定向策略再思考：受眾定向失誤的緣由

對營銷人員而言，營銷推廣的策劃的第一步就是要確定目標受眾。


為此，營銷人通常會覆盤之前的營銷活動，瞭解使用者安裝以及使用情況，從而找出最有價值的使用者。

媒介購買通常會藉助第三方資料來開展營銷活動。該類資料一般能夠反映使用者畫像的特徵，例如住在美國西海岸的寶媽群體。媒介購買還會選擇相應的移動應用以及其他渠道，從而觸達符合使用者畫像的人群，例如寶媽所使用的育兒應用。

鑑於這些使用者畫像大多都只有很細微的差別（例如性別+年齡+態度+生活階段），媒介購買需要藉助多個資料集並制定複雜的渠道策略以觸達目標人群/相關群體/相似人群。

這種方法面臨的挑戰是巨大的。首先，第三方資料集存在不少問題。這些受眾（資料）是如何建立的？利用哪些資料點來給特定使用者貼上“精打細算”或“想要購買特定產品”的標籤？這些受眾資料多久更新一次？

此外，思維定式也為這套定向方法帶來挑戰。某一特定移動應用的使用者群可能以女性為主，但這一結論是如何得出的呢？是否源於該應用的營銷人員總把女性作為目標受眾？如果在獲客營銷推廣中將男性作為目標受眾時，誰能斷定他們不會安裝應用並經常購買呢？

最糟糕的是，一旦對“誰是受眾”產生先入為主的想法，就會縮小營銷人員的目標範圍並最終削弱品牌發展客戶群的能力。舉例來說，如果您運營一個專門零售家居用品的應用時，多年來的市場研究和調查結果會告訴您應該以女性為目標受眾。

但獨居的男人呢？如果一款移動應用可以讓他們輕鬆便捷溝通，他們可能更會囤不少紙巾。因此，您還會想當然地放棄25%的消費群體市場嗎？

更好的定向策略：交給機器學習

傳統的定向策略基於使用者畫像，而機器學習則採用了完全不同的目標受眾定向方式。機器學習不會尋找代表“理想”潛在客戶的資料，而是從品牌的一手資料著手，透過分析以往營銷推廣的資料，來了解輸入（基本上是使用者和渠道特徵）和輸出（使用者點選廣告、 安裝以及使用應用）之間的關係。

理想狀態下，機器學習可以檢視品牌的整個營銷推廣日誌，以便了解輸入與輸出之間的關係以及廣告投放效果背後的原因。機器學習的方法消除了對使用者畫像存在的固有看法。

當然，僅僅依靠觀看廣告而帶來的應用安裝行為少之又少，尤其是在考量品牌為一個廣告投放所購買的大量流量時。正如 Moloco 的機器學習總監 Sechan Oh 博士此前闡釋的那樣：“當我們尋找某次轉化的特徵時，我們看到的是一個稀疏的資料集。”

但這項工作將帶來更好的廣告支出回報（ROAS）。依靠這種輸入與輸出之間的關係可以為營銷推廣開闢一個更大的庫存池。從本質上講，整個網路基本上都可以使用，因此可以找到高價值使用者，即使他們從未訪問過熱門應用或渠道，或者並不匹配使用者畫像。

這種使用機器學習來尋找高質量使用者而非預設受眾的邏輯與當下的營銷學說相悖。營銷人員可能不願放棄基於使用者畫像的目標受眾定向方法。

但事實上，在數字化世界裡，傳統方法並沒有真正起到作用。如今，第三方資料正在消失，隱私方面的限制也變得越來越嚴格，因此，營銷人員應該重新思考他們定向和獲取目標受眾的方式。

關於作者

Matthew Kaplan擁有十餘年的數字營銷經驗，致力於支援世界上最大的B2B和B2C品牌的內容目標和跨裝置的多樣化營銷活動。同時他有豐富的內容營銷寫作經驗，文章主題涉及IT、技術、能源、醫療保健、交通、B2B企業、食品和烹飪以及政治。

關於Moloco

Moloco致力於為企業提供先進的機器學習演算法，助力數字經濟更加公平和高效。開發者和線上零售商可透過Moloco機器學習平臺盤活一手資料，以瞭解公司業務表現，促進業績增長。Moloco Cloud DSP（雲營銷平臺）助力市場營銷人員快速擴大獲客規模，並透過實踐檢驗的預測模型實現更大的使用者生命週期價值。Moloco由前谷歌機器學習工程師團隊於2013年創立，總部位於美國矽谷，目前在美國、英國、韓國、中國、日本和新加坡等國家地區設有9個辦事處。欲瞭解更多資訊，請訪問 www.moloco.com/zh/。

歡迎掃描二維碼，關注Moloco官方微信，瞭解更多出海營銷戰略建議並與我們互動。