揭秘：微信朋友圈广告确实用上了大数据？

市场营销获客工具【爱短链】全域跳转工具，打通私域引流关键一步：轻松将公域流量，引导至私域，通过链接点击直达，方便快捷，无风险提示跳转，助力企业/商家高速获客。》》点此获取链接


微信朋友圈广告已经过去几天了。


看到各行各业的大神一波又一波的评论事件，经过几部大作的琢磨，有两个问题值得探讨。


第一个问题：有很多数据，是大数据吗？ 微信拥有超过11亿用户和超过4亿活跃用户。


每天产生的数据量是天文数字。


这些自由发布和无导向的社交软件产生的数据在朋友圈广告中用于什么？ 通过在朋友圈发布这个广告商，用几种常见的大数据应用方法，我们来猜测一下: 模式一： 　　该模式采用微信用户的大量数据，筛选出与广告商定位一致的群体，如肾脏，如关注奢侈品和著名汽车，用各种标签条件定义用户，然后推广广告。


模式二： 　　利用微信各种用户数据概述属性，如用户收入、年龄、区域、教育水平、行业等基本特征，比较广告商产品定位群属性，属性相似，加上用户反馈参数的推广测试，如右上角感兴趣的选项，然后筛选群体，然后推动目标。


模式三： 　　当属性不完整时，应使用第三种模式，以用户偏好为分类条件，如发布旅游、科技产品、饮食、娱乐等，已成为定义条件。


根据这些偏好进行排序，筛选出前20个用户最关心的偏好，然后将这些偏好与广告商的客户定位进行比较，并将最相似的部分的部分。


上述三种常见的大数据推荐模式不涉及社会属性。


事实上，如果准确的分析可以达到用户消费行为和倾向的水平，社会属性可以被削弱，因为后者的实质是扩大受众。


根据微信用户数量，准确分析数百万甚至数千万宝马潜在用户并不难，但推送不是一对一的对话框，而是利用社会属性在朋友圈传播，这仍然是Feed流广告的方式并没有将大数据的准确性应用到位。


因此，微信有大量的数据，但微信是否在进行大数据分析取决于在大数据中做什么。


这种推送不是严格意义上的大数据行为。


第二个问题：这种广告效果几乎是由事件炒作和用户转发形成的，那么它与大数据有什么关系呢？ 这个问题是因为这三个广告商都投放了品牌广告，而不是特定产品的宣传，而是提高了品牌意识。


在微信用户量下，再加上高、中、低浪费的人群分类话题炒作，应该纳入事件营销的道路。


我看不出它与大数据应用程序有什么关系，因为最终的消费转型仍然取决于广告商的自我努力。


为什么不使用这么多用户数据？让我们大胆地假设： 1.微信并不完全了解其11亿用户，否则应该找到11亿用户中哪些是真正的土豪劣绅和失败者，并相应地推动宝马或可乐，这与事件营销没有冲突。


2.微信从高品质种子用户开始设置，前提是活跃度高、参与广告互动的用户及其社交背景与宝马、vivo它与可口可乐的广告受众相当一致。


显然，这一设置从一开始就准备从事件炒作的角度进行，而不是基于准确性。


不难看出，微信是以社会属性为广告推荐的基础。


它没有应用基于内容、协同过滤、规则、效用和知识的大数据能力。


它不关注人与物之间的强烈相关性（如偏好、购买、意图等）。


从这两个问题的结果中，我们发现这是一个成功的事件炒作，一个成功的事件PR事件是传播效应的验证，根本没有大数据。


那么真正的大数据推荐是什么呢？ 从数据库中找到微信用户的所有朋友与大数据无关。


大数据的一个重要特征是分析不同来源和性质的数据信息。


例如，将微信用户信息与宝马用户信息结合起来进行分析是典型的大数据应用场景。


专业上，这是大数据的多样性属性(Variety)。


大数据推荐的目的是找到两个表面上可能不相关、本质上相关的实体。


这种隐藏的关系在小数据范围内并不容易，在大数据的情况下也很困难。


我们将这个问题分为几个步骤： 第一步是解决什么样的数据可以包括在分析中？由于数据量太大，包含无关的东西不仅会增加不必要的计算量，而且会产生很多干扰。


因此，去噪声(noise reduction)这是第一步。


以微信朋友圈广告商宝马汽车为例: 如果一个微信用户声称昨天买了宝马，但是宝马的购车用户列表里没有这个人，那么这个用户是否应该被淘汰会影响下一步。


第二步是确定基准数据(benchmarking)。


要分析两个实体是否相关，关键是看它们的相似性。


有人说80%的相似度就够了，有人说50%以上就够了OK。


那么如何确定这种相似性呢？专家判断是一种方法，统计结果判断是另一种方法，最好的方法是大数据模型可以自学来判断基准。


第三步，数据降维(dimension reduction)。


所谓降维，就是从推荐系统中删除不需要考虑或不重要的因素，从大数据到小数据。


例如，微信用户和宝马用户之间可能有很多相关点（电话号码、城市、年龄、土豪劣绅水平、付款记录等），并非所有相关点都对推荐有用。


比如富二代18岁开宝马，普通人可能30岁开宝马，所以年龄可能不是分析的关键。


简而言之，降维的根本目的是方便计算，避免天文数字的数据分析，至于如何降维和降维算法，以后可以详细说明。


第四步是选择合适的推荐算法。


上述推荐算法应用最广泛，各有优缺点。


选择哪种算法应考虑解决哪些问题、数据量、特征选择等因素。


也就是说，我们应该将人与事背后的联系与数据联系起来。


第五步，在许多情况下，大数据推荐应考虑实时推荐。


例如，当一个新用户进来时，你应该把它推给他的宝马vivo还是可口可乐。


大数据框架的设计必须足够完整，这涉及到同样的推荐效率和用户信息。


此外，大数据推荐的结果通常被称为大数据预测，从足球彩票到股票的应用场景是不同的。


能够做好大数据预测的公司是真正的好处。


根据上述推论，大数据下的推荐系统并不简单地等同于社会关系的推导。


它必须基于更严格的需求分析和更复杂的系统设计。


微信有自然条件（大量数据、资金、团队等），但在广告推送中，大数据应用程序不到位。


虽然它使用了大数据能力，但遗憾的是，更像是大数据是一个篮子，一切都可以包装的包装技术。


去年今天的运营文章 2021:  阅读笔记(0):以用户为中心的产品设计 2021:  你对淘宝用户系统的运营了解多少？你知道这些吗？(拆解淘宝用户运营)(0) 2021:  淘宝APP拆解用户系统(上)(0) 2021:  《卓有成效的管理者》(0) 2021:  微信官方账号封面图制作指南(0) 原创文章，作者：爱操作，如转载，请注明出处：https://www.iyunying.org/social/wxyy/5916.html