DMP 的人群画像功能，到底应当如何运用

充分运用好 DMP 的画像功能，不能仅仅依赖工具本身，更要熟稔相应的方法。

近来与一些甲方朋友探讨品牌广告的投放事宜，使得我对 DMP 再度燃起兴趣。关于 DMP，我在众多场合都曾提及，它和 CDP 存在显著差异，在广告投放领域，DMP 有着不可或缺的地位，且其数据占据着主导作用。

另一方面，DMP 也常被视作一种数据分析工具，一种给人以新奇感的数据分析工具。

因为它能够为你的广告受众进行画像描绘。

画像这一功能，给人的感受实在是妙不可言，恰似一个神奇的透视设备，将隐匿于黑箱之中难以察觉的事物，都清晰呈现。

毕竟，在此之前，我们未曾拥有任何一个如此直接的工具，能够告知我们，看到你的广告、点击你的广告的，是何种人群，有着怎样的喜好。想想都觉得美妙。

哎，然而现实总是不尽人意。

当你真正运用这一工具时，就会发觉，似乎它并不如想象中那般出色。

不够理想的地方，体现在两点。其一，DMP 有其优势，也有其不足，它与我们想象中的并不完全一致。其二，我们也未必能够熟练运用这一工具，使其发挥应有的价值。

在这篇文章中，我来谈谈 DMP 的人群画像功能，究竟应当如何使用。毕竟工具的好坏，在短期内客观上难以改变，我们至少能够提升自身的技能。

1 仅有画像，作用有限

关于 DMP 的画像究竟是否有用，存在诸多争议。反对者的主要观点在于，DMP 中的人群画像通常过于“粗略”，准确性也欠佳。不仅如此，所给出的画像往往与常识并无显著差异。

DMP 的画像能力，反映了 DMP 的制作水平。一个质量欠佳的 DMP，其人群画像中的属性正如上述所说的“粗略”，是极为宽泛的。

例如，在不少 DMP 中，对人的描述，是“白领丽人”或是“职场精英”或是“家庭主妇”，这类标签属性十分模糊。

除此之外，还能够提供人群的性别、年龄等人口信息、地理位置，以及人群常用的 app 或网站，再加上一些感兴趣的事物，通常是喜欢观看的节目，或是大致对何种商品感兴趣，便构成了几乎所有 DMP 中关于人的属性数据。

但这些 DMP，特别是广告主“自行构建”的 DMP，由于它们不具备大型电商平台或者大型社交媒体平台的一手数据积累，因此，除了人口信息、地理位置这类较为静态的数据之外，动态数据（感兴趣的事物或商品等数据），很难确切知晓其准确性。

例如，下面这样的商品数据，基本上只有电商平台给出的 DMP 才更具意义。

属性数据的匮乏，实际上是导致广告主难以良好运用 DMP 的一个关键原因。

所以，当完成一次广告投放后，广告主自身的 DMP 给出的数据类似于下图的模样，并且要从这些数据中获取有价值的“洞察”，实在是困难重重。

点击上图可查看大图

上图所展示的 DMP 中的人群，是我的读者的画像，在职业分布（第二行右边的图表）中位列第一的是 IT，位居第二的是营销公关，这还算合理，但并无太大帮助，因为这不过是说明了一个我们已知的情况而已。但在兴趣分布这一项，则令人感到颇为费解，例如，第二大兴趣是“美容美体”——难道，我的读者都已步入中年，需要考虑提升自身颜值了？而这一兴趣，又意味着我要针对对美容美体感兴趣的人群投放我的广告吗？

所以，DMP 看似新奇，想要真正运用起来，其实远不如我们想象中那般神奇美妙。

那么，我们应当如何去做？

2 运用 TGI，只是迈出的第一步

朋友们会说，上述的报告，应当给出 TGI 数据方可使用。

不错的想法，这表明是有经验的读者了。但仅仅依靠 TGI 还远远不足以解决问题。

所谓 TGI，是用于比较当前人群和普通人群在不同属性上差异程度的一种衡量标准。类似于控制组与曝光组的概念，普通人群，也就是通常所说的普罗大众，即为控制组，而 DMP 中选定的人群，则是曝光组。二者的差异通过 TGI 来表示。

比如，在上述的例子中，倘若我的读者中职业为 IT 的人的 TGI 是 1.8，那么意味着我的读者中的 IT 职业者的比例，比普罗大众中的 IT 职业者的比例高出 1.8 倍。

不过，在很多地方将 TGI 的倍数，乘以 100 来进行计算。上述例子中，对于 IT 职业的对比，我的读者人群与普通人群相比，TGI 应当是 180。所以你可能会看到有不同的 TGI 表示方式，乘以 100 的应当是更为标准的方法，但两者都不能算错误。

1. GI：即 Target Group Index（目标群体指数）

2. TGI 指数 = [目标群体中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例]*标准数 100。

所以，对于上面关于我的读者的画像的例子，倘若加入了 TGI 就会有不同的解读。例如，在兴趣方面，我们发现排名第二的兴趣是美容美体，但是，与普通人群的 TGI 相比，如果这个 TGI 是 0.3（或者用标准数 100 乘了之后，是 30），那就表明虽然美容美体是第二大兴趣，然而相较于普通人的感兴趣程度，差距可就大了。

于是，如果没有 TGI 数据，营销策略必然是要向美容美体人群投放广告的。但未曾想到，追踪了 TGI 数据后，却显示美容美体人群更多的是普通人，所以这个广告的策略恰恰应当反过来，不能向美容美体人群投放，这些人并非目标人群。

这便是 DMP 的一个陷阱，某个属性的特征比例较强，并不能直接得出要向他们投放广告的结论。这个道理其实不难理解：宋星的读者都喜爱美容美体，但喜欢美容美体的人却不一定都是宋星的读者。你投放广告选择美容美体很容易造成极大的浪费。

所以，TGI 是 DMP 画像中一个必不可少的指标，如果无法提供 TGI，这个 DMP 的画像基本上可以认为毫无用处。

如果选定人群的某个属性排名较为靠前，且 TGI 与普通人群相比非常高，那么得出向这群人投放的结论，才较为合理。

这

表明 TGI 颇具效用。

但 TGI 虽有用处，却仅仅提供了些许基础性的数据，能够给我们一些启发，但距离“成功”还相差甚远。例如，如果我们看到下面的数据，我们会发现，即便加入了 TGI，情况仍然“不容乐观”。

上图展示了“画像数据”的某个维度，即广告覆盖人群的 app 使用情况。遗憾的是，这些 TGI 数据并不十分显著，似乎只有右数第二个 app 是大家“不喜欢”的，因此广告主能够得出的结论，最多就是不在这个 app 上投放广告，仅此而已。这样的结论，等同于没有结论。

这表明 TGI 并非总是能够帮助我们。

3 对比，是运用画像的基本方式

既然仅仅依靠 TGI 无法为我们提供帮助，因此，我们需要在 TGI 的基础上运用更多的方法。无论数据工具多么新奇，在运用这些工具时，必然会遵循一些毫不新奇的基本方法。

这些基本方法中最为重要的两个，一个是细分，一个是对比。

实际上进行细分，也是为了对比。

运用 DMP 的画像功能，必须进行细分，才有价值。

而在所有 DMP 常用的细分中，最为重要的细分，是依据“行为”所做的细分。

所谓行为，对于广告投放的受众而言，主要有三大类：曝光、点击、流量行为。

所谓流量行为，是指广告投放出去引来流量之后，这些流量在落地之后（进入网站、H5 或是 app 等）的行为——浏览、点击、转化等等。

现在我们来看一个例子：

一次投放，有 100 万次曝光，1 万次点击，5000 次网站访问，100 次提交购买意向。

这实际上就自然而然地形成了四个人群。而这四个人群，是父集（曝光人群）、子集（点击人群）、孙集（访问人群）、重孙集（意向人群）的关系。

这四个人群的画像应当进行对比。比如，下面的数据。

有购买意向的人群和曝光人群，存在较大的差异，突出表现在意向人群的年龄普遍超过 30 岁。这对于投放来说，是重要的指导线索。

再如下面的数据。

意向人群 TGI 最为显著的是淘宝和支付宝，而曝光人群则更青睐抖音。这，也能给我们诸多启示。

有了这些细分的对比数据，投放策略应当如何制定，就比不进行细分的时候，要清晰得多。

4 哪些是我们常用的画像人群对比项目

所以对比至关重要。

下面是运用 DMP 画像数据时，常用的细分人群对比项目：

Demographics 数据（后文简称 Demo）

性别、年龄

地域，特别是城市分布

一二线城市 和 三四线城市的 demo TGI 是否存在差异

地理位置——是否在城市的繁华（昂贵）地区活动（不仅仅是城市）

细分行为的人群分组对比

曝光人群的 demo 与 点击人群的 demo

不同曝光频次的人的 demo 对比

不同点击频次的人的 demo 对比

点击人群和对我们商品感兴趣人群的 demo 对比

投放人群 与 购买人群：利用电商平台 DMP 如品牌数据银行数据（可能存在样本偏差，但总比没有强）

兴趣数据和细分人群的兴趣数据

曝光人群兴趣数据 TGI

点击人群兴趣数据 TGI

一二线城市 和 三四线城市的 兴趣 TGI

兴趣数据包括：

平时使用 app 的差异：不仅是 app 本身，还有使用时间的差异

其他购物方面的差异（电商提供）

DMP 中的标签（但无法确定其准确性是否高）

运营商可能能够提供的数据

不同商品之间的差异对比

从 Demo 角度的差异：曝光人群、点击人群、转化人群

从兴趣角度的差异：曝光人群、点击人群、转化人群

5 最后来看一个经典案例

下图是阿里巴巴的品牌数据银行的一次 campaign 投放之后的简明扼要的画像。广告主是某母婴产品广告主，而对照人群，则是阿里提供的所有购买母婴产品的人的数据。

你能从中发现什么有趣的内容？请注意，下图中靠上面的两个图表，实际上就是 TGI，不过并非标准计算方法，因为标准计算采用的是除法，而这里的计算，运用了减法的绝对值（靠下面的图表中的每个属性的两个柱子的值相减，就是靠上面的图表中的柱子的值）。不清楚为何采用了减法，而非 TGI 的标准算法，或许，是为了更直观吧。

请大家具体分析。我仅讲讲结论。结论是，这一次投放的人群，似乎偏差得较为严重呀！