性别、年龄、地域，您真的懂得设置吗？对于信息流定向的若干思索-精准获客

在投放进程中，性别、年龄、地域这三项基础定向属于受众分析时的“必选范畴”。人们往往会得出这样的结论：投放男性、年龄在 23 – 50 岁之间、排除偏远地区的转化效果较为理想。

然而，这种判断的可靠性究竟如何，是否真的经得住深入探究？接下来，咱们就细致地探讨一下这三大定向的运用策略。

一、性别、年龄定向的设置方式

我们把头条的定向大致划分为自然属性和兴趣行为两类，区分的依据在于能否显著

反映出用户的偏好。

例如，WiFi、地域无法清晰地展现用户的喜好，但是手机中安装的应用、下载过的广告在一定程度上能够表明用户的偏好。

我们对头条常用定向进行如下划分：

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

首先表明观点：

自然属性定向所覆盖的人群较为广泛，难以显著反映出用户的喜好，除非数据具有压倒性优势，否则不建议做出结论性的限制。

来看

一个交友产品的实例：

这是一条点击数超过 20 万的计划，女性成本比男性高出 30%，能够就此认定女性用户的效果不佳吗？

【计划 1】

女性用户的成本显著高出许多

【计划 2】

再看这条计划，男性依然是主要的流量来源，但是男女成本基本相同

这该如何是好？女性到底行不行？

将各账户里其他 top 计划的数据都提取出来，查看近 1 年的整体数据：

【计划 3】

女性成本高

图片[1]-性别、年龄、地域，您真的懂得设置吗？对于信息流定向的若干思索-精准获客

【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，发现女性成本普遍比男性高出 10%以上。此时可以初步判定：女性用户的确转化率低于男性，成本高于男性。

此产品性别定向的建议方案：

倘若想要成本尽可能低，那么可以只投放男性用户；倘若想要拓展流量，可以进行通投，整体成本依然能够满足出价。

这属于比较显著的数据差异，然而其他自然属性定向就很难具有明显的偏向性。例如年龄。

依旧以上面的交友产品为例，提取出 top 计划近 1 年的数据，查看按年龄段划分的数据：

【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 条计划中成本最低的年龄段各不相同，仅查看头条对接至转化的数据（或许后端转化数据存在明显差异），无法判断哪个年龄段非常糟糕、必须排除；也无法判断哪个年龄段属于优质人群。

那应该怎么办？当您没有明确结论的时候，就要依靠头条的智能化。

前面我们提到，是否进行定向的一个判断标准可以是“您和模型谁找的人更准确？您有多大的把握？”而在自然属性的定向上，我们的判断很难比模型更精准，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，特征转化率提升的把握未必大，但是人群范围却实实在在地缩小了，不划算。

有一个对比测试的提醒：

切勿轻易做出结论性的限制——某某定向肯定不好！大家都不要投放！

如果要做出何种定向好、何种定向不好的判断，至少要满足两个条件：

长期存在、数据差异显著。

2 – 3 条计划无法得出结论，只能算是一种现象。像我上面所列举的 7 条 top 计划、近 1 年的数据，可以得出初步的判断，但无法确切地下结论“这个产品女性用户的成本就是比男性高”，因为这与素材有关，而且 7 条计划的数量还不够，存在一定的偶然性。

二、是否要排除偏远地区

先思考这样一个问题：我们排除的是量少的，还是效果不好的？

如果您排除偏远地区是因为人群数量少、所以不要，那就很奇怪：蚊子腿再小也是肉呀？为什么量少就不要了？

例如这条广告计划，在香港、澳门、西藏这些地区的成本远远低于上海深圳等一线城市，为什么要排除呢？

再比如这条护肤篇的计划更为明显，按照成本升序排列，第一页都没有一线城市，反而是西藏、宁夏青海的成本最低。

参照一下按转化数降序排列，广东的成本在 13 左右，远远高于青海

但如果您有长期、显著的数据验证，表明偏远地区的成本高（包括前、后端成本），那么当然可以排除。

关于是否排除偏远地区的参考方案：

· 首先对所有地域进行通投，投放一段时间后逐省进行数据分析，查看成本的高低（包括前后端成本）

· 如果该产品在香港、澳门、广西、西藏等地区基本分配不到什么流量，那么建议放开（我们排除的是成本高的，而不是量少的）；

· 如果成本明显很高，则排除该省份（不要将偏远地区归为一类，要拆开单独查看）；

· 如果数据不稳定，有的计划成本高、有的成本低，可以选择是否排除（因为其他城市也同样不稳定，比如北京）；

· 如果后端针对地域有明显的数据差异，可以排除。比如贷款审批不通过、电商无法邮寄；

总结一下：有长期、显著的数据表明某个省份成本高，可以排除该省份；数据不稳定的情况下，建议放开投放。

另外，不止偏远地区，地域划分本身就很难得出结论，因为选项众多、并且十分不稳定。

性别设置仅有男女两个选项、年龄有不同年龄段 6 个选项，但是地域……300 个城市还不止……仅看省级也有 34 个。

例如上面那条广告计划，“广西”是流量大且成本低的，但是下一条广告计划中广西可能完全没有流量。我们不清楚广西的成本好不好、以后是否要重点投放。

所以不太建议按地域进行测试，包括只投放一线城市和排除偏远地区这种常见的思路，至少不建议作为重点关注。

有了“长期、显著”数据差异这两个标准，我们还有能够得出结论的对比测试吗？

有，还真有。

四、

建议分类测试的人群

1、分系统

投放 H5 时，安卓和 iOS 分开投放，cpc、转化率的差异比较明显，这也是为数不多我能够确定得出结论的对比测试——“iOS 的转化率绝大多数比安卓高”。

随手找个例子：

2、分广告位

不同广告位的 ctr 和转化率差异还是比较大的，而且您可以决定对于单条计划中哪个广告位成本过高就停止该广告位。

抖音的 ctr 普遍不足 1%，但是关于成本难以有确定的结论——抖音成本高或者低。

投放经验总结：

1、按照“能否显著反映用户喜好”的标准，将定向简单划分为自然属性和兴趣行为定向。自然属性定向覆盖人群广泛、难以显著反映用户喜好，不建议轻易做出结论性的限制；

2、我们进行投放是为了增加找到目标用户的数量（找到目标用户量=特征转化率*人群范围），所以定向的初衷是助力提升“特征转化率”，但是自然属性定向很难判断出明显的转化率规律。三大基础定向中又可以按照“得出结论的可靠程度和难易程度”排序为“性别>年龄>地域”，地域最不建议进行分类测试，因为选项众多、并且极不稳定；

3、我们判断是否要排除某一类人群，不是依据流量的多少，而是看成本的优劣。不要因为偏远地区流量少就不投放；

4、对人群进行细分还是能够提升转化率，如果要得出结论，要满足“长期、显著”数据差异这两个标准。

不能依据 1 条计划的数据表现下结论。只能说是“这一条或这几条计划的现象”，数据要积累到一定量、并且要查看多条广告计划；

5、建议投放 H5 时区分安卓、iOS、分资源位进行投放；

以上分享，期望对您有所帮助。