汽车行业广告投放策略「浅谈汽车网络营销策略」

今天给大家普及一下汽车行业广告投放策略「浅谈汽车网络营销策略」相关知识，最近很多在问汽车行业广告投放策略「浅谈汽车网络营销策略」，希望能帮助到您。

编辑导语：在完成了对流量分配策略的介绍之后，我们进入到投前策略的第二个部分——定向策略。“定向”可以说是商业广告领域的一个高频词，无论是讨论广告技术还是商业产品设计又或者是广告投放技巧都绕不开“定向”这个话题。本篇文章通过对互联网汽车行业广告的分析，深入浅出地对定向策略进行思考。一起来看看吧！

在很多广告投放的课程中甚至就将多年投放总结出来的定向设置技巧就认为是广告投放策略。这也就导致了大家在网上搜索广告投放策略相关内容时多半都是在教我们如何在广告投放后台进行各式各样的设置。但实际上，广告投放策略远不止定向这么简单，并且长期以来很多人对于定向策略的认识也存在着较大的偏差。

广告定向本质上并不是一种策略而是一种用来对广告受众进行筛选的产品功能。该功能可以通过标签组合来为不同的投放目的筛选目标人群，所以定向策略本质上就是在设计不同的标签组合，但它还涉及不到广告投放最核心的决策以及人群的触达。那么片面的将定向策略就认为是广告投放策略的商业产品经理显然是不合格的。

站在广告优化师的角度，因为他们涉及不到广告系统的底层逻辑，所以他们的投放策略往往都是基于账户、定向以及预算的设置来实现的。但站在商业产品经理的角度，不但要清楚的认识到定向在整个系统中所处的位置以及实现原理，还要在功能实现的基础上考虑优化师们可以基于此实现哪些投放策略，以及支持各种各样的智能投放策略（机器自动投）。

这部分内容对于商业产品经理的个人经验以及对整个广告系统的理解要求都很高。

一、广告定向的原理与优化风向

在很多文章里都把广告定向的原理说的玄乎其玄，什么根据用户当前的浏览行为为其实时推荐感兴趣的广告之类的。这类说辞一出来就知道是在“忽悠”外行，原因很简单，因为目前绝大多数的广告投放平台定向功能都是依靠标签体系来实现的。虽然确实会实时获取用户的浏览行为，但实际做过用户行为分析的朋友就会知道，用户行为是多么的杂乱无序。

我们无法穷尽所有的用户行为自然就无法针对每种用户行为作出不同的广告投放决策，所以将用户行为归类为有限的标签，再针对不同的标签组合进行广告决策才是更为经济合理的方案。

接下来再来说说标签，标签的种类有很多，常见的有：地域、用户属性、上下文、行为、偏好等等，在不考虑标签准确度的情况下，这些都是各大平台的标配。但多种类型的标签也会带来另外一个问题，标签太多投放时不知道怎么选？

此时就需要DMP（数据管理平台）来为广告提供他们目标用户的用户画像，比如：目标人群是95后的男性，那么在定向时就根据这一结论设置定向。理论上讲标签越准广告投放的效果就会越好。

我们上面所举的例子是最简单，最直观的情况，但现实生活中各个行业、各种类型的产品，用户的行为以及决策周期都是不同的。这就需要需要我们分门别类的来进行处理。

回到我们熟悉的汽车行业中来，用户的购车决策周期是远高于其他电商产品的，所以期间的用户行为也会变得异常复杂，如何将这些行为通过抽丝剥茧的方式找到其中的规律，形成一条针对汽车行业用户的标签体系，进而在广告投放中形成不同的定向策略就成为我们这些互联网汽车行业商业产品经理要思考的问题。

二、UVN-BI标签体系

在这里我们分享一套我们经过多年实践摸索出的汽车购车类用户标签体系——UVB-BI标签体系。

整个体系的设计思路借鉴了著名的RFM模型。RFM模型是以最近一次消费 (Recency)、消费频率 (Frequency)、消费金额 (Monetary)三个指标为维度建立坐标系最多可以将客户分成125类。

基于RFM的启发我们将这种方式带入到汽车购车类用户的分群中来。UVN-BI用户分群是对用户的多种基础属性进行刻画和聚类并将这些属性与用户的购车阶段、用户对于汽车的兴趣点进行映射进而形成以车系为维度的用户分群模型，在对模型进行展示之前我们先对其中涉及到的维度进行详细定义：

U（ User ）用户基础属性 ：主要用到城市级别与代际两个特征城市级别（一到六线城市）代际（00后、90后、80后、70后、70前）V（ Value ）用户年收入等级：10万以下、10-20万、20-30万 、30-50万以下 、50万以上；N（Need）用户族群偏好 ：8万以下车型、8-10万SUV、8-10万轿车、10-15万SUV、10-15万轿车、50w以上SUV、MPV、跑车等；B（ Behavior ）用户购车阶段：关注、粗选、兴趣、偏好、意向；I （Interest）用户兴趣点：空间、动力、操控、油耗、舒适性、外观、内饰、性价比。

用户族群偏好的构建主要是根据用户关注的车系向上抽象得来的。将车系的价格段与车系类型进行交叉，一名用户可能会同时关注多款车但绝大多数情况下其所关注的多款车都会是在同类型同价格段下。族群偏好这个特征就能很好的刻画这一情形，这样的特征就比车系特征具备更好的泛化能力。

另外由于存在至少三个维度特征的交叉U、V、N这三种特征都是以区间的形式出现避免交叉后维度过多。三类特征在各种组合交叉之后共480个，在三维空间中形成480个区块，按这480个区块统计某个车的人数，即可得到用户分布。最多可以将一个车系的关注用户分成1738类，经过观察一个车系的用户会主要集中在160个-210个分类中。如下图所示：

整个立体坐标系可以360任意旋转，其中每个小分类都可以单独点击，页面右侧会展示出该分类的具体信息。除了UVN这三个指标之外还会给每个小分类挂上其对应的B标签和I标签也就是购车阶段以及买点偏好。这种展现方式的特点就比传统DMP给广告主展示用户的年龄、性别、地域分布等司空见惯的图表要来的更新颖更具分析的深度，算是脱离了只会直接展示指标的初级阶段。

在下一篇文章中，我们就基于这套标签体系，如何根据不同的业务需求设计定向策略。

本文由 @凡事需景盛 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议