"
没有哪一家公司具有周全的资源和手艺..。品牌商要积极寻找适合本身的资源，而且串联起来为本身办事。企业学会运用第三方手艺和数据资源会成为一种焦点竞争力。
"
在手艺主导的今天，个性化..不再是奢靡品。数据库手艺被各行业使用，也走进了中小企业，成为鞭策收入和博得市场份额的主要手段。研究表明相关的用户沟通能够缔造持久的忠诚度，并鞭策收入增进10％至30％。
个性化..的脑筋是把每个用户看成小我来进行沟通，盼望是以可以改善用户体验，鞭策发卖收入。个性..是对某一类用户的..。用户分类是一个相对的概念，能够是某一群用户，也能够具体到某一小我。
若何描述某一类用户的特征呢？在曩昔，用户属性和心理属性分类是最常见的描述方式。属性分类和心理分类数据起原于“手工”收集的问卷数据，只能在宏观的层面描述用户，不克知足更高水平的个性化..的需求。大数据基于用户的行为，其雄厚水平和实效性是以前不克想象的。受众分类变得越来越动态，越来越细，到了以小我为分类尺度的“破碎”化水平，界说用户的体式从“分类”走向“破碎”。“用户标签”，“千人千面”，“动态创意”等成为网红词汇。个性化..有需要需要从新去懂得，跟上时代的措施。
从笔者办事客户的经验看来，品牌商应用个性化..的结果是几家高兴几家愁。固然个性化带来了优点，但若是..人员弄错了，也需要支付价值，并且失败的成本是相当高。结果欠好的主要原因是企业还在沿用曩昔的脑筋体式去懂得个性化..，这就轻易闯入“..误区”。本文试图总结个性化..常见的误区。
误区1：选人OR选序言？
公共..时代，受众是凭据属性分类等粗犷的方式界定的，个性化的首要义务在沟通层面。但在大数据时代，确定谁是受众是..的首要问题。
市场上所有的人都能够是受众，受众之间不同是购置产物的或者性。有的受众不看告白也会买你的产物，有的看再多次告白也不会买，所以给这两种用户做发卖告白都是虚耗。
假设市场上一共有200个潜在用户，并且你能算出个中一组100个用户购置产物的或者性为70%，另一组的100个用户或者性为30%。..预算只许可你展示100次告白，你会怎么办呢？天然的做法就是对或者性高的100小我去离别展示一次告白，完全抛却此外一组用户。所以..的主要的问题是若何遴选出那100个或者性更大的用户。
个性化..是针对最或者对你告白有回应的一群用户。至于是否需要对这群人“千人千面“地沟通，是个次要的问题。即使是告白内容单一的传统告白也一向在说要针对分歧的人群做告白，能够看出选人的主要性。但传统时代选用户要经由序言。品牌商先要看序言吸引什么样的用户，然后去购置序言。若是是户外或楼宇告白，就要看周边人流特征。数字媒体中按内容分类的垂直媒体，好比汽车专栏，具有必然的人群精准性。但按照序言特点去选受众究竟是间接的，所以精准性很有限。
收益于大数据对象，现在告白主能够先选用户，再选流传序言，实现按“人”投放告白的目的。做法是当一小我接见媒体的时候，品牌商会用数据判断这个用户是否达到本身选择的尺度。若是不是，就不投告白。有了如许的方针人群后，品牌商就有更大的选择序言渠道的自由。
目前盛行的语音识别、人脸识别、文本识别手艺，和机械深度进修，把用户识别能力推上另一个台阶。此外，品牌商还能得益于数据整合能力，运用第3方数据资源来提拔选择用户的能力。某酒店品牌要提拔网上的订房率。曩昔是依靠媒体投放和转化数据去判断人群，数据标签上是有限的。现在这个客户能够用其他数据源，包含线下数据、语音文本数据等等去“撞库”，就能让用户的画像更清楚，从而提拔拔取用户的质量。
误区2：用户界说与产物特点没有关系
界说用户就是给用户打上“标签”，好比男性女性等。或许是受传统..的影响，品牌商在给用户打标签的时候，没有去考虑产物的特征。例如，传统的RFM用户界说法，就是用户上一次购置的时间（Recency）、购置频率（Frequency）和曩昔购置商品的价格（Monetary value）去给用户打标签，然后用这三种数据把用户分层，每一层的用户介绍分歧的产物。“VIP”用户平日就是三种数据价格都对照高，给他们介绍和沟通的体式区别于其余用户。RFM没有效到大数据，对用户价格的描述固然比属性分类更实用，仍存在不少局限。RFM认为前次购置时间越近的用户，再购置的或者性更高。这其实纷歧定。当一个用户刚买了一件衣服，她再买一般的衣服或者性反而降低了。所以，若是你能看出用户与产物购置的关系，就能提拔发卖转化。
要靠手艺算出用户与产物的关系，有几个要害。一是要有人群库，二是要竖立产物或品牌的常识库。竖立两个库之间的关联，依靠“模型”。提拔模型的正确度的过程叫做“模型练习”。当一个用户搜刮一个汽车品牌名字时，你就要敏捷展望他是要找车系、配件照样汽车价钱。若是输入的是一个具体车型，你就要展望他要找外观图片照样视频，是试驾照样上市时间等等，而且把这些需求进行排序。产物库包含所有产物的特征描述。拿汽车来讲，它能够有品牌、车系、车型、价钱、动力、内饰外观等。最后，竖立产物库的目的是为了实现与用户需求的成家。成家能够是双向的，能够用户成家沟通信息，也能够按信息去成家用户。这里举一个2B行业的实例来描述成家模型的竖立。某厂商产物是多种厨房用调料，要卖给全国各个餐馆的厨师。数据库中记录了3个分歧餐馆的厨师购置4种产物的行为。厨师a买过产物2和3，厨师3买过所有产物，这个汗青关系由下面示意图中红色箭头透露。
厨师a和c有配合属性（左图双向箭头所示），厨师a却没有购置过产物1和4，介绍模型就建议向厨师a介绍产物1和4（左图黑色虚线箭头透露介绍关系），这个过程就是基于用户去成家产物。基于任何一个产物，我们看应该介绍给哪个用户。产物2是每个厨师都买了的。既然厨师b只用过产物2，产物3和产物2都是汤调料（右图双向箭头所示），能够给给厨师b介绍产物3（右图黑色虚线箭头）。这就是算法和机械进修中基于用户的协同过滤法（Collaborative Filtering）。哪种成家体式结果更好呢，这需要用发卖究竟去对照和优化。还有其他竖立介绍模型分方式，好比基于内容的介绍模型（Content based filtering），有乐趣的读者能够去研究。
误区3，把品牌..的体式应用到发卖上
品牌宣传的用户标签一样采用属性标签，比发卖用的标签更粗犷。品牌流传用户的分类和发卖流传的分类会很纷歧样。在用户属性层面，你会觉察宝马和奔腾车的用户都长得一般，对卖车缺乏指导意义。但若何用更好的体式去区分他们呢？这就需要更多、更细的行为标签。
从事数字运营的人员都体味数据实时对优化的主要性，所以这些用户标签要有很高的时效性。若是一个用户去过奔腾的官网，从概率上讲，他买奔腾的或者性或许大于买宝马，能够考虑投放奔腾告白。若是他比来还去了奔腾车展，那的确就成为重点沟通对象了。但若是这个用户方才购置了一辆奔腾车，你还会针对他做卖车的告白吗？
对于数据整合，几个流量巨头具有先天的优势，阿里的BrandDatabank，京东九数..，相信美团、公共点评等介绍和发卖都有不错的整合数据，这是因为他们的买卖天然拥有效户线上和线下数据。有的还拥有效户媒体数据，就更能匡助..。品牌商本身的数据资源是有限的，就需要结合行业上粗俗的伙伴一路来实现数据整合，大的媒体，好比新浪微博、微信等等，都有效户标签。有些用户标签是开放的，告白主能够用。除此以外，市场上还有不少包罗笔者公司在内的，具有天然说话和图像采集能力和机械进修能力的资源。没有哪一家公司具有周全的资源和手艺..。品牌商要积极寻找适合本身的资源，而且串联起来为本身办事。企业学会运用第三方手艺和数据资源会成为一种焦点竞争力。
误区4，过度依靠第三方数据，在..中采用别人的数据库
第3方数据有效，但不克完全依靠。天猫、京东、微博等大型..都有效户标签供品牌告白主使用，用户被“城市白领”，“观光人群”等之类的名称做好了标记，轻易告白主运营使用。你用了就会觉察，第3方数据标签的结果时好时坏，并不统一。更大的问题是，你还不知道影响结果利害的原因。何况标签是通用的，你的竞争敌手也在用同样的标签，所以你很难跑赢“大盘”。大电商..的数据标签不是为某一个品牌商专门设置的，而是为了办事本身的贸易目的，好比卖掉更多流量。所以说，当你的用户是被别人界说的时候，结果很快就会显现瓶颈。
大的数据..数据标签并不克知足品牌商个性化的需要。品牌商，包罗他们的..代理机构，进展获得更底层的用户“根蒂”数据，他们可以用这些根蒂数据去形成本身的标签。如许可以进一步解放数据资源的价格。当然，..商应该收取相关的费用。媒体费用和数据费用有时能够分隔，若是仍然是序言收费而数据免费，就会象病院看病免费而靠卖药..一般，第3方数据就不克按照告白主需求多元化、个性化。
误区5：用户的界说与..目的没有关系
在化妆品品牌流传运动傍边，聚焦女性用户没有错。但在发卖运动中只对准女性用户就有问题了。我本人就经常为老婆购置化妆品。遗憾的是，我几乎没有收到过女性用产物的个性信息。..具有很强的目的性，是提拔知名度照样偏好度？是要拉新照样提拔发卖转化率？公司需要凭据..目的去界说受众。
笔者举一个本身公司的案例来试图解说若何避免..误区。客户是一个服装行业的品牌。我们运用用户的汗青购置数据建模，去预判购置服装的或者性。做法是把服装产物常识库标签化，然后与用户数据竖立关联。服装的式子多达数千，加上用户数量也有几百万，数据量宏大，需要借助机械进修的手段来“练习”模型。我们要求客户明确..方针是要提拔产物的发卖转化，（若是是要提拔用户介入度等就纷歧样了，避免误区5）。
我们的方案是把方针聚焦在选择用户身上，而不追求沟通中要“千人千面“的个性化（避免误区1）。针对每一款服装，遴选出购置意愿最强的用户去做流传。当然“购置意愿最强”的人群数量界定，是要凭据..预算来较量的，这能够是购置或者性排在前10%的用户，也能够是排在前50%的用户。若是只介绍前10%的用户，转化率就高，但用户数量会少。若是你给所有效户（100%的用户）都介绍，你就获得一个市场平均值，这就跟公共告白没什么两样了。若何遴选用户呢？我们运用用户购置的汗青发卖数据去视察他们购置产物的特征（避免误区2），这些特征会是由产物图片、文字描述（休闲裤、套头、圆领等）、品牌发卖内容文本等竖立的。企业会发卖新产物，或把产物交叉发卖给分歧的用户。究竟是机械会给出每种用户一个购置意愿的评分。品牌商只需要决意介绍用户的比例，就能从数据库中提取响应的人群包了，无论是用在线上照样线下..渠道。
值得一提的是，我们并不把用户戴上一个“小资白领”之类的帽子。而只关心对于某一款服装，这个用户购置意愿有多高。既然..方针是提拔产物的发卖转化，机械会按照预算给出最或者转化的人群ID，..时品牌就只针对这些用户进行沟通。所以模型链接了发卖方针、用户和产物三种关系，形成一个完全定制的标签系统。模型起头竖立时对于买照样没买判断的正确率或者不敷高，但经由增加样本就能络续进修和提拔正确值。
人工智能需要人和机械协同工作。人做的事情是设定方针和竖立划定，好比确定标签的制订原则。人在数据练习过程中还要做必然干涉，好比调整某个标签的权重，或许镌汰一些不适合的样本等等，是缔造性质的；机械是提拔规模和速度，是反复性质。一旦模型正确度达到要求，个性化..需要的用户数据剖析和成家就都是机械的事情了。使用介绍系统后，有效商品浏览量获得提拔，无效浏览量下降。固然介绍的用户只占数据库悉数用户的30%，他们的购置量占到实际购置用户中的67.3%，取得了对照幻想的转化结果（见下图）
在曩昔，个性化..由品牌商本身的市场部门就能够把持了。今天的个性化..不只需要多方数据资源，并且需要与懂得数据贸易应用的数据科学家或剖析师一路协作。个性..的实质是拔取20%的用户去进献80%的发卖转化，这是依靠运用数据模型和机械进修竖立品牌和用户的之间的个性关系。个性化..的“二八原则”没有变，改变的是把持的体式。
（文中部门图片源自收集，若有疑问，请关联我们，我们将删除。）
