为何说大数据精准广告并不靠谱

为何说大数据精准广告并不靠谱

一、大数据精准广告内涵

大数据目前已经成为整个IT界(包含Internet Technology 以及Information Technology)最热的词汇之一，似乎任何一个话题，只要提到大数据，瞬间变得高大上。一夜之间，大数据已经代替主观的理性思考，成为智慧洞察的代名词。

但是当我们走过对大数据的顶礼膜拜阶段，揭开大数据实际应用的面纱，反而逐渐对充斥着话语世界的大数据进行反思。因为大数据在经济发展中的巨大意义并不代表其能取代一切对于社会问题的理性思考，科学发展的逻辑不能被湮没在海量数据中。著名经济学家路德维希·冯·米塞斯曾提醒过：“就今日言，有很多人忙碌于资料之无益累积，以致对问题之说明与解决，丧失了其对特殊的经济意义的了解。

以大数据的广告应用为例，精准广告投放应该是大数据最早的也是最容易产生直接收益的应用，如今少有广告公司没有宣称自己是大数据科技公司。大数据精准广告的核心内涵是什么？一言以蔽之，那就是程序化定向投放。其中定向是核心，程序化是手段。

以微信朋友圈为例，不定向区域，年初的公开价格CPM(每千次曝光成本，朋友圈广告价格远超一般媒体)40元，定向核心城市140元，定向重点城市90元，如果叠加定向性别，附加10%，再叠加H5外链(流量引导效果更好)，再附加20%。就像进口化妆品一样，先按一定比例征收关税，后按含税价格再征收增值税，再按含税价格征收消费税。

对于微信来说，客户地域、性别虽然也需要数据分析解读，但确认相对比较容易。对于其它数据公司来说，地域依然可以通过IP或手机终端GPS获取，但性别更可能就是一个数据分析出的可能属性。当然大数据并不仅仅分析如此简单的标签，对于媒体联盟而言，媒体选择项目众多，还会分析客户媒体偏好标签，还有时间段、人群属性、设备类型、偏好类型等多种定向组合方式。

好了，上面对于精准广告有了一个粗浅的介绍。那么大数据精准广告能带来什么样的价值？通常如下的故事是大数据广告公司经常提及的。

假如一个网站的广告位，每小时有1万人来浏览，则一小时曝光量为1万，之前的CPM为5元，那么一个手机广告主投放一小时广告，成本50元。这是传统广告投放的结果。现在有个大数据公司，来帮助该广告媒体更好的运营。该公司宣称它能够精准识别浏览客户的属性，告诉手机广告主，虽然1万人浏览该广告位，但真正适合投放手机的只有6千人次，剩下4千人次的曝光为无效曝光，因为剩下的人群只对服装感兴趣。

大数据公司建议广告主按照程序化投放，过滤掉不适合投放手机的4千人，仅对适合投放手机的6千人付费，假如单价不变，那么在保证相同效果的前提下，成本降低至30元。剩下的4千人大数据公司将其销售给服装广告主，成本为20元。由此，在相同的效果情况下，大数据广告大幅降低广告主的成本。当然事实上，由于RTB(实时竞价)机制的存在，当价格(效果相同)低到一定程度，不同手机广告主的相互竞价，使得真实价格一般高于30元，但肯定介于30元到原有预期成本50元之间，由此形成多方共同获益的理想局面。

这样的案例看上去Perfect，无懈可击。因为它解决了传统广告的低效问题，比如看起来有用，但又说不清楚到底有用在哪里，这个正是各公司财务总监所深恶痛绝的。是的，通过大数据广告，让一切花在广告上的钱更有依据，可以在线评估一条广告到底造成多少的印象(Impressions)，甚至多少点击，多少因此而下载使用，多少因此产生交易。

有问题吗？没问题。有问题吗？你什么意思，难道你要怀疑真理？

二、大数据精准广告没有看上去那么美好

本着证伪的原则，真理只有被证明为谬误的时候(理解其应用的局限及条件)，才算真理。因此我们必须先回答一个问题，广告是用来做什么的？

按照以前的共识，广告被视为品牌用来向那些无法面对面沟通的消费者去传达品牌的特性。因此广告虽然对销售有促进作用，但通常时候，广告的内容并不直接说服消费者去购买，就如中国移动曾经的获奖广告“沟通从心开始”一样。2010年出版的《品牌如何增长》(How Brands Grow)一书(说明，笔者未读过，希望将来能读到)，作者南澳大利亚大学教授拜伦在书中指出，广告要达到最好的效果，往往不需要去说服或灌输，只要让人在购买的时候回想起品牌的名字就可以了。市场研究机构Milward Brown创始人高登(Gordon Brown)就指出，广告的功能就是让一个摆在货架上的品牌变得“有趣”。

好吧，再回到大数据精准广告案例，其中一个最为关键的问题在于，大数据如何分析出这6千个浏览用户适合投放手机广告？对于这个问题，广告公司早有准备，给出如下的种种答案。

第一，从历史记录中寻找曾经使用过同类产品的客户进行匹配。通常使用的算法叫“协同过滤”，即由某些经验的相关性，找到潜在的适合用户。比如你玩过某款游戏，因此可认为你对该类型的其它游戏也有相同的需求。笔者并不否认该算法对某些领域确实有作用，比如游戏付费用户基本就是之前重度游戏使用用户。

但是抛开这些特殊领域，该算法内涵思想“品牌依靠忠诚的消费者发展壮大”与拜伦的理论完全矛盾。拜伦通过对销售数据进行统计学分析，他指出在所有成功的的品牌当中，大量的销售来自“轻顾客”(Light buyer)：也就是购买产品相对不那么频繁的顾客。可口可乐的生意并非依靠每天都喝可乐的人，而是数百万每年喝一次或两次的顾客。这种消费者模式在各个品牌、商品品类国家和时期都适用。无论是牙刷还是电脑，法国汽车或是澳大利亚银行，品牌依靠的是大规模人口——换句话说，大众——那些偶尔购买他们的人。

这个理论意义十分深远。这意味着你永远无法通过精准营销现有顾客来增加品牌的市场份额。而对现有顾客的精准营销，正是数字媒体所擅长的。

本着批判的精神来看待新出现未经检验的思想，笔者希望引用一下广东移动最近公布的用户换机特征数据。广东移动对旗下用户的终端迁移分析表明，使用苹果的用户升级终端，继续使用苹果手机的占比64%，忠诚度最高。但除苹果以外，其余忠诚度表现最好的华为、小米手机，更换4G后持续使用同品牌的占比不到30%。

这说明，你向苹果4或5用户推广苹果6是可行的，果粉效应推翻拜伦的理论，证实在部分领域依靠忠诚的消费者发展壮大是可行的。但除此以外，你向任何一个当前品牌的用户推广同品牌的手机终端都是不合时宜的。

因此，希望通过历史的电商数据分析推断用户下一步可能需要是无效的。就如向曾经购买过服装的用户推广服装，或许不如推广一卷纸或一桶油更为有效。

相反，成功的品牌需要找到一种方式来到达目标市场之外的群体。品牌的广告一定要用某种方式获得这部分人的兴趣——只有这样，当他们在准备购买的时候，该品牌才能自动出现在消费者的脑海中。

第二，如果“协同过滤”存在局限，广告公司会告诉你还有第二种算法，并不基于客户的历史行为记录，而是客户本身特征相似性，来找到与种子客户最为相似的客户群体。简称“Lookalike”。先需要广告主提供本则广告起到作用的典型用户，以手机为例，受广告影响感兴趣点击浏览或预购某手机的用户，大约几百或几千个。大数据公司通过Lookalike算法(专业的术语更可能是稀疏矩阵)，寻找与这几百/千个用户高度相似的其它数十万/百万客户群进行投放。

这类算法真正考验大数据平台的计算能力，因为并不是经验性的协同过滤，而是利用数十数百甚至上千个变量进行回归计算。最后按照相似性的概率打分，按照由高到低选择合适的用户群。

该模型的内涵其实很简单，就是广告要传达给应该传达的客户。比如奶粉广告目标用户就是养育0-3岁孩子的父母。如果知道要到达用户的具体身份，一切问题迎刃而解。但是对于网站或APP应用来说，并不清楚用户身份，唯一清楚的是客户的历史行为数据。而且由于数据本身的分割，有的专注于运营商，有的专注于APP联盟采集，有的专注于电商，有的专注于银行，要从分割的数据中推断出客户的身份信息，Lookalike就是不可避免的手段。

唯一的问题是，如果由几百个种子用户推断出新的几百个目标用户，准确性可能高达9成，但如果如某广告公司宣称，对康师傅辣味面进行移动DSP投放时，根据历史投放数据分析挖掘，形成样本库，再通过Lookalike技术进行人群放大，找到与目标受众相似度最高的潜在客户，扩展人群1367万，实际投放受众ID2089万。广告效果投放是最大化了，那么效果呢？在此，请允许我杜撰一个数字，很可能点击率由02%上升至03%，精准度提升50%。有意义吗？或许有，但绝对没有想象的那么明显。

第三，如果你们持续怀疑我们算法的有效性，那么我们可以就效果来谈合作，你们可以按照点击量(CPC)或者激活量(CPA)付费，如果达不到既定效果，我们会补量。这是大数据广告的终极武器。

终极武器一出，意味着广告的投放彻底沦陷为做点击、做激活的渠道，广告的“沟通消费者”初衷早被抛弃得一干二净。

通常一般消费决策遵行S(Solution)、I(Information)、V(Value)、A(Access)规则，意思是当用户产生一个需求，内心先就满足这个需求形成一个解决方案。比如说3G手机不好用，速度很慢覆盖不好，需要换一个4G终端就成为一个Solution。那么4G终端有哪些，重点考虑那些终端？消费者还是搜集信息，并非从网上搜索，而是根据以往的经历、品牌效应、周边朋友口碑自动回想那些品牌、哪些款式。传统广告的最重要功效应该就是这个阶段，当用户需要的时候，自动进入到用户视线。然后从多维度比较选择，确定首选购买品牌。最后就是去哪儿买，搜索哪儿有促销活动，哪里优惠力度最大。

根据SIVA模型，真正的以效果为导向的广告本质解决的是Access问题，最后的临门一脚。在这方面，搜索广告是真正的效果导向广告，比如淘宝的每一款商品后面都有超过1万家商户提供，到底用户去哪里购买，得付钱打广告，这就是效果广告。曾有报告对比过，搜索广告点击率高达40%以上。想一想百度、阿里靠什么为生，临门一脚的广告价格自然高到没边，据说一些医院购买百度性病、人流之类的搜索广告，单次流量价格高达数十或数百元。

搜索广告只有少数垄断接入公司才有的生意，大部分广告仍为展示类广告。如果展示类广告也朝效果类靠拢，从商业规律上属于本末倒置。

最后结果是，一方面，广告的内容充满人性的贪婪(优惠／便宜)与色欲(大胸美女)，被改造得不伦不类，上过一次当后，在沟通消费者方面反而起到负面作用。另一方面，广告公司沦落为做流量、做点击的公司，与北京望京、中关村著名的刷流量一条街没有本质的差异，最后谁真正点击了这些有效流量？曾有大数据公司分析过某款高端理财软件的阶段性用户群，与刷机、贪图小便宜的极低端用户高度相似。

三、多用靠谱的身份识别可能更有利于提升广告效果

写了这么多，大数据精准广告一无是处吗？不，怀疑真理是为了更好的应用真理。大数据广告的核心“程序化”与“定向投放”没有错，这代表移动互联网发展的趋势，也与满足特定市场、特定用户群的商品或服务广告传播需求完全匹配。问题在于目前的大数据实际能力与宣称的雄心还有巨大的差距。也就是说没有看上去的那么好。

所以，我们更应该回归广告的本来目的——更好的沟通消费者，来看待精准投放，而不是迷信大数据精准投放这样的噱头。那么什么最重要？显然不是不靠谱的协同过滤规则，也不是根本不知道原因的Lookalike，既然最重要的就是到达目标消费者，那么靠谱的身份识别应该就是精准广告的核心。

什么是靠谱的身份识别？对微信而言，判断重点活动城市是靠谱的，分析性别也相对靠谱，但如果微信告诉你说能够通过社交判断该用户是中产白领还是乡村农民，那一定是不靠谱的。因为朋友圈里宣称正在法国酒庄旅游的优雅女人或许正在出门买油条豆浆。

有时候用户使用的媒体本身就透露客户的身份特征。比如经常使用理财软件的在支付能力上较为靠谱，而使用孕宝APP的80%以上应该就是准妈妈，经常使用蜜芽的一定是宝宝出生不久的妈妈。有大数据公司给出过案例，对媒体本身进行定向和综合分析定向的效果相差无几，这就说明媒体定向是有效的，但是其它需求定向都等同于随机选择。

由于大数据本身就是不关注因果，只关注相关性，如果经过大数据洞察证实的协同规则，也可以算作靠谱的规则。比如游戏付费用户群基本上可以确定为一两千万ID的重度使用用户。

而要准确识别客户身份，多数据源的汇集与综合不可避免，围绕客户身份的各种洞察、相关性分析也是能力提升的必修功课，这或许更应该是大数据广告公司应持续修炼的核心能力。

大数据，IT行业术语，是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

有人把数据比喻为蕴藏能量的煤矿。煤炭按照性质有焦煤、无烟煤、肥煤、贫煤等分类，而露天煤矿、深山煤矿的挖掘成本又不一样。与此类似，大数据并不在“大”，而在于“有用”。价值含量、挖掘成本比数量更为重要。对于很多行业而言，如何利用这些大规模数据是赢得竞争的关键。

大数据的价值体现在以下几个方面：

（1）对大量消费者提供产品或服务的企业可以利用大数据进行精准营销；

（2）做小而美模式的中小微企业可以利用大数据做服务转型；

（3）面临互联网压力之下必须转型的传统企业需要与时俱进充分利用大数据的价值。

不过，“大数据”在经济发展中的巨大意义并不代表其能取代一切对于社会问题的理性思考，科学发展的逻辑不能被湮没在海量数据中。著名经济学家路德维希·冯·米塞斯曾提醒过：“就今日言，有很多人忙碌于资料之无益累积，以致对问题之说明与解决，丧失了其对特殊的经济意义的了解。”这确实是需要警惕的。

在这个快速发展的智能硬件时代，困扰应用开发者的一个重要问题就是如何在功率、覆盖范围、传输速率和成本之间找到那个微妙的平衡点。企业组织利用相关数据和分析可以帮助它们降低成本、提高效率、开发新产品、做出更明智的业务决策等等。例如，通过结合大数据和高性能的分析，下面这些对企业有益的情况都可能会发生：

（1）及时解析故障、问题和缺陷的根源，每年可能为企业节省数十亿美元。

（2）为成千上万的快递车辆规划实时交通路线，躲避拥堵。

（3）分析所有SKU，以利润最大化为目标来定价和清理库存。

（4）根据客户的购买习惯，为其推送他可能感兴趣的优惠信息。

（5）从大量客户中快速识别出金牌客户。

（6）使用点击流分析和数据挖掘来规避欺诈行为。

实际应用

Google流感趋势利用搜索关键词预测禽流感的散布。

统计学家内特·西尔弗（NateSilver）利用大数据预测2012美国选举结果。

麻省理工学院利用手机定位数据和交通数据建立城市规划。

梅西百货的实时定价机制。根据需求和库存的情况，该公司基于SAS的系统对多达7300万种货品进行实时调价。

医疗行业早就遇到了海量数据和非结构化数据的挑战，而近年来很多国家都在积极推进医疗信息化发展，这使得很多医疗机构有资金来做大数据分析。

求婚最全攻略

求婚步骤：

1购买求婚戒指

可以从寓意出发，也可以选择经典，不知道尺寸可以用她的戒指偷偷比对，别出现戒指戴不上的尴尬局面。

2确定求婚时间

建议选在下午或者晚上，而且注意要让你的小仙女是美美的状态，别为了惊喜让她蓬头垢面！

3确定求婚地点

KTV餐厅酒店都可以（便于放音乐），选择你们刚认识的地方或是你们都喜欢的地方会更有纪念意义噢。

4人员安排

求婚现场如果想要活跃一些的话，最重要还是靠亲朋好友助阵，还可以安排好兄弟一旁摄影留念。

5布置求婚场地

营造浪漫的氛围场景很重要，建议某宝搜索：求婚/气球/表白/创意这几个关键词，会有浪漫的收获哦。

6准备求婚词

如果怕求婚时紧张到词穷，最好事先准备要说的话，或者录制下来直接放映给她，女生真的会很感动。

7鲜花配钻戒

求婚一般都会准备玫瑰花，一般在戴戒指之前，女孩子也许嘴上不说，但是没人能拒绝哒！

8其他惊喜细节

这部分可以自行准备：比如做照片书，或者把照片打印下来，或者把照片视频做成电子相册，求婚时放。

求婚音乐：

国语版

1、告白气球—周杰伦

2、今天你要嫁给我—陶喆

3、咱们结婚吧—齐晨

4、慢慢喜欢你—莫文蔚

5、水星记—郭顶

6、爱就一个字—张信哲

7、有幸—赵砚卿

8、LDO—莫文蔚

9、唯一—王力宏

10、最重要的决定—范玮琪

粤语版

1、我的宣言—周柏豪

2、难得一遇—林奕匡

3、相依为命—陈小春

4、终身美丽—郑秀文

5、你的名字我的姓氏

6、夏日倾情—卫兰

7、约定—王菲

8、还记得—周柏豪

9、梨涡浅笑—许冠杰

10、无赖—郑中基

好的求婚音乐真的会氛围感爆栅，粤语歌真的很温柔很适合表白。

求婚文案：

1、回忆你们走过的那些路

你们在一起几年？你们经历了什么？什么让你难忘？终于你在今天下定决心娶她回家，想想一路的风风雨雨，这一刻，你终于拥有她了。

2、对于一个将把未来给你的女孩

你有哪些情话从来没说过？你有哪些承诺，求婚之前你还不敢说？你有哪些心动一直没有说出口？你有哪些想说的话，在今天一股脑的，真诚的说出来吧。

3、你看过哪些**电视动漫的台词

有的人肤浅、有的人金玉其外、败絮其中。不过有时候，你会遇到一个如彩虹般绚烂的人。你看到哪些台词，听到哪首歌，你想到了她，在你这天告诉她吧。

求婚装饰：

1、卧室装饰

卧室装饰少不了气球、照片和蜡烛，可以装饰的温馨一些，去某宝搜索一下会出来很多装饰的方案哒。

2、室外装饰

室外尽量选择在草坪、花园，绿色配着鲜花气球的感觉会很美好哦，这里需要买一些kt版，可以放两个人的照片。

3、餐厅

餐厅可以定一个包间，把灯关掉，只打开led灯，兴托氛围。

大数据精准营销获客是一种利用海量、多维数据，结合分析、挖掘、建模等技术手段，在精确识别潜在客户需求、兴趣和行为特征的基础上，进行有效营销的方法。该方法可以有效提高营销效果，但其效果是否真正有效，需要看具体情况。一方面，大数据精准营销获客可以帮助企业更好地了解目标客户的需求和兴趣，针对性地推出产品或服务，能够提高获客效率和转化率。因此，对于某些公司和行业来说，大数据营销的效果可以说是十分显著的。另一方面，大数据精准营销需要前期投入大量的时间、人力、技术和数据成本，因此对于小型企业来说，如果没有足够的资源投入，很难实现预期效果。此外，大数据精准营销获得的数据也需要经过或处理，以确保其质量和准确性，否则反而会产生误导性效果。因此，在进行大数据精准营销获客之前，需要对企业的真实需求和实际资源进行审慎评估，并结合实际情况进行精细化的分析和实验，才能确保获得真正有效的效果。

求婚钻戒品牌排行榜众多，只能作为参考，钻戒作为求婚标配的贵重饰品，选购前不少人都会参考一下钻戒品牌排行榜单。那么，在众多的排行榜中，哪些更有参考价值呢？下面是根据百度大数据，通过消费者搜索钻戒品牌的指数进行排行，希望你能选出其中更适合自己的钻戒品牌。

随着大数据逐渐开始落地应用，大数据技术的各种指标也逐渐开始引起更多的关注，尤其是对于传统行业来说，如何有效利用大数据技术来辅助创新和提升运营效率也是必须要思考的问题。

在实际的生产环境下，要想有效利用大数据首先要对大数据技术的各项技术指标有一个整体的认知能力，其中就涉及到如何来界定准、细、全、稳和快，这些指标对于大数据实现数据价值化也有比较直接的意义。

所谓的“准”在大数据中涉及到多个元素，涉及到数据的关联性描述、数据纬度、语义分析、算法设计等多个内容。简单的说，数据量越大、数据纬度越高、问题描述越清晰则准确率也会更高，当然大数据是否“准”与算法设计也有非常直接的关系。

“细”和“全”分别代表大数据的深度和广度，“细”主要体现在对数据挖掘的深度上能否满足应用的需求，能否通过数据挖掘发现新的价值，深度学习目前在“细”的方面正在不断向前推进，“细”对于算力的要求是比较高的。要想做到“全”，首先应该重点从数据采集入手，而采集数据与物联网建设也有比较直接的关系。

“稳”和“快”是衡量大数据可用性的重要指标，“稳”不仅代表稳定的系统运行能力，更代表了结果的一致性表现，而“快”的定义对于整个系统的运行效率有较为直接的影响。要想做到稳，首先要做到不同类型数据的不同处理方式，而要想做到快则涉及到计算方式，比如在大数据平台的采用方面，Spark在很多情况下要明显快于Hadoop。

最后，大数据系统能否实现准、细、全、稳和快，与多方面因素都有关系，判断的具体方式除了采用数据集进行验证之外，另一个办法就是进行落地应用实践，这个过程也能够不断完善大数据平台的设计。

大数据可视化带来的变革是全方面的，不仅变革互联网世界，也变革现实世界。以大数据为核心的数字经济的实质就是“精准”经济。利用大数据强大的分析处理能力，对海量的数据进行实时动态的分析处理以及可视化展现，最终推动大数据的实时应用，帮助用户实现大数据下的精准运作。

数据首先是有时效性的，一秒钟前的行为和一秒钟后的行为有着天差地别。以往是通过统计数据，得出规律，找到用户喜好。而现在实时变得更为重要。前一秒看了母婴内容，那么几秒内就应该推送相关广告，转化率会比较高。如果还在推送几天前，这个用户看足球的数据信息，这个生意就很难做下去。

关于消息推送，极光是不错的选择，极光推送的的多种消息类型，开发者可以轻松地通过极光发送各个移动平台的系统通知，还可以在控制台编辑多种富文本展示模板； 极光还提供自定义消息的透传，客户端接到消息内容后根据自己的逻辑自由处理。