你的用戶，就藏在這些大數據裏

邀您思考

1.大數據時代，您的數據都是從哪裏獲取的？

2.跨境品牌企業的獨立站是否有發展空間？

SparkX邑炎科技全球戰略官王一戈

以下爲演講實錄：

今天我主要從數據角度給大家分享一下海外有哪些Facebook和Google以外的更好更優質更體系的數據，能夠爲我們獨立站服務，幫助提升引流和ROI的提升。主要會講五大創新玩法，每個都會有實操案例。

海外數據生態鏈非常複雜，線上營銷以人羣定向爲基準，從數據角度判斷消費意向並進行最精確的人羣劃分。

從數據分類的方面來講，海外的數據可以分成三類：

第一方數據，也是最核心的一部分數據，是已經轉化過的人或者在獨立站上已經進行過購買的人。包括獨立站到訪、APP下載用戶，線下用戶統計，CRM中的人羣電話、郵箱、設備ID等等，這些是我們的核心人羣。

第二方數據，是我們頭部的廣告媒體和平臺自有的數據，比如Facebook和Google，大家也是很熟悉的。

第三方數據，是在海外有很多不同的第三方數據提供商，比如我們跟美國的電話運營商Verizon有很直接的合作；包括很多頭部媒體，比如CNN、福克斯，從那些地方收集到非常準確的數據，這些數據也可以對我們電商行業、出海人羣的定義上面有很大幫助。而且這些數據在Google、Facebook的體系裏面是沒有打通的，在數據方面可以給帶來一些新的方向。

每一方數據的背後數據來源到底是什麼？Google的數據來源是Google體系的產品，Youtube、郵箱、Google搜索這些都是Google體系數據的來源，非常精準。因爲它們有一個共性人羣自己向Google說“我喜歡這個產品”、“我想去這個地方”。Facebook流量數據來源都是用戶在Facebook的APP或者Facebook網站上面的一些跟其他用戶互動行爲，點贊、轉發等等。第三方海外人羣數據是來自第三方數據提供商，這類提供商在海外有120多家，覆蓋到35億以上的用戶量級，它的方方面面也涉及到不同類別、不同產業的數據的來源。

每一方數據來源的背後都有優勢也有劣勢，Google和Facebook不用多強調了，Google主要是搜索太準確了，Facebook社交平臺上有興趣愛好的體現，都是非常精準的人羣劃分。但這兩個頭部媒體在數據方面有很大的限制，因爲它的數據不流通。比如Google數據只會活在Google裏面，Facebook也只存在於Facebook體系內，你是不能把這個數據拿出來做任何其它事情的。從科學營銷或者數據角度來講，我們能夠針對這部分數據做的事情非常有限，只能說Facebook裏面有什麼我看什麼，Google裏面有什麼我看什麼，而自己不能做數據的深挖和定製化人羣洞察。

第三方人羣數據有幾個特點：

第一，覆蓋量非常大，觸及到35億人，數據種類很多元化，包括旅遊、汽車、電商等等不同行業、不同領域的數據都有第三方數據提供商在收集、總結和歸類；

第二，第二數據靈活度很高，這類數據往往是打通的，比如我想觸達的人羣是喜歡網上購物、又喜歡去日本旅遊的，那麼我們就可以把兩個數據進行重合，找到重複的人羣，然後做一個非常精確的定向和觸達。

第三方數據提供商在海外有120家，選哪個？

正確選擇第三方的方法是根據電商相關的人羣數據包進行一個精確的定向。我們當時做的一個實操性很強的案例，是給一個大型出海頭部跨境電商平臺合作。我們選擇了跟電商非常相關也是非常有價值的第三方數據提供商，比如IRI，它的數據來源於線下超市、店面支付時的掃碼數據，然後直接上傳到背後的數據庫；而甲骨文和Datalogics，他們的數據來源是POS機終端數據，因爲歐美主要還是用信用卡消費；還有一個第三方數據是VISA，線上和線下消費數據都回傳到數據提供商。根據有價值的第三方數據提供商，我們找到了很合適的一個人羣。

對於某個女裝品牌，我們選擇了甲骨文和Datalogics兩個數據提供商，他們有一個很特殊的人羣數據庫，這部分人羣在數據統計裏面已經非常接近購買或者是有意向購買的人。他們兩家POS終端機的數據太準確了，對於消費行爲都有深度的分析。根據兩個人羣數據包，我們做了分析，我們只是把簡單的維度定向比如性別、年齡這些作爲基數，在這之上做生活方式的定向，可以使購物的數據轉化率會提高2.7倍，更具影響的是in-market的數據，可以讓轉化率提高9.7倍，這就證明瞭這些數據背後的價值，以及Facebook和Google以外跟電商非常相關的數據給我們帶來的增量。

轉化過的這部分人羣怎麼用它？這就涉及到數據收集的問題。

數據收集分爲幾大類：

第一類，是CRM用戶數據，已經消費過、轉化過、購買過產品的這些用戶的信息，一定要收集，比如下單後郵件，設備ID、電話號碼等等。

第二類，是線上第一方數據，涉及到全站布碼的概念，我們跟很多中部甚至頭部跨境電商聊的過程當中瞭解到，他們有獨立站，但這個獨立站做的不好，它只是賣產品，但我們知道這其中的人和數據都是非常重要和關鍵的，也是我們要收集的。

我們正在做的一個測試，把首頁訪問、產品頁的訪問、交易成功、單品價格、產品類別、購物車等等不同類別頁面，從首頁到非常深層的頁面都鋪了代碼，所有用戶到站行爲和路徑都可以監測到。

還有一類數據，是廣告投放數據，第三方數據監測平臺把所投放的廣告都加一個碼，不管通過哪個渠道和平臺投出去的廣告，我的數據能全面回傳到自己的平臺。

所有數據先放到綜合管理平臺DMP，拿到數據管理庫之後，再進行人羣分組，比如分成四個種類：首頁到訪人羣，查詢，放入購物車，最後下單成功。

第一點玩法，從激活角度來講可以用定製化素材，包括內容，比如根據你線上的行爲再給你投廣告，每個人看到的信息不一樣。

第二點玩法，把下單交易成功的人羣作爲種子，做一個建模。從人羣深入洞察方面我們可以看每個組裏麪人的洞察有什麼不一樣。爲什麼有些人來了之後有買東西？爲什麼有些人來了就走了？爲什麼有些人加入購物車沒有下單？是因爲我的網站設計問題？還是產品問題？這些人羣線上行爲的洞察也是可以給獨立站和產品經營都會帶來很好的幫助的，包括對於用戶購買週期的分析，如果兩個月才復購一次，我在再營銷策略上面也會做一些調整。

第三點玩法，是關鍵詞、人羣線上瀏覽路徑、域名及內容定向，比如我開一個女裝網站，我們在背後有一個爬蟲過程，這個過程會把網站的域名以及相關的關鍵詞全部抓取下來。一分析，都是跟女裝有關的，這個人就是跟女裝聯繫到一起的。如果做一個戶外網站，用一樣的邏輯和技術，這個人是戶外用品的人羣標籤。當我在線上看的網站越來越多、瀏覽的東西越來越多，我們的人羣標籤也變得越來越豐富，我們會根據每個品類或者每個人羣所花的時間、看的頻次給人羣標籤做一個排位。

點擊可看大圖

給大家講一個實操案例。一個出海男裝品牌，我們用的關鍵詞是男裝、男士西服、男士皮鞋、男士襯衣等等，通過關鍵詞可以得到這部分人羣最喜歡去的網站，包括美國市場，我可以有效地抓取這部分人，對他們來做一個全面的觸達。我們當時想要的人羣是在過去的3天內看過這些男裝信息、至少看過5次以上的，證明這部分人羣在過去30天一直在非常積極主動地尋找跟男裝品牌或相關的產品。這部分人也是作爲一個男裝品牌最想觸達、最想給看他們到我們廣告的人羣。我們當時效果也非常好，線上銷售提升了3倍。

第四點玩法，是以人爲本，並不是選某一個數據提供商或某一個人羣數據包作爲人羣觸達條件，而是把所有頭部大型不同種類數據提供方的數據全部整合到一起，從多維度，比如線上、線下、手機、平板電腦、PC端，包括智能電視數據鏈全部打通，我可以360度地看到一個人的行爲。

每個數據提供商背後的價值和所提供的數據類別不一樣。

甲骨文和exelate他們是人物定向，主要是根據人物的行爲和興趣愛好做一個定向和分類。

ComScore是監測所有用戶的線上瀏覽行爲，到過什麼網站、去過多少次、看了多久等等。

CRM是作爲廣告主最具核心的數據。

IRi是會員卡的數據。

Inscape是一個專門收集智能TV的提供商，它有很多關於用戶看過哪些類型電視、看了多久等等電視相關的數據。

GroundTruth，是做手機移動端線下地理位置監測和Checkin的公司，我可以準確地判斷出用戶去了哪些地方，什麼時間，去了幾次等等。

我們在美國市場做過一個案例，是一個跨境賣電子煙的客戶。

首先將已經在歐美市場轉化過的人羣數據上傳，和第三方數據包進行人羣匹配，匹配後找到興趣和愛好相關度高的深度人羣畫像。之後我們把整個數據和線下手機端監測地理位置的數據做了一個匹配，我們後來發現這部分已經買過電子煙的人很喜歡去一個地方就是賭場，因此我們在線上的一些策略就會做出改變，會去準確的觸達賭場周圍的用戶，或者經常喜歡賭博的用戶。如果廣告主在線下這部分有一些預算，我們也會建議他在賭場或者賭場酒店裏面買一個版位，這是他們核心用戶最相關的洞察，這是以人爲本。

第五點玩法，是歸因。我們跟很多中部、頭部跨境電商都聊過這個問題，大家都在想做歸因，但都不知道怎麼做。

舉個簡單例子，這是人羣曝光路線被曝光5次，前面2次被一個展示類的廣告觸達，從一個渠道來的，第3次在Facebook看到一個廣告，第4次又看到一個展示類廣告，第5次就感興趣、轉化購物了。我們現在瞭解到的情況是，大部分跨境電商做歸因——我怎麼來分配功勞——一般只會看最後一次點擊。很基本的歸因模型是，比如首次曝光觸及到的人羣非常準確，把所有功勞都歸給它，這個有點極端。第二是線性歸因，曝光過幾次，然後把功勞平均分配，像這個案例，曝光5次則每個功勞佔20%。第三是觸點近因，越靠近轉化的，分的功勞越多，離它越遠分的功勞就越少。

根據歸因模型的方法不同，我們監測到的轉化數據也不一樣。

比如以最後點擊做的歸因，展示類廣告有65個轉化，Google有270個；反過來，如果我把歸因按照第一次曝光做歸因，展示類廣告帶來的功效和轉化最高的，都比Facebook和Google還要高。

我們如何決定要用哪個歸因方式？哪一個歸因方式纔會給各個渠道有一個最公正公平公開的評估？這是我們給大家講的多觸點歸因，它並不是用一個原則，不管第一次還是最後一次還是平均分，它並不是以一套邏輯來做歸因，而是根據每個觸點或者每個渠道帶來的附加價值，我們叫做Incrementality。

從一個用戶被觸達，到最後轉化，轉化路徑其實非常複雜，可能中間曝光一次就轉化，可能曝光20次才轉化，中間曝光渠道和廣告類型都不一樣。我們基於日誌級的數據做一個大數據分析之後，把所有的轉化路徑都拉出來，就變成了三個點，一個是首次觸點，一個是中間觸點，一個是最後觸點。

把所有轉化路徑分佈和排列組合都找出來，我們發現，如果只是以最後觸點做歸因的話，所有的功勞都會歸功於渠道C，因爲渠道C最後把全部用戶轉化的，難道渠道A跟B就不要了嗎？不是這樣的，我們通過行爲轉化路徑看到，其實是渠道A和B加在一起來轉化率更高，渠道A和渠道B是有價值的，雖然從最後轉化數據來看功勞全部在渠道C。

我們把轉化相關（無論是首次觸點、中間觸點還是最後觸點）所有的數據放在一個模型裏面，這個模型通過建模來分析每個渠道在不同觸點所產生的附加價值。

舉個例子，如果對比一下第一個轉化路徑和第三個轉化路徑，第一個轉化率和轉化量都是最高的，跟第三個區別是多了A，多出來的轉化人羣或者提高的轉化率都是歸功渠道A，有A和沒A的區別，這是所說的附加價值。轉化路徑成千上萬條，這是大數據建模在背後跑，機器以自動化方式做的對比的歸因分析。最後結果渠道A的功勞應該是30%，渠道B30%，渠道C40%，我們下一撥預算就知道該怎麼配，準確的知道哪些該留該用，留該分多少錢等等。