最近跟一些甲方朋友们聊品牌广告的投放，对DMP又起了兴趣。DMP，我在很多场合都说，它跟CDP很不同，在广告投放领域，DMP不可或缺，具有支配性的数据地位。

另一方面，DMP也被认为是一个数据分析工具，一个给人很fancy感觉的数据分析工具。

因为它能给你的广告受众做画像。

画像功能，给人的赶脚实在是太好了，就像一个神奇的透视仪器，把藏在黑箱里面看不到的东西，都一览无余。

毕竟，我们此前从来没有任何一个直截了当的工具，能够告诉我们，看到你的广告、点击你的广告的，都是什么样的人，都有什么喜好。想想就觉得美。

唉，但现实总是骨感。

当你真的使用了这个工具，就会发现，似乎它并没有想象中那么美好。

不美好的，在于两点。一方面，是DMP有长处，也有短板，它和我们想象中的并不一样。另一方面，我们也未必会使用这个工具，让它发挥应有的价值。

这篇文章，我来聊聊DMP的人群画像功能，究竟应该怎么用。毕竟工具好不好，这个是客观难以短期改变的，我们至少能改变我们的技能。

光有个画像，没啥用呀

关于DMP的画像到底有没有用，有很多争论。反对者的主要声音是，DMP中的人群画像普遍非常“粗枝大叶”，并且准确性也欠佳。不仅如此，往往给出的画像跟常识并没有很大区别。

DMP的画像能力，体现了DMP的制作水准。一个不太好的DMP，人群画像中的属性如同上面所说的“粗枝大叶”，是非常泛泛而谈的。

例如，看见不少DMP中，对人的描述，是“白领丽人”或是“职场精英”或是“家庭主妇”，这种标签属性是很模糊的。

除此之外，还能够给出人群的性别年龄等人口信息、地理位置，以及人群常用的app或网站，再加上一些感兴趣的事物，通常是喜欢看什么节目，或是大概对什么商品感兴趣，就构成了几乎所有的DMP内人的属性数据。

但这些DMP，特别是广告主“自建”的DMP，由于它们不具备大型电商平台或者大社交媒体平台的一手数据积累，因此，除了人口信息地理位置这样的较为静态的数据之外，动态数据（感兴趣的事物或商品等数据），是很难真正知道它们是否准确的。

例如，下面这样的商品数据，基本上只有电商平台给出的DMP才比较有意义。

属性数据匮乏，其实是让广告主用不好DMP的一个很重要的原因。

因此，当一次广告投放之后，广告主自己的DMP给出的数据是类似于下图的样子，并且要从这些数据中得出有价值的“insight”，实在是太难了。

上图的DMP所展示的人群，是我的读者的画像，在职业分布（第二行右边的图表）中排名第一是IT，排名第二的是营销公关，这个还make sense，但并没有什么帮助，因为它就是说明了一个我们都知道的情况罢了。但在兴趣分布这一项，则相当匪夷所思，例如，第二大兴趣是“美容美体”——难道，我的读者都是步入中年，需要考虑优化自己的颜值了？而这个兴趣，又意味着我要对美容美体感兴趣的人投放我的广告吗？

所以，DMP看起来很fancy，想要用起来，其实远远不像我们想象中那么神奇美好。

那么，我们需要怎么做？

用TGI，只是走出地下室的第一步

朋友们会说，上面的报告，应该给出TGI数据才能用。

好想法，说明已经是有经验的读者了。但光TGI还远不足以解决问题。

所谓TGI，是比较当前人群和普通人群在不同属性上差异大小的一种度量衡。类似于控制组与曝光组的概念，普通人群，也就是俗称的普罗大众，就是控制组，而DMP中选定的人群，则是曝光组。二者的差异用TGI来表示。

比如，上面的例子中，假如我的读者的职业为IT的人的TGI是1.8，那么意思是我的读者中的IT职业者的比例，比普罗大众中的IT职业者的比例高1.8倍。

不过，很多地方把TGI的倍数，乘以100进行计算。上面的例子中，IT职业的对比，我的读者人群对比普通人群，TGI应该是180。所以你可能看到有TGI不同的表示方式，乘以100的应该是更标准的方法，但二者都不算错。

TGI：即Target Group Index（目标群体指数）
TGI指数= [目标群体中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例]*标准数100。

所以，上面关于我的读者的画像的例子，要是加入了TGI就会有不同的解读。例如，在兴趣中，我们发现排名第二的兴趣是美容美体，但是，跟普通人群的TGI相比，这个TGI如果是0.3（或者用标准数100乘了之后，是30），那就说明虽然美容美体是第二大兴趣，但是相比普通人的感兴趣程度，那可差了远了。

于是，如果没有TGI数据，营销策略肯定是要投广告给美容美体人群的。但没想到，追踪了TGI数据后，却显示美容美体人群反而更多是普通人，所以这个广告的策略恰恰得反过来，不能这么投给美容美体人群，这些人并不是目标人群。

这就是DMP的一个陷阱，特征比例强的某个属性，并不能直接得出要投放广告给他们的结论。这个道理其实很容易理解：宋星的读者都喜欢美容美体，但喜欢美容美体的人却并不一定都是宋星的读者。你投广告选择美容美体很容易大大滴浪费钱。

所以，TGI是DMP画像的一个必须有的指标，如果不能提供TGI，这个DMP的画像基本上可以认为啥用也没有。

如果选定人群的某个属性排名很靠前，且TGI相比普通人群非常高，那么得出对这群人进行投放的结论，才说得过去。

这说明TGI很有用。

但TGI虽然有用，却只是给出了一点点基础性的数据，可以给我们一些洞察，但离“胜利”其实还差得远。例如，如果我们看到下面的数据，我们会发现，即使加入了TGI，世界仍然“很不美好”。

上图展现了“画像数据”的某个维度，即广告覆盖人群的app使用情况。遗憾的是，这些TGI数据并不非常显著，似乎只有右数第二个app是大家“嫌弃”的，因此广告主能得出的结论，最多就是不要在这个app上投放广告，仅此而已。这样的结论，等于没有结论。

这说明TGI并不总是能帮到我们。

对比，是使用画像的基本方法

既然只靠TGI无法帮助到我们，因此，我们需要在TGI的基础上用到更多的方法。无论多么fancy的数据工具，利用这些工具的时候，都必然会遵循一些一点也不fancy的基本方法。

这些基本方法中最重要的两个，一个是细分，一个是对比。

事实上做细分，也就是为了对比。

使用DMP的画像功能，必须要做细分，才有价值。

而所有DMP常用细分中最重要的细分，是按照“行为”所做的细分。

所谓行为，对于广告投放的受众而言，有三大类：曝光、点击、流量行为。

所谓流量行为，是指广告投放出去引来流量之后，这些流量在落地之后（进入网站、H5或是app等）的行为——浏览、点击、转化等等。

现在我们看一个例子：

一次投放，有100万个曝光，1万个点击，5000个网站上的访问，100个提交自己的购买意向。

这实际上就天然带来了四个人群。而四个人群，是父集（曝光人群）、子集（点击人群）、孙集（访问人群）、重孙集（意向人群）的关系。

这四个人群的画像应该作对比。比如，下面的数据。

有意向的人群和曝光人群，有比较大的差异，凸显在意向人群的年龄普遍高于30岁。这对于投放来说，是重要的指导线索。

又如下面的数据。

意向人群TGI最显著的是淘宝和支付宝，而曝光人群则更喜欢抖音。这，也能给我们很多insight。

有了这些细分的对比数据，投放策略应该怎么定，就比不做细分的时候，要清晰多了。

哪些是我们常用的画像人群对比项目

所以对比很重要。

下面是利用DMP画像数据时，常用的细分人群对比项目：

Demographics数据（后面简称Demo）
- 性别、年龄
- 地域，尤其是城市分布
- 一二线城市和三四线城市的 demo TGI有没有差异
- 地理位置——是否有在城市的繁华（贵）的地区活动（不仅仅只是城市）
细分行为的人群分组对比
- 曝光人群的demo vs 点击人群的demo
- 不同曝光频次的人的demo 对比
- 不同点击频次的人的demo 对比
- 点击人群和对我们商品感兴趣人群的demo对比
- 投放人群 vs 购买人群：利用电商平台DMP如品牌数据银行数据（可能有样本的偏差，但聊胜于无）
兴趣数据和细分人群的兴趣数据
- 曝光人群兴趣数据 TGI
- 点击人群兴趣数据 TGI
- 一二线城市和三四线城市的兴趣TGI
- 兴趣数据包括：
  - 平时使用app的差异：不仅仅是app本身，还有使用时间的差异
  - 其他购物上的差异（电商提供）
  - DMP中的标签（但不能确定是否准确度高）
  - 运营商可能能提供的数据
不同商品之间的差异对比
- Demo角度的差异：曝光人群、点击人群、转化人群
- 兴趣角度的差异：曝光人群、点击人群、转化人群

最后看一个经典案例

下图是阿里巴巴的品牌数据银行的一个campaign投放之后的简明扼要的画像。广告主是某母婴产品广告主，而对照人群，则是阿里提供的所有买母婴产品的人的数据。

你能从中看到什么有意思的东西？注意，下图中靠上面的两个图表，其实就是TGI，不过不是标准计算方法，因为标准计算是用的除法，而这里的计算，运用了减法的绝对值（靠下面的图表中的每个属性的两个柱子的值相减，就是靠上面的图表中的柱子的值）。不知道为什么用了减法，而不是TGI的标准算法，或许，是为了更直观吧。