被玩儿坏的概念:微信朋友圈广告真的用上了大数据
微信朋友圈广告的事儿过去几天了,眼看各路大神一波一波的评述事件,在揣摩数篇大作后,有两个问题值得探讨一下。
第一个疑问:拥有了很多的数据,就是大数据了么?
微信拥有11亿以上用户,4亿多活跃用户,每天产生的数据量是天文数字,这些自由发布,没有导向的社交软件产生的数据,在这次朋友圈广告中到底用来干嘛了呢?
以这次的广告商在朋友圈里的发布,用几种常见的大数据应用方式,我们来揣测一下:
模式一:
这个模式使用的是微信用户的海量数据,筛选出与广告商的定位一致的群体,例如用肾的,例如关注奢侈品、名车的,用各种标签条件定义用户,进而推送广告。
模式二:
利用微信各种用户数据勾勒出属性,如用户的收入,年龄,区域,教育水平,所处行业这类基本特征,比对广告商的产品定位人群属性,以属性相近的部分,加上事先做推广测试时候的用户反馈参数,如预告时右上角的是否感兴趣选项,再筛选出来的群体,进而推送目标。
模式三:
当属性不全的时候,就要应用第三种模式,以用户的偏好为分类条件,如曾发布喜欢旅游,喜欢科技产品,喜欢吃喝玩乐等等,就成为了定义条件。以这些偏好进行排序,筛选出前20最受用户关注的偏好,再以这些偏好跟广告商的客户定位进行比对,以相似度最高的部分为推送人群。
上述三种常见的大数据推荐模式并不涉及到社交属性。其实,如果精准分析能够到用户消费行为和倾向这个层级,社交属性是可以弱化的,因为后者的实质作用是扩大受众群体而已。
以微信的用户体量,精准分析出几百万甚至上千万的宝马潜在用户应该不是难事,但这次推送并不是一对一推到用户的对话框,而是在朋友圈利用社交属性来进行传播,那还是Feed流广告的路子,并没有将大数据的精准能力应用到位。因此,微信拥有海量数据不假,但微信是不是在做大数据分析要看在海量数据上做什么。这次推送并不是严格意义上的大数据行为。
第二个疑问:这次的广告效应,几乎是以事件炒作,利用用户的转发而形成的,那么跟大数据有什么关系呢?
产生这个疑问,就是因为这次三家广告商,都投放的是品牌广告,并不是具体产品的宣传,提高的是品牌的认知度。而在微信的用户体量下,加上“高中低废”的人群分类话题炒作,应该归入事件营销的路子上,没看出来跟大数据应用有什么关联,因为最终消费转化还是靠广告商的自我努力。
有这么多用户数据为什么不利用呢?我们大胆的再假设一下:
1、微信对它的11亿多用户并不全了解,否则它应该把11亿用户里面哪些是真土豪、真屌丝找到,相应地推宝马或者可乐,精准跟事件营销又不是冲突的。
2、微信从“高质种子用户”开始做设定,隐含的前提是:活跃度高和参与广告互动的用户以及他们的社交脉络跟宝马、vivo和可口可乐的广告受众有相当的重合度。这个设定显然从一开始就准备从事件炒作角度进行,并没有以精准为根本。
那么不难看出微信是以社交属性为广告推荐的根本,并没有应用基于内容、协同过滤、规则、效用、知识上的大数据能力,关注的并不是人和物之间的强相关性(例如偏好、购买、意图等)。
从这两个疑问能推导出来的结果,我们发现,这是一次成功的事件炒作,是一次PR事件,是一次传播效应的验证,压根没有大数据什么事儿。
那么真正的大数据推荐到底是什么呢?
从数据库里面找到某个微信用户的所有朋友,这跟大数据没什么关系,大数据的一个重要特征是分析不同来源、不同性质的数据信息。例如,把微信用户信息和宝马用户信息合在一起分析,这才是典型的大数据应用场景。专业上,这是大数据的多样性属性(Variety)。
而大数据推荐的目的是发现表面上可能不相关、实质上相关的两个实体。这样的隐含关系在小数据范围内都不容易,在大数据的情况下难度可想而知。我们把这个问题拆成几个步骤来说明:
第一步,要解决“什么样数据可以被纳入分析?”因为数据量太大,把无关的东西纳入进来,不但会增加无谓的计算量,也会产生很多干扰。因此,去噪(noise reduction)是第一步。以微信这次的朋友圈广告商宝马汽车的例子说明:
如果某个微信用户声称自己昨天买了宝马,但宝马的购车用户列表里没这个人,那么这个用户该不该被剔除将会影响接下来的步骤。
第二步,定基准数据(benchmarking)。我们要分析两个实体相关与否,关键是看它们的相似度。有的人说,80%的相似就可以了,有的说超过50%就OK。那么该怎么定这个相似度呢?交由专家判断是一个方法,交由统计结果判断是另一个方法,最好的方法是大数据模型能够自我学习去判断这个基准。
第三步,数据降维(dimension reduction)。所谓降维,就是把不需要考虑或者不重要的因素从推荐系统中去掉,从大数据到小数据。例如,微信用户跟宝马用户之间可能存在很多的相关点(电话号码、城市、年龄、土豪级别、付款记录等),不是所有的相关点都对推荐有用的。比如,富二代18岁就开宝马了,普通人可能要30岁才能开上,因此年龄可能并不是分析的关键。
总之,降维的根本目的是为了计算方便,规避天文数字的数据分析,至于如何降维和降维的算法,容以后细说。
第四步,选择合适的推荐算法。上文提到的推荐算法是应用最广的,也各有优缺点。选择哪种算法,要考虑解决怎样的问题、数据量大小、特征选择等因素。也就是要将人事物的背后关联,用数据的方式联系起来。
第五步,大数据推荐在很多情况下要考虑实时推荐的问题。例如,一个新用户进来,你要推给他宝马、vivo还是可口可乐。这个涉及推荐相同的效率以及该用户的信息,大数据框架的设计必须足够完整。
此外,大数据推荐的结果,通常也被称为“大数据预测”,应用场景从足彩到股票,不一而足。能够做好大数据预测的公司,才是真正的大拿。
据以上推论,大数据下的推荐系统并不简单等同于社交关系的推导,必须是基于更为严格的需求分析和更复杂的系统设计。微信拥有天然的条件(巨量数据、资金、团队等),但在这次广告推送中,表现出来的大数据应用并不到位,虽然说用了大数据能力,但更像“大数据是个筐,什么都可以往里装”的包装手法,实在是可惜。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14