微信朋友圈广告真的用上了大数据?——深度解析

2024-05-30
来源:网络整理

一个被毁掉的概念:微信朋友圈广告真的用了大数据吗?

微信朋友圈广告事件已经过去好几天了,看到各路大神纷纷评论此事,也看了几篇大作,有两个问题值得探讨。

第一个问题:如果我们拥有大量数据,是不是就意味着大数据?

微信拥有超过11亿用户,活跃用户超过4亿,每天产生的数据量是天文数字。这款免费发布、无引导的社交软件产生的数据,在朋友圈广告中到底用来干什么了?

根据广告主在微信朋友圈的发文,我们可以推测几种常见的大数据应用方式:

模式 1:

这个模型利用微信用户的海量数据,筛选出符合广告主定位的群体,比如用肾的,或者对奢侈品、豪车感兴趣的,并通过各种标签条件来定义用户,进而推送广告。

模式 2:

利用微信上各类用户数据,勾勒出属性,比如用户收入、年龄、地域、学历、行业等基本特征,与广告主产品定位人群的属性进行比对,利用属性相似的部分,加上之前推广测试中的用户反馈参数,比如预告右上角的“我感兴趣吗”选项,筛选出目标人群,推送给目标人群。

模式 3:

当属性不全时,就应该采用第三种模式,以用户偏好作为分类条件,比如用户对旅游、科技产品、吃喝玩乐等的偏好作为定义条件,对这些偏好进行排序,选出最受欢迎的偏好,再与广告主的客户定位进行比对,选出最相似的偏好作为推送对象。

以上三种常见的大数据推荐模型,都没有涉及到社交属性,事实上,如果精准分析能够达到用户消费行为、倾向的层面,社交属性就可以弱化,因为后者实际的作用仅仅在于扩大受众群体。

以微信的用户规模,精准分析出几百万甚至几千万的宝马潜在用户应该不是什么难事。但这次推送并不是一对一推送到用户对话框,而是通过社交属性的朋友圈传播,依然是Feed流广告的方式,并没有充分运用大数据的精准能力。所以,微信的数据量确实很大,但微信是否在做大数据分析,还要看它如何处理这些海量数据。这次推送并不是严格意义上的大数据行为。

第二个问题是:这次的广告效果几乎全靠事件炒作和用户转发,那和大数据有什么关系?

微信广告朋友圈_关于微信朋友圈广告_圈微信广告朋友能看到吗

产生这个问题的原因是,三家广告主投放的都是品牌广告,而非具体的产品推广,目的是为了提高品牌知名度。考虑到微信用户数量庞大,以及“高中低浪费”人群分类话题的炒作,这应该归类为事件营销。我看不出这和大数据应用有什么关系,因为最终的消费者转化还是要靠广告主自己的努力。

为什么不利用这么多的用户数据?我们再做另一个大胆的假设:

1、微信并不完全了解自己11亿多用户,否则它应该找出这11亿用户中谁是真正的富人和失败者,并根据这个来推广宝马或可乐。精准营销和事件营销并不冲突。

2、微信一开始就以“优质种子用户”作为投放目标,隐含的前提是活跃度高、参与广告互动的用户及社交关系与宝马、vivo、可口可乐的广告受众重合度高。这样的设定显然是从一开始就为炒作事件而准备的,并非以精准为前提。

不难看出,微信以社交属性作为广告推荐的基础,并没有运用基于内容、协同过滤、规则、效用、知识的大数据能力,没有关注人与物之间的强关联性(如偏好、购买、意向等)。

从这两个问题推导出的结果我们发现,这是一次成功的事件炒作,是一次公关活动,是一次传播效果的验证,和大数据一点关系都没有。

那么大数据推荐到底是什么?

从数据库中找出一个微信用户的所有好友,跟大数据没什么关系,大数据的一个重要特点就是对不同来源、不同性质的数据信息进行分析,比如把微信用户信息和宝马用户信息放在一起分析,就是典型的大数据应用场景,专业上来说,这就是大数据的多样性属性()。

大数据推荐的目的是找到两个可能看起来毫无关联但实际上有关联的实体。这种隐含的关系在小数据中并不容易找到,在大数据中难度可想而知。我们把这个问题分解成几个步骤来说明:

第一步要解决“什么样的数据可以纳入分析”的问题。因为数据量太大,纳入不相关的东西,不仅会增加不必要的计算量,还会产生很多干扰。所以去噪()是第一步。就拿这次宝马在微信朋友圈的广告主举例:

假如有微信用户称自己昨天买了一辆宝马,但此人不在宝马的购车用户名单上,是否要将这个用户移除,将影响到下一步的处理。

第二步,确定基准数据()。分析两个实体是否相关,关键是看它们的相似度。有人说相似度80%就可以了,也有人说相似度50%以上就可以了。那么这个相似度怎么确定呢?一种方法是让专家来判断,另一种方法是让统计数据来判断,最好的方法是让大数据模型自己学习来判断这个基准。

第三步是数据降维( )。降维就是把不需要的或者不重要的因素从推荐系统中去除,从大数据变成小数据。比如微信用户和宝马用户之间可能存在很多关联点(电话号码、城市、年龄、财富水平、支付记录等),并不是所有的关联点都对推荐有用。比如富二代18岁就开宝马,而普通人可能要30岁才能开,所以年龄可能不是分析的关键。

总之,降维的根本目的是为了方便计算,避免天文数字的数据分析。至于如何降维,以及降维的算法,后面我们会详细讨论。

第四步,选择合适的推荐算法。上面提到的推荐算法是目前应用最为广泛的几种,每种算法都有各自的优缺点。选择算法时需要考虑要解决的问题、数据量、特征选择等因素。换言之,需要用数据把人、事、事件之间的底层关系串联起来。

第五步,很多时候大数据推荐需要考虑实时推荐的问题,比如新用户进来,你给他推荐宝马、vivo或者可口可乐,这涉及到推荐效率和用户本身的信息,大数据框架的设计要足够完善。

此外,大数据推荐的结果通常被称为“大数据预测”,其应用场景从足球博彩到股票,无所不包。能做好大数据预测的公司才是真正的高手。

根据以上推论,大数据下的推荐系统并非简单等同于社交关系的推导,而必须建立在更严谨的需求分析和更复杂的系统设计之上。微信有天然条件(海量数据、资金、团队等),但在这次广告推送中,大数据的应用还不到位,虽然利用了大数据能力,但更像是一种“大数据是个筐,什么都可以放进去”的包装方式,颇为可惜。

分享