研究方向

行业竞争性投放数据分析与研究

用户场景化需求数据分析与研究

投放平台行业投放竞争动态研究

模拟投放测试系统效果评测研究

合作伙伴数据资产洞察与广告投放变现研究

对不同人群采用不同的投放策略,进行投放ABTest,敏捷地迭代优化投放策略的研究。

预测准确度丨多样性丨惊喜度丨健壮性丨新颖性丨覆盖率丨用户满意度等衡量指标研究。

行业投放模型系统中取得历史投放的相关数据,数据集的80%作为训练数据,20%测试数据,通过AI人工智能算法建立投放测试模型预测研究。

ROI as a service创新实验室

通过研究以效果投放为基本的创新案例为广告主提出切实解决方案

ROI as a service创新方法论

品牌消费者用户旅程图研究

广告投放平台数据价值研究

广告投放服务体系设计研究

品效合一投放服务蓝图研究

研究移动社交消费者的决策路径发生哪些根本性的变革

研究品效合一全景可视化决策路径给营销带来的新启示

研究各大广告投放平台数据在消费者决策路径中的价值

研究品效合一在可视化决策路径中给广告主带来的价值

前瞻性丨客观丨严谨地研究不同广告投放平台数据之间的协同及整合效应

数字营销触点重新分析与管理

品效合一数据研究院《保健品消费者决策路径及数字营销触点管理》研究报告,旨在研究数字时代的保健品消费者决策路径变革,根据消费者决策路径的新特点对营销触点重新定义与数据化分析,同时结合广告平台的投放ROI数据进行预测研究,探究如何高效帮助广告主获得丰富的高ROI、低成本流量。

在研究中,综合运用了定性研究丨大数据研究丨市场调研的研究方法。

研究发现,进入数字时代,随着广告投放平台数据去中心化丨信息过载以及个性化推荐等趋势的发展,保健品消费者也一改过去只依赖自己大脑中储存的有限的知识和印象做决策的习惯,开始有意识地利用和互联网无限信息的联结,综合决策。

1. 保健品消费者的评论及口碑,极大的影响了其他保健品消费者的决策。

2. 在任何时候、任何地点,个性化推荐,社交分享的数据分析作用都得到不断强化。

3. 移动社交时代“浏览兴趣-个性化推荐-做出决策-实施行动-分享体验”的特征明显。

4. 借助移动互联网社交平台,消费者决策可以轻易从一个阶段进入下一个阶段,或者间隔跳跃到其他阶段。

5. 丰富的信息和选择范围往往让消费者举棋不定,他们迫切需要公正丨专业的信息和决策引导,个人推荐意义非凡。

保健品互联网广告投放行业分析
品效合一投放数据分析系统

动态标签化系统从内容丨产品服务丨用户入手,为落地页面与创意打上结构化标签,为全景可视化广告投放提供了全面丨精确丨便捷的前期准备,基于RapidMiner Radoop可几分钟内而不是数周内就能建立和部署预测性分析模型。

品效合一产品化标签系统

标签化系统为每一个推广页面丨创意动态打上结构化标签,从而构建推广360度全景画像。页面和创意标签化系统是深入解剖推广内容DNA的基础以及构建用户画像的先决条件。

产品领域

品效合一推广标签化系统覆盖数码电子丨旅游丨汽车丨生鲜食品丨家电丨本地生活丨珠宝饰品丨服装等20多个行业,每个行业下分三级/四级类目,涵盖了市场上绝大部分移动电商系统的类目。本系统构建了一个标准品牌库,覆盖上述20多个行业,品牌数目超过10万个,不同类目的基本属性标签有所区别。

广告平台用户标签化分析系统

通过Data Exchanger,品效合一用户标签系统动态对每一个用户都打上结构化的标签,构建出一个用户的360度全景画像。用户的标签包括人口属性丨地理属性丨购物偏好丨口味偏好丨消费能力等不同维度。用户标签化深入解剖用户DNA丨支撑个性化推荐丨自动化营销。

品效合一广告投放智能分析与研究使得智能投放更精准丨涵盖范围更广丨适用性更强。

目前包括:

前沿的广告平台推荐算法学术论文研究

基于细分行业的知识工程丨知识图谱研究

搜索广告投放丨原生广告信息流投放分析研究

主流信息流广告投放平台的广告推荐算法分析研究


聚类算法:人群丨用户细分丨用于降维

分类算法:朴素贝叶斯丨页面性别判断(男性丨女性丨中性)等

基础算法:聚类算法丨预测算法丨分类算法等,主要用于产生基础知识库的研究

预测算法:logistic回归,以点击率为目标,结合多个指标建立模型选择优质广告内容

推荐算法:最小二乘算法,content-based,collaborative-based,Association Rules 研究


行业关联投放推荐:意图词的相关性丨图片的相关性丨投放模型的相关性

基于内容投放推荐:通过给用户和商品标注Tag,通过内容匹配算法,推荐内容给用户

协同过滤投放推荐:基于相似行业客户和基于相似广告的信息为客户推荐其“友商这么投”

算法 说明 应用举例
Edgerank 群体动态行为的快速计算 智能排序丨错过的广告创意推荐内容
归一化算法 Weight的归一运算,如类idf计算丨分布熵,量化节点丨边的价值 面向关键节点的广告或内容推荐丨用户推荐
Item-based CF 依据用户的历史item消费行为推荐 实时推荐丨用户推荐
User-based CF 依据相似用户的群体喜好产生信息流推荐结果 如用户推荐丨赞过的微信文章丨正文页相关推荐
Min-hash丨LSH 群体动态行为的快速计算 智能排序丨错过的广告创意推荐内容
KeyUser-based CF 依据相似典型用户的协同过滤推荐,利用少数人的智慧 推荐的信任来自好友丨社会认同丨用户推荐(兴趣维度)丨热点话题
品效合一投放优化数据技术架构
  • 计算层
  • 数据层
  • 应用层
  • 展现层

广告主第一方基础数据
品效合一投放历史数据

日志基础数据
原生广告投放层数据

公网第三方开放数据
广告平台第二方数据

创意数据
落地页面数据