超碰公开免费_国产老肥熟xxxx在线观看_国产92成人精品视频免费_啊啊啊操的好爽_日韩强奷漂亮少妇高潮麻豆片_欧美性色黄大片

在投放過程中，性別、年齡、地域這三大基礎定向是受眾分析的“必選項”。大家常會有結論：投放男性、23-50歲、排除偏遠地區轉化效果好。

但這個判斷有多可靠，是不是真的經得起推敲？下面我們就來細聊一下這三大定向的玩法。

性別、年齡定向怎么設置

我們將頭條的定向簡單分為自然屬性和興趣行為，區分的標準是能否明顯反應用戶喜好。

比如WiFi、地域不能明顯反應出用戶喜歡什么，但是手機里安裝了什么應用、下載過什么廣告則能一定程度上表明用戶的偏好。

我們將頭條常用定向劃分如下：

自然屬性定向：性別、年齡、地域、平臺、網絡、運營商、新用戶

興趣行為定向：興趣、人群包、APP行為

先說觀點：

自然屬性定向覆蓋人群較廣、難明顯反應用戶喜好，除非數據是壓倒性的，不建議做結論性限制。

來看一個交友產品的案例：

這是一條點擊數超過20萬的計劃，女性成本比男性高出30%，能得出結論女性用戶效果不好嗎？

【計劃1】女性用戶成本明顯高出很多 

【計劃2】你再看這條計劃，男性還是主要流量來源，但是男女成本基本相同

這怎么辦？女性到底好不好？

把各賬戶里其它top計劃的數據都拉出來，看近1年的整體數據：

【計劃3】女性成本高

【計劃4】女性成本高

【計劃5】女性成本高

【計劃6】女性成本高

【計劃7】女性成本高

結 論：

看過這7條top計劃的數據，發現女性成本普遍高于男性10%以上。這個時候可以初步判斷：女性用戶確實轉化率低于男性，成本高于男性。

此產品性別定向建議方案：如果想成本越低越好，可以只投放男性用戶；如果想拓量，可以通投，整體成本還是能滿足出價。

這個是比較明顯的數據差異，但是其它自然屬性定向就很難有明顯的偏向性。比如年齡。

還以上面的交友產品為例，拉出top計劃近1年的數據，看分年齡段的數據：

【計劃1】1-18歲成本最低，24-30歲成本最高

【計劃2】24-30歲成本最低，1-18歲成本最高

【計劃3】31-40歲成本最低，50歲以上成本最高

【計劃4】41-50歲成本最低，24-30歲成本最高

結論：

4條計劃成本最低的年齡段各不相同，只看頭條對接到轉化的數據（可能后端轉化數據有明顯不同），無法判斷哪個年齡段非常差、一定要排除；也無法判斷哪個年齡段是優質人群。

那怎么辦？當你沒有明確結論的時候，你就依靠頭條的智能。

前面我們說，要不要做定向的一個判斷標準可以是“你和模型誰找的人比較準？你有多大把握？”而在自然屬性的定向上，我們的判斷很難比模型更準，所以建議放開。

還是這個公式：

找到目標用戶量=特征轉化率*人群范圍

限制自然屬性定向特征轉化率提升把握未必大，但是人群范圍是實實在在縮小了，不劃算。

有一個對比測試的提示：

不要輕易做結論性限制——什么什么定向一定不好！大家都不要投放！

如果要做出什么定向好、什么定向不好的判斷，起碼要滿足2個條件：長期、明顯數據差異。

2~3條計劃無法得出結論，只能是個現象。像我上面做的7條top計劃、近1年數據，可以得出初步判斷，但沒辦法確定地下結論“這個產品女性用戶成本就是比男性高”，因為跟素材也有關系、而且7條計劃計劃數還不夠，存在一定偶然性。

要不要排除偏遠地區

先思考一個問題：我們排除的是量少的、還是量不好的？

如果你排除偏遠地區是因為人群少、所以不要，那就很奇怪：蚊子腿不是肉？為啥量少你就不要了？

比如這條廣告計劃，在香港、澳門、西藏這些地區成本遠低于上海深圳這些一線城市，為什么要排除呢？

再比如這條護膚篇的計劃更明顯，按成本升序，第一頁都沒有一線城市，反而西藏、寧夏青海成本是最低的。

參照一下按轉化數做降序，廣東的成本在13左右，遠高于青海

但如果你有長期、明顯數據驗證，偏遠地區成本高（包括前、后端成本），那當然可以排除。

要不要排除偏遠地區參考方案：

·  先所有地域通投，投放一段時間后逐省做數據分析，看成本高低（包括前后端成本）

· 如果該產品香港、澳門、廣西、西藏等地區基本分不到什么量，那建議放開（我們排除的是成本高的，不是量少的）；

· 如果成本明顯很高，則排除該?。ú话哑h地區歸為一類、拆開單獨看）；

· 如果數據不穩定、有的計劃成本高、有的成本低，可選是否排除（因為其它城市也一樣不穩定、比如北京）；

· 如果后端針對地域有明顯數據差異，可以排除。比如貸款審批不過、電商無法郵寄；

總結一下：有長期、明顯數據表明某個省份成本高、可以排除該省；數據不穩定的情況下，建議放開投。

另外，不止偏遠地區，分地域就是很難出結論，因為選項多、并且很不穩定。

性別設置只有男女2個選項、年齡有不同年齡段6個選項、但是地域……300個城市還不止……只看省級也有34個。

比如上面那條廣告計劃，“廣西”是量又大成本又低的，但是下一條廣告計劃廣西可能完全沒有量。我們不知道廣西成本好不好、以后要不要重點投。

所以不是很建議分地域做測試，包括只投一線城市和排除偏遠地區這種常見的思路，起碼不建議做重點關注。

有了“長期、明顯”數據差異這兩個標準，我們還有能得出結論的對比測試嗎？

有，還真有。

建議分類測的人群

1、分系統  

投H5安卓iOS分開投，cpc、轉化率差異比較明顯，這也是少有我確定地得出結論的對比測試——“iOS的轉化率絕大部分比安卓高”。

隨手找個例子：

2、分廣告位

不同廣告位ctr和轉化率差異還是比較大的，而且你可以決定單條計劃哪個廣告位成本過高停掉這個廣告位。

抖音的ctr普遍不足1%，但是成本難有確定的結論-抖音成本高或者低。

投放經驗總結：

1、按“能否明顯反應用戶喜好”為標準，將定向簡單分為自然屬性和興趣行為定向。自然屬性定向覆蓋人群較廣、難明顯反應用戶喜好，不建議輕易做結論性限制；

2、我們做投放是為了增加找到目標用戶的數量（找到目標用戶量=特征轉化率*人群范圍），所以定向的初衷是幫助提升“特征轉化率”，但是自然屬性定向很難判斷出明顯的轉化率規律。3大基礎定向中又可以按“得出結論可靠程度和難易程度”排序為“性別>年齡>地域”，地域最不建議做分類測試，因為選項多、并且很不穩定；

3、我們判斷要不要排出某一類人，不是看量多少，而是看成本好不好。不要因為偏遠地區量少就不投放；

4、做人群細分還是能提升轉化率，如果要得出結論，要滿足“長期、明顯”數據差異這兩個標準。

不能以1條計劃數據表現下結論。只能說是“這一條或這幾條計劃的現象”數據要累積到一定量、并且要看多條廣告計劃；

5、建議投放H5區分安卓、iOS、分資源位做投放；

以上分享，希望對你有幫助。