行为兴趣定向

1: 行为兴趣的背后是计划的数据

行为是用户在平台的动作：点赞、评论、分享、点击、下单、成交等，用户发生过的标签

兴趣不一定发生，我有打高尔夫的兴趣，但是从来没打过，因为穷

系统会根据用户的行为标签来分类确定你的兴趣，推荐给你感兴趣的广告

从以上分析我们可以推测出：

行为精准、兴趣宽泛

行为对应的广告计划：点击率、转化率相对准确真实

兴趣对应的广告计划：点击率、转化率相对比较虚

莱卡的核心重点：行为和兴趣的配比

A：人群画像宽泛：可以先宽后窄，行为兴趣三七开，把兴趣放大，观察2部分数据

千展/点击率/转化率，这三个指标看不同展现量节点的变化，比如曝光量3000的时候是多少，曝光量5000的时候是多少？ 曝光量最大的计划是多少？

消耗/曝光/转化，这三个指标看速度， 看速度最快的计划千展/点击率/转化率在哪个范围？

总结:

千展/点击率/转化率：看范围

消耗/曝光/转化: 看速度

看最大的速度在哪个范围

通过上面两组数据的互相对比来确定你的莱卡配比是否合理

B：人群画像窄：先窄后宽，行为兴趣六四开或者五五开，根据模型的成熟度在慢慢过渡把兴趣放大

2: 行为兴趣也要分账户处在哪个阶段

新账户：

莱卡和系统推荐基建比例：建议七三开

比如每天基建10条，七条莱卡三条系统推荐

然后对比两种计划的数据差异来调整配比，比如系统推荐有1条计划消耗超过了莱卡，那么说明账户有种子用户标签有初步模型，那么第二天就可以五五开基建，在做对比，在微调配比，一直到系统推荐为主力

如果每天三条系统推荐数据都不行，那么说明种子用户还是太少

这时候继续保持七三开继续基建，打基础

通过这种配比的调整，经过一周二周的建模，慢慢过渡到全部系统推荐

行为的人群池就像一个小水库，虽然精准但是毕竟有限

而兴趣是更大的水池，所以我们需要账户基础模型，也就是种子用户

通过观察计划数据和筛选优质计划数据，微调计划类型来把基础模型打好

那么接下来计划的跑量概率就会提高，种子用户越优质，探索成功的概率就越高

如果没有这种底层逻辑，今天全部莱卡感觉不行，明天又全部系统推荐，后天又是人群包，折腾的账户种子用户乱七八糟的，探索裂变的用户肯定也乱七八糟的，跑的时间越长这个账户越不稳定

这个过程有2个关键点：

A：账户基础模型，种子用户要优质

B：探索裂变新用户的概率高或者低

A作用B，B又反馈A，A又作用B，如此循环，好的越来越好，不好的越来越差