查看原文
其他

生活服务行业起量秘籍——拉新拉活全靠它!

腾讯广告 2022-10-27

The following article is from 三里屯信息流 Author 三里屯编辑部


有人感叹美团饿了么等生活服务类平台也太卷了!隔三差五就能听见XX又开始做外卖啦、XX买菜开启了早餐店、XX打车最近趁势而起、XX地图都开始转型生活服务平台了!


面对流量红利见顶的困境,各大巨头存量、增量市场打得昏天暗地。这对信息流广告有啥影响?


近来,我们后台收到了好多私信,有来自甲方的也有乙方的,问题都差不多:网服行业好做吗?RTA、RTB是什么?拉新拉活操作门槛是不是很高?接入数据固然事半功倍,但是安全能保障吗……


天呐!我第一反应是居然还有人不知道如何更省心、更高效、更安全地进行拉新拉活?


我在读者群调研了一些读者,发现不管是乙方一线实操的优化师,还是甲方广告主侧,真的有很多人都不知道RTA/RTB是啥意思,或者仅仅停留在知道层面,既不清楚原理,也不懂背后的逻辑。


这正常吗?这很正常,我当年做了一年账户,也不懂这个,老板也没辞退我。以前不懂RTA,并不影响我投广告,但是如今眼瞅着RTA都要成为广告主标配了——降本提效的效果摆在这,你还啥也不懂就有点危险了!


今天就给大家盘盘网服行业生活服务赛道拉新拉活的那些事儿,讲讲RTA的运用。


RTA、RTB是什么?

和拉新拉活有什么关系?


RTA(全称Real-Time API)这个词确实是这几年兴起的,大家投广告或多或少都接触过RTA,那RTA到底是什么意思?在介绍RTA之前先给大家普及下基础背景。


首先,媒体有很多(站内、站外)流量,需要将它们整合起来放在摊位上去卖给广告主。所以就做了一个ADX平台用来管理这些流量,并且决定流量分给谁。


同时媒体不可能一家家去找广告主,效率太低了,所以又做了个公共平台,让大家自己上来投广告,这个平台就是DSP平台。客户来到DSP平台充钱投广告,可以设置定向、预算、出价等去优化效果。


其中得有个负责对接的数据库,一方面将竞价结果告诉ADX完成流量分配,一方面将客户设置的预算出价定向数据存入。


大家都知道媒体是支持上传人群包的,因为算法是个学习的过程,比起让他从0开始随机看到啥学啥,你提前给他准备好一套“教材”肯定效率更高。我们平时用的最多的可能是上传已转化人群包,做排除或者做拓展。但是打包数据上传也挺麻烦的,而且大客户每天都有很多新数据,得重复这个步骤,太麻烦了。同时有些行业,数据对于客户而言比较敏感,不方便打包上传。那这时候就需要RTA了!


RTA是媒体为广告主提供的基于广告主一方数据进行流量筛选的一套接口服务,简单点说就是媒体把用户信息发送给广告主:这个用户你要不要?广告主回答要还是不要,媒体再决策要不要参与竞价。


需要注意的是RTA只能决定不参与竞价,不能决定竞价成功与否。


广告主说:我不要这个用户,那媒体肯定就放弃竞价;


广告主说:我要这个用户,媒体根据平台设置和数据算法综合判断不参与竞价(例如你出价过低)。


所以RTA最早运用在拉新场景:这个用户我已经有了,不用给我推了。


RTB(全称real time bidding),是另一个维度的词,代表的是实时竞价。


RTB最成熟的用途,是对老用户做二次营销,也就是大家口中的拉活。客户可以根据自己的数据能力,自行计算点击率和点击单价,计算出eCPM后,向广告平台直接给出CPM的竞价做出更合理的用户价值预估。一听就知道,对广告主的数据建模能力和数据量要求很高。


为什么要做拉新拉活?


移动互联网过去的十年,是一个个行业前仆后继,疯狂买量、粗放增长的十年。


那时候大家比的就是装机量、日活。但是野蛮增长过后,问题也一下子暴露出来:增长接近瓶颈了,拉新越来越难了,那些下载了从来不打开的沉默用户积累了一大批。


然后大家增长的核心问题从“拉新”变成了“拉活”。


以网服生活服务行业为例,一场疫情之下,用户对生活服务平台养成重度依赖、用户服务性消费需求的激增、单一服务APP逐步“平台化”、各类增长渠道的诞生,也为美团饿了么等生活服务类平台提供了更多生意增长的机会。于是各方巨头纷纷发力生活服务赛道,直接把竞争推向了白热化。


然而,随着互联网红利期已过,拉新也越来越难了!


自2021年以来,中国移动互联网用户规模保持在近11.6亿,5月同比增速首次出现负增长(Source:QM)。流量见顶,且越来越贵,能怎么办呢?


一方面拉新肯定还存在增长空间,所以行业玩家愈发注重新的拉新途径,通过自身数据与广告平台数据的结合,识别高价值潜在人群。


另一方面就是拉活继续玩出花来:根据不同的用户消费倾向与偏好,深挖用户价值,也叫做分层拉活!


广告主的困境——不懂、不会、不敢


数据安全问题一直是很多广告主的顾虑点。很多广告主核心的数据或者能力无法融入到媒体的广告转化模型里面去:例如一些金融行业核心的客户数据就不愿意传到DMP上去;一些电商的LTV和成交数据也不愿意给到广告平台。


这时候RTA的作用就体现出来了。


大家可能还有疑问:RTA不也会给到媒体一些用户信息么?怎么解决数据安全问题?


既然要影响到深度转化,一些深度数据的回传是无法避免的。而RTA能最大程度减少你要曝光的数据。


举个例子:我要给我的100万个用户投广告拉活,传统方式是把这100万个用户数据打包上传DMP去定投,这是保密性最差的方式。但是我用RTA以后,媒体给我发了100万个用户ID,我从中挑出1万个去投,那么媒体最多知道这一万个ID里至少有一个是我的用户。包括对用户价值的预估都是这种方式。


下面,我以腾讯广告为例,介绍其如何在整个投放过程中解决数据安全这一顾虑。


腾讯广告双管齐下,打造「拉新 + 拉活」内外双循环蓄水池的策略——“引水加速机”精准引入新客的同时,“高强度造氧机”对老客进行精细化分层运营——从而实现外部引水 + 内部唤醒双循环,既引入新源头又注入新活力,实现用户 + 收益双增长。


首先是拉新,为什么仍有部分广告主停留在粗犷式拉新?


1、一方数据使用认知浅,没意识

这就回到开头很多人对自身数据的意识还停留在上传包排除、拓展上。为什么别人成本比你更低,转化更好?全在自身数据利用上了!


2、数据多维,较复杂,没有hands-on的使用指引

确实不会用,数据那么多,哪些有用,怎么对接,本身就是难点。


3、数据安全考虑高

对于一些客户来说,用户数据敏感度高,所以明知道这样转化效果会更好,也不敢上传到媒体。


4、做这件事的提效没预期

有多大用啊?就需要我上传核心数据?


以上四点基本涵盖了大部分广告主的心声。那这些能解决吗?可以!


联合专区就是腾讯广告推出来的解决办法:腾讯广告与广告主共建「联合专区」,结合双方数据,通过高价值用户建模,学习用户特征,在深度优化LTV的同时,增加高权重人群的拿量能力。


腾讯提供高阶的接入通道,独立的存储机制,自主化的数据深度应用,从数据接入、数据储存、到数据应用,提供全方位的数据安全保障,确保一方数据安全。让广告主在自己掌控的安全环境下实时汇整数据,在不使用核心人群、满足数据保密性的前提下,实现非目标人群的筛选功能。


简单点说,这就是一个安全可控、有高度自主权、有极大灵活性的工具平台。


广告主可以在这里上传历史数据,将其一方人群作为建模的正样本,基于广告主对用户群体的了解进行人工筛选,对样本进行关联度打分,以分数高低智能优化投放模式,轻松找到更易带来高转化的人群,完成对潜在客群的挖掘和新客群招募,从而达成降本增效的目的,输出更多ROI。


效果怎么样呢?披露一组关键数据:高价值人群占比由10%提升至25%;CPM提升14.78%,浅层目标转化成本下降9.31%;策略绑定后,建模人群App次留率提升23%,账户LTV提升5倍。


这是什么概念?以我们常见的竞价侧为例,平时想要降低10%的转化成本去压出价,要面临很大的掉量风险,并且CPM大概率会掉下来,后端的次留、LTV想提升一点更是难上加难。现在前后差距这么明显,需要思考的已经不是用与不用,而是怎么用好这个问题。


再看拉活,大家最大的问题还是:


1、用户分层分不来


2、分层后怎么搭配RTA使用?


3、对效果不清楚


我们先搞清楚分层拉活是什么原理:腾讯广告对CPA投放付费目标,使用RTA实时回复用户加权,根据客户考核目标及用户关键行为,对拉活人群进行分层,不同分层拉活人群设定阶梯式加权/出价策略。优化账户付费成本的同时,增加高权重人群的拿量能力,带动整体账户消耗的提升。


简单来说就是媒体接口开放给你了,你针对不同类型的非活跃用户,给出其拉活价值的大致评估:这个用户从来没打开过APP,可以出高点价;这个用户打开过了,只是最近不怎么用了,可以出低点价;然后媒体平台根据你提供的信息去决策,这是基本的逻辑。


这里也披露一组数据:高权重人群CVR是账户平均CVR的2倍;高权重人群加权系数x2,由于人群质量高于账户平均水平,付费成本仍低于账户平均水平;同账户内,策略组和空白对照组相比,eCPM提升了10%-15%,CVR提升了15%-35%,付费成本降低了5%-15%。


效果在这,你不用,别人用了,成本就是比你低,量比你大。


那拉新拉活具体操作难吗?其实很简单,这对媒体和广告主来说是双赢的好事,媒体肯定不余遗力地优化操作门槛,针对拉新、拉活不同需求,通过各类可视化操作指引,高效人工客服,销售支持等方式,简化广告主投放操作。




生活服务赛道玩家如何突破增长困局?

大网服行业如何搞定增长难题?

一图读懂网服行业核心利润指标



您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存