01 facebook的重要性表現在(大數據有哪些重要的作用？)

facebook的廣告該怎么定位受眾的？

爆單不“卡殼”，廣告不“撞課”

Hello，我是君志學堂的Neos，專注于解決獨立站與Facebook廣告的疑難雜癥。

我們是否覺得FB廣告找受眾比找對象難，找不出來只能“空投”？

我們是否只有寥寥可數的幾個受眾，來來去去總是用它們，但效果越來越差？

找受眾比找對象難？

#Facebook廣告受眾選擇界面

每次提到受眾，就會不由自主地會苦惱起來。這些問題不停地敲擊我們每個投放的腦袋：

選擇太多，反而不知道要選哪個受眾；

擔心選的受眾效果差，之后還不知道怎么辦；

一直用的受眾效果變差，不得不再找新的受眾。

那找受眾真的比找對象難嗎？

其實，并沒有那么夸張。首先，我們要知道一個廣告受眾的基本組成部分：

FB核心受眾定位= A.地點 + B.年齡 + C.性別 + D.細分受眾

A+B+C：國家/區域+年齡段+性別

這3個是我們最基礎的受眾定位；基本上，通過了解目標市場和產品定位，即可清楚有哪些可以選擇。

而難點就在 D.細分受眾

#細分受眾列表

細分受眾之所以難，在于除了受眾列表以外，還有數目眾多的非列表受眾；這些受眾包括了各式各樣的用戶興趣點，讓人眼花繚亂。

#系統推薦的非列表細分受眾

列表細分受眾：系統分類的通用受眾，具有較高的普遍性和較大的用戶規模。主要包括3大類：

1.Demographics（人口統計特征）：

根據受教育程度、家庭狀況、感情狀況、職位等因素統計出相應用戶作為受眾。

2.Interests（用戶興趣點）：

系統分析用戶數據得出的標簽，主要是用戶的興趣和愛好，更具有相關性。

3.Behaviour（用戶行為）：

根據用戶在FB上的具體行為和設備使用情況來區分用戶屬性。

非列表細分受眾：同樣是系統分析用戶數據得出的標簽，但相比通用的列表細分受眾，普遍性和概括性相對較低，更具體化。

總結：選擇細分受眾的重要性

細分受眾都是系統基于用戶數據分析出來的定位，對于廣告投放的精準程度具有相當大的作用；

沒有選擇細分受眾，簡稱“空投”，很大程度上加大廣告投放的隨機性和不確定性，非常容易影響廣告測試的效率。所以一般不建議新手使用“空投”。

引爆出單的細分受眾

我們經常會遇到爆單前“卡殼”的情形，當用一組細分受眾投放的廣告測試效果很好，然后不斷用復制和加預算的方式進行擴量，結果隨著廣告數量一多起來，效果卻不盡人意。

其實，很有可能是自己的廣告在“撞課”。即使廣告所選的用戶規模很大，隨著同樣廣告的數量一多起來，相互競爭的概率也在逐步上升；會出現用戶多次看到同一條廣告的情況，廣告重復曝光自然效果也會打折扣。

那如何減少爆單前“卡殼”，讓廣告剛起效的“1”變成“100”。在知道細分受眾是什么之后，我們需要了解 引爆出單的細分受眾 到底是怎么找出來的。

1.細分受眾基本分類

先圍繞產品本身和定位的人群來尋找細分受眾，可以通過以下角度進行分類：

（以 禮服 品類 為例）

(1) 產品詞：根據產品屬性相關的關鍵詞，搜索其對應的細分受眾。

例：關鍵詞：Body買粉絲n Dress、Corset、Little Black Dress、Party Dress、Cocktail Dress等。

#對應受眾，還可以通過系統推薦找到同品類的其他細分受眾

(2) 場景詞：根據產品使用場景的關鍵詞，搜索其對應的細分受眾。

例：關鍵詞：Party、Going out、Cocktail等。

#對應受眾，還可以通過系統推薦找到其他適用場景的細分受眾

(3) 用戶興趣詞：根據產品定位人群的興趣點，搜索其對應的細分受眾。

例：關鍵詞：Party、Going out、Cocktail等。

#對應受眾，可以通過受眾列表找到其他符合用戶的細分受眾

(4) 熱點詞：根據節假日、社會熱點、時事等，搜索其對應的細分受眾。

例：關鍵詞：Christmas、Halloween、Black Friday等。

#對應受眾，可以通過系統推薦找到其他符合熱點的細分受眾

(5) 品牌詞：根據產品品類或所在類目的品牌，搜索其對應的細分受眾。

例：關鍵詞：Zara、Shein、Fashion nova等。

#對應受眾，可以通過系統推薦找到其他同類型的細分受眾

總結：

該細分受眾分類主要針對較為龐雜的 非列表細分受眾，方便我們可以找到適合產品定位和目標人群的定位；

按分類整理出來的細分受眾，是較有可能起效的廣告定位，但并不確定可以馬上起效，要進行廣告測試才能得出結論；

細分受眾只是廣告受眾的其中一部分，需要跟“A.國家/區域+B.年齡段+C.性別”結合起來，“A+B+C”的不同也會造成廣告效果的差異；因此，判斷D.細分受眾的作用時，必需先考慮廣告定位的前提部分。

配置自己的核心受眾

FB廣告受眾除了上述的基本組成(核心受眾/保存受眾)外，還有兩種形式，一種是自定義受眾(又稱再營銷)；另一種是類似受眾。

其中，我們可以把這三種受眾形式區分為兩大類；一類是冷受眾(Cold Audience)，代表的是新受眾，包括核心受眾與類似受眾；另一類則是熱受眾(Warm Audience)，代表的是已有用戶留存的老受眾，包括了自定義受眾。

不管是自定義受眾還是類似受眾，它們的來源一般都是根據核心受眾的廣告數據累計留存或分析推導出來的。所以接下來，我們先要認識如何配置自己的核心受眾：

核心受眾/保存受眾（細分受眾）：

核心受眾的“核心”體現在上述內容的4個基本組成部分，尤其是細分受眾；

而保存受眾的“保存”表現在可以保存并重復使用的功能。

#保存受眾的保存功能所在

除此之外，核心受眾還有兩個細節點可以讓廣告定位更加精準；一個是細分定位中的“排除”和“縮小受眾范圍”；

“排除”可以將特定人口統計數據、興趣或行為從已選的受眾中排除，排除非產品目標的用戶；

“縮小受眾范圍”選定的關鍵詞要求受眾必須滿足此條件，從而縮小受眾規模，更聚焦于目標用戶。

我們可將“添加/排除”>“縮小受眾范圍”>“進一步縮小受眾”看作是細分定位的細分層級；可以為每個層級添加多個條件，讓受眾更靈活，定位更精準。

#細分受眾的細分層級關系：

“添加”：或；

“縮小受眾范圍“：并必須符合；

“排除”：并排除其中；

另一個細節點則是隱藏在語言設置下的“聯系”選項，選擇那些跟FB主頁或活動有過聯系的用戶，或者把他們排除在外，以找到新的受眾。

大數據有哪些重要的作用？

我們正處在科技高速發展的時代，如今互聯網已經與我們的生活息息相關，我們每天在互聯網產生大量的數據，這些數據散落在網絡中看似沒有怎么作用，但是這些數據經過系統的處理整合起來確實非常有價值的。

一、 發展大數據技術可以提高生產力

二、 發展大數據技術可以改善營銷決策

近幾年的數據量暴增，數據盈利也很可能成為未來收入的主要來源，大數據技術在海量數據的分析中，尋求到最合適的企業營銷策略，通過數據分析給企業帶來更明智的策略。

大數據工程師通過對客戶的數據精湛分析，分析行業內的流行趨勢并且定制出更適合的產品或者服務，通過對定價的檢測和分析對客戶忠誠度有效評估，一系列的運用大數據及時改善營銷決策，給企業帶來有價值的數據決策。

三、 發展大數據技術的未來優勢

目前有很多行業和企業都嘗到大數據技術的甜頭了，未來會有越來越多運用大數據技術的產業，以現在大數據發展的速度來看，2020年大數據的市場規模將達到2030億美元，很多企業都在期盼大數據項目可以運用的范圍更廣闊，然后通過運用產生更大的利益空間。

當下，大數據方面的就業主要有三大方向：一是數據分析類大數據人才，二是系統研發類大數據人才，三是應用開發類大數據人才。他們的基礎崗位分別是大數據系統研發工程師、大數據應用開發工程師、大數據分析師，如果想系統的學習編程的可以來我這看看。

對于求職者來說，大數據只是所從事事業的一個方向，而職業崗位則是決定做什么事?大數據從業者/求職者可以根據自身所學技術及興趣特征，選擇一個適合自己的大數據相關崗位。下面為大家介紹十種與大數據相關的熱門崗位。

一、ETL研發

企業數據種類與來源的不斷增加，對數據進行整合與處理變得越來越困難，企業迫切需要一種有數據整合能力的人才。ETL開發者這是在此需求基礎下而誕生的一個職業崗位。ETL人才在大數據時代炙手可熱的原因之一是：在企業大數據應用的早期階段，Hadoop只是窮人的ETL。

二、Hadoop開發

隨著數據規模不斷增大，傳統BI的數據處理成本過高企業負擔加重。而Hadoop廉價的數據處理能力被重新挖掘，企業需求持續增長。并成為大數據人才必須掌握的一種技術。

三、可視化工具開發

可視化開發就是在可視化工具提供的圖形用戶界面上，通過操作界面元素，有可視化開發工具自動生成相關應用軟件，輕松跨越多個資源和層次連接所有數據。過去，數據可視化屬于商業智能開發者類別，但是隨著Hadoop的崛起，數據可視化已經成了一項獨立的專業技能和崗位。

四、信息架構開發

大數據重新激發了主數據管理的熱潮。充分開發利用企業數據并支持決策需要非常專業的技能。信息架構師必須了解如何定義和存檔關鍵元素，確保以最有效的方式進行數據管理和利用。信息架構師的關鍵技能包括主數據管理、業務知識和數據建模等。

五、數據倉庫研究

為方便企業決策，出于分析性報告和決策支持的目的而創建的數據倉庫研究崗位是一種所有類型數據的戰略集合。為企業提供業務智能服務，指導業務流程改進和監視時間、成本、質量和控制。

六、OLAP開發

OLAP在線聯機分析開發者，負責將數據從關系型或非關系型數據源中抽取出來建立模型，然后創建數據訪問的用戶界面，提供高性能的預定義查詢功能。

七、數據科學研究

數據科學家是一個全新的工種，能夠將企業的數據和技術轉化為企業的商業價值。隨著數據學的進展，越來越多的實際工作將會直接針對數據進行，這將使人類認識數據，從而認識自然和行為。

八、數據預測分析

營銷部門經常使用預測分析預測用戶行為或鎖定目標用戶。預測分析開發者有些場景看上有有些類似數據科學家，即在企業歷史數據的基礎上通過假設來測試閾值并預

很赞哦!（7）