ユーザーの増加は本当にデータ主導である必要があるのでしょうか?

ユーザー増加のシナリオでは、データ駆動型は意味があるのでしょうか?この記事では、著者はこの問題について議論し、データ駆動型のユーザー増加のロジックと基礎となるフレームワークの解釈を提供します。見てみましょう。役に立つかもしれません。

成長はデータによって推進される必要がありますが、データはむしろ、ユーザー増加トラフィックにハードルを設定すること、または成熟した衰退期に新しいニッチ市場を見つけて第 2 の成長曲線を達成することに関係しています。

一般的に、ユーザー成長の拡大段階は困難であり、資金を浪費するか、製品の評判の価値点を見つけるかのいずれかが必要になります。ユーザー増加のロジックは増加を見つけることですが、データ駆動型はトラフィックをフィルタリングすることに重点が置かれます。この二つは本質的に矛盾している。データ駆動型とは、既存のビジネスを実行することです。以前、私はデータの力は正確さにあると言いました。

では、ユーザー増加のシナリオでは、データ駆動性は何の意味も持たないのでしょうか?あまり。

まず第一に、中小企業や中小企業製品と連携する背後にある論理は精度です。中小企業は現在の出来事の ROI (短期的な利益) に重点を置いているのに対し、大企業は中長期的な価値を重視しているからです。中小企業向けにパフォーマンス広告（プレシジョンマーケティング）が行われるのもこのためです。大企業がプレシジョンマーケティングだけを行うと、マーケティング予算をすべて使い切ることができません。大企業の中核は、トラフィックを合理的に分割し、エコシステムに導入してその利用率を最大化することです。簡単に言えば、エコシステムとはロングテール、つまりトラフィックのマルチチャネルフィルタリングです。

データ主導によるユーザーの増加については、いくつか確かなことがあります。

1つは、ユーザーソースのチャネル属性であり、これはデジタルマーケティング全体のロジックでもあり、つまり、費やしたお金がどこで効果的に機能しているか、データを追跡・測定できるかどうかです。しかし、ここでより重要なのは、複数のタッチポイント チャネルを通じてアクセスするユーザーのアトリビューション ロジックです。本質的には、ROI を測定し、どのチャネルで売上を大幅に増加できるかを測定することも目的です。

もう 1 つは、正確な配信のロジックであり、これは現在では oCPX (oCPCoCPAoCPS) の概念に進化しています。

もともと、データ技術の限界により、オフラインでデータを分析する場合、オフラインのシード集団を通じてアルゴリズムの特性を分析し、その後、固められたモデルを通じて潜在的ユーザーを選択して増幅するロジックを実行していました。現在、リアルタイム データはより成熟し、オフライン トレーニングの反復プロセスはリアルタイム アルゴリズムの最適化へと進化し、より高い精度と効率を実現するためのリアルタイム アルゴリズムの反復へと進化しました。

これは ROI を向上させる非常に直接的な方法ですが、その結果、ますます多くの配信エージェントが配信の最適化から純粋なチャネル リソースへと移行しています。

1. デジタル配信シナリオ

精密配達にはいくつかの主要なシナリオがあります。

1. CTR クリックスルー率予測モデル。
2. 種子集団の類似種。
3. 行動ラベルの嗜好予測;
4. ユーザーのポートレート;
5. 群衆のクラスタリング;
6. oCPXターゲット集団のリアルタイム最適化。
7. チャンネルの帰属

これらの方法を調整して組み合わせたワークフローを連結することで、さまざまなシナリオで SOP を正確に提供できます。もちろん、これには比較的強力なデータ テクノロジーが関係します。

デジタル配信のシナリオを例に挙げてみましょう。

正確な配信の本質は、変換コストを削減し、ROI を向上させることです。新規ユーザーを引き付け、既存ユーザーを活性化し、失ったユーザーを呼び戻します。このうち、新規ユーザー獲得という目標である登録コストを除けば、その他の目標は決済コストです。

新規登録の獲得コストの最適化を例に考えてみましょう。コストが低いということは、露出されるオーディエンスがターゲット ユーザーと非常に一致することを意味します。購入意欲のある人を最も正確に把握する必要があり、ユーザー特性は人口ターゲティング戦略として使用できます。そこで、購買意欲の高い人に対してターゲットを絞った配信を実施します。このグループはどのように選択するのでしょうか?

既存の成熟したデータ技術を組み合わせることで、上記の方法で集団選択を実行できます。新規ユーザーを引き付けるシナリオが他のシナリオと異なるのは、人口パッケージを通じてターゲットを絞った方法で新規ユーザーにアプローチすることができず、機能分析を通じてのみ、ドメイン外ユーザーのターゲット選択を最適化できる点です。これは新しいユーザーであるため、ユーザー プールにはそのようなユーザーは存在しません (もちろん、潜在顧客のシナリオは異なる、より特殊なものであり、デジタル マーケティングのコア シナリオでもあります。初期の DMP の匿名ユーザーは主にこのシナリオに属します)。

2. 海外への精密配送

まず、過去のトランザクション ユーザーは、ドメイン外でのラベル ポートレート分析や集団増幅 (類似) のシード集団として使用できます。同時に、リアルタイム変換を備えたシード集団を oCPX に接続して、動的なターゲット集団の特性を最適化し、より正確なものにすることができます。現在、ほとんどの成熟したトラフィック プラットフォームは oCPX をサポートしています。

ここで、ユーザー ポートレートは、ドメイン内とドメイン外のポートレート分析、およびさまざまなドメイン外配信ドメインに分けることができます。

現在のラベリング システムは主に予測ラベルに基づいているため、プラットフォームごとにラベリング システムとルールが異なり、プラットフォームの属性に合わせて調整する必要があります。ドメイン内ポートレートの場合、行動の好みのラベル予測が含まれます。ユーザーは、シード集団の行動特性に基づいてモデルトレーニング後にラベル付けされます。

では、ユーザーポートレートの役割は何でしょうか?以前は、ユーザー ポートレートは配信時にターゲット戦略を導くためによく使用されていましたが、現在ではスマート配信が成熟するにつれて、ポートレートは資料の作成や新規ユーザーの獲得を導くためによく使用されるようになりました。

ポートレートはラベルの出力ですが、ポートレートとラベルの用途は非常に異なるため、ここでは詳しく説明しません。詳細については、前回の記事「データドリブンにおけるユーザーポートレートの活用方法」をご覧ください。

広告であれ、自然なトラフィックであれ、ユーザーが複数のチャネルからアクセスしてきた場合、各チャネルの価値を評価し、限られたリソースを価値の高いチャネルに投資する方法を知っておく必要があります。チャンネルの帰属は不可欠です。たとえば、今年、Alimama はアップグレードされたMTA Uplift (マルチタッチ アトリビューション、消費経路全体のアトリビューション)チャネル分析アトリビューション モデルを開始しました。

Alimama モデルについては詳しく説明しませんので、ご自身でご確認ください。しかし、このモデルで非常に興味深いのは、「履歴の追跡と分析機能」です。これは、機械学習によって推奨される戦略の有効性を検証するために Alipay でインテリジェント リスク管理を行っていたときに使用したトラフィック バックトラッキングとシミュレーション機能を思い出させました。流通チャネルの帰属という点では、行動のバックトラッキングと過去のトラフィックのシミュレーションを通じて流通戦略を推論することは、まさに革新的です。

実際、オフドメイン配信とオンドメインコンバージョンの最大の違いは、アルゴリズムがサードパーティのトラフィック側に展開されるか、ファーストパーティの広告主側に展開されるかにあります。例えば、これからお話しする CTR ユーザーのクリック率予測モデルや、類似の予測モデルなどです。

3. ドメイン内登録変換

CTR モデルは、実際には、過去の行動に基づいてユーザーのクリック確率を予測します。この方法は、さまざまな検索ランキングや推奨シナリオで一般的であるため、露出やクリックが関係するあらゆるシナリオに関係します。配信シナリオでは、配信の基本的なロジックは CPC または CPM クリック露出価格であるため、コンバージョンコストを削減するには、露出とクリック確率を高めることが本質的に必要です。

同時に、プラットフォームが考慮する必要があるもう 1 つの競争上の側面があります。それは、トラフィックが誰 (広告主) に提供されるかという問題です。最高額入札者が落札するだけでなく、当然クリックされる確率が高い人も公開されます。

ドメイン内のコンバージョンについても同様です。唯一の違いは、新規顧客獲得シナリオは潜在顧客の変換であるのに対し、他のシナリオは既存ユーザーの変換である点です。唯一の違いは、潜在顧客と既存ユーザーのデータ取得方法とデータの種類が異なることです。これは、既存ユーザーには大量のドメイン内データが蓄積されているのに対し、潜在ユーザーのドメイン内データは非常にまばらであるためです。

実際、CTR クリック確率、登録コンバージョン、購入コンバージョンのいずれであっても、最適化は基本的にさまざまなアルゴリズムの目標に基づいています。これには、行動ラベルやユーザーポートレートなど、いくつかの非常に中核的な側面が関係します。

ユーザーのポートレートは対象集団を選択するための基礎として使用され、ラベルはトレーニング機能として使用されます。もちろん、ユーザーポートレートは目標としても結果としても使用できます。本質的に、モデルは正確なユーザーのポートレートです。

さまざまなユーザーが常にあなたを驚かせるので、洗練された操作には必然的にユーザーのグループ化とグループポートレート操作が必要になります。ユーザーのパフォーマンスに明らかなビジネス特性がない場合、専門家の経験を通じてそれを定義するのは困難です。現時点では、クラウド クラスタリングを介したアルゴリズムを使用して、いくつかの特徴的な違いと重要なパフォーマンスを見つける必要があります。ここではクラスタリングとアルゴリズム モデルの詳細については説明しません。詳細は前回の記事「徹底的なデータ分析の考え方」をご覧ください。

したがって、データ駆動型の本質は、ビジネス シナリオでデータ テクノロジーをより適切に適用して問題を解決し、データを通じて自動化とインテリジェンスを実現することです。データの役割は、主に「スクリーニング」です。一見複雑だが、実は単純なこの真実は、最も単純なものである。

基礎となるロジックとフレームワークがわかれば、ユーザーの成長がどのようにデータ主導であるかが自然に理解できるようになります。