用好DMP的画像功能，不仅仅只是靠工具，还要掌握方法。

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。

1
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。

点击上图可查看大图

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？

2
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。

1. GI：即Target Group Index（目标群体指数）

2. 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。

3
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。

4
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： 

1. Demographics数据（后面简称Demo）

1. 性别、年龄

2. 地域，尤其是城市分布

3. 一二线城市 和 三四线城市的 demo TGI有没有差异

4. 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）

2. 细分行为的人群分组对比

1. 曝光人群的demo vs 点击人群的demo

2. 不同曝光频次的人的demo 对比

3. 不同点击频次的人的demo 对比

4. 点击人群和对我们商品感兴趣人群的demo对比

5. 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）

3. 兴趣数据和细分人群的兴趣数据

1. 曝光人群兴趣数据 TGI

2. 点击人群兴趣数据 TGI

3. 一二线城市 和 三四线城市的 兴趣TGI

4. 兴趣数据包括：

1. 平时使用app的差异：不仅仅是app本身，还有使用时间的差异

2. 其他购物上的差异（电商提供）

3. DMP中的标签（但不能确定是否准确度高）

4. 运营商可能能提供的数据

4. 不同商品之间的差异对比

1. Demo角度的差异：曝光人群、点击人群、转化人群

2. 兴趣角度的差异：曝光人群、点击人群、转化人群

5
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。

请大家具体分析。我只讲讲结论。结论是，这一次投放的人群，似乎偏的厉害呀！