个推CEO方毅：数据营销行业加速洗牌，以精细分工重塑市场格局

回顾过去几年的数字营销行业，各类新概念层出不穷。近日，个推CEO方毅在谈到数据智能大时代下如何做品牌营销这一话题时，提出了DMP“三极管效应”的新观点，更对当前数据营销行业各个角色的分工做了精彩点评。

以下根据方毅分享实录整理（附现场视频和PPT讲解）:

今天我想和大家聊一聊行业里一个非常熟知的概念——数据智能（Data Intelligence），以前大家更多提到的是大数据、小数据，我认为DI才是它较为精确的形容词。

个推上市之后，很多媒体对我们有各种各样的解读，说我们是一家传媒公司，是一家代理公司。但我们内部对自己有一个清晰的定义，就是数据智能公司，它由互联网、人工智能、大数据和云服务这四个学科交叉形成。

数据能力已经成为当今品牌营销的核心竞争力。个推基于推送服务，沉淀了海量数据资源，据统计，我们所服务的APP每天推送的消息加起来超过200亿条。我们拥有超过40亿规模的移动端数据覆盖量，以及精细丰富的数据标签体系，这些构成了个推的数据基础。

很多公司都在做数据服务，也经常有人问我个推和它们有什么区别。我给大家举个例子，有些APP公司自身用户量很大，活跃度也很高，但这一数据量拿来做投放前验还是不够的。

个推不像淘宝京东等有电商领域的深度数据，但我们的数据贵在维度全面，概括能力强，就像拿刀横切蛋糕，可以切下整面的蛋糕，而非纵切，只能涉及一小块，我们的数据结合不同的模型，就能够拓展出非常多的应用场景。

在品牌营销领域，我们根据用户线上行为偏好和线下场景活动数据构建用户画像，输出人口属性、设备属性、兴趣偏好和线下场景等数据，再根据特征层进行机器学习，做有效归因，从而全面、精准地洞察品牌消费人群。

母婴大数据：人肉初筛、机器扩量、线下细化

方毅谈“母婴大数据、汽车大数据”现场实录

机器学习中最常用的一个算法叫word2vec,就是把一个单词变成一个矢量。

形象地说，word2vec等于皇后减去皇帝，等于woman减去man，等于红太狼减去灰太狼。我还听说有个表白公式，叫土豆减去马铃薯，番茄减去西红柿，等于我喜欢的人减去你。而个推做的最多的事情，就是APP2vec。

你每天使用过哪些APP，可以比喻成你每天写的一篇作文，然后我们根据两篇作文之间的相似性做look-alike分析，这是个推常用的一种算法。

基于大数据技术和各种算法，我们可以找到精准的消费者。

以母婴行业为例，个推数据库里有六千万的母婴人群。中国常见的母婴类APP有60个左右，我们先进行人肉标注，然后将这些APP丢进个推数据库中做look-alike分析，挖掘和分析安装了这60个APP的人群平时还会使用哪些其他特别的APP，由此找出了两千多个母婴相关的APP。

我们用人肉去端详，百分之九十七靠谱，剩下的百分之三不去管它，然后用端详后的数据做二次回滚，最终找出了六千万中国母婴人群。

为了剔除其中误装、预装和测试的用户，我们对用户线上APP行为偏好和线下场景活动进行了关联分析，以此对用户的有效性进行验证，确保留下的都是精准的母婴人群。这些数据用于母婴品牌做精准营销是非常有效的。

汽车大数据：真正指哪打哪的成交

聊完母婴，我们再来聊一聊汽车。

服务过汽车品牌的人都知道，汽车广告主都希望精准广告可以给他们带来直接的销售线索，即sales leads。品牌主从垂直门户中所获得的leads，可能百分之七八十都是有效的，但从品牌广告中所获得的leads，很有可能百分之八九十都是无效的。

DMP前验本是为品牌主提供“指哪打哪”的靶向作用，但目前行业混乱，甚至出现了“打哪指哪”的乱象。

我们在帮助汽车客户做leads精选和校验时，就坚持真正的“指哪打哪”原则。我们将消费者分为优质人群、次优人群、潜在人群、普通人群和黑名单五组。最初，汽车客户反馈我们的数据不行，经过我们深入的沟通分析，得知客户是通过打电话的建卡率来验证数据的有效性。

大家知道羊毛党有一个特点，就是收了钱后会特别配合，所以建卡率很高。因此我们要求他们继续追踪数据，一直到三个月后购车阶段，这时他们发现优质人群和普通人群的销售成交率相差了10倍，证明我们的数据真正有效，只是目前行业里面缺乏了一把公正公平合理客观的尺子。

品牌广告：定向种草，同时也拒绝千人前面

方毅谈“品牌广告、三极管效应”现场实录

品牌广告有三大定律：一、买与不买的时候希望你买；二、选A选B的时候希望你倾向选A；三、选A的同时希望你愿意接受更高价。

那么对于宾利、奔驰、宝马等奢侈品品牌，或者欧莱雅这样的轻奢品牌，只要找到垂直的人群，分析他们近一年线上APP的行为偏好和使用场景，以及他们感兴趣的话题、偏爱的色调，再将这些有价信息提供给做创意的agency，让他们定向地对用户进行种草就可以了。

这里需要强调一点，个推不是神，不能把所有的精准用户都替品牌主找出来。我们一直在做的，是通过大数据技术，让整体的TA浓度和ROI都有大幅提升。

值得注意的是，品牌广告领域千万不要强调千人千面，做到千人三面、千人五面即可，避免让品牌形象变得碎片化，难以形成统一概念。此外，不强调千人千面不等于让品牌对所有用户做统一触达，如果向一个70岁的老大爷和一个00后小姑娘投放一样的广告，那肯定也是不对的。

三极管效应：让品牌营销释放更大能量

以前的广告模式和瀑布一样，是单向的，投放完了之后，数据没有形成闭环。

学过机器学习的人应该知道,如果没有监督学习，阿尔法狗（AlphaGo）就只剩下狗了，根本不可能打败人类。

所以我认为，机器学习最重要的是Y值的回归，并形成闭环。用户数据是品牌营销全链路闭环的起点和终点。品牌想要把营销价值最大化，一定要有意识地去积累和应用好手上的用户数据。

在此我呼吁所有品牌广告主马上行动，建立起自己的第一方DMP，将CRM系统或CDP系统内的数据，以及媒体投放后的所有结果全部汇总到一起，经过清洗整理后形成自有的数据资产。

第一方数据精准而具体，但你实际运用起来会发现数据量还是太少。比如一千万的流量中可能只有50-100万的core user，这些核心用户数据拿来投放广告是远远不够的，这时需要一个三极管放大器（注：三极管，是一种控制电流的半导体器件，其作用是把微弱信号放大成幅度值大的电信号），在第三方的池子里进行相似人群扩量，在精准的前提下找到更多的潜在目标用户。

例如，某欧洲知名奶粉品牌，自身有效会员数只有30万，我们通过look-alike将30万会员用户扩展成3000万的潜在目标人群，再进行投放。

这就像是把一朵雪花放进雪地里，然后找出3000万朵和它长得相似的雪花，通过雪花效应，让品牌营销释放出更大的能量。

很多人都在讨论一个问题：在各个电商平台上投放广告，应该用内部数据还是外部数据？

我的答案是：如果你要投站内广告，那么第一方数据必须用起来，因为淘宝京东等电商平台很清楚哪些人会买你的产品，哪些人会买你的竞品。但如果你的广告是投放给广泛的站外用户，那你必须使用自己信赖的第三方数据。

DMP前验：数字营销行业中最为稀缺的角色

方毅谈“DMP前验”现场实录

目前整个数字营销生态图谱中，主要有六方参与者：品牌主（甲1）、代理商（甲2）、DSP供应商（乙1）、媒体方（乙2）、第三方DMP（丙1）、监测方（丙2）。

品牌主是整个广告投放的需求方，agency（代理商）为品牌主提供广告服务，它本质上就是中介，主要工作是帮广告主找媒体广告位，帮媒体找广告主。

DSP是为广告主和代理商提供多渠道流量来源管理的平台，避免复杂的媒体购买方式带来的资源浪费。

媒体是整个链条中真正的供应方。广告投出去后，我们需要对投放结果进行监测和衡量，监测方做的就是这项工作。

投后监测虽然能对整个营销闭环起到非常重要的作用，但我认为DMP前验才是当今数字营销行业中最为稀缺的角色，只有找到第三方做好投放前期的数据验证，品牌主才能实现更加完整的用户洞察，从而筛选更加优质的广告流量，避免营销预算的浪费。

目前国内有能力做DMP服务的除了BAT以外并不多，而个灯数盘就是其中之一。为了给品牌主提供专业的数据服务，我们把主要精力放在自己最为擅长的地方，以第三方DMP能力为立足点，为品牌主提供数据前验服务。

我们的个灯数盘在做DMP前验时，将品牌会员用户作为研究的种子数据，通过个推强大的标签体系，对种子用户的特性标签进行补全，让用户画像更加完整。我们把整个过程称之为是对用户进行“端详”。

接着，我们通过机器学习的方式，剔除掉无效的用户，把真正的目标消费者挑选出来，并将他们丢到个推的用户资源池里进行look-alike分析，找出更多的潜在目标人群，然后才进入投放，最后把营销闭环拉回来做归因迭代。

如今，随着多方角色的进入，数字营销已然成为一个高度竞争的领域。在此背景下，大家更应该坚守好自己的阵地，做好自己的本职工作，将自身角色的价值发挥到最大，共同推动行业良性健康发展。