好未来数据中台｜学而思网校户外广告投放实战初探

导读：最近二十年，互联网/移动互联网取得了长足的发展，近几年来看，线上资源竞争越来越激烈、流量成本越来越高、产品同质化越来越明显，OMO的概念开始越来越火爆，我们集团作为教育行业领军企业，有着丰富的线下教学业务（学而思培优，智康一对一等）和线上业务（学而思网校，题拍拍等），教育OMO在公司也被视作发展方向之一，本文将介绍数据中台算法部与网校市场营销部在第二个“O（offline）”上的进行的相关合作尝试和技术沉淀。

本次分享主要分为三个部分：

• 背景介绍

• 方案实践

• 挑战与展望

涉及了行业大图（OMO），行业子图（线下投放），通用能力（人群预估）三个层级的内容，涵盖了行业知识，人地关系等要点。

01

背景介绍

一 、OMO

产品层面

• 线下教育
  优势在于学习氛围和互动性的塑造

• 在线教育
  优势则在于便捷性、名师资源共享和更容易依靠大数据分析和 AI 技术自动完成个性化的教学资源推送

• 线下教育+在线教育
  如何用同一套体系的产品同时提供学子线上、线下学习需求的完整闭环，是教育产品OMO的核心所在

获客层面

• 线上获客渠道
  SEM、SEO、线上媒体推广（流量采购）、企业自媒体矩阵、小程序/小工具等

• 线下获客渠道
  线下媒体推广、地推、展会等

• 混合获客渠道
  BD、分销、社群营销等

在互联网刚刚兴起的时候，线上获客的成本远远低于线下获客，第一批线上教育机构以超乎寻常的扩张速度成了风口上的猪。而后，随着微博、微信、小程序、短视频等一波波的流量红利不断被同质但有钱的教育企业瓜分，线上渠道的获客成本奋起直追。

终于在今天，线上、线下的推广成本己基本持平，没有任何一方具有明显的优势。获客渠道都是全网融合，争的只能是谁能更快和更精确的识别出自己渠道群的“靶心”和平衡，并不断推动自己的“北极星指标”。在产品差异化拉不开距离的时候，渠道获客能力的差异化也总是显得力不从心。

引流那么贵，顺理成章的会引发两种思考：

• 现有流量如何充分复用？

• 既然“广告→主产品”不好引流的话，那么从“广告→引流产品→主产品”会不会好一点？

在我们集团业务和产品逻辑中也有上述想法的实例，其中，网校的课程设置中有相当一部分都是导流课定位的，对应了想法一；再则，最近一段时间网校主推的题拍拍产品线符合想法二的演进过程。

服务技术层面

教育行业本质上是一个服务行业，服务行业基本上是一个人力密集行业。而人力密集行业永远绕不开的主题是如何降本增效。所以，如何合理利用 AI 技术实现降本增效是所有教育企业必然要主攻的方向之一，AI中台的伙伴在相关方向有大量的沉淀，好未来也是国家新一代人工智能开放创新平台建设企业。

二、线下媒体推广/户外广告投放

行业报告
我们每个人每天都要看很多广告，可能在户外大屏，可能在电视，还有随着互联网兴起的互联网广告，我们看广告的形式和场景也越来越多。

> 2019年新媒介（如短视频等）破圈继续争夺曾经主流媒介的广告份额。未来，5G的发展既推动互联网行业的发展，同时也带动新的广告形式发展，新渠道或将为新媒介广告收入增长制造新的天花板。竞争结构发生变化，近变现、近用户的媒介类型广告收入增长更快

集团线下投放现状

• 产品线：题拍拍、学而思网校

• 投放媒体：分众、新潮、白马

• 媒介类型：电梯海报/电子屏、公交站台候车亭

• 投放策略：宏观上，投放资源主要倾向于发达城市，通过中心城市带动邻近区域；
  微观上，对投放点位的选择没有进行过多的参与和操作，容易造成点位资源浪费，这也是数据中台算法团队和网校市场营销部合作的着力点，希望通过对点位潜客进行预估，对点位的投放优先级进行排序，提高投放的ROI（投资回报比）。

02

方案实践

一、建模

目标：

1）产品目标（分三步走）

• 通过设置城市实验组和base组，对网校户外投放结果，在区域和时间维度上对注册率等相关指标进行追踪，打通从投放到效果评估整个链路；

• 以人群预估为底层技术，提供人群包等工具，为投放平台提供全链路，可追踪，可监控的数据服务；

• 通过丰富的，多样的潜客预估解决方案，支撑线下全场景业务的数据服务，合理资源配置。

投放平台技术简图

其中，我们这次网校户外投放方案的流量方为分众的传统媒体方，业务方为网校市场营销部的伙伴。

2）数据算法目标（点位目标人群分析）

问题抽象

利用现有数据资源，主要包括三个方面：

• 用户画像（用户地理属性）；

• 行业大盘数据（小区，学校，本品，竞品）；

• 三方数据（高德数据，年鉴人口数据）。

从不同的空间尺度和地理属性描述了相应的特定人群分布情况，这些已知数据分布之间以及和我们的目标分布(网格空间的K12人群分布）之间满足一些数学关系，如何更加合理和准确地构建已知的人群分布和目标人群分布之间的映射关系，是需要解决的核心问题。

本质上，我们是在一定的有限的“分辨率”（比如，我们已知了某个城市年鉴K12人数，这里的分辨率最小单元就是城市）下，通过一些技术手段对”目标群体(K12)在地理网格空间分布图“这张图进行分辨率提升（比如提升到某个小区的K12人数）。

矛盾点在于，或者说鸿沟是，一张模糊的图片复原，难免出现一定程度的失真，还有一个前提条件是，没有一个人见过它的真实面貌。

条件：

资源清单

1）人口数据（@人地关系项目提供支撑）

• 2015年年鉴人口网格空间分布

• 集团用户地理空间分布挖掘数据

2）poi数据（@行业大盘项目提供支撑）

• 学校数据空间分布（带属性，学校人数）

• 本品资源空间分布（带属性，学员数）

• 竞品资源R4空间分布（带属性，学员数）

• 小区资源空间分布（带属性，户数）

3）poi轮廓信息（@地理网格数据能力）

• 网格和小区poi关系
  …

解决方案演进路线

总的来说，我们按照构建一张特定分辨率的K12群体分布图+通过一定的技术手段提升分辨率两个维度在开展工作，目前户外投放采用的是左4+右b的方案，我们的迭代方向将会是左5+右b为基础，探索更多的提升分辨率的手段，即算法，引入更丰富的特征，引入更好的模型，都是前进的方向。

二、工程实现

技术架构图

03

挑战与展望

一、挑战

技术痛点

• 数据资源属性不完备，不准确

• 预估依赖手工规则，离数据驱动还有一段距离

业务痛点

对投放平台来说跟线下传统媒体合作会有以下痛点：

• 点位的数字化，点位的管理和操作无法做到完全把控；

• 投放过程中的监控和投放后数据的展示，特别是投后数据的展示，因为我们没办法知道这些线下大屏触达了哪些用户，也没办法计算客户投放的ROI，这也是线下广告的最大痛点之一。

解决方案

针对技术上的数据痛点，目前的初步方案是：

• 可将多数据源进行融合使用，由于数据之间满足一定的交叉关系，可进行交叉验证使用；

• 由于不同的业务形态，对数据的要求不一样，有的倾向绝对的定量关系，有的倾向于相对的定性关系，比如投放点位就是一个排序过程，就是一个相对关系；对于参培率和市场容量等业务指标，可能就对定量关系更看重；针对不同的业务形态，结合当前数据产出阶段，选择合适的数据使用和处理方式进行业务赋能；

• 随着 @行业大盘项目的持续推进，基础数据的准确性和完备性会得到进一步的提升，可充分利用行业大盘数据的优势，提升我们的人群预估模型；

• 之后会引入更多的 @人地关系，沉淀更丰富的目标人群/人流预估能力和解决方案，进一步释放线下营销的空间；

针对业务痛点，目前的初步方案是：

• 业务给到的点位进行数据化入库，设置相应的点位属性，对点位进行数字化管理；

• 通过设置base对照组和算法实验组，在一段时间周期内对注册量、注册率等相关指标进行时间轴上的追踪比照。

二、展望

• 5G时代的来临，会催生更多的线下点位，再加上这次疫情也会促使线下传统媒体的OMO（online-merge-offline）的转变，希望自此打造出好未来的投放OMO；

• 我们的人群预估可以理解为对线下流量的精细化描绘及重塑，线下流量中，还有哪些场景可以挖掘，需要更多的探索和坚持，执潜客预估解决方案之笔，以线下流量池为颜料，绘出更丰富多彩的线下投放场景图。

参考资料：

《QuestMobile2020中国互联网广告大报告》

链接：www.socialmarketings.com/articldetails/3688

《线下广告投放有哪些方式？效果怎么样？》

链接：www.zhihu.com/question/279869657/answer/ 1557144812

《3个层面，解读什么是教育OMO ？》

链接：www.woshipm.com/it/3560190.html

也许你还想看

我就知道你“在看”