一、大資料精準廣告內涵
大資料目前已經成為整個IT界(包含Internet Technology 以及Information Technology)最熱的詞彙之一，似乎任何一個話題，只要提到大資料，瞬間變得高大上。一夜之間，大資料已經代替主觀的理性思考，成為智慧洞察的代名詞。
但是當我們走過對大資料的頂禮膜拜階段，揭開大資料實際應用的面紗，反而逐漸對充斥著話語世界的大資料進行反思。因為大資料在經濟發展中的巨大意義並不代表其能取代一切對於社會問題的理性思考，科學發展的邏輯不能被湮沒在海量資料中。著名經濟學家路德維希·馮·米塞斯曾提醒過：“就今日言，有很多人忙碌於資料之無益累積，以致對問題之說明與解決，喪失了其對特殊的經濟意義的瞭解。
以大資料的廣告應用為例，精準廣告投放應該是大資料最早的也是最容易產生直接收益的應用，如今少有廣告公司沒有宣稱自己是大資料科技公司。大資料精準廣告的核心內涵是什麼？一言以蔽之，那就是程式化定向投放。其中定向是核心，程式化是手段。
以微信朋友圈為例，不定向區域，年初的公開價格CPM(每千次曝光成本，朋友圈廣告價格遠超一般媒體)40元，定向核心城市140元，定向重點城市90元，如果疊加定向性別，附加10%，再疊加H5外鏈(流量引導效果更好)，再附加20%。就像進口化妝品一樣，先按一定比例徵收關稅，後按含稅價格再徵收增值稅，再按含稅價格徵收消費稅。
對於微信來說，客戶地域、性別雖然也需要資料分析解讀，但確認相對比較容易。對於其它資料公司來說，地域依然可以通過IP或手機終端GPS獲取，但性別更可能就是一個資料分析出的可能屬性。當然大資料並不僅僅分析如此簡單的標籤，對於媒體聯盟而言，媒體選擇專案眾多，還會分析客戶媒體偏好標籤，還有時間段、人群屬性、裝置型別、偏好型別等多種定向組合方式。
好了，上面對於精準廣告有了一個粗淺的介紹。那麼大資料精準廣告能帶來什麼樣的價值？通常如下的故事是大資料廣告公司經常提及的。
假如一個網站的廣告位，每小時有1萬人來瀏覽，則一小時曝光量為1萬，之前的CPM為5元，那麼一個手機廣告主投放一小時廣告，成本50元。這是傳統廣告投放的結果。現在有個大資料公司，來幫助該廣告媒體更好的運營。該公司宣稱它能夠精準識別瀏覽客戶的屬性，告訴手機廣告主，雖然1萬人瀏覽該廣告位，但真正適合投放手機的只有6千人次，剩下4千人次的曝光為無效曝光，因為剩下的人群只對服裝感興趣。
大資料公司建議廣告主按照程式化投放，過濾掉不適合投放手機的4千人，僅對適合投放手機的6千人付費，假如單價不變，那麼在保證相同效果的前提下，成本降低至30元。剩下的4千人大資料公司將其銷售給服裝廣告主，成本為20元。由此，在相同的效果情況下，大資料廣告大幅降低廣告主的成本。當然事實上，由於RTB(實時競價)機制的存在，當價格(效果相同)低到一定程度，不同手機廣告主的相互競價，使得真實價格一般高於30元，但肯定介於30元到原有預期成本50元之間，由此形成多方共同獲益的理想局面。
這樣的案例看上去Perfect，無懈可擊。因為它解決了傳統廣告的低效問題，比如看起來有用，但又說不清楚到底有用在哪裡，這個正是各公司財務總監所深惡痛絕的。是的，通過大資料廣告，讓一切花在廣告上的錢更有依據，可以線上評估一條廣告到底造成多少的印象(Impressions)，甚至多少點選，多少因此而下載使用，多少因此產生交易。
有問題嗎？沒問題。有問題嗎？你什麼意思，難道你要懷疑真理？
二、大資料精準廣告沒有看上去那麼美好
本著證偽的原則，真理只有被證明為謬誤的時候(理解其應用的侷限及條件)，才算真理。因此我們必須先回答一個問題，廣告是用來做什麼的？
按照以前的共識，廣告被視為品牌用來向那些無法面對面溝通的消費者去傳達品牌的特性。因此廣告雖然對銷售有促進作用，但通常時候，廣告的內容並不直接說服消費者去購買，就如中國移動曾經的獲獎廣告“溝通從心開始”一樣。2010年出版的《品牌如何增長》(How Brands Grow)一書(說明，筆者未讀過，希望將來能讀到)，作者南澳大利亞大學教授拜倫在書中指出，廣告要達到最好的效果，往往不需要去說服或灌輸，只要讓人在購買的時候回想起品牌的名字就可以了。市場研究機構Milward Brown創始人高登(Gordon Brown)就指出，廣告的功能就是讓一個擺在貨架上的品牌變得“有趣”。
好吧，再回到大資料精準廣告案例，其中一個最為關鍵的問題在於，大資料如何分析出這6千個瀏覽使用者適合投放手機廣告？對於這個問題，廣告公司早有準備，給出如下的種種答案。
第一，從歷史記錄中尋找曾經使用過同類產品的客戶進行匹配。通常使用的演算法叫“協同過濾”，即由某些經驗的相關性，找到潛在的適合使用者。比如你玩過某款遊戲，因此可認為你對該型別的其它遊戲也有相同的需求。筆者並不否認該演算法對某些領域確實有作用，比如遊戲付費使用者基本就是之前重度遊戲使用使用者。
但是拋開這些特殊領域，該演算法內涵思想“品牌依靠忠誠的消費者發展壯大”與拜倫的理論完全矛盾。拜倫通過對銷售資料進行統計學分析，他指出在所有成功的的品牌當中，大量的銷售來自“輕顧客”(Light buyer)：也就是購買產品相對不那麼頻繁的顧客。可口可樂的生意並非依靠每天都喝可樂的人，而是數百萬每年喝一次或兩次的顧客。這種消費者模式在各個品牌、商品品類國家和時期都適用。無論是牙刷還是電腦，法國汽車或是澳大利亞銀行，品牌依靠的是大規模人口——換句話說，大眾——那些偶爾購買他們的人。
這個理論意義十分深遠。這意味著你永遠無法通過精準營銷現有顧客來增加品牌的市場份額。而對現有顧客的精準營銷，正是數字媒體所擅長的。
本著批判的精神來看待新出現未經檢驗的思想，筆者希望引用一下廣東移動最近公佈的使用者換機特徵資料。廣東移動對旗下使用者的終端遷移分析表明，使用蘋果的使用者升級終端，繼續使用蘋果手機的佔比64%，忠誠度最高。但除蘋果以外，其餘忠誠度表現最好的華為、小米手機，更換4G後持續使用同品牌的佔比不到30%。
這說明，你向蘋果4或5使用者推廣蘋果6是可行的，果粉效應推翻拜倫的理論，證實在部分領域依靠忠誠的消費者發展壯大是可行的。但除此以外，你向任何一個當前品牌的使用者推廣同品牌的手機終端都是不合時宜的。
因此，希望通過歷史的電商資料分析推斷使用者下一步可能需要是無效的。就如向曾經購買過服裝的使用者推廣服裝，或許不如推廣一卷紙或一桶油更為有效。
相反，成功的品牌需要找到一種方式來到達目標市場之外的群體。品牌的廣告一定要用某種方式獲得這部分人的興趣——只有這樣，當他們在準備購買的時候，該品牌才能自動出現在消費者的腦海中。
第二，如果“協同過濾”存在侷限，廣告公司會告訴你還有第二種演算法，並不基於客戶的歷史行為記錄，而是客戶本身特徵相似性，來找到與種子客戶最為相似的客戶群體。簡稱“Lookalike”。先需要廣告主提供本則廣告起到作用的典型使用者，以手機為例，受廣告影響感興趣點選瀏覽或預購某手機的使用者，大約幾百或幾千個。大資料公司通過Lookalike演算法(專業的術語更可能是稀疏矩陣)，尋找與這幾百/千個使用者高度相似的其它數十萬/百萬客戶群進行投放。
這類演算法真正考驗大資料平臺的計算能力，因為並不是經驗性的協同過濾，而是利用數十數百甚至上千個變數進行迴歸計算。最後按照相似性的概率打分，按照由高到低選擇合適的使用者群。
該模型的內涵其實很簡單，就是廣告要傳達給應該傳達的客戶。比如奶粉廣告目標使用者就是養育0-3歲孩子的父母。如果知道要到達使用者的具體身份，一切問題迎刃而解。但是對於網站或APP應用來說，並不清楚使用者身份，唯一清楚的是客戶的歷史行為資料。而且由於資料本身的分割，有的專注於運營商，有的專注於APP聯盟採集，有的專注於電商，有的專注於銀行，要從分割的資料中推斷出客戶的身份資訊，Lookalike就是不可避免的手段。
唯一的問題是，如果由幾百個種子使用者推斷出新的幾百個目標使用者，準確性可能高達9成，但如果如某廣告公司宣稱，對康師傅辣味面進行移動DSP投放時，根據歷史投放資料分析挖掘，形成樣本庫，再通過Lookalike技術進行人群放大，找到與目標受眾相似度最高的潛在客戶，擴充套件人群1367萬，實際投放受眾ID2089萬。廣告效果投放是最大化了，那麼效果呢？在此，請允許我杜撰一個數字，很可能點選率由0.2%上升至0.3%，精準度提升50%。有意義嗎？或許有，但絕對沒有想象的那麼明顯。
第三，如果你們持續懷疑我們演算法的有效性，那麼我們可以就效果來談合作，你們可以按照點選量(CPC)或者啟用量(CPA)付費，如果達不到既定效果，我們會補量。這是大資料廣告的終極武器。
終極武器一出，意味著廣告的投放徹底淪陷為做點選、做啟用的渠道，廣告的“溝通消費者”初衷早被拋棄得一乾二淨。
通常一般消費決策遵行S(Solution)、I(Information)、V(Value)、A(Access)規則，意思是當使用者產生一個需求，內心先就滿足這個需求形成一個解決方案。比如說3G手機不好用，速度很慢覆蓋不好，需要換一個4G終端就成為一個Solution。那麼4G終端有哪些，重點考慮那些終端？消費者還是蒐集資訊，並非從網上搜尋，而是根據以往的經歷、品牌效應、周邊朋友口碑自動回想那些品牌、哪些款式。傳統廣告的最重要功效應該就是這個階段，當使用者需要的時候，自動進入到使用者視線。然後從多維度比較選擇，確定首選購買品牌。最後就是去哪兒買，搜尋哪兒有促銷活動，哪裡優惠力度最大。
根據SIVA模型，真正的以效果為導向的廣告本質解決的是Access問題，最後的臨門一腳。在這方面，搜尋廣告是真正的效果導向廣告，比如淘寶的每一款商品後面都有超過1萬家商戶提供，到底使用者去哪裡購買，得付錢打廣告，這就是效果廣告。曾有報告對比過，搜尋廣告點選率高達40%以上。想一想百度、阿里靠什麼為生，臨門一腳的廣告價格自然高到沒邊，據說一些醫院購買百度性病、人流之類的搜尋廣告，單次流量價格高達數十或數百元。
搜尋廣告只有少數壟斷接入公司才有的生意，大部分廣告仍為展示類廣告。如果展示類廣告也朝效果類靠攏，從商業規律上屬於本末倒置。
最後結果是，一方面，廣告的內容充滿人性的貪婪(優惠／便宜)與色慾(大胸美女)，被改造得不倫不類，上過一次當後，在溝通消費者方面反而起到負面作用。另一方面，廣告公司淪落為做流量、做點選的公司，與北京望京、中關村著名的刷流量一條街沒有本質的差異，最後誰真正點選了這些有效流量？曾有大資料公司分析過某款高階理財軟體的階段性使用者群，與刷機、貪圖小便宜的極低端使用者高度相似。
三、多用靠譜的身份識別可能更有利於提升廣告效果
寫了這麼多，大資料精準廣告一無是處嗎？不，懷疑真理是為了更好的應用真理。大資料廣告的核心“程式化”與“定向投放”沒有錯，這代表移動網際網路發展的趨勢，也與滿足特定市場、特定使用者群的商品或服務廣告傳播需求完全匹配。問題在於目前的大資料實際能力與宣稱的雄心還有巨大的差距。也就是說沒有看上去的那麼好。
所以，我們更應該回歸廣告的本來目的——更好的溝通消費者，來看待精準投放，而不是迷信大資料精準投放這樣的噱頭。那麼什麼最重要？顯然不是不靠譜的協同過濾規則，也不是根本不知道原因的Lookalike，既然最重要的就是到達目標消費者，那麼靠譜的身份識別應該就是精準廣告的核心。
什麼是靠譜的身份識別？對微信而言，判斷重點活動城市是靠譜的，分析性別也相對靠譜，但如果微信告訴你說能夠通過社交判斷該使用者是中產白領還是鄉村農民，那一定是不靠譜的。因為朋友圈裡宣稱正在法國酒莊旅遊的優雅女人或許正在出門買油條豆漿。
有時候使用者使用的媒體本身就透露客戶的身份特徵。比如經常使用理財軟體的在支付能力上較為靠譜，而使用孕寶APP的80%以上應該就是準媽媽，經常使用蜜芽的一定是寶寶出生不久的媽媽。有大資料公司給出過案例，對媒體本身進行定向和綜合分析定向的效果相差無幾，這就說明媒體定向是有效的，但是其它需求定向都等同於隨機選擇。
由於大資料本身就是不關注因果，只關注相關性，如果經過大資料洞察證實的協同規則，也可以算作靠譜的規則。比如遊戲付費使用者群基本上可以確定為一兩千萬ID的重度使用使用者。
而要準確識別客戶身份，多資料來源的彙集與綜合不可避免，圍繞客戶身份的各種洞察、相關性分析也是能力提升的必修功課，這或許更應該是大資料廣告公司應持續修煉的核心能力。
本文由劉自強