人们越缺什么，往往就会越强调什么。像是在互联网和广告行业中，当增长成为热门话题，它反映的恰好就是增长乏力的现实。

电商行业是一个典型例子，其“增长焦虑”的症状在最近几年明显加重。QuestMobile的调查数据显示自今年3月开始，移动购物行业月活跃用户规模同比增幅就始终维持在5%以下的低位。甚至，7月的数值还比6月少了足足300万。

如何突破增长困局，三个选择摆在面前：其一，继续寻找新的增量空间；其二，唤醒自有沉默用户；其三，对已活跃用户进行策略性的分层沟通。

“小孩子才做选择题，成年人全都要”。最近听到一个电商广告主的案例，他制定了“三管齐下”的方案：

第一，向社交生态要新增量。按照CNNIC的统计口径，上半年中国网络购物用户规模为7.49亿，而即时通信的用户规模则为9.31亿。简单来看，如果电商行业能用好这两亿新增量空间，就能在一定程度上缓解增长焦虑。考虑到社交平台在使用时长和用户粘性等方面具有显著优势，在社交平台掘金自然是个合理选择。

因此，这个电商客户决定将自有第一方数据接入腾讯广告DMP，利用它筛选、拓展出更多相似人群，最后通过ADQ投放端对这批人群进行oCPA智能出价，激活成本由此降低了35%。

第二，让沉默用户活跃起来。这个广告主也基于自有数据顺利锁定了那些已安装但未使用的沉默用户。基于这些消费者的人群属性，广告主为他们配置了契合需求的相关广告，最终让活跃UV的成本降低了三分之二。

第三，细分已活跃用户，根据用户特性向他们提供不同价值。同样在第一方数据接入后，企业能够对自有用户人群进行分类，区分出下单、已购、加车未购等不同群体。

最终，企业针对不同人群进行不同的营销触达，例如为那些只差“临门一脚”的消费者提供优惠返现等即时刺激政策，吸引他们点击直达商品页。用户分层沟通的方案取得了理想效果，ROI提升超过3倍。

以上三条路径，其实有着同一个起点：在DMP中接入第一方数据。

第一方数据是指那些由企业直接采集的用户数据，在电商这个例子中，广告主可以利用它将自有的消费者精细分层，方便更有针对性地制定沟通策略。事实上，不止在电商行业，在游戏、小说、工具类应用等场景中，第一方数据同样拥有很大的应用价值。

如果对数字营销的历史进行一番回顾，你会发现在大数据时代到来之前，企业在提高运营效率时所使用的数据几乎都是自有数据，也就是我们现在所说的第一方数据。换句话说，用好第一方数据本就是企业应该具备的基本功。

伴随着用户规模的膨胀，企业需要管理的消费者数据量也随之倍增。建立一个数据库逐渐成为应时之需，这又推动了1990年前后数据库营销模式的流行；

随后，企业内建的数据库种类越来越多。从用户关系、供应链到仓储物流，以上环节数字化程度的提升让数据量和数据种类进一步扩充。为了更好地盘活内部数据，数据仓库和联机分析等技术开始出现；

再然后，大数据时代就到了。整合内部数据已经不能满足企业的胃口，它们开始采用大数据营销模式将企业分散在不同场景中的数据融通起来。这时，类似第一方、第二方和第三方数据这样的概念开始出现。

答案藏在历史中。从数据使用模式的进化来看，加大第一方数据的应用深度是企业经营中从来没有缺位的事项。而随着企业对利用一方数据的重视，媒体平台们也开始完善自己给广告主提供的数据服务能力。

在今年9月的“腾讯智慧营销峰会Tencent In”中，腾讯广告副总裁蒋杰宣布升级腾讯广告DMP。之所以在这个节点有这样的动作，当然是为了满足企业在数据应用层面不断提高的要求——这依然离不开企业对“增长”的诉求。

近期我听到有不少广告主已经开始运用腾讯广告DMP的全新能力，持续发挥自有数据的价值。从效果来看，这些尝试也都获得了不错的效果。

譬如一个保险代理公司此前在推广车险时就遭遇了瓶颈：其自身掌握的事实车主人群包规模非常有限，如果只基于这部分人群做定向投放，那么很快就会到达起量天花板。在成本稳定的前提下尽可能寻觅更多活跃车主，成为这家公司投放时的核心痛点。

事实上，升级后的DMP就成为解决问题的工具，因为它为深度应用一方数据打造了很多功能。比如SQL Lab提供了集成可编程环境，广告主可以根据需求自主结合一方和二方数据进行分析和挖掘，在全量用户中快速找到了更多合适的目标受众，并通过ADQ投放端直接触达。

与此同时，这些目标受众的特征对于模型的学习是珍贵的正向样本，它们也可以应用到Model Lab中。Model Lab是DMP升级后的另一个功能，广告主可以通过它进行模型训练和预测，并获得测试人群的精准率参考值，预测结果能够让企业高效且有针对性地提升广告效果。

在分别通过SQL Lab和Model Lab释放一方数据价值后，这家保险代理公司精准锁定了核心潜在目标人群，并且最终基于这个被扩大的人群包完成投放。

从反馈数据来看，在DMP中深度应用一方数据后，这家公司的新增询价用户实现了3.76倍的增长。新增询价指的是那些原本没有询问过价格，但新出现了询价行为的用户。在保险行业中，询价是表达高购买意愿的一个明确讯号，3.76倍的增长显然代表着更多潜在转化机会的出现。

这个投放案例的最大启示在于，即便自有人群包规模有限，企业在接入一方数据后也能找到更多增量。某种程度上，你可以把升级后的DMP看作一个雷达站，企业能够基于这个“雷达站”锚定更多相似人群。

今年我有过一次印象深刻的深访，对象是腾讯广告行业二部的总经理郭骏弦，他的部门主要服务网服、游戏等效果广告主。一方面，这些广告主本身就掌握着大量的数据和丰富的运营经验；另一方面，他们也有更具行业特色的个性化营销诉求。

这显然让腾讯广告面临着更大的挑战，而要应对这种愈发个性化的诉求，最好的办法就是提供更多元化的产品和工具，比如在DMP中叠加更多数据接入和应用功能。

从支持更多的数据源和数据接入方式，到面向KA客户搭建具有自动建模、数据保险箱等功能的联合专区。腾讯广告DMP提供的丰富功能就像是数量繁多的乐高积木，让企业能够基于自身需求组合出适合各自的解决方案。

比如游戏厂商们的核心诉求依然简单直接——起量。某游戏厂商在正式开服前就在腾讯广告DMP中首先选择了一些和自有游戏更加契合的标签，找到与目标用户匹配度较高的玩家。

随后，它又将那些已预约或留资的高兴趣用户作为正样本进行建模实现快速扩量。通过“广告投放-上报一方数据-正样本建模-快速扩量”的持续正向循环，这家游戏厂商在短时间内顺利解决了起量难的问题，五天消耗成功破亿。

而在其他行业里，广告主也持续在增长上发挥更多创新性。在教育行业中，头部企业们越发将投放重心从获客转向留存，这一需变化求源于今年教育赛道从蓝海变成红海的大环境。

对于某教育行业头部广告主而言，它在最近广告投放时的核心诉求便是将那些购买低价课的消费者转换为正价课用户，提升单客的商业价值。

具体怎么操作？首先，它基于一方数据构建“低价课转正价课”的意向人群模型，快速圈定高ROI核心人群；随后，参考历史正价课购买人群数据自动调节人群质量度，根据转化意向进行差异化出价；最后，在数据归因处理的基础上进行定向策略的及时调优。

事实上，仅仅在第一阶段的优化完成之后，它在“低转正”这个核心诉求上的转化率就已经提升了50%，而ROI也实现了70%的增长。

在2017年的一篇封面文章中，《经济学人》将数据定义为“数字时代的石油资源”。

在石油被发现的初期，人们往往重视对这一资源的占有；但随后，开始有更多人研究如何让资源“物尽其用”。类似情况也在数据使用上出现，人们越来越迫切地希望数据价值能最大程度地释放出来，而不只是满足于对流量资源的简单占有。

以游戏为例，今年上半年由于疫情关系，整个行业迎来了一波流量红利。在增量充足的情况下，数百个买量公司杀入市场通过高额投入抢夺流量；但下半年随着流量费用持续增长，这种纯粹的买量模式难以为继，买量公司的数量也显著下滑。

这些公司拼到最后，最终发现比拼的核心指标其实是长效价值，毕竟更高的长效价值才能稳定支撑高企的流量成本。而要从用户端获得更高的长效价值，能否让数据“物尽其用”就成为最重要的一环，它是决定生意能否持续增长的关键。

所以，流量不是目的，它只是达成交易的一种手段。而如果要流量更贴近高质量交易，那么就需要更好地发挥数据的价值。

而从平台的视角看，今年我有一种越发明显的感受：平台方都开始格外重视下沉到不同行业，从完成流量简单规模化变现的“流量批发商”，转变为基于广告主生意需求提供服务的“解决方案供应商”。

而要完成这一目标，需要平台方和广告主协同合作，加深对彼此行业的理解以及在数据能力上的共建，方能破解增长困局。

在末尾的“阅读原文”里，我分享了一份腾讯广告DMP的资料。其中的内容包括最新产品功能和数据安全能力的介绍，以及三堂实操直播课的回看。在产品介绍里你能看到不同行业的show case展示，而在直播回看中也能更详细地了解如何用好腾讯广告升级后的DMP。如果感兴趣，可以直接点击获取。