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