大数据时代广告营销

大数据时代广告营销

移动媒体广告拓展

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综合服务平台、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

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

用户编号性

别

年龄

层

婚姻状

态

是否购

车

是否购

房

孩子数

量

估计收

入

月消

费

套餐分

类

1 男 A Y A Y 1 100000 43 NA

2 男 A Y A Y 1 3000 78 NA

3 男 A Y A Y 1 43200 175 129

4 男 C Y C Y 1 120000 156 129

5 女 C Y C Y 0 350000 219 189

6 女 A N A N 1 120000 98 69

7 女 D N D N 0 40000 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。