滿足那些好奇的同學們的需求，讓我們一起來解密廣告主們幾種常見的大數據人群包進行廣告營銷的常見玩法。
一、訪客找回
為什麼我在一個電商app中看了某商品後，再去別的app中老看到類似廣告，是如何做到的？ 這個也是大數據精準廣告，十分經典的場景之一：北京某同學，曾在一個購物APP上搜索“手機”，隨後幾天，在他下載的社交類APP上，有關“手機”的廣告反覆霸屏。“如果在同一款APP瀏覽，某款商品後，持續給我，推薦類似商品，屬於精準服務，但這是兩款，從屬於不同公司的APP，這種跨平台共享用戶信息行為讓人不安。”該同學說。 這個場景，大數據精準廣告，實際運作的過程，是像該說同學說的那樣不安嗎？ 這在大數據精準廣告領域，是十分常見的做法，就是利用廣告主自己的數據，圈出目標人群包，進行追蹤投放。也就是購物App將，圈出了“手機”品類的設備ID人群包，其中就包含了該同學的設備ID。然後該購物App在這些社交類App上追着該人群包中的設備ID不停投放“手機”類廣告。（淘寶、京東，等等幾乎所有，電商App都有類似做法。而且按一般的經驗數據，至少要投放14次以上，廣告實在沒有轉化效果才會停止投放。） 我們常稱這種，人群包再找回投放的模式，為訪客找回（Retargeting）（有的也稱為Remarketing“再營銷”）。 很多時候，尤其是對一些快消品或電商類的廣告投放，我們會發現訪客找回的效果較好。 用戶一旦對某產品或服務產生了長期的使用習慣和體驗，一般較少會不斷更換。所以我們常常會通過各種手段，收集訪客的各種維度的數據來提升既有產品訪客的廣告轉化效果。觀測訪客行為常見的維度涉及：
- 訪客的行為：瀏覽商品、加入購物車、下訂單、付款、評價、分享等等，一般我們將訪客會分為全站訪客、單品訪客；對於全站訪客會關注訪問深度、訂單金額等等；
- 廣告曝光相關的用戶互動行為：曝光、點擊、後續訪問官網、站內多跳、轉化等等；例如：使用曝光找回可加大曝光強度、點擊及訪客找回可能會增加轉化；
- 行為的時間特徵：第一次、第幾次、最近一次、距當前的周期（這也是我們常說的“找回周期”（一般周期15天內），這個周期是可以調節的）、頻次、停留時間等等；
二、“沉睡用戶”找回
當然還有一種很有意思的找回模式，是針對“沉睡用戶”的。 用戶因為某次推廣活動而使用產品、或下載安裝了App，而之後很長時間（如1年）未打開過App、或使用過產品服務。 對於這些用戶能使用App及產品服務，說明其已對產品及服務有了一定的認知，所以對這些用戶做“再營銷”能讓這些用戶再次喚起好奇心，進而促成轉化。
三、 擴展相似人群
還有一種常見做法是，擴展相似人群（Look-alike）。很多時候大家會質疑一個用戶都已購買了某產品還會再消費么？尤其對於大宗消費的產品（例如：車、房等等），由於產品的生命周期，會導致再怎麼做Retargeting也效果一般。 且一般營銷也會關注對新客、潛客的獲取（老客一旦產生購買是可以使用CRM、關注訂閱號等等手段，保持同老客的溝通，刺激其持續的轉化。）。 而為了擴大潛客獲取，這個目標，經常會用到，擴展相似人群Look-alike的方法，以及老訪客排除（排除那些已經不可能再出現轉化的人群）等方法。 Look-alike簡單說就是依據訪客，尤其已轉化客戶的典型行為特徵，去推及，在全網中尋找那些類似行為特徵，但並看過廣告，或從未出過轉化的用戶，進行廣告投放。 這種方法相對來說計算量較大，且特徵可能因為十分的微小分散，也可能因採集樣本量級不夠大，或不明干擾因素等等，最後得出的特徵會較為發散，未必能找出收斂的特徵要素。 所以很多時候，也會通過人群標籤作為中介，來做Look-alike。具體的做法是，看看那些已轉化的客戶，及某類行為的訪客，身上哪些標籤比較集中，然後將那些用戶身上所有被打上的標籤，全部加在一起計數，選出前十或前幾個計數較多的標籤，最後再用這些標籤作為人群定向條件去投放廣告。
四、小結
這裡僅僅盡量以最白話最簡單的方式介紹，希望能讓大家有一個初步的了解，一解大數據黑科技的好奇之心。而在實際的業務應用中，還有很多更為深度複雜的玩法，這裡就不再展開了，這些都是需要建立在對大數據程序化廣告的行業知識有十分深入的學習和理解之上的。