充分利用各种新式媒体，通过网络定向技术，以精准的渠道将营销信息传达给准确的目标受众群体。在对的地方，对的时间，向对的人，传递对的品牌和产品信息。

    从精准定向广告的定义出发，聚焦精准定向能力的核心来源——用户标签体系的相关知识。了解了建立用户标签体系的四部曲：设计标签体系结构、采集数据源、完善数据仓库和建设应用层。在建设用户标签体系时，要优先建立人口学属性等基础标签，后续再进行精细化处理，建立用户兴趣标签。另外，我们还可以另辟蹊径，使用 Lookalike 人群拓展技术，它能够帮助我们扩大投放目标，触达新鲜人群。在整个过程中，因为涉及了用户隐私，所以要时刻关注数据隐私权方面的政策。

精准定向广告有两大根本性的好处：

从购买广告位转向购买目标人群：无论购买了多少不同的广告位，只向目标人群展现广告主的广告，真正实现广告主想要与目标消费者进行有效沟通的梦想。

增加有效曝光，降低投放成本：所谓有效曝光，就是向广告主的目标人群所展示的广告曝光；减少了向非目标人群展示广告曝光的概率。

    在广告产品的发展历程中，精准定向经历了以内容定向为主和以用户定向为主两个阶段。

内容定向：通过内容属性对广告进行定向投放，包括频道定向、上下文定向、搜索关键词定向等。

    内容定向时代，做得最好的平台是 Google 谷歌。Google 的 Adwords（类似于百度搜索关键词广告）和 Adsense（类似于百度网盟广告）最初就是利用对网页内容的分析来实现精准定向。可以说，搜索关键词是内容定向里最精准的了。虽然内容定向广告的效果高于传统的非定向通投广告，但是在搜索关键词定向之外的领域，还无法满足广告主希望“抓住”目标人群的根本诉求，所以用户定向应运而生。

用户定向：通过用户属性、用户行为等用户标签体系对广告进行定向投放。

    在国外，雅虎于 2007 年推出了根据用户在雅虎平台上的行为习惯及地理信息来进行投放的 SmartAds，可以说是用户定向广告的雏形。而 Facebook 利用它的社交产品的强账号体系收集了用户填写的性别、生日、职业等信息，在 2007 年晚些时候推出了用户定向广告。

    精准定向和海量曝光之间的矛盾和统一

    精准定向本身就要筛选出符合要求的人群，用户定位越精准，那曝光量相应的也就会越少。但是，海量曝光和精准定向之间又是统一的。因为只有拥有海量曝光的平台，才能满足精准定向广告的投放需求，所以精准定向是建立在海量曝光平台上的一项技术，同时我们可以根据自己的需求，张弛有度地使用精准定向投放广告。

建立用户标签体系

    基于大量的、多维度的用户数据，结合算法与建模，给每个用户打上人口学属性、行为属性、用户偏好等诸多类型的标签，多种标签可以进行组合和交叉，并可以通过这些标签或者标签体系实现个性化内容推荐、精准定向广告、精准营销等目标。

设计标签体系结构

三种典型的分类方法：

第一种，按照标签属性来看，用户标签可以分为静态属性标签和动态属性标签：

    静态属性标签：长期甚至永远有效的标签，例如用户的性别、出生日期等；

    动态属性标签：需要定期更新才能保证有效性的标签，比如用户的活跃情况、购买情况等。

第二种，按照数据提取维度来看，用户标签可以分为事实标签、模型标签和预测标签：

    事实标签：从原始数据中提取的标签，例如通过用户注册时填写的信息获取性别、生日、星座等。

    模型标签：需要定义规则、建立模型计算得出的标签，例如用户支付意愿、推荐意愿等。

    预测标签：参考已有事实数据，预测用户的行为或偏好，例如用户 A 的历史购物行为与用户群体 B 相似，使用协同过滤算法，可以预测用户 A 也喜欢群体 B 喜欢的某些商品。

第三种方法，按照标签和用户的关系，把用户标签分为用户人口学属性、用户行为、用户偏好、其他等四大类：

    用户人口学属性：例如性别、年龄、学历、职业、婚姻状况、居住城市等，这类标签是最基本的，也是最首要的；

    用户行为：包括线上行为和线下行为。线上行为，例如用户是否浏览新闻资讯、刷抖音、打游戏、使用理财服务等。线下行为包括用户是否有车、是否经常购物等等；

    用户偏好：用户对各类商品的购买兴趣，例如汽车、母婴、金融等等。

    在设计标签体系的时候，我们要注意两点：

    一是标签最细粒度要能够直接支持精准广告相关业务，同时支持对应标签实例的规则自定义；

    二是不同的标签要能够自由地组合为新的标签，同时支持标签间的关系、权重自定义。

采集数据源

    长期采集大量的、可靠的、多维度的数据源。用户标签体系可能的数据来源包括：

来自用户上网终端的设备数据、地理位置数据、天气数据等；

来自网页端、App 端的用户行为数据；

用户注册账号时自行填写的个人信息数据；

线上广告投放积累的用户与广告的曝光、点击、转化等数据；

线下渠道积累的用户 CRM（客户管理）数据等等。

    用户行为等动态数据源可以通过数据埋点和无埋点两种方法来采集。埋点更传统，你需要预先想好需要收集哪些数据，然后让技术团队去采集。无埋点实际上也可以叫做全埋点，顾名思义，就是采集所有可能收集到的用户数据，之后按照需求提取使用。

完善数据仓库

    数据源采集之后是不能直接使用的。我们需要根据精准定向广告的业务需求，对数据源进行选择和封装，在数据仓库中存储和培育数据。我们通过 ETL 把元数据统一格式后装载到不同的数据仓库里进行存储：有的数据库里存储的是用户人口学属性的数据；有的数据库存储的是某些类别的用户行为数据；有的数据库存储的是广告位相关数据。

建设用户标签体系应用层

    数据仓库完善之后，我们如果有特定的数据分析需求，就可以从数据仓库中取数进行分析了。但是，单次的人工分析显然不能满足精准定向广告的需求，所以我们要在数据仓库的基础上，建设应用层。到了这个阶段，其实就和我们的第一步联系起来了。

    以腾讯广告的用户标签体系为例，广告主或代理公司在广告投放前进行设置时，通过对人口学标签、设备类标签、兴趣类标签、垂直行业标签、自定义类标签、行为类标签六大类标签下的二级甚至三级标签的勾选与组合，实现目标人群定向。

常见问题

问题一：为什么要先建立性别、地域、年龄这些人口学属性的基础标签？

    一是因为这些基础标签下的用户量最大，可以很好地满足广告主海量曝光的需求，也符合媒体大量售卖广告产品的需要。

    二是因为广告主如果选择的标签粒度太细，例如对很多用户行为标签进行圈选和交叉，那么取了这些标签的交集之后，目标人群规模可能会太小。这很有可能漏掉很多有潜力转化的用户，所以我们也不建议这样做，而是推荐广告主优先尝试按基础标签圈选的人群进行投放，也可以同时对规模较小的精准人群进行投放，然后对比两种方式的效果，或者先放量，后续再做人群优化。

    三是因为性别、地域、年龄等标签，对各种类型的用户产品来说，都可以直接采集或者进行准确度较高的推测。

问题二：精准定向广告为什么要做用户兴趣标签？

    原因是广告主，特别是效果广告主，一方面，总有性别、地域、年龄等人口学属性的标签满足不了的人群圈选需求；另一方面，就像前面说的，用户行为标签圈选出来的目标人群虽然可能更精准，但是往往规模较小，而且很多广告主对于目标人群的用户行为标签认知未必准确。

    为了兼顾精准和投放量的需求，兴趣标签就顺势诞生了。我们在建设兴趣标签时，首先要考虑两点，一是广告主对这个兴趣标签的需求强度，基于这一点考虑，我们优先建设的人群包往往是汽车、母婴、金融、电商、教育等广告主需求旺盛的行业；二是这个兴趣标签囊括的目标人群规模，如果兴趣标签下人群过少，那就对放量意义不大，可以舍弃。

问题三：数据隐私权对用户标签体系是否会有影响？

    这些立法必然会影响到各大媒体及广告平台对用户数据的采集、使用及告知方式。用户数据隐私是一个非常复杂的问题。作为广告产品的从业人员和关注者，我们务必要关注相关的法规政策的发展，还有业界最新的应对之策。

Lookalike：用户标签的拓展应用

    Lookalike：字面意思是指一个人或事物和另外的人或事物非常相似。该技术又叫做“人群拓展”，指利用广告主第一方数据，基于少量的种子用户，通过大数据分析和机器学习拓展出和种子相似的用户人群。而这些拓展出的相似人群，同时也有很大可能会成为新的目标人群（比如，App 的下载激活、商品的收藏购买，目标粉丝的扩展等等）。

        举个例子。奔驰汽车给了腾讯广告一批它的线下 CRM 客户数据，主要是手机号。腾讯把这批手机号和自己平台上的用户标签进行匹配，发现奔驰汽车的这批人群在用户人口学属性、用户行为、社交关系链上体现出很多共同点。除了这批人群，腾讯平台上还有很多具备类似特征的相似人群，我们推测这些人群因为和奔驰已有的客户人群标签有相似性，因此对奔驰汽车感兴趣的可能性较高。所以就对这些相似人群投放了广告，取得了不错的点击率效果数据。