DMP系统之人群模块搭建

人群的主要使用场景是“精准营销”和“人群分析”,所以“人群”最核心的价值是数据的精准性。

今天我们来介绍下DMP(Data Management Platform)第2个重要模块——人群。

我们先明确下人群的定义:聚合具有相同属性特征或者行为的用户ID,用于指定业务运营场景使用,比如:发短信、看分析报告。

人群作为系统的中心链接模块,是使用方最常用的功能之一,需要系统化思考解决方案。

(图1.DMP产品模块图)

一、人群的使用场景

人群的主要使用场景是“精准营销”和“人群分析”,所以“人群”最核心的价值是数据的精准性。

1、精准营销

(1)投放广告,精准人群定向投放使转化率提升。e.g.将一方DMP人群通过腾讯广点通lookalike模型进行放大,进行广告精准投放

(2)打通SCRM系统,做用户精准触达。e.g.打通短信、微信等自媒体渠道,实现人群自动化/周期性触达

(3)输出人群工具,实现变现。e.g.阿里巴巴/京东等大型零售商会将DMP工具能力赋能给商户使用,按照用户量级和使用时间收取一定费用

2、人群分析

(1)人群用户画像分析。e.g.查看指定人群A下的男女占比,指定分析周期下购买金额分布、新增会员等

(2)人群对比分析。e.g.指定人群A和B,相同分析周期下,购买频次分布差异,积分使用差异等

(3)人群漏斗分析。e.g.指定人群A,指定分析周期下,在曝光-点击-加车-购买环节下的人群地域分布,会员等级分布等

(图2.人群分析看板示例)

二、如何生成人群

生成人群的方式通常有3种:预置标签创建人群,基于行为创建人群,离线数据包上传生成人群。

同时,为了使群组更为灵活应用,衍生出2种应用方式:群组组合,A/B分组。

1、预置标签生成人群

如《DMP之新零售标签体系搭建》所提到,我们可以初始化预置一批常用标签,这些预置标签可用于快速圈人群。

标签生成人群有以下3大优势:

(1)支持快速圈定人群。由于预置标签在相应更新周期时间点会自动更新,所以可快速生成人群(无需基于数据重新跑)

(2)支持设置不同于标签的更新周期。标签通常有自己的更新周期(e.g.:每日/每周/每月),生成人群后可设置不更新或者跟随标签更新,应用于不同业务场景

(3)操作简单。使用者通过配置简单的筛选条件,即可生成人群

(图3.标签生成人群示例)

2、基于行为创建人群

基于行为创建人群具有较大的灵活性,基本上可以涵盖日常使用的圈人场景。

但是由于行为创建人群需要基于数据即时跑,所以需要一定时间才能获得人群。当同时跑的人群包过多时,整个生成人群的速度会较慢。

行为圈人通过4种类型的条件获得人群:事件/时间/事件对象/行为逻辑(频次/属性)

举例说明如下:

e.g.1  APP新客:在APP渠道仅下过1单的用户

事件:下单

时间:历史至今

事件对象:APP渠道

行为逻辑:次数=1

e.g.2  广东省A品牌潜客:在广东省近7天加车/搜索过A品牌的用户

事件:加车&搜索

时间:近7天

事件对象:广东省

行为逻辑:次数>=1

 

(图4.行为生成人群示例)

3、离线数据包生成人群

由于新零售行业公司数据来源渠道多且更新迭代快,所以DMP全面收集全渠道数据需要一定时间。

为了保证业务正常运转,通常需要保留上传离线数据的口子。这样,业务方能够从数据部门或者第三方平台拿到离线数据,然后上传到平台。

离线数据通常是可被识别的用户ID,比如:手机号、device id、Open id、会员卡号等。

4、群组组合

为了使群组更为灵活应用,人群模块可支持选择多个群组进行“交并差”。如以下场景:

e.g.关注公众号但未购买过的用户。可通过以下人群1(交集)人群2即可获得目标用户群体。

人群1:通过标签生成“关注公众号”的人群

人群2:通过行为生成“历史订单为0”的人群

5、 A/B分组

该功能通常应用于组织内用户运营团队。为了研究同一批用户在不同活动措施下的表现效果,需要拆分群组去做不同测试。

通过A/B分组可以快速生成同等份或者不同等份的用户子人群包,并通过SCRM工具实现测试。

e.g.为了度量同一批特征人群对不同券(300减80;200减50;400减10元)的偏好效果,我们将人群包X拆分成a/b/c 3个新人群包,各占33%。再通过SCRM发券工具发放到起帐户,观测券有效期内的使用率转化。

三、踏过的几个坑

以下是我搭建新零售DMP过程中遇到的坑,以及思考的解决方案。以下并不需要在第一期基建过程中需要考虑,但是作为异常点需要规划在系统迭代内。

1、人群下载

前期,DMP系统通常未能打通第3方系统,比如:短信、微信、广告投放后台等。所以,DMP需要保留下载人群ID入口,使用者可以下载人群ID再将人群上传至第三方系统,实现业务目的(发短信、微信)。

人群ID通常具有高度敏感性,建议将下载的ID匿名化,并卷入公司合规把控流程数据安全,以避免信息人为泄漏风险。

2、人群更新失败

数据/系统等问题导致的人群更新失败,一般需要从数据源/系统节点源头解决。

但DMP产品需要做好系统兜底措施,当出现人群更新失败时,第一时间通知相关研发和创建者,以便快速解决问题。

3、人群去重

创建人群的过程中,通常会碰到需要将人群1、人群2、···、人群N进行去重的场景。当人群数量不多的时候,可以通过人群的差集进行去重。

但是当人群过多时,该方案则不太现实。为保证人群模块的独立性,建议通过下游系统解决。

e.g.搭建短信防打扰机制(比如:1天/1条)和排序发送体系,并按照优先级发送短信,避免人群重复发送。

- END -

今天我们来介绍下DMP(Data Management Platform)第2个重要模块——人群。

我们先明确下人群的定义:聚合具有相同属性特征或者行为的用户ID,用于指定业务运营场景使用,比如:发短信、看分析报告。

人群作为系统的中心链接模块,是使用方最常用的功能之一,需要系统化思考解决方案。

(图1.DMP产品模块图)

一、人群的使用场景

人群的主要使用场景是“精准营销”和“人群分析”,所以“人群”最核心的价值是数据的精准性。

1、精准营销

(1)投放广告,精准人群定向投放使转化率提升。e.g.将一方DMP人群通过腾讯广点通lookalike模型进行放大,进行广告精准投放

(2)打通SCRM系统,做用户精准触达。e.g.打通短信、微信等自媒体渠道,实现人群自动化/周期性触达

(3)输出人群工具,实现变现。e.g.阿里巴巴/京东等大型零售商会将DMP工具能力赋能给商户使用,按照用户量级和使用时间收取一定费用

2、人群分析

(1)人群用户画像分析。e.g.查看指定人群A下的男女占比,指定分析周期下购买金额分布、新增会员等

(2)人群对比分析。e.g.指定人群A和B,相同分析周期下,购买频次分布差异,积分使用差异等

(3)人群漏斗分析。e.g.指定人群A,指定分析周期下,在曝光-点击-加车-购买环节下的人群地域分布,会员等级分布等

(图2.人群分析看板示例)

二、如何生成人群

生成人群的方式通常有3种:预置标签创建人群,基于行为创建人群,离线数据包上传生成人群。

同时,为了使群组更为灵活应用,衍生出2种应用方式:群组组合,A/B分组。

1、预置标签生成人群

如《DMP之新零售标签体系搭建》所提到,我们可以初始化预置一批常用标签,这些预置标签可用于快速圈人群。

标签生成人群有以下3大优势:

(1)支持快速圈定人群。由于预置标签在相应更新周期时间点会自动更新,所以可快速生成人群(无需基于数据重新跑)

(2)支持设置不同于标签的更新周期。标签通常有自己的更新周期(e.g.:每日/每周/每月),生成人群后可设置不更新或者跟随标签更新,应用于不同业务场景

(3)操作简单。使用者通过配置简单的筛选条件,即可生成人群

(图3.标签生成人群示例)

2、基于行为创建人群

基于行为创建人群具有较大的灵活性,基本上可以涵盖日常使用的圈人场景。

但是由于行为创建人群需要基于数据即时跑,所以需要一定时间才能获得人群。当同时跑的人群包过多时,整个生成人群的速度会较慢。

行为圈人通过4种类型的条件获得人群:事件/时间/事件对象/行为逻辑(频次/属性)

举例说明如下:

e.g.1  APP新客:在APP渠道仅下过1单的用户

事件:下单

时间:历史至今

事件对象:APP渠道

行为逻辑:次数=1

e.g.2  广东省A品牌潜客:在广东省近7天加车/搜索过A品牌的用户

事件:加车&搜索

时间:近7天

事件对象:广东省

行为逻辑:次数>=1

 

(图4.行为生成人群示例)

3、离线数据包生成人群

由于新零售行业公司数据来源渠道多且更新迭代快,所以DMP全面收集全渠道数据需要一定时间。

为了保证业务正常运转,通常需要保留上传离线数据的口子。这样,业务方能够从数据部门或者第三方平台拿到离线数据,然后上传到平台。

离线数据通常是可被识别的用户ID,比如:手机号、device id、Open id、会员卡号等。

4、群组组合

为了使群组更为灵活应用,人群模块可支持选择多个群组进行“交并差”。如以下场景:

e.g.关注公众号但未购买过的用户。可通过以下人群1(交集)人群2即可获得目标用户群体。

人群1:通过标签生成“关注公众号”的人群

人群2:通过行为生成“历史订单为0”的人群

5、 A/B分组

该功能通常应用于组织内用户运营团队。为了研究同一批用户在不同活动措施下的表现效果,需要拆分群组去做不同测试。

通过A/B分组可以快速生成同等份或者不同等份的用户子人群包,并通过SCRM工具实现测试。

e.g.为了度量同一批特征人群对不同券(300减80;200减50;400减10元)的偏好效果,我们将人群包X拆分成a/b/c 3个新人群包,各占33%。再通过SCRM发券工具发放到起帐户,观测券有效期内的使用率转化。

三、踏过的几个坑

以下是我搭建新零售DMP过程中遇到的坑,以及思考的解决方案。以下并不需要在第一期基建过程中需要考虑,但是作为异常点需要规划在系统迭代内。

1、人群下载

前期,DMP系统通常未能打通第3方系统,比如:短信、微信、广告投放后台等。所以,DMP需要保留下载人群ID入口,使用者可以下载人群ID再将人群上传至第三方系统,实现业务目的(发短信、微信)。

人群ID通常具有高度敏感性,建议将下载的ID匿名化,并卷入公司合规把控流程数据安全,以避免信息人为泄漏风险。

2、人群更新失败

数据/系统等问题导致的人群更新失败,一般需要从数据源/系统节点源头解决。

但DMP产品需要做好系统兜底措施,当出现人群更新失败时,第一时间通知相关研发和创建者,以便快速解决问题。

3、人群去重

创建人群的过程中,通常会碰到需要将人群1、人群2、···、人群N进行去重的场景。当人群数量不多的时候,可以通过人群的差集进行去重。

但是当人群过多时,该方案则不太现实。为保证人群模块的独立性,建议通过下游系统解决。

e.g.搭建短信防打扰机制(比如:1天/1条)和排序发送体系,并按照优先级发送短信,避免人群重复发送。

- END -

发表评论

相关文章