了解老板真正想法?
零售业数据分析那些事儿
数据分析时l常用电子表格公式【大全】
用数据来告诉你 上市公司财报的秘密
这12个数据能 帮你搞定淘宝店铺
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(四)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(三)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(二)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(一)
淘宝网店从激活到挽留,4步走玩转数据营销
文案怎样写才有意思、不空洞、打动人?
入门级扫盲贴:数据分析的步骤有哪些?
关系即数据,论社交媒体的关系转换
数据的力量,苹果教你用数据鄙视竞争对手
谁说文科生不能做数据分析?数据分析入行→技能提升→优势
产品运营数据分析——SPSS数据分组案例
如何追踪iPhone和iPad等移动设备的用户行为数据?
阿里巴巴中国站:用户满意度指标权重计算方法
广告中的AdNetwork、AdExchange、DSP、SSP、RTB和DMP是什么?
信息图制作教程:关于数值的表现
为什么大数据会如此轰动?(值得深度的文章)
多图技术贴:深入浅出解析大数据平台架构
面板数据分析中标准误的估计修正——根据Peterson (2009)的归纳
财务官、投资人、CIO看过来:给企业数据定价
推荐系统中常用算法 以及优点缺点对比
探索Weotta搜索引擎背后的大数据技术
如何识别虚假数据?
为什么我们像驯化小狗那样驯化算法
程序员必须知道的10大基础实用算法及其讲解
电子商务:最影响转化率的九大要素
如何迅速成为一名数据分析师?
想从事大数据、海量数据处理相关的工作,如何自学打基础?
如何用亚马逊弹性MapReduce分析大数据?
译文:机器学习算法基础知识
给hadoop新手的一封信:Hadoop入门自学及对就业的帮助
从入门到精通,我是这样学习算法的
小商家,从老客户身上获取的数据才更有意义
13页PPT讲述:大数据下网站数据分析应用
40页PPT详解:京东大数据基础构架与创新应用
67页PPT解密搜索引擎背后的大技术:知识图谱,大数据语义链接的基石
营销洞察力——10个营销度量指标
技术篇:前端数据之美如何展示?
董飞:美国大数据工程师面试攻略【PPT】
easel:如何制作好的信息图——来自专家的顶级技巧
大数据实操:以3D打印机为例,如何知道卖点有没有市场需求?
大数据建模 需要了解的九大形式
用户画像数据建模方法
从规划开始,公司or企业如何入手和实施大数据?
干货:商品信息数据分析和展现系统的设计与开发
高手教你用Excel制作百度迁徙数据地图
50篇干货:淘宝店/电子商务如何玩转数据分析?
精华索引:大数据实际应用案例50篇
验证最小化可行产品 (MVP) 的 15 种方法
干货:数据分析师的完整知识结构
大数据技术Hadoop面试题,看看你能答对多少?答案在后面
用SPSS做数据分析?先弄懂SPSS的基础知识吧
怎样做出优秀的扁平化设计风格PPT? 扁平化PPT设计手册#3
解答│做大数据过程中遇到的13个问题
40页PPT│社交网络发展的新动力:大数据与众包
以Amazon、豆瓣网为例,探索推荐引擎内部的秘密#1
怎样做出优秀的扁平化设计风格PPT?#2
怎样做出优秀的扁平化设计风格PPT?#1
36页PPT│大数据分析关键技术在腾讯的应用服务创新
如何丰满地做SWOT分析?
【35页PPT】TalkingData研发副总阎志涛:移动互联网大数据处理系统架构
27页PPT|以珍爱网为例,如何构建有业务价值的数据分析系统?
国外数据新闻资源分享
21页PPT重磅发布:Mariana——腾讯深度学习平台的进展与应用
从0到100——知乎架构变迁史
PPT解读:百度大数据质量保障方案探索
45页PPT|大数据环境下实现一个O2O通用推荐引擎的实践
从数据看豆瓣兴衰
深度学习系列:解密最接近人脑的智能学习机器——深度学习及并行化实现(四)
重磅推荐:129页PPT讲述移动时代创业黄金法则 via:腾讯企鹅智酷
重磅推荐:大数据工程师飞林沙的年终总结&算法数据的思考
OpenKN——网络大数据时代的知识计算引擎
大数据下城市计算的典型应用
技术贴:大数据告诉你,如何给微信公众号文章取标题?
你的QQ暴露了你的心——QQ大数据及其应用介绍PPT
如何从企业报表看企业的生存能力?
实用的大数据技巧合集
技术帝揭秘:充电宝是如何盗取你的个人隐私的?
重磅!50页PPT揭秘腾讯大数据平台与推荐应用架构
原创教程:饼图之复合饼图与双层饼图(1)
PPT:大数据时代的设计特点——不了解这个你做不了今天的设计
教程贴:如何用方程式写春联?
原创教程:如何用Excel制作简易动态对比图
深度译文:机器学习那些事
教程帖:数学之美——手把手教你用Excel画心(动态图)
董老师走进斯坦福,聊聊硅谷创业公司和大数据的事儿(附课件PPT下载)
【限时】年度钜献,108个大数据文档PDF开放下载
董飞专栏:大数据入门——大数据相关技术、Hadoop生态、LinkedIn内部实战
亿级用户下的新浪微博平台架构
一张图了解磁盘里的数据结构
浅析数据化设计思维在阿里系产品的应用
美团推荐算法实践
一个P2P创业公司有哪些部门,都是做什么的?
一个P2P平台的详细运营框架是怎样的?
机器学习中的算法——决策树模型组合之随机森林与GBDT
神经网络简史
58页PPT看懂互联网趋势,大数据/物联网/云计算/4G都有了
广点通背后的大数据技术秘密——大规模主题模型建模及其在腾讯业务中的应用(附PPT)
微信红包之CBA实践PPT——移动互联网海量访问系统设计
一文读懂机器学习,大数据/自然语言处理/算法全有了……
搜狐新闻客户端的背后大数据技术原理——推荐系统(PPT)
原创教程:用Excel做动态双层饼图
半小时读懂PMP私有广告交易市场
怎样分析样本调研数据(译)
PPT:支付宝背后的大数据技术——DataLab、Higo的实践及应用
大数据技术人员的工具包——开源大数据处理工具list(限时下载)
计算机视觉:随机森林算法在人体识别中的应用
24页PPT:机器学习——支持向量机SVM简介(附下载)
互联网高手教你如何搜集你想要的信息
深度:对地观测大数据处理、挑战与思考
原创教程:用Excel做饼图之复合饼图与双层饼图(2)
移动大数据时代: 无线网络的挑战与机遇(附pdf下载)
Excel使用技巧——25招必学秘技
【年度热门】加上这些 Excel 技能点,秒杀众人(多图)
原创教程:用Excel做纵向折线图
知识图谱——机器大脑中的知识库
何明科专栏:用数据化的方式解析投资条款
DT时代,如何用大数据分析创造商业价值(23页PPT)
MIT牛人梳理脉络详解宏伟现代数据体系
你的老婆是怎么算出来的?揭秘佳缘用户推荐系统
飞林沙:商品推荐算法&推荐解释
PPT:如何成为真正的数据架构师?(附下载)
开源大数据查询分析引擎现状
董飞专栏:打造数据产品必知秘籍
译文:如何做强大又漂亮的信息图
如何使用Amazon Machine Learning构建机器学习预测模型
如何运用数据协助货架管理(内附26张PPT)
SVM算法
主流大数据系统在后台的层次角色及数据流向
PPT:阿里全息大数据构建与应用
人脸识别技术大总结——Face Detection & Alignment
教程:用Excel制作成对条形图
易观智库:大数据下的用户分析及用户画像(18页PPT附下载)
技术向:如何设计企业级大数据分析平台?
电商数据分析基础指标体系
IBM SPSS Modeler 决策树之银行行销预测应用分析
拓扑数据分析与机器学习的相互促进
基于 R 语言和 SPSS 的决策树算法介绍及应用
用php做爬虫 百万级别知乎用户数据爬取与分析
另类新浪微博基本数据采集方法
以10万+阅读的文章为例 教你做微信公众号的运营数据分析
破解数据三大难题:变现?交易?隐私?
微店的大数据平台建设实践与探讨
阿里巴巴PPT:大数据基础建议及产品应用之道
基于社会媒体的预测技术
人工智能简史
技巧:演讲中怎样用数据说话
马云和小贝选谁做老公?写给非数据人的数据世界入门指南
掘金大数据产业链:上游资源+中游技术+下游应用
原创教程:手把手教你用Excel做多层折线图
销售分析:如何从数据指标发现背后的故事
如何一步步从数据产品菜鸟走到骨干数据产品
也来谈谈微博的用户画像
行走在网格之间:微博用户关系模型
如何拍出和明星一样美爆的自拍照?斯坦福大学用卷积神经网络建模告诉你
运营商如何玩转大数据? 浙江移动云计算和大数据实践(PPT附下载)
大数据分析的集中化之路 建设银行大数据应用实践PPT
腾讯防刷负责人:基于用户画像大数据的电商防刷架构
创业提案的逻辑
友盟分享 | 移动大数据平台架构思想以及实践经验
寻路推荐 豆瓣推荐系统实践之路
“小数据”的统计学
重磅!8大策略让你对抗机器学习数据集里的不均衡数据
小团队撬动大数据——当当推荐团队的机器学习实践
微博推荐架构的演进
科普文 手把手教你微信公众号数据分析
信息图制作的六个注意点
【权利的游戏】剧透新玩法:情理之中?意料之外
推荐系统(Recommender System)的技术基础
核心算法 谷歌如何从网络的大海里捞到针
Quora数据科学家和机器学习工程师是如何合作的
阿里巴巴PPT:大数据下的数据安全
数据建模那点事儿
全民拥抱Docker云–Lhotse系统经验分享
实时股票分析系统的架构与算法
架构师必看 京东咚咚架构演进
什么叫对数据敏感?怎样做数据分析?
推荐系统基础知识储备
刘德寰:数据科学的整合与细分 数据科学的七个危险趋势(视频)
实际工作中,如何做简单的数据分析?
分布式前置机器学习在威胁情报中的应用(附PPT下载)
数据科学 怎样进行大数据的入门级学习?
扛住100亿次请求 如何做一个“有把握”的春晚红包系统?(PPT下载)
从 LinkedIn 的数据处理机制学习数据架构
大数据会如何改变管理咨询公司(I)
优秀大数据GitHub项目一览
生硬的数字和数据新闻:这么近,那么远
经典大数据架构案例:酷狗音乐的大数据平台重构(长文)
揭秘中兴大数据在银行领域的系统部署
基于大数据的用户画像构建(理论篇)
【R】支持向量机模型实现
数据图处处有陷阱?五个例子教你辨真伪
如何用R绘制地图
你确定你真的懂用户画像?
数据模型需要多少训练数据?
【接地气】01 数据报表的颜色怎么配
游戏价值和数据分析新思路
【R】异常值检测
快的打车架构实践
豆瓣还是朋友圈:大数据、新方法和日常问
PPT数据图表,怎么做才好看?
大道至简的数据体系构建方法论
数据的误区及自身业务
新浪微博的用户画像是怎样构建的?
面试干货!21个必知数据科学面试题和答案part1(1-11)
易观智库:中国大数据产业生态图谱2016(附下载)
Airbnb的数据基础架构
50PB海量数据排序,谷歌是这么做的
大数据时代工程师如何应对–今日头条走进硅谷技术讲座
D3.js教学记(下)
D3.js教学记(上)
飞林沙:企业级服务公司如何赚钱?只有平台级产品才有大数据的理论
一个母婴电子商务网站的大数据平台及机器学习实践
7大板块 组成数据分析师的完整知识结构
干货:SaaS领域如何分析收入增长?
学术 | 词嵌入的类比特性有实用意义吗?
6个用好大数据的秘诀
一个数据库外行眼中的微信优化 (附专家补充)
大数据调研,如何实现快全准?
数据大师Olivier Grisel给志向高远的数据科学家的指引
数据堂肖永红:数据交易的是使用权或数据的增值,而不是数据本身(PPT附下载)
淘宝商品详情平台化思考与实践
刘译璟:百分点大数据理念和实践(图文+PPT下载)
如何快速搞定一份看起来还不错的演示文档?
【BABY夜谈大数据】决策树
数据驱动设计:数据处理流程、分析方法和实战案例
美图数据总监:Facebook的法宝,我们在产品中怎么用?
树的内核:量化树结构化数据之间的相似性
拿到用户数据之后,LinkedIn怎么赚钱?
GrowingIO张溪梦:增长黑客的核心 企业应该重视产品留存率(附PPT下载)
[译]Airbnb是如何使用数据理解用户旅行体验的?
微博推荐数据服务代理: hyper_proxy的设计和实现
星图数据谷熠:消费领域DaaS 大数据重构未来商业游戏规则(附PPT下载)
鲍忠铁:TalkingData大数据技术与应用实践(PPT下载)
【干货教材】数据分析VS业务分析需求
九枝兰专访:数字营销的核心—企业如何使用数据管理平台(DMP)进行精准营销
我们的应用系统是如何支撑千万级别用户的
R应用空间数据科学
Excel进行高级数据分析(上)
Excel进行高级数据分析(下)
国内各大互联网公司2.0版技术站点收集
网站数据分析思路导图
大数据分析报表设计开发要素
大数据需要的12个工具 推荐
YARN/MRv2 Resource Manager深入剖析—NM管理
YARN/MRv2 Resource Manager深入剖析—RMApp状态机分析
Hadoop 1.0与Hadoop 2.0资源管理方案对比
Hadoop 2.0中单点故障解决方案总结
Hadoop 2.0 (YARN)中的安全机制概述
Hadoop 新特性、改进、优化和Bug分析系列1:YARN-378
Hadoop 新特性、改进、优化和Bug分析系列2:YARN-45
Hadoop 新特性、改进、优化和Bug分析系列3:YARN-392
Hadoop版本选择探讨
探究提高Hadoop稳定性与性能的方法
《Effective C++》读书笔记(第一部分)
Hadoop分布式环境下的数据抽样
Hadoop计算能力调度器算法解析
如何编写Hadoop调度器
数据结构之红黑树
Hadoop pipes设计原理
《C++ Primer plus》学习笔记之”类”
《C++ Primer plus》学习笔记之”类继承”
《C++ Primer plus》学习笔记之”C++中的代码重用”
《C++ Primer plus》学习笔记之”异常”
《C++ Primer plus》学习笔记之”RTTI”
Hadoop pipes编程
Hadoop Streaming高级编程
《C++ Primer plus》学习笔记之”标准模板库”
《C++ Primer plus》学习笔记之”输入输出库”
Linux Shell 命令总结
算法之图搜索算法(一)
awk使用总结
素数判定算法
《C++ Primer plus》学习笔记之“函数探幽”
使用Thrift RPC编写程序
如何在Hadoop上编写MapReduce程序
怎样从10亿查询词找出出现频率最高的10个

九枝兰专访:数字营销的核心—企业如何使用数据管理平台(DMP)进行精准营销

于2017-04-01由小牛君创建

分享到:


作者:九枝兰

导语:传统营销方式是粗放的,老大们“拍脑门”决策。但现在,营销越来越精细,一切都开始依靠数据驱动,数据成为企业一笔宝贵的财富。而互联网营销革命——程序化营销的诞生进一步推升了数据管理平台(DMP)的重要性,DMP开始在中国数字营销圈迅速走红。如果企业合理使用DMP可以使触及到的目标受众更精准,可以提升转化率,降低推广成本。比如教育企业原来每做5000块钱的展示广告才能获得1个lead,但是运用DMP之后,成本可能会降低10%到20%。总之,优质的DMP平台可以让企业少花钱,多受益。九枝兰请来了国内负有盛誉的互联网营销专家宋星为我们带来《数字营销的核心—企业如何使用数据管理平台(DMP)进行精准营销》。

此外不得不说的是,和国外相比,国内大部分行业的营销理念更加稚嫩、营销环境稍显恶劣,无论是企业主还是营销人员更加浮躁和急迫。包括营销自动化、DMP等一些非常好的理念和工具在国内大范围的实行起来前途既光明又曲折。希望这个访谈能够帮助我们的企业高层以及营销管理人员,能够为你们的营销思路带来启发。

本文提纲
九枝兰:对于不同的人而言,DMP可能具有不同的内涵,人们对DMP可能存在种种误解。能否告诉我们,按照你的理解,DMP到底是什么?

宋星:DMP全称是Data Management Platform,广义上理解是管理数据的工具,但是DMP其实隐藏了它的定语,这个定语是Digital Marketing,即Digital Marketing的DMP(翻译为汉语是:数字营销的DMP,数字营销与互联网营销基本同义,编者注)。在数字营销领域(Digital Marketing),广告投放和互联网营销相关的数据理论上都是DMP所涉及的范围。

DMP是什么
DMP必须要加上“digital marketing”作为定语的原因在于,唯有在数字世界中我们才有可能全面收集并整合与营销全流程相关的数据,包括追踪到过去很难追踪到的关于用户描述的数据。在现实生活中,很多数据无法追踪或者追踪很困难,要想了解到不同个体的历史行为轨迹甚至有时需要动用刑侦手段,但数字世界这一点却不再成为问题。

Digital Marketing和传统营销最大的区别就在于能够在虚拟的空间内尽可能的运用数字技术手段追踪用户的行为以及他们在网上留下的蛛丝马迹,即DMP的第一个字母D代表的Data(数据)。在获取这些数据之后,我们又可以通过DMP进一步应用这些数据。所以,你可以看到,DMP的存在是帮助收集、组织、管理和应用互联网营销的数据,尤其是消费者(或称为受众)的相关数据。这为数字营销获得更准确的洞悉、建立更准确的策略、定位更准确的人群、提供更针对性的创意提供了无限可能。即,我们常说的,真正意义上的数据驱动的数字营销。

所以,一般而言,DMP有三层含义:

第一层,DMP不是管所有数据的,而是管理digital marketing或digital advertising的DMP。

第二层,因为DMP管理的是营销相关的所有数据,而营销的最终目标是影响受众,所有DMP数据最核心的部分是围绕营销的对象,即受众或消费者的数据,比如包括了传统意义上的数字广告监播的数据、网站监测的数据、APP捕捉的数据等,因为这些数据是受众的行为。也包括了受众本身的一些静态的属性——什么是静态属性在我之前的文章已经有很详细的说明,以及他们的兴趣和意图。

第三层,光有数据还不够,不能用这些数据等于零。因此更重要的,DMP在收集了如上数据之后,能够直接地、实时地应用于营销,帮助营销取得直接的效果。此外,应用这些数据还包括对营销对象的深刻洞察,从而获得更好的营销策略。

DMP日渐火爆源于广告主对投放效果的更高追求以及对营销浪费更低的容忍度,DMP即是为解决这些问题而生。广告主希望更精准的对目标人群进行广告投放,如果投放的对象对某些广告不感兴趣,却反复被广告轰炸只会适得其反。如果企业能够在投放广告或其他营销手段前就能对受众进行具体、精准的识别,广告投放的效果会因此增强。

九枝兰:DMP是近几年才出现的新事物吗?它是如何诞生和发展的?

宋星:DMP近几年兴起并迅猛成长,但严格来讲DMP不算新生事物。自打人类有营销活动的那一天开始,了解营销对象是谁就是必然会提出的课题。所以四五十年前开始就有了客户关系管理的概念和客户管理系统(Customer Relationship Management,以下简称CRM),可谓是DMP的前身。但是它的所有数据和系统安排有一个前提,即这个人要购买了你的产品或者留下了销售线索,你的CRM才能管理他。所以CRM解决的问题是受众已经和企业发生了特定关联之后进一步强化这个联系的问题,而营销的核心点却是怎么和新用户接触并让他们成为我的客户。过去的研究方法之一是当一小部分人成为我的客户之后研究他们为什么成为我的客户,然后把这些诱因作用到更广阔的大众群体上,从而增加转化客户的效率。DMP是沿着这个思路来的,大家之前从未提过这个概念的原因是因为追踪一个人的数据在现实生活中实在太困难了,我们前面也讲到了。但是有了互联网之后,几乎一切用户的互联网行为都可追踪。比如昨天看了一个网站,网站知道我浏览过它,而且和网站合作的第三方机构也知道我浏览过它。同样我在看APP里面的内容,运营商也知道我浏览的内容。这些数据是不断收集的,因此在我投放广告之前,已经对受众有了很多的数据积累。

DMP产生和发展
这也由过去的CRM研究和管理已经转化的顾客转变成即使还不是顾客也能认识和管理他。只要数据足够多,获取数据的渠道足够广,理论上我们完全可以了解互联网上的每一个人。所以我觉得DMP的概念虽然不一定与CRM在技术上有直接的关联性,但是在营销理论上他们确实有一定的继承关系,思路是一致的。只不过CRM是转化为客户后才能进行,而DMP是通过大数据分析直接去找目标用户,这个是DMP的第一个渊源。 第二个就是DMP的最初发展不是在中国,DMP的概念和技术是从国外舶来的。要讲它的兴起我们要引入程序化广告投放这个概念。程序化广告之前在曲海佳的专访中有提到过,简单讲就是透过程序去找真正对产品感兴趣的人,实现的是对人群的购买而非媒体的购买。举个例子SEM(即搜索引擎的竞价排名营销)就是最简单的程序化广告。SEM有几个特点,一个是它是定向的,能够识别用户,因为展现的广告和搜索词是直接相关的。此外它的投放是动态的,包括具体的广告的计费、包括展示的创意、包括广告展示的约束(地理位置、频次什么的),这一切都是程序来控制的。程序化广告也是如此,它是在对受众的事前了解的基础上,根据每一个具体的人的具体情况,用程序去匹配最合适的创意物料、最合适的广告出价、最合适的广告展现环境等等。所以就算是同样的一个广告位,同样的时间,不同的人看到的广告内容都是不同的,理论上你看到的广告是跟你的兴趣、意图或者社会生活境遇最相关的。这样强大的广告形式的背后必须要大数据作支撑,这样就对DMP的应用提出了很强的需求。程序化广告必须要透过DMP和DMP后面的数据才能够真正运转起来。因为程序化广告真正的核心在于数据本身,在于数据的准确与及时。DMP这个概念近两三年在国内迅速崛起离不开程序化广告(如一些DSP公司提供的服务)的迅猛普及,而程序化广告背后的驱动力必须是数据。

九枝兰:数据不仅是营销的核心,更是DMP的核心。那DMP需要获取哪些数据以及如何获取呢?

宋星:既然要使用DMP, 必须要打通数据才能用。理论上DMP应尽可能了解用户在互联网上的所有信息数据。比如能够了解到你是一个女士,你喜欢服装、化妆品、连环画等。这些东西理论上我们都能通过DMP识别出来。

DMP需要的数据及获取
而怎么样获得这些数据是DMP非常重要的环节。现在DMP的厂商非常多,每一家都宣称自己有各种各样的数据。这里面一定要明晰几个概念:

第一,数据本身是什么样的数据?管理的数据最重要的是围绕受众的数据,因为受众是接受方,最后所有开展的广告数据、创意数据以及统计方法都是围绕它们而展开。但是受众的数据又有好多类型,各种类型下面又有各自不同的结构和属性,DMP中的数据究竟是什么样的呢?——一定需要了解清楚。 第二,数据的适用范围是什么?这是很多人都忽视的。比如说我能拿到去年美国国防部的数据,不过这些数据只能在美国政府授权的情况下使用,比如说你是中央情报局雇员且只能在中央情报局的内网使用,你离开了中央情报局这些数据就与你无关或者变成了一堆废纸。DMP里面的数据很多时候也是这样,即使我们有了比如淘宝的数据,我们还跟人到处乐呢,说我们有中国最牛的电商互联网公司的数据。但是对不起,你确实有这些数据,但是这些数据只能用在钻石展位广告的投放上,你想用这些数据投放百度联盟或者腾讯广点通,门都没有。这是我们在用DMP的时候会忽略的一个事实,而且很多时候,DMP提供方就是用这个方法在偷换概念,这个一定要小心。

第三,数据的时效性。所有的东西都有保质期,而数据如果过了保质期也会有一定的问题。因此当所有人都在说数据的时候,好像听起来都是一样的数据,但实际上此数据非彼数据。可能你说你有腾讯数据,我说我也有腾讯数据,但我们拥有的数据可能完全不一样,数据本身所包含的东西,它的适用范围,和它的时效性等都不一样。所以这点是很容易在这个行业里面混淆视听的一个概念。

我们接下来看看数据的类型。数据一般来讲有3种类型,即第一方数据第二方数据和第三方数据。

数据类型
比如说随便找一个广告主,以可口可乐公司为例吧,它的CRM是第一方数据,是它自己所拥有的数据。 第二方数据比如说可口可乐与九枝兰合作,九枝兰帮可口可乐投放广告,同时数据也会被九枝兰监播。那么这一部分监播的数据,理论上也是属于可口可乐的资产。但是数据是由九枝兰提供的,这个时候,可口可乐是甲方,九枝兰是乙方。那么九枝兰的数据,对可口可乐来讲是第二方数据。 如果在营销的过程当中九枝兰说数据不够,能不能再用一些腾讯的数据。于是九枝兰又找来一些腾讯数据,这时候这个数据对于可口可乐来说就是第三方数据。

一般来说,第一方和第二方的数据是比较好的,尤其是第一方数据,因为这些数据是你自己的,你对数据拥有充分权限,而且数据的适用范围很广,时效性也不错。但是它有一个问题就是第一方数据的量一般来说比较少,一般是你知道顾客是谁之后才会得到。第二方数据理论上和第一方数据差不多,相对而言质量也比较好,实效性较强。第二方数据和第一方数据都存在一个问题,就是虽然第二方数据比第一方数据广得多,但数据本身的范围还是比较窄,源头都是甲方“自己人”的数据。

因此,第一方数据和第二方数据无法很全面的描述一个人,如果这个人的行为在甲方和它的合作伙伴的监测范围之外,那么第一方数据和第二方数据就无能为力了。但对一个人的描述必然需要是全面的,我光知道他跟可口可乐“不得不说的故事”是不足以帮助到我们实现针对性的营销的。比如,我们不知道这个人除了访问了可口可乐网站,实际上他还特别在意减轻体重,经常浏览各种健身和保健内容等等。如果我们能知道后者,我们或许就明白推荐给他“健怡”更合适。为了实现这样的对受众的更全面的了解,这个时候我们还必须求助于第三方数据。

第三方数据在中国分成几个大类:

第一大类,大垄断平台生态圈子的数据,就是BAT的数据。第二大类,运营商数据,运营商有很多底层的数据。

第三大类,很多垂直领域的平台,比如说宝宝树,易车网等。

DMP BAT
一般我们会认为BAT三家的数据是各具特点的,而且质量是很高的。比如说百度是搜索数据,搜索数据具有高度时效性,是人的意图的最直接反映。阿里巴巴是消费意图的数据。腾讯是非常好的人和社会属性的数据,这就是BAT的数据。 一般DMP提供商都会宣称自己有BAT的数据表示自己有多么“牛”。不过有个通常被大家忽略的点,就是数据适用范围的问题。BAT的数据虽然质量很好,但是适用范围有限。B也好A也好T也好,谁都不愿意把自己的数据拿到自己生态圈之外使用。举个例子,比如说要拿着腾讯的数据去淘宝,那么腾讯肯定是不乐意的。所以BAT的数据现在原则上肯定只是用于自己的生态圈。 之前有这样的案例:有广告主用到了BAT中某家的数据,这家也同意该广告主把这些数据用在其他广告投放生态中去,但最终广告主收到的数据其实是经过高度稀释的。因为这家数据提供方说,我们的数据必须要达到每天5000万才能发出。但是客户只需要对咖啡感兴趣的网民的数据,可能今天数据只有5万个对咖啡感兴趣的,达不到5000万的数据量。那怎么办呢?数据提供方会把喜欢桔子的、喜欢喝茶、喜欢打视频游戏的等等人(完全随机)的数据一起揉进去,一共给你5000万数据。所以说即使我手上有了BAT的某些数据,也基本上很难用起来。所以说大家吵着嚷着说要有BAT数据, 真正能用BAT数据的,就是BAT自己而已,我们就不用自欺欺人了。这个是第一类的数据。

第二类的数据就是运营商的数据。运营商的数据有一个好处就是它是底层,所以理论上能看到的数据比BAT要多。所以运营商的数据是非常好的数据。

不过运营商数据存在几个无法克服的问题:

第一,运营商的数据可以获得,但是前提是运营商愿意跟你合作。因为运营商身份的关系,这个事情不一定是纯商务关系(不像跟BAT的合作,基本上是利益牵手)。而且运营商最近遇到了流量劫持等争议性问题,所以在选择数据合作伙伴的时候很谨慎。

第二,运营商很多是“军阀割据”的。你要搞全国数据,你得跟他们的每一个“地方军阀”去谈。这个工作我估计中国没几个人能全部搞定。

第三,是越来越多的网站、APP采用了加密手段。所以过去互联网对运营商基本上可以算作透明世界,现在也有不少数据看不到了。比如,运营商过去是能看到百度用户的搜索数据的,百度说,这风险太大了吧,于是把search queries都加密了,然后运营商也就看不见了。

虽然有这三方面的问题,运营商仍然是比较好的数据合作方。他们姿态上比BAT开放的多,运营商逐步管道化和边缘化,所以他们也相对乐意在数据上找到一些新的增长点。 如果运营商愿意提供数据,他们将提供给DMP经过“脱敏”的数据。脱敏是指我们在DMP中所使用的数据理论上都应该是非PII数据。所谓PII是指能够识别个人具体身份信息的数据,并且可以通过这些信息定位到真实世界中的这个人,有点类似于“人肉信息”的意思。运营商是有个人的识别性数据的,比如有用户的姓名,身份证号,出生信息,家庭地址,IP地址。这些都是PII信息,运营商不会发给DMP,当然DMP也不可以获得这些数据。而另外一些数据运营商也可以获得,比如某个互联网用户访问某个网站时候的cookie、被某个广告技术服务商打上的cookie等,还能看到他一段时间内浏览网页、使用APP的全路径,还能看到某个人的地理位置的不断变化的信息。

运营商和你合作的时候,会对数据脱敏,把PII数据去掉,变成一些普通的数据。比如说绝对不会把这个人的身份证号、手机号提供出来。这就涉及了DMP的另外一个问题——隐私问题。有一年315晚会曝出一些广告技术服务提供商侵犯了用户的隐私,其实他们所谓侵犯的隐私可能完全没有PII数据,用于广告定位的信息可能已经都经过脱敏。但是如果运营商把你的手机传给了第三方,这就是侵犯隐私。现在立法严格了,这么做已经深具风险。 第三类就是垂直领域的数据。它们的数据很好,虽然数据范围局限在某些具体行业,但是相对来讲数据比较细比较专,而且质量也颇高。比如说汽车广告主想投放一些广告,那找到一些汽车类的垂直合作方会比较好。此外,垂直网站的数据封闭性相对没有那么高,不像BAT可能是要靠数据为本身去赚钱,垂直网站相对比较愿意把数据拿出来和其他公司去合作,从而换取一些他们一般拿不到的资源。

这就是三类数据各自的一些特点。总体来说,第一方数据、第二方数据和第三方数据共同构成了DMP的来源。另外还有一些特殊数据源,比如政府的数据、国家一些行政基础信息系统建设产生的数据、线下数据,也是DMP数据的补充。

九枝兰:第三方数据该如何购买和获得?

宋星:这也是中国DMP和国外的区别之一,国外有非常严格的立法和行业标准,出现了BLUE KAI等很有名的DMP数据交易平台。来自不同平台和领域的数据可以进行交换、共享或出售。中国则不存在这样的平台,立法和规范还未建立和完善。对于中国广告主而言,要想获得第三方数据最简单的就是通过BD找那些真正的第三方数据的DMP合作,而在与第三方数据提供方合作之后,如何保留并使用这些数据,就需要自己想办法解决了。所以这涉及到一个问题就是企业要不要建自己的DMP,后面会提到这个问题。

第三方数据购买
九枝兰:怎么判断DMP数据的时效性?

宋星:这涉及到两个问题。一个是数据本身的时效性,另外一个是对时效性的判断。第一个问题,时效性里性别的实效性是最差的,一般而言它不会改变。兴趣的数据时效性也比较短。行为的实效性就更短,昨天的行为和今天的行为肯定不一样了。实效性的判别涉及到第三方数据的DMP里面怎样判断它的质量。这个是一个比较复杂的话题,到今天为止也没有得到很好的解决。业界判断第三方数据DMP的质量是否足够好,比较传统的是用panel方法。但是这种方法存在很大缺陷。

九枝兰:怎么判断DMP数据的时效性?
九枝兰:什么是panel判定法?

宋星:比如说我想看腾讯的数据是否准确,我从数据池里抽取一万或者两万个数据做人肉调查,得到他们性别、年龄等数据,然后和腾讯给我的这一亿数据进行对比,如果二者符合的话就说明这种方法确实可靠。这是目前市面上最常用的方法,但不建议使用。原因在于首先样本量存在偏差:你的样本量相对总数据池来说太少,真实可信的数据能有几万或者十几万就已经很不错了。面临的第二个问题是通过样本量的数据规模去验证DMP的数据规模不科学,因为你要用10万的样本去验证上亿的数据规模,是千万级的差异,这使得panel的数据可能还不如DMP的数据准确。

什么是panel判定法?
那么如果这种方法不可行的话,另外一种方法就是通过判别兴趣来验证数据的好坏。你给我一群人说是喜欢汽车的,我也相信他们是喜欢汽车的,于是我就投广告。投完广告之后我就会发现这些人对广告的感受,看广告的时间,点击广告的次数,进入广告或者APP和我互动的程度都明显好于盲投,那会觉得这个数据确实是基于兴趣,这个是第二种方法,这种方法是后验。

第三种方法能够解决第一种方法panel所带来的问题:跟BAT合作,跟运营商合作,让BAT或者运营商来评估数据大概的质量情况。因为我们信任BAT或者运营商的数据质量还是可靠的,而且以他们的数据作为panel也能够解决panel内数据量过少的问题。不过我们需要和BAT有很好的合作关系,这是第三种方法。往往我们认为BAT和运营商只要数据抓取得当、技术合适,那么他们作为尺子去衡量其他数据还是靠谱的。

九枝兰:DMP的理念易于接受,但实践却困难的多。那么你建议企业主如何应用DMP?

宋星:企业应用DMP目前有几种方法:

第一种方法,企业完全不做DMP,而是拿着服务商的直接用。第二种方法,广告主自己建一个DMP, 数据掌握在自己手里会更好一些。

这是企业最具有代表性的两种方法,各有需求。

我们一般会建议广告主要有自己的DMP, 原因在于DMP会包括3类数据—第一方、第二方和第三方。如果你只用别人的数据,那么你不会有第一方和第二方的数据,不能把它整合到自己的DMP系统中去。如果广告主有一个自己的DMP,企业的数据就有一个地方去存储、整合并且有机的应用,这也是为什么现在各企业对于建DMP热情这么高的原因。

企业主如何应用DMP
所有的企业都相信自己的数据是很有价值的,但是都没有很好的组织与利用。当然,如果自己建DMP的话,会有很多的挑战。

第一个挑战是建DMP平台需要多大的投入?第二个挑战是数据哪里来?第三个挑战是数据怎么用?

这是三个关键问题。

企业主应用DMP的3个问题
首先,费用问题,包括机房、硬件、人力等等所有东西都要我们自己去投资,费用肯定会更贵一点。所以现在大多数广告主都使用云端,数据经过加密只为广告主自己所有,物理存储是公用的,这样会使成本下降,从部署的难易程度来看也是云端更简单。 其次,数据从哪里来,当然第一方数据第二方数据企业是有的,只是需要一个DMP把它们整合在一起。如果不做DMP,我没有机会去整合一二三方数据,做了DMP,数据量非常的大,技术、成本就面临很大的挑战。

所以最终我会建议广告主去建一个二元结构的DMP:建一个自己的DMP去负责处理第一方第二方和少量第三方的数据(放在云端或者自建均可,看自己的能力),因为是自己建的DMP,所以数据的安全性非常有保障, 而且数据量不是非常的大,管理难度大大降低了。企业有了自己的DMP还可以很好的和一些程序化工具连接在一起, 从而实现企业自己控制程序化营销过程而不需要掌控在别人的手中。这是二元结构的企业主的一边,在另一边,如果企业主要应用大量的第三方数据,有另外一个大的在云端的DMP平台,企业自己可以把第一方第二方和云的第三方数据打通,形成企业自己DMP和第三方DMP(或第三方数据源)连接在一起的二元结构。

二元结构DMP
总结来说,二元结构下的企业自建的DMP,既可以解决存储数据、应用数据的问题,同时它连接第三方大的数据平台,又可以解决第三方数据来源不够的问题。进可攻退可守,是一个可落地的非常好的解决方法。

九枝兰:哪些行业和哪些企业适合自建DMP?

宋星:第一个就是每年有一定的广告投放和市场推广费用的企业,如果费用还没有DMP的成本高,那就不用建了。

哪些行业和哪些企业适合自建DMP?
第二个是对自己数据的安全性要求比较高,自己建DMP可以解决这个问题。

第三个是对客户人群的细分是有要求的,比如说像汽车行业、母婴行业、奢侈品行业,并不是所有的人都有购买这些产品的需求,营销必须对人有针对性,这种企业对DMP需求高,而且最好是自建DMP平台。

不过自建DMP,对自己的IT部门是有很高的要求的,我相信并不是每个有自建DMP需求的企业主都能够真正的靠自己的员工去建设一个DMP。如果没有这样的自信和实力,那么不妨利用软件外包的方式,让第三方开发公司来承建。比如像九枝兰这样的提供营销SaaS服务的公司。

九枝兰:企业通过自建二元化的DMP会获得怎样的好处?

宋星:最简单的就是这些企业建了DMP之后,广告投放效果会有明显的变化。最明显的变化就是触及到的目标受众更精准,过去触及1万个人里面可能只有1000个人对我的产品感兴趣,使用DMP之后可能会上升至3000人。结果是花了同样的钱,但是达到的效果更好。另外可以提升转化率,降低推广成本。比如教育企业可能原来花5000块钱投广告才能获得一个lead,但是建立DMP之后,成本会降低10%到20%左右。

优质的DMP平台可以让企业少花钱,多受益。

九枝兰:企业通过自建二元化的DMP会获得怎样的好处?
九枝兰:CRM和DMP密切相关,那么如何把 CRM数据运用于DMP中?

宋星:二元结构有一个很大的好处就是“小DMP”(即企业自建DMP)和“大DMP”(即第三方DMP或者第三方数据源)是打通的。小DMP里面包含一部分CRM的数据, 假如说CRM里面有1万个人,这1万个人我是明确知道他们是购买汽车的。通过我的小DMP我只能知道他们很少一部分信息(因为小DMP里面只有第一方和第二方数据),而通过进行一些用户的ID匹配的方法,我们可能能够在大DMP中同样找到这些人,而大DMP中则有这些人的其他一些更广泛的数据。比如说我小数据库里面是1万个人,那么大数据库里我也同样找这1万个人在大的数据库里面还有什么样的信息,找到了以后就丰富我现有这1万个人的标签,通常小DMP是这些人的CRM数据、企业主网站和广告的监测数据等,大DMP中是这些人的社会属性、兴趣爱好等。一旦这1万人的大小DMP中的数据统一起来并且传输给企业主,企业主就可以在DMP里做一些分析和统计,看看这些人有没有一些共性,这实际上帮助我实现了目标受众的洞察——利用这些共性,我们可以实现更多方式的针对性广告投放比如,汽车公司的客户数据中,我们只知道客户是对汽车感兴趣的一群人,现在我可以进行更全面的分析,我们还能知道这群人原来对摄影都特别感兴趣,我们的营销策划就增加了一些新的着力点。又比如我们有一个销售高端红酒的客户,一瓶红酒上万元,之前广告主无法实现精准投放,只能去投一些时尚类、生活类的网站,能够影响到的人群太小,但又不敢随便放大人群,因为毕竟高端红酒是niche的市场。通过DMP分析发现:购买红酒的人都会表现出一些很有意思的共同点,比如说这其中有30%的人平时会浏览一些军事类政治类的网站,这是他们之前根本不可能想到的。所以以后他们会增加投放这一类的网站和流量作为补充,结果ROI也相当不错。这就是DMP的除了广告投放外的另一个好处,就是可以实现对受众人群的洞察,并且在这个洞察的基础上,可以形成新的营销策略。

CRM和DMP密切相关,那么如何把 CRM数据运用于DMP中?
另外,DMP还有一个价值体现在它能够自动化规模化的找目标客户。比如,我的CRM只有1万个人,这1万个人太少了,但是这1万个人所体现出来的共性我记录下来之后可以在更大的人群里去找和这1万个人很相似的人,这在营销上叫look-alike。Look-alike到的人,我针对他们进行投广告,效果肯定比盲投要靠谱。虽然我不知道这些look-alike的人是不是一定喜欢汽车,但是他们的兴趣和这1万个喜欢汽车的人那么相似,他们是同一类人的可能性很高。我这1万人,可以在DMP中,找到100万人跟他们相似的,那么我们投放广告的广泛性扩大了,同时投放的精准性还能得到相当不错的保障。

九枝兰:一个企业从认识DMP到成功应用DMP是一个或顺利或曲折的过程,那么,哪些关键因素会影响到企业DMP应用的成败?

宋星:首先是需要管理层自上而下的推进。其次是营销思路的改变带来营销策略的改变,进而影响企业营销部门的工作方式。过去的方式是粗放式,现在是要往精细化的方向转变。思想观念变了之后操作方式、执行方法也就会有很大的改变。过去可能更多的是去定义媒体是什么样,现在会更多的专注在“人”上。营销是从媒体策略转变成了人群策略。技术改变影响了思想及策略的改变,进而影响了执行的改变。

哪些关键因素会影响到企业DMP应用的成败?
九枝兰:对于不打算自建DMP的企业,如果要选择一个靠谱的服务商,应该注意哪些事项?

宋星:现在真正能做到这个的服务商还不是很多。而且风险很大,如果它一旦关闭了第三方数据,企业对数据将一无所有。所以还是建议大家尽量去建自己的DMP。

选择一个靠谱的服务商,应该注意哪些事项
但如果真的要选择DMP供应商,我有几点建议给大家:

首先,要关注它是不是有成熟的案例和服务的客户,是不是真正的有数据存储。并且别忘了我前面讲到的数据的适用范围、数据的新鲜度等问题。

第二点就是选择有较长生命周期的DMP服务商,也就是说你需要选一个靠谱的、具有发展前景的DMP品牌。业界有DMP服务商服务了没多久就关门的负面案例。系统停了是小事,数据没了就麻烦了。

第三点就是判断它是不是有好的第三方数据,而不是宣称自己有BAT的数据, 你甚至可以要求它给你看一些数据片断证明一下它的实力。

第四点,DMP是一个系统工程,是需要服务的。因为涉及到数据,数据本身就有专业性,构建数据模型,数据需要怎么使用,需要给一些方案。而且刚刚使用数据系统,初期是需要培训的,后期则需要有持续的咨询。不要仅仅以为DMP就是一个软件系统,安装了就能用,绝对不是这样。

第五点,DMP是否与业内的其他广告营销平台有非常全面的连接。 此外,还有一点非常容易被大家忽视:DMP提供方的身份会影响DMP本身的好坏。比如说一个提供营销效果监测的公司, 如果既帮甲方提供数据做广告投放又提供数据监测,那么,他们的DMP就有一个很大的问题,因为投放广告是需要用到DMP数据才能够使投放变好,但是最后效果又是由监测公司来判定,也就意味着既是当运动员,把自己的数据拿出来做投放,又当最后的裁判者去决定这个数据好不好。这个在逻辑上就能看出风险。所以应该去选择一家在行业当中比较中立的公司,这样的数据才能有保障。

九枝兰:企业主或者CMO需要对DMP有怎样的了解?

宋星:需要从战略上去把握DMP,对DMP需要具备前瞻性思考。很重要的一点就是你现在觉得不重要的东西在未来可能会变得很重要。等到你觉得重要的时候再去建设它可能为时已晚。DMP软硬件系统的建设可能不需要太多时间,但是数据的积累则需要时间,而且一旦数据没有积累流失了,那么再不可能再捡回来。所以要从战略上去思考未来两到五年企业的发展形势,还需要判断整个行业的趋势。如果未来竞争对手都有很成熟DMP平台来进行精准营销, 而你的数据却因为没有重视这套数据营销系统,把数据都耗散掉了,这是一件很可惜的事情。企业高层可以把细节上的问题交给DMP从业人员去把关,但是在战略上需要思考目前企业所处的环境以及未来行业发展趋势。

九枝兰:企业主或者CMO需要对DMP有怎样的了解?
对DMP做到未雨绸缪,很多东西你提前开始准备,在未来会派上大用场。

九枝兰:DMP未来会变成什么样子?

宋星:DMP在中国是一个比较新的概念,原因在于数据整合国内做的不太好。我相信DMP未来会有几个趋势的发展:

企业主或者CMO需要对DMP有怎样的了解?
第一,在数据源上,未来DMP的数据源会比现在更多,但是每一种数据源的数据范围可能会变得更小。虽然让BAT和运营商实现自由交换难度有点大,但是各个细分领域进行数据交换的可能性是非常多的。

第二,未来可能会从第三方DMP转向公有DMP,数据直接实现自由交换,这个可能是国内的一个方向。但是前提在于我们对于数据的隐私有更明确的立法出台,避免灰色地带。这是我对公有的的第三方DMP的一个看法。

第三,对于企业私有的DMP,可能会走向一个更加灵活的部署, 会有一些模块化的定制化的工具出现。结构可能不会有太大的变化,但是使用会更加的方便。从而也意味着DMP会成为未来企业的标配。

via:微信公众号  九枝兰网络营销

End.