每家公司都绕不开的一个命题是——用户从哪来？伴随互联网生态的发展，以效果广告获取用户的方式越来越成为企业高效获客和营收增长的手段。如何更好地进行广告投放，成为一个值得探讨的话题。

本文聚焦数字营销中的投放运营，洞察新语境下品牌数字营销的机遇与挑战，伴随着新技术能力的发展，品牌该如何提升拓客能力和效率？在进行全渠道投放时，该如何搭建有效的指标监测体系，赋能营销效果提升。

一、数字化营销的新趋势与新能力

过去的 2021 年可谓数据隐私元年，随着数据安全监管升级，数字化营销面临新挑战。

在国内，2021 年工信部出台《个人信息保护法》，这一法案的颁布对国内的营销和广告生态带来一些影响。放眼全球视野，移动终端巨头苹果更新 iOS 隐私协议，随着 iOS14.5 发布而全面落地的 ATT 隐私政策也是苹果面对用户隐私保护的一张大牌，这意味着 iOS 系统的追踪溯源与触达将更具挑战。

针对以上挑战，如何完成营销突围？我们提供三大方向供参考。

（1）基于全域用户关联的归因分析

基于稳固的 ID-Mapping 能力，合规获取多域、多渠道、多业务场景的用户 ID 拉通，同时通过实现不同角度的归因分析，赋能精益化获客。

（2）TA 模型训练与触媒偏好判断

对于已经归因好的设备和模型，如何更好地训练与发挥数据效应？比如深度挖掘品牌受众的数据资产价值，训练高价值潜客的人群算法模型；比如挖掘潜客的触媒偏好，识别“高价值潜客集中度高”的媒体进行投放，提升投放效率。

（3）新流量渠道的商业化潜力与投放管理

拥抱新隐私架构下涌现出的新流量渠道及商业化玩法，帮助品牌开启后 IDFA 时代的数字营销下半场。

面对这些挑战，如何释放数据价值，实现高效拓客？围绕着数据获取、数据分析及数据赋能三个维度，最终要做好三件事情：用户洞察、公域获客、私域运营。

二、数字化能力升级，提升全渠道拓客能力

公域获客、渠道效率判断及长效营销的前提 —— 广告侧的全域用户关联

广告投放是一笔生意账，多少钱带来多少用户需要算得清清楚楚，如果投产比过低，则代表效果广告投放链路中存在问题。那么把营销费用核对正确的前提是，进行多渠道、全链路的归因分析。

基于广告业务视角下的整个链路，主要由媒体、数据接口、数据处理三个环节组成。

首先在媒体侧，媒体会提供用户点击广告时下发的设备信息，由广告主的数据接收层接受上报的设备号；用户侧使用 App 时，在用户同意授权的前提下，通过合规 SDK 收集到相关设备号信息，如果两个设备号完成匹配，就认为是某次广告点击带来了一次有效的转化，即激活；与此同时，通过广告而进入到私域的产品时，将会为该设备用户分配一个唯一的 UID。

神策强大的 ID-Mapping 技术能力，能够帮助企业打破公域媒介数据和私域用户行为数据的壁垒，完成媒体广告二方数据与落地页、App 等一方用户行为的统一串联，支持全链路转化效果分析。

另一方面，神策数据建立了自归因、Specific ID 匹配、用户/设备 ID 匹配、IP+ 辅助条件匹配等广告归因模型，配合多重归因校验规则，实现不同转化层级的广告受众分析，还原高价值受众画像；同时，深链路的用户转化行为可以通过灵活的深度回传能力赋能广告媒体进行 oCPX 投放，驱动高效拓客，优化获客成本。

在广告投放中，涉及到实际用户行为时，可能存在用户在不同媒体平台进行访问的行为，比如用户 B 在抖音点击广告后，同时又通过其他方式访问了官网的落地页并下载激活 App。这个时候就需要通过归因能力识别出访问落地页的用户与在抖音点击广告的用户是否为同一个设备实体。如果同时用户 B 又在快手看到了广告并产生点击行为，那么通过神策 ID-Mapping 跨域用户识别的能力，我们可以清晰的得知该设备归因于后链路的访问行为。

虽然已经存在很多用户匹配的手段和方法，但实际的业务场景中很难做到百分百匹配。比如在线下渠道（公交、地铁及楼宇广告）投放广告时，如何更准确地归因到某一班地铁或是某个小区电梯广告，面临不小的挑战。对于这类情况，可以通过模糊归因提升匹配的准确度，比如通过解析 IP 字段或操作系统版本号等更多公用参数，提升模糊匹配的准确率。完成以上匹配后，再进行跨域用户识别，洞察不同用户的特征。

识别潜客高集中度媒体，优化频控策略

用户的行为千变万化，我们无法得知同一个用户在不同媒体侧的行为，以及被不同媒体打上了哪些标签，所以也无法避免同一个用户在不同平台看到同一个广告的情况。

任何用户在同一个时段对于某品牌的广告曝光都会有经历从认知-接受-熟悉-转化的过程，但没有用户喜欢铺天盖地的广告轰炸，所以如何找到潜在客户在不同媒体之间的重合度，变得很重要。

比如，实际广告投放中，如果对曝光数据进行监测，能够辨识不同设备号在多个媒体重复曝光的情况。

假设有这样一群用户，已经在巨量引擎、百度信息流和广点通三个渠道重复曝光 5 次，那么数字 5 对于一个用户来说，究竟意味着什么？

如果抽取某个百万曝光的 Campaign 中的点击率分析，假设发现用户对同一个系列的广告接受程度在 5-6 次时，CTR 是最高的，曝光超过 6 次之后，CTR 明显下滑，那么灵活地调整针对这部分用户的竞价策略就显得尤为重要。

媒体重合度分析——科学优化流量竞价策略

既然已经通过数据分析得到 CTR 会下滑的现状，那么接下来要做的事是尽最大可能想办法将这批用户进行转化。

这时通过对业务数据的掌握，比如哪个渠道适合做首次曝光，哪些渠道适合做业务转化，就可以把适合做曝光的渠道定义为本次投放的引流渠道，把适合做转化的渠道定义为转化渠道，再基于媒体不同的受众制定不同的转化策略。

同时，我们可以将已经转化用户的一些特征行为，比如所在城市、业务动作等通过 API 接口的形式回传给媒体，由广告媒体帮我们找到更合适转化的受众人群。

沉淀品牌资产——正负向人群模型训练

那么如何找到更合适的受众人群呢？可以借用模型训练能力，帮助广告系统更好识别受众群体。

假设某款产品有一百万注册用户，其中有 5000 个非常忠实的铁杆用户，在产品粘性和付费能力上表现突出。除了高留存率和高付费力两个指标外，这群铁杆用户在设备机型、渠道来源、城市省份等维度上，是否还具备共性特征？

这时候可以通过算法进行相关模型训练，在一百万注册用户中找到非常接近上面 5000 名铁杆粉丝特征的群体，还可以通过数据维度的调整增加或减少人群规模。计算出来的用户越少，意味着受众相对越准确，数量越多则代表用户画像越宽泛。

之后再将我们认为适合的受众群体上传到媒体海量的用户库中，由媒体进行第二次模型匹配，即常说的 lookalike，确保能够在公域潜客池子中找到对产品更感兴趣且更适合的用户群体。

基于实时 API 对接能力，提升获客效率

接下来介绍最近在广告业务中很热门的一项能力——RTA。

RTA，即 Real-Time API，通过媒体提供的实时 API 接口，能迅速完成程序化竞价，达到更优的竞价策略，满足动态调整的需求。

常见的 RTA 业务场景有竞价频控，在不同的阶段采用不同的竞价策略以及基于个性化的指标完成竞价策略与素材的调整，比如基于 ROI 自动进行预算和出价调整，以及自动计算素材在不同时段的跑量效果，调整前端素材的展现等。

以实际场景为例，假设广告主是一个吸尘器自有品牌，在自身 App 中发现有这样一个频繁进行某些业务动作的用户，比如浏览详情页、把某款吸尘器加入到购物车、点击降价提醒、和客服完成对话等，通过这些行为可以判断其是一个非常接近成交的高意向用户，但近几日该用户并没有完成订单支付。

这时 RTA 会基于用户自身特征，比如是否高价值等，来判断是否符合某个竞价策略的触发条件，如果符合的话，则面向该用户的出价策略和文案素材策略也会随之匹配。于是，这个用户可能会在某个短视频平台刷到一个前几天非常心仪的吸尘器产品，伴随着产品精美的素材宣传，该用户最终完成了一次有效转化。

RTA 的动作都是基于程序自动化运行，包括人群定义和筛选、广告平台受众定向、出价策略、素材策略等，而广告主更多要做的是及时基于相关数据调整 RTA 策略。

ASA —— App Store 广告生态的新变革

ASA 即 Apple Search Ads，苹果应用商店搜索广告。广告主投放后，其 App 会出现在 iPhone 和 iPad 的 App Store 搜索结果的第一位，以此高效获得用户。2021 年 7 月，ASA 在中国大陆地区正式可用。

面对 ASA 及其他多种并行投放渠道融合的复杂场景，如何做好正确归因成为众多尝鲜广告主关心的话题。

通常，广告主在 iOS 端投放推广 App 时，最终都会跳转到 App Store 这一步，而此前苹果公司并没有提供用户在 App Store 侧的数据给开发者。这样，广告主投放后没有办法准确地追踪每一个用户在整个广告投放链路中的完整轨迹，也就没有办法准确地衡量该渠道的具体推广效果。

现在，神策数据通过对接 ASA 渠道，可以在用户点击苹果应用商店搜索广告后，接入 App Store 的归因数据，帮助广告主追踪每一个用户在整个广告投放链路中的轨迹。

通过 ASA 的归因，我们可以做到之前 ASO 优化无法想象的数据粒度。原来可能无法知道 ASO 的投放效果，而现在我们可以知道不同热度的关键词、在某一个时间周期内花费多少钱，能带来多少有效的 App 激活及后续转化数据，从而能够对激活成本、转化率、ROI 等指标进行优化。

多维度标签组合，持续关注 A/B 测试的获客双效