影响信息流广告投放效果的因素无非就是定向、素材物料、出价等因素。其中定向问题尤其重要。下面就给大家分析下关于信息流广告投放定向的一些建议。
一、性别、年龄定向怎么设置
我们将头条的定向简单分为自然属性和兴趣行为,区分的标准是能否明显反应用户喜好。 比如WiFi、地域不能明显反应出用户喜欢什么,但是手机里安装了什么应用、下载过什么广告则能一定程度上表明用户的偏好。 我们将头条常用定向划分如下:
这怎么办?女性到底好不好? 把各账户里其它top计划的数据都拉出来,看近1年的整体数据: 【计划3】女性成本高 【计划4】女性成本高 【计划5】女性成本高
【计划6】女性成本高 【计划7】女性成本高 结 论: 看过这7条top计划的数据,发现女性成本普遍高于男性10%以上。这个时候可以初步判断:女性用户确实转化率低于男性,成本高于男性。 此产品性别定向建议方案:如果想成本越低越好,可以只投放男性用户;如果想拓量,可以通投,整体成本还是能满足出价。
这个是比较明显的数据差异,但是其它自然属性定向就很难有明显的偏向性。比如年龄。 还以上面的交友产品为例,拉出top计划近1年的数据,看分年龄段的数据: 【计划1】1-18岁成本最低,24-30岁成本最高 【计划2】24-30岁成本最低,1-18岁成本最高 【计划3】31-40岁成本最低,50岁以上成本最高 【计划4】41-50岁成本最低,24-30岁成本最高 结论: 4条计划成本最低的年龄段各不相同,只看头条对接到转化的数据(可能后端转化数据有明显不同),无法判断哪个年龄段非常差、一定要排除;也无法判断哪个年龄段是优质人群。 那怎么办?当你没有明确结论的时候,你就依靠头条的智能。 前面我们说,要不要做定向的一个判断标准可以是“你和模型谁找的人比较准?你有多大把握?”而在自然属性的定向上,我们的判断很难比模型更准,所以建议放开。 还是这个公式: 找到目标用户量=特征转化率*人群范围 限制自然属性定向特征转化率提升把握未必大,但是人群范围是实实在在缩小了,不划算。 有一个对比测试的提示: 不要轻易做结论性限制——什么什么定向一定不好!大家都不要投放!
如果要做出什么定向好、什么定向不好的判断,起码要满足2个条件:长期、明显数据差异。
一、性别、年龄定向怎么设置
我们将头条的定向简单分为自然属性和兴趣行为,区分的标准是能否明显反应用户喜好。 比如WiFi、地域不能明显反应出用户喜欢什么,但是手机里安装了什么应用、下载过什么广告则能一定程度上表明用户的偏好。 我们将头条常用定向划分如下:
自然属性定向:性别、年龄、地域、平台、网络、运营商、新用户
兴趣行为定向:兴趣、人群包、APP行为
先说观点: 自然属性定向覆盖人群较广、难明显反应用户喜好,除非数据是压倒性的,不建议做结论性限制。 来看一个交友产品的案例: 这是一条点击数超过20万的计划,女性成本比男性高出30%,能得出结论女性用户效果不好吗? 【计划1】女性用户成本明显高出很多 【计划2】你再看这条计划,男性还是主要流量来源,但是男女成本基本相同这怎么办?女性到底好不好? 把各账户里其它top计划的数据都拉出来,看近1年的整体数据: 【计划3】女性成本高 【计划4】女性成本高 【计划5】女性成本高
【计划6】女性成本高 【计划7】女性成本高 结 论: 看过这7条top计划的数据,发现女性成本普遍高于男性10%以上。这个时候可以初步判断:女性用户确实转化率低于男性,成本高于男性。 此产品性别定向建议方案:如果想成本越低越好,可以只投放男性用户;如果想拓量,可以通投,整体成本还是能满足出价。
这个是比较明显的数据差异,但是其它自然属性定向就很难有明显的偏向性。比如年龄。 还以上面的交友产品为例,拉出top计划近1年的数据,看分年龄段的数据: 【计划1】1-18岁成本最低,24-30岁成本最高 【计划2】24-30岁成本最低,1-18岁成本最高 【计划3】31-40岁成本最低,50岁以上成本最高 【计划4】41-50岁成本最低,24-30岁成本最高 结论: 4条计划成本最低的年龄段各不相同,只看头条对接到转化的数据(可能后端转化数据有明显不同),无法判断哪个年龄段非常差、一定要排除;也无法判断哪个年龄段是优质人群。 那怎么办?当你没有明确结论的时候,你就依靠头条的智能。 前面我们说,要不要做定向的一个判断标准可以是“你和模型谁找的人比较准?你有多大把握?”而在自然属性的定向上,我们的判断很难比模型更准,所以建议放开。 还是这个公式: 找到目标用户量=特征转化率*人群范围 限制自然属性定向特征转化率提升把握未必大,但是人群范围是实实在在缩小了,不划算。 有一个对比测试的提示: 不要轻易做结论性限制——什么什么定向一定不好!大家都不要投放!
如果要做出什么定向好、什么定向不好的判断,起码要满足2个条件:长期、明显数据差异。