齐鲁论道 | 勾正数据陈晓茹：IPTV专网用户运营之DMP
2019年，将是电视大屏的启智元年。以IPTV、OTT为代表的中国电视新媒体，历经多年发展，正在从规模经济朝着体验经济的商业模式转进，产业将进入内生需求与外在赋能的双重推进中。内生需求将更多体现在以运营为手段的价值提升;外在赋能，则在于通过新技术、新创新，为产业的演进赋予更多的能力。共同推进产业从IPTV、OTT朝着更具生命力的智能时代成长。
5月8—9日，以“启智•视听”为主题的流媒体网第十七届论道暨中国IPTV/OTT视听产业高峰论坛在济南举行。8日下午，在主题为“IPTV运营生态”高峰论坛上，北京勾正数据科技有限公司副总裁兼运营商服务部总经理陈晓茹进行了主题为《IPTV专网用户运营之DMP》的演讲。
以下为演讲全文：
今天我和大家的分享的主题是《IPTV专网用户运营之DMP》，其实，大家今天都是带着“武器”来的，说到“武器”，勾正就是制造“武器”的那一个。
对于一个广告人来说，DMP是如何将广告更精准投放的一个系统、平台。对于我们数据服务商来讲，DMP应该是能够自动地梳理数据资产，然后为我们的伙伴提供一些数据服务。对运营商来讲，DMP应该是能够有效地提升运营效率的系统。所以从更广泛的意义上来讲，DMP有着比较显著的功能特点，比如它能够做用户分析，能够做定点投放，同时能够做效果评估、效果优化，以及价值的转化等等。所以今天分享的是勾正自己在和运营商合作过程当中所形成的DMP建设思路。
首先，关于勾正大数据平台专网用户的数据表现方面。为什么叫勾正数据平台的专网用户呢?是因为勾正本身自有的1.03亿的智能设备用户终端中，通过信源识别的方法，发现其中有7800万的用户都在使用IPTV或者是DVB的专网，进行直播或者点播内容的收看。这其中季活是在84%左右，月活56%，但是日活只有25%。而且在过去的三个月当中，我们也发现其实日活的数据是呈下降趋势。跟活跃度相比，我们还关注一个数值，我们叫“沉默率”。我们发现各省市的运营商的用户，平均的沉默率在42.3%左右，最高的省份有超过60%，沉默率最低的四川省也达到28%左右，沉默率非常的高。而OTT开机率和开机时长在逐步走高，如果IPTV和DVB的专网用户在开机时长和使用度上有变化，就说明我们盒子被闲置的机会很高。
再用时长和粘度这两个指标来看一下OTT大屏用户和使用IPTV盒子用户的数据，我们选择了排名比较靠前的十几个省份做了简单对比，在收看时长上以四川省为例，最高收看时长达到每天将近340分钟左右，而贵州省只有240分钟，所以差异还是非常大的。从粘度上来讲，广东省粘度为最高，意味着如果这个用户一个月开机30天，他有15天都会用IPTV和DVB的盒子，相较之下，安徽、河南可能一个月的开机只有10次或11次在使用我们的盒子，所以在时长和粘度上还是有很大的提升空间的。
用户用了IPTV和DVB的盒子，到底都在看什么内容?IPTV和DVB专网用户还是以看直播为主。在所有省份的数据上，唯独上海市的数据是点播的内容超过直播的时长。湖南省直播时长甚至超过7成，说明用户还是比较依赖通过盒子来看直播内容。而且大家看直播和点播的时候，关注度不太一样，比如广东的用户比较喜欢看湖南卫视的剧集，江苏的用户喜欢看的是宫斗剧，上海用户比较喜欢看历史题材的剧，所以从这上面可以看到IPTV和DVB提升空间还是很大的，较之三七开的比例的话，点播占很小的一部分。在IPTV和DVB在内容运营上实际还有很大的文章可以做。
最后再来比较专网用户和OTT用户的开机以及时长的对比，专网用户相较OTT用户来说活跃度还是比较低的，基本都是在两位数的提升空间上。
那么，DMP是解决运营问题的唯一出路吗?其实我们也不这样认为，只是因为勾正在DMP的道路上摸索的很久，所以今天我们也是想把我们在DMP模式中探索的一些经验进行分享。
在和运营商、新媒体客户的交流、沟通过程中，我们发现大家对于做DMP这件事情也比较愿意。但是也面临着最大的问题——数据封闭。数据封闭造成了很多的痛点，比如数据采集、存储和标签化，基本不完善。还有由于多方管理的因素，造成了现在的数据没有在同一个平台上，各自为政，也在很大程度上造成了目前我们对于数据统一的规划的问题。还有就是现在的精准推荐，据我们了解，现在大部分的运营商做到的精准推荐，还是以经验值推荐的方法居多，大家对自己的用户画像，或者是用户的了解程度还够高，所以在这种情况下，智能通过经验值进行推荐，试错成本就非常高。如果想要改变这个现状，我觉得是需要不论是运营商也好，还是新媒体公司也好，对于各自数据的开放程度需要有一个较大的提升。
如果想要建立比较完整的DMP，首先一定要整合数据，这个数据实际上不仅仅包含了业务数据，还包含了行为数据，用户数据，甚至还包括了很多第三方的数据，只有在整合数据的基础上，把数据标签化、规范化，以及让数据能够模型化之后，才能够做到用户洞察和用户画像。用户洞察和用户画像直接导致的是什么呢?就引来我们为精准营销所做的所有准备。精准营销直接影响到的是什么?就是我们刚才讲到的不论从内容运营，还是广告运营，包括增值业务的运营也好，在这些方面基本是缺失的，所以想要做一个比较完善的DMP是需要大家的多方来努力共同完成的。
勾正作为第三方数据公司，在OTT上对于DMP的建设有一定的基础。OTT数据来源和IPTV有非常大的区别，OTT上的数据是勾正通过自采的方式收集的。勾正为运营商做DMP的建设过程中，首先需要比较完善的基础，就是要有一个很好的数据资源，第一个客户需要自有数据，就是要把散分在新媒体，以及散分在运营商手里，甚至还有CP方手里的数据，全部统一在自己手里，还有跨屏的移动端的数据、PC端的数据。第二由勾正在DMP建设过程中，所建立的模型标签等等，算法体系，要放到里面。如果有可能的话，还可以把我们的OTT同源数据也放到里面。另外一部分是第三方同源数据，包含了比如消费类数据，这些数据是勾正和客户本身都不具备的，其他的消费习惯、消费喜好的数据等等。有了这些数据资源作为基础之后，接下来我们才有可能去做一些DMP建设的方案。建设DMP还需要有一个设备关联方案，其实这个方案在最近受到很大的挑战，因为通常现在的OTT打通方案都是通过wifi方式获取，可能接下来的很多技术方面都是要有所突破。对于本身在IPTV盒子上，还有网络，还有用户使用的手机，都是跟运营商一线连成的。所以在移动端和大屏端数据的跨屏打通上，应该在运营商方面没有太大的困难。另外就是数据覆盖的标签体系，我们认为核心的主要包含内容的标签，应用的标签，还有IPTV自有的订购标签，这里的订购标签应该是IPTV独有的，包含比如基础费用，影视包的费用，商场的费用，甚至大包制产生的各种各样的付费包的费用。在内容标签上还是更多关注直播、点播、回看、时移这些比较常规的数据。当然在应用上还有一些游戏类的，刚才做游戏的小伙伴也很多，游戏、教育、生活服务类的，这些标签体系的建立，也是至关重要的。
最后还有一个核心的步骤，就是算法模型的建立，整个标签体系要建立成为人群属性、消费行为、收视偏好、使用行为等等，人群这边要以家庭为核心的个体级的标签体系，覆盖家庭完整的生命周期，以及与主要成员，地理信息、精准定位，甚至到小区，像我们现在OTT上的数据采集，要定位到LBS的数据，这样为后期精准的比如区域化的投放就提供了很多依据和参照。
有了这些之后，实际上我们就可以通过我们对用户的洞察和画像，给每一个家庭做一个家庭的画像。然后再根据家庭成员的构成，家庭的媒体的兴趣，消费能力和消费偏好，再根据家庭的需求定位，然后进行家庭的营销需求方案的设置。这个方案的设置，实际上就是帮助我们在内容运营和增值服务的运营上，能够给出更明确的运营建议。
勾正在最早做社群概念的时候，在OTT端就是跟欢网一起合作的，由欢网实际落地放到广告投放中，到了IPTV我们依然推荐使用这样的概念。我们现在还可以根据广告主对于自己TA的标签进行定制化的社群设置，这种设置实际就能给广告主的投放带来更好的效果，整个DMP的建设到运营，从最初的数据的基础，到中间的标签体系的建立，到算法模型，到精准的投放的，不论是广告投放、内容投放还是增值服务的投放，这个营销方案的建立，到最后投后的效果评估，评估完之后，我们再回过头来，可以对之前的算法和标签体系进行修正，修正完之后再进行投放，所以就从某种程度上，能够形成一个比较完整的在IPTV端的数据赋能运营的闭环的业务。这个其实就是DMP能够给运营商或者是做运营的一些公司带来的切实帮助。
勾正全析
勾正全析1.0产品解决的是大屏可视化的问题，主要体现的也都是当时DMP的结果数据，内容包含了市场数据、用户收视以及海报投放等等这些数据内容，通过这半年的时间，跟客户的反复交流和沟通，我们发现光用可视化的呈现结果的数据产品，已经不能够完全满足客户对于现在的数据工具类产品的要求。所以在近期我们又把勾正全析这个产品进行了2.0的升级，在功能上解决了几个问题：第一，在呈现结果的基础上增加了灵活的操作方式，并且对过程数据，以及数据发展的趋势进行了预判，提出了一些我们可以给到的建议和意见。第二，在产品当中内置了一个数据的预警的机制，然后能够实时提出一些预警的解决方案。第三，对于结果数据的洞察，我们能够提炼出一定的建议或者是策略性的指导。因为大部分的使用工具的运营人员，也许不能够通过数据的呈现，直接知道接下来要怎么做，通过2.0这个产品，我们就能够建议他们接下来的步骤怎么做。当然还有一个从功能上来讲，在2.0产品的版本上也增加一些从底层的数据清洗到数据建设到数据的模型算法等等这些功能。勾正全析2.0产品核心价值是为了提升用户的活跃度，促进用户订购转化，以及提升广告价值的运营空间。勾正这些年一直还在努力当中，所以要说的就是革命尚未成功，我们还是要继续努力的。谢谢大家。
相关阅读