随着人口红利的消失，新用户获取成本不断上升，传统的粗犷式投放不再适用。用好数据，在广告投放的策略上精耕细作，控制成本、提升效果，是必然的转型方向。
但如何才能“用好数据”，又该如何“精耕细作”？能够对多源数据进行连接整合、用数据细分人群并指导投放的 DMP（数据管理平台），成为了越来越多广告主的选择。
DMP 的使用方式包括 3 大环节：1. 通过标签等方式构建人群；2. 执行投放；3. 衡量效果。
但这个过程中很容易出现一些问题：
1、 在人群构建阶段，标签和人群的选择主要靠营销人员主观判断，缺乏数据支持；
2、 构建后的人群数据包是静态的，在投放过程中，系统不断收集点击、转化数据，然而这些数据没有实时反馈回算法，无法帮助优化后续的人群策略；
3、 广告主以往营销活动中积累的曝光、点击、下载安装等历史数据，难以得到整合和利用。
为了更好的解决以上问题，帮助广告主进一步提升 ROI，2019 年 TalkingData 对旗下的智能营销云（Smart Marketing Cloud，简称SMC）进行了升级，重点提升了以下 3 方面的核心能力：
1. 受众洞察，全方位了解你的潜在用户
常规的受众洞察只包含性别、年龄、兴趣等基础画像数据，在 TalkingData 智能营销云中，可以从“人口属性”、“终端属性”、“商旅分析”、“App 使用分析”、“电商行为分析” 5 大模块全面分析和洞察用户。
这里重点介绍下 “App 使用分析” 和 “电商行为分析” 模块。在 App 使用分析报告中，TalkingData 可以计算处理当前受众在 24 大类、100+ 小类的数万款 App 的覆盖率、活跃率、TGI 的情况，深入了解已有用户或潜在用户的 App使用偏好。
报告部分截图
电商分析报告中，则全面的统计了当前人群的网购活跃度、购买力、消费偏好等维度的数据。
通过以上详实的数据分析，可以帮助广告主制定针对性的投放计划。
例如，某客户原计划将预算大比例投放在传统信息流广告，但通过人群的洞察和分析，发现潜在用户偏爱某种草类 App，网购活跃度上比大盘高 28%，于是调整预算，加大了KOL 和种草类 App 的广告投入，后期效果评估，转化成本比常规投放降低了 18.7%。
2. 动态人群包，针对业务模型自动优化
广告计划如果使用了 TalkingData 旗下的 Ad Tracking 或 Brand Growth 对广告曝光、点击、落地页或 App 激活进行监测，这些互动和转化数据会自动回流至智能营销云。
经过反作弊算法等一系列处理后，系统会自动分析互动用户的人群标签，如地域、App 行为等特征属性，自动将具备相似特征的人群附加到原有的人群包中，同时会剔除掉预估 CTR 较低的人群，实现定向人群的动态优化，达到数据实时反哺算法的效果。
在实际投放中，如果同行业的广告一段时间内反复触达同一批用户，广告效果会不断衰减。通过动态优化人群包的策略，长期投放也能做到人群的鲜活。
3. 数据资产管理，数据融合发挥数据最大价值
数据资产模块支持批量导入广告主过去在其他平台的广告监测数据，同时支持整合TalkingData旗下的 Ad Tracking 和 Brand Growth 数据。无论是效果类广告主还是品牌类广告主，都可以将历史数据快速导入到智能营销云中，真正让数据成为支撑长久发展的资产，而不仅仅是工具。
数据导入后，数据之间的连接和融合才最为关键。利用 TalkingData 数据中台的处理能力，能够还原移动设备的完整生命周期历程。
还原用户真实路径后，再做营销生命周期的循环，就可以针对不同的人群，进行触达或排除投放。例如，针对过去 2 周点击过广告但未下载 App 的用户人群进行二次触达；或者拉取高活跃度的用户人群，在智能营销云中进行 Lookalike 拓展，并排除已安装用户，再进行广告投放。
在广告投放之前深入洞察潜在受众、根据受众分布选择匹配度高的标签和媒体，再结合TalkingData 智能营销云的算法和数据整合能力，真正做好精细化投放。在营销成本不断上涨的今天，也能做到预期可控的 ROI。
.png)
