基于全域电商行业广告DMP的架构应用方法

技术领域

本发明涉及一种基于全域电商行业广告DMP的架构应用方法。

背景技术

随着大数据技术的发展，越来越多的企业认识到数据的重要性，建立CRM，打造用户画像，对核心用户进行更加个性化的运营。但是依靠自有用户的数据对于新用户的广告营销和转化率的提升帮助甚微，广告定向的合理性是影响广告投放效果的重要因素。而现有的基于DMP的广告定向投放无法实现覆盖率高且准确度高。

发明内容

本发明提供了一种基于全域电商行业广告DMP的架构应用方法，采用如下的技术方案：

一种基于全域电商行业广告DMP的架构应用方法，包含以下步骤：

获取用户数据；

对用户数据进行预处理；

分析预处理后的用户数据得到每个用户对应的标签信息；

输入种子用户；

根据输入的种子用户进行标签圈选得到定向投放用户；

判断定向投放用户的数量是否达到预期值；

在未达到预期值时进行人群扩展。

进一步地，以手机号码作为区分用户的唯一值，将用户数据中的同一手机号码所对应的数据作为一个用户的信息进行分析，得到的分析结果统计在该手机号码下。

进一步地，根据预先搭建的标签体系分析预处理后的用户数据。

进一步地，标签体系：包含用户属性模块、用户行为模块、营销属性模块、消费属性模块、偏好细分模块和用户分群模块；

将得到的标签信息按照用户属性模块、用户行为模块、营销属性模块、消费属性模块、偏好细分模块和用户分群模块进行划分输出六张统计表，统计表采用增量列式存储。

进一步地，标签信息包含：基本标签和与基本标签相近的不同维度的衍生标签。

进一步地，标签信息还包含偏好标签。

进一步地，在未达到预期值时进行人群扩展的具体方法为:

通过lookalike算法进行人群扩展。

进一步地，对用户数据进行预处理包括：

对用户数据进行数据清洗。

进一步地，对用户数据进行预处理还包括：

对用户数据进行敏感数据剔除；

对用户数据进行数据剔除的具体方法为：

设置敏感关键词；

将用户数据中包含敏感关键词的数据剔除。

进一步地，用户数据包含电商领域的订单数据、问答数据和推荐数据。

本发明的有益之处还在于所提供的基于全域电商行业广告DMP的架构应用方法能够将分散的数据抽象成标签，构成标签信息，从而抓住数据的特性。这样通过深度挖掘标签信息，能够建立多维度多层次多方面的用户标签体系，进而使得广告定向投放的覆盖率高且准确度高。

附图说明

图1是本发明的基于全域电商行业广告DMP的架构应用方法的示意图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

如图1所示，本发明揭示一种基于全域电商行业广告DMP的架构应用方法，包含以下步骤：获取用户数据；对用户数据进行预处理；分析预处理后的用户数据得到每个用户对应的标签信息；输入种子用户；根据输入的种子用户进行标签圈选得到定向投放用户；判断定向投放用户的数量是否达到预期值；在未达到预期值时进行人群扩展。

其中，获取用户数据是指将全域电商行业数据平台中的所有的用户数据进行收集。对用户数据进行预处理是指对收集的用户数据进行分析，计算出每个字段的含义。分析预处理后的用户数据得到每个用户对应的标签信息，就是根据每个用户数据的字段的含义对该用户数据设定一个标签信息。然后输入种子用户，根据输入的种子用户进行标签圈选，也就是找到与该种子用户相关的所有标签信息以及这些标签信息所对应的用户数据，从而得到定向投放用户，实现精准且高覆盖率的广告投放。得到定向投放用户后，判断该定向投放用户的数量是否达到预期值。在定向投放用户的数量未达到预期值时可以进行人群扩展，从而保证广告定向投放的高覆盖率。

本方案中，DMP是把分散的第一、第二和第三方数据互相融合，通过统计、规则、算法等数据挖掘的手段，建立多维度多层次多方面的用户标签体系。

基于全域电商行业广告DMP的架构应用方法能够将分散的数据抽象成标签，构成标签信息，从而抓住数据的特性。这样通过深度挖掘标签信息，能够建立多维度多层次多方面的用户标签体系，进而使得广告定向投放的覆盖率高且准确度高。

作为一种优选的实施方式，以手机号码作为区分用户的唯一值，将用户数据中的同一手机号码所对应的数据作为一个用户的信息进行分析，得到的分析结果统计在该手机号码下，从而将每个手机号码所对应的的用户的用户数据进行全面且精确的收集。

作为一种优选的实施方式，根据预先搭建的标签体系分析预处理后的用户数据。先将标签体系搭建起来，该标签体系内包含有若干标签信息。用户数据经过预处理后，得出字段含义，标签体系根据用户数据的字段含义找出与该含义相对应的标签信息，并将该标签信息与该用户数据进行绑定。

进一步地，标签体系：包含用户属性模块、用户行为模块、营销属性模块、消费属性模块、偏好细分模块和用户分群模块。将得到的标签信息按照用户属性模块、用户行为模块、营销属性模块、消费属性模块、偏好细分模块和用户分群模块进行划分，并输出与该六个模块相对应的六张统计表，统计表采用增量列式存储。通过这样的方式能够建立多维度多层次多方面的用户标签体系，实现更加精细化的划分，高效触达。

更进一步，标签信息还包含：基本标签和与基本标签相近的不同维度的衍生标签。这样就使得标签信息具有多个维度，从而能够扩展广告定向投放的覆盖面。例如基本标签涉及真实的年龄和性别，延伸标签可以根据该基本标签衍生出商品性别和商品年龄。

另外，标签信息还包含偏好标签。通过tfidf算法计算用户数据的标签信息的标签权重，按标签权重进行偏好排序，得出该用户数据的偏好标签，例如：类目偏好，品牌偏好，新品偏好，关键词提取等。通过这样的方式，能够使得广告定向投放的投放标的更加精准。

作为一种优选的实施方式，在未达到预期值时进行人群扩展的具体方法为:通过lookalike算法进行人群扩展。利用商品名称做LDA主题模型，再进行lookalike扩展，得到定向投放的用户。这样扩展得来的用户比人工经验拉群扩展来的用户相似度更高，精确度就更高。

作为一种优选的实施方式，对用户数据进行预处理包括：对用户数据进行数据清洗。

作为一种优选的实施方式，对用户数据进行预处理还包括：对用户数据进行敏感数据剔除。对用户数据进行数据剔除的具体方法为：设置敏感关键词，然后将用户数据中包含敏感关键词的数据剔除。

作为一种优选的实施方式，用户数据包含电商领域的订单数据、问答数据和推荐数据。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。