インターネット自動車業界の広告戦略

多くの広告コースでは、長年の広告活動を通じてまとめられたターゲティング手法が広告戦略としてさえ考えられています。これは、人々がインターネット上で広告戦略に関連するコンテンツを検索すると、その多くが広告の背景にあるさまざまな設定を行う方法を教えてくれるという事実にもつながります。しかし実際には、広告戦略は単なるターゲティング以上のものであり、長い間、多くの人々はターゲティング戦略に対する理解に大きな偏りを持っていました。

広告ターゲティングは本質的には戦略ではなく、広告のターゲット層を選別するために使用される製品機能です。この機能は、ラベルの組み合わせを通じてさまざまな配信目的に合わせてターゲット層をフィルタリングできるため、ターゲティング戦略の本質はさまざまなラベルの組み合わせを設計することであり、広告配信やターゲット層へのリーチに関する中核的な意思決定には関係しません。したがって、ターゲティング戦略を広告戦略として一方的に捉えるコマーシャルプロダクトマネージャーは明らかに不適格です。

広告オプティマイザーの観点から見ると、広告システムの基本的なロジックには関与していないため、配信戦略はアカウント、ターゲティング、予算の設定に基づいて実装されることが多いです。しかし、コマーシャルプロダクトマネージャーの視点では、システム全体におけるターゲティングの位置づけや実装原則を明確に理解するだけでなく、機能実装を前提に、これに基づいてオプティマイザーがどのような配信戦略を実行できるかを検討し、さまざまなインテリジェント配信戦略（マシン自動配信）をサポートすることが必要です。

この部分では、ビジネス プロダクト マネージャーの高度な個人的経験と、広告システム全体に対する理解が求められます。

1. 広告ターゲティングと最適化の方向性の原則

多くの記事では、ユーザーの現在の閲覧行動に基づいて、興味のある広告をリアルタイムで推奨するなど、広告ターゲティングの原理が謎めいているように聞こえます。こうしたレトリックが出てくるとすぐに、それが一般人を「騙そう」としていることがわかります。その理由は非常に単純で、現在、ほとんどの広告プラットフォームのターゲティング機能はラベル システムを通じて実現されているからです。ユーザーの閲覧行動はリアルタイムで取得できるものの、実際にユーザー行動分析を行ったことがある人なら、ユーザー行動がいかに混沌としていて無秩序であるかが分かるでしょう。

すべてのユーザー行動を網羅的に知ることはできないため、当然ながらユーザー行動ごとに異なる広告の決定を下すことはできません。したがって、ユーザー行動を限定されたラベルに分類し、異なるラベルの組み合わせに基づいて広告の決定を下す方が経済的で合理的なソリューションです。

次に、タグについてお話しましょう。タグにはさまざまな種類がありますが、最も一般的なものは、地域、ユーザー属性、コンテキスト、行動、好みなどです。タグの正確さを考慮すれば、これらはすべての主要プラットフォームの標準機能です。しかし、ラベルの種類が複数あると、別の問題も発生します。配置するラベルが多すぎると、どのように選択すればよいかわかりません。

このとき、広告のターゲットユーザーのユーザーポートレートを提供するためのDMP（データマネジメントプラットフォーム）が必要になります。例えば、ターゲット層が1995年以降に生まれた男性であれば、この結論に基づいてターゲティングを設定する必要があります。理論的には、ラベルが正確であればあるほど、広告効果は高くなります。

上記の例は最も単純で直感的なケースですが、現実には、ユーザーの行動や意思決定サイクルはさまざまな業界や製品の種類によって異なります。これには、さまざまなカテゴリで対処する必要があります。

私たちがよく知っている自動車業界に戻ると、ユーザーの自動車購入決定サイクルは他の電子商取引製品よりもはるかに長いため、この期間中のユーザー行動も非常に複雑になります。これらの行動を解明してパターンを見つけ、自動車業界のユーザー向けのラベルシステムを形成し、広告でさまざまなターゲティング戦略を形成する方法は、インターネット自動車業界の商業製品マネージャーである私たちが考えなければならない問題になっています。

2. UVN-BIラベルシステム

ここでは、長年の経験を経て開発した自動車購入用のユーザー ラベリング システム、UVB-BI ラベリング システムを紹介します。

システム全体の設計コンセプトは、有名な RFM モデルに基づいています。 RFM モデルは、最新の消費 (Recency)、消費頻度 (Frequency)、消費額 (Monetary) の 3 つの次元を使用して、顧客を最大 125 のカテゴリに分類できる座標系を確立します。

RFM にヒントを得て、この手法を自動車購入ユーザーのセグメンテーションに適用します。 UVN-BI ユーザー クラスタリングは、ユーザーの複数の基本属性を特徴付けてクラスタ化し、これらの属性をユーザーの自動車購入段階と自動車に対するユーザーの関心とマッピングして、自動車シリーズに基づくユーザー クラスタリング モデルを形成します。モデルを提示する前に、まず関連するディメンションを詳細に定義します。

• U (ユーザー) ユーザーの基本属性: 主に都市レベルと世代の 2 つの特性を使用します。都市レベル (第 1 層から第 6 層都市) 世代 (00 年代以降、90 年代以降、80 年代以降、70 年代以降、70 年代以前)
• V（Value）ユーザーの年収レベル：100,000未満、100,000〜200,000、200,000〜300,000、300,000〜500,000以下、500,000以上。
• N（ニーズ）ユーザーグループの好み：8万元以下のモデル、8万元から10万元のSUV、8万元から10万元のセダン、10万元から15万元のSUV、10万元から15万元のセダン、50万元以上のSUV、MP
• B（行動）ユーザーの自動車購入段階：注目、大まかな選択、興味、好み、意図。
• I (関心) ユーザーの関心ポイント: スペース、パワー、ハンドリング、燃費、快適性、外観、内装、コスト効率。

ユーザー グループの好みの構築は、主にユーザーが興味を持っている自動車シリーズに基づいて抽象化されます。車シリーズの価格帯と車シリーズのタイプを組み合わせることで、ユーザーは同時に複数の車に注目する可能性がありますが、ほとんどの場合、ユーザーが注目する車は同じタイプと価格帯の車になります。民族的嗜好の特徴は、この状況をうまく説明することができ、そのような特徴は、自動車シリーズの特徴よりも優れた一般化能力を持っています。

さらに、少なくとも 3 次元の特徴の交差があるため、交差後に次元が多すぎることを避けるために、3 つの特徴 U、V、N はすべて間隔の形式で表示されます。 3種類の特徴を様々な組み合わせや交差を経て、合計480の特徴が生まれ、3次元空間に480個のブロックが形成されます。この480個のブロックに従って特定の車内の人数をカウントすることで、ユーザー分布を得ることができます。ある自動車シリーズをフォローしているユーザーは最大 1738 のカテゴリに分類できます。観察してみると、ある自動車シリーズのユーザーは主に 160 ～ 210 のカテゴリに集中していることがわかります。次の図に示すように:

3D 座標系全体を 360 度回転でき、各サブカテゴリを個別にクリックすると、カテゴリの具体的な情報がページの右側に表示されます。 UVNの3つの指標に加えて、各サブカテゴリには、自動車購入段階と購入ポイントの好みを意味する対応するBラベルとIラベルが与えられます。この表示方法は、ユーザーの年齢、性別、地域分布などの一般的なチャートを広告主に表示する従来のDMPよりも斬新で、分析の深さが増しています。指標を直接表示するだけの初歩段階から一歩前進したものです。

著者: すべてはJingshengを必要とします

出典：すべてはJingshengを必要とします