DSP主要优化要点_上【业务类】

吴俊吴俊

通过上述介绍我们对目标及目标转化漏斗有一定认识之后,下面我们就开始介绍时间、地点、媒体、目标投放对象(谁)、素材创意等等,各种常见的主要优化分析对象及定向的维度。

1. 时间

时间这个维度我们较好理解,不同时段的转化数据会存在一定变化,以及广告流量充沛程度,及买家对流量的争抢程度,都会导致价格也会随时间存在一定变化规律。如图7-4所示以某ADX移动广告流量按时段的变化曲线为例,我们会发现从9-10点开始流量逐步上升,且在晚21-22点流量达到高峰,所以我们就一般广告投放就会选取流量充沛的时段进行投放,这样可挑选的池子很大,且争抢不会太激烈价格上也会有一定优势。以图7-5所示流量的价格可以说明刚刚的论点,晚21-22点流量最充沛,成交价格也呈下降趋势。


图7‑4某ADX移动端流量按时段分布的示例截图


图7‑5某ADX移动端流量按时段分布的CPM表现示例截图


图7‑6某ADX移动端流量按时段分布的CTR表现示例截图

不仅仅是价格,由图7-6所示中的数据可见,CTR随时间也有一定规律可循,在晚21-22点流量虽然最充沛,但由于用户浏览页面及广告量增多,点击率也呈下降趋势。所以由此我们会发现,按时段定向投放对成本、价格、效果的优化还是十分重要的。

2. 地点

  • 地域:也是一般优化中比较关注的优化对象。



图7‑7分地域的CTR分布示例截图

如图7-7所示,颜色越深CTR表现越高,颜色越浅CTR越低,对于广告投放有一些实战经验的同学都知道,一般东部沿海区域及经济较发达地区的CTR呈明显较高表现。所以按地域定向、地域排除等等进行广告投放优化在实际广告投放中是十分常用的优化对象。

  • LBS(Location Based Service地理位置定向):移动端由于很多广告流量中携带了用户设备的经纬度信息,所以也可对地理位置,及相关位置商圈定向投放广告。如图7-8所示。

图7‑8 LBS示例截图

3. 媒体

一般媒体对广告投放效果的影响较大,媒体广告位相关的变量及维度也特别的多,主要涉及:

  • 平台:不同ADX由于其流量来源不同,特性也不同;
  • 终端类型:PC Web、App、Mobile Web不同的终端类型广告投放效果表现会大大不同;
  • 网站/APP:媒体我们一般会从分类及各体角度来观察对广告投放影响的差异。
    • 媒体分类:新闻、娱乐、财经等等分类定向差异
    • 域名、媒体黑白名单等等个体定向差异
  • 频道:少儿、时尚、汽车等等网站/APP内的频道定向差异
  • 广告位:
    • 类型:Banner、暂停、贴片、原生(信息流)等等差异
    • 尺寸:1000*90、640*100等等差异
    • 第几屏:首屏、第二屏等等差异
  • 其他:URL、页面关键词等等差异

一般不同的媒体广告位,在不同的行业投放,都有历史参考的价格及转化数据,这些都是运营优化同学重点分析和优化调整的对象。如图7-9所示,为某行业广告在某ADX中不同类型媒体的消耗分布数据示例截图,从图中能看出某行业在影视、综合门户类媒体的消耗尤其突出,某种程度也说明该行业的广告目标受众集中在这些媒体,且这些媒体为该行业的广告投放效果带来的较大效益,所以该行业的广告主才会加大预算投放的。由此可见整体行业性,对不同类别媒体广告的差异特征还是十分明显的。

图7‑9某行业广告在某ADX中不同类型媒体的消耗分布数据示例截图

4. 目标投放对象(谁)

广告主的广告主要对哪些目标对象进行投放,即同谁进行广告信息的传播沟通,是广告的关键命题。对于这个命题,我们需要根据我们产品及服务的特点去找出这些人群来。一般我们常常使用人群特性标签定向、访客找回、线下人群、相似人群等等手段来分析这些人群的广告效果差异及定向投放。

  • 人群特性标签定向

人群特性标签定向首先需要我们将广告投放的人群都先打上标签,然后选取不同的标签进行广告效果差异分析,及定向投放。

人群特性标签,即对目标受众的特性刻画,一般会从基础的人口属性、兴趣爱好、消费倾向等等标签来描绘:

  • 人口属性:基本的人口属性如:性别、年龄、区域、学历职业、收入水平、家庭资产状况(车、房)、人生阶段等等。这些很多是结合互联网行为大数据,并基于一定真实样本数据基础上,依据行为相似度匹配而得出的(对行为相似度,我们举个例子加以说明:通过样本我们发现男性关注跑车资讯的行为特点较为突出,我们会将关注跑车资讯类行为的用户都打上男性的标签。)。相关而言真实样本数据的规模,对数据的有效性影响较大。
  • 兴趣爱好:数码、户外、美食、美容、收藏、家居装修等等。这些更多的是依据用户的互联网浏览行为的大数据而得出的。
  • 消费倾向:房产、汽车、金融、家电、个人护理等等。这些更多来源的是用户的线上电商及线下店的浏览、加购物车及消费行为的大数据。

这些标签也是我们经常说的人群标签。从保护用户隐私的角度来看,我们一般在使用用户行为数据时,尽量避免使用原始数据及个体的数据。一般都是会对于用户行为数据进行分析后打上标签。这样对用户打标签的方式也是为了尽量保护用户隐私。在程序化广告领域是较为常见的一种做法。

  • 访客找回

除了人群标签,很多时候,尤其是对一些快消品或电商类的广告投放,我们会发现访客找回(Retargeting)(有的也称为Remarketing“再营销”)的效果较好。用户一旦对某产品或服务产生了长期的使用习惯和体验,一般较少会不断更换。所以我们常常会通过各种手段,收集访客的各种维度的数据来提升既有产品访客的广告转化效果。观测访客行为常见的维度涉及:

  • 访客的行为:浏览商品、加入购物车、下订单、付款、评价、分享等等,一般我们将访客会分为全站访客、单品访客;对于全站访客会关注访问深度、订单金额等等;
  • 广告曝光相关的用户互动行为:曝光、点击、后续访问官网、站内多跳、转化等等;例如:使用曝光找回可加大曝光强度、点击及访客找回可能会增加转化;
  • 行为的时间特征:第一次、第几次、最近一次、距当前的周期(这也是我们常说的“找回周期”(一般周期15天内),这个周期是可以调节的)、频次、停留时间等等;


今天先到这儿,下篇我们继续.......

(转载请注明出处:微信订阅号:ad_automation)

文字表现力有限,欢迎参加《8月12日“DSP上”专题【线下大课堂】》面对面为您答疑解惑讲透您关心的问题。

「真诚赞赏,手留余香」
1 人赞赏
豌豆毛豆
文章被以下专栏收录
还没有评论