分类 默认分类 下的文章

广告必须依赖于媒体而存在,而媒体之所以存在,是因为它给用户创造了价值。这些价值包括提供资讯(例如今日头条)、提供社交机会(例如微信朋友圈)、解决特定问题(例如墨迹天气)等等。

要使媒体的价值持续存在,则需要维系住用户。多数时候,广告对用户是一种干扰,这会增加用户流失的风险,特别是在广告密度较大,或广告出现的时机不合适的时候。

对于如何平衡广告收入与用户体验的问题,业界没有统一的做法,大家多根据各自业务情况去摸索。

  1. 今日头条
    以今日头条为例,他们的做法是选定指标、设定底线。头条选定的指标主要是用户使用时长。当广告相关的调整使指标接近底线时,他们将对广告展示做限制。

头条在近2年的广告收入增长非常快,现在其信息流中每隔5个左右的正常信息,就会出现1条广告。这些广告中,除了一些重定向的广告,其它的我大多不感兴趣,这对我的困扰挺大的。


- 阅读剩余部分 -

这本书在几年前读过一次,现在重读已经不太记得当时的感受。这次重读反而有一些感触,也重新感悟了一下纸上得来终觉浅的意思。

你有没有经历过被人莫名其妙怒怼或是含沙射影的辱骂?你有没有经历过工作中不管怎么做对方就是不配合,最后大家不欢而散?你有没有经历过不管怎么和对方沟通,就是觉得对方太笨,你怎么说ta都不理解?

如果有,很有可能是你正在遭受他人的暴力沟通,或是正在给他人实施暴力沟通。

这本书从目录上看,很容易让人觉得是本心灵鸡汤,然后有种向你传达如何站在世界中心呼唤爱的既视感。比如他有的章节名字叫“是什么蒙蔽了爱”、“让爱融入生活”、“用全身心倾听”……这些标题听起来实在是肉麻。

如果因为这本书的翻译而错过这本书,确实有点可惜。我自己重新总结了作者的意思,可能说的也不是很全面。

运用非暴力沟通的好处

01

√增进家人朋友的感情,让关系更加和谐;

√让职场里的沟通更加顺畅,树立职场品牌形象;

√在与他人的沟通中更加了解自己,学会免遭他人的暴力沟通。

- 阅读剩余部分 -

无论是传统广告,还是互联网广告,媒体方最为关心的问题是怎么能够卖出更多的流量。

这个问题,可能有些同学会认为销售同学努努力就行,但在我看来,广告产品本身显得更为重要,做得好了,它就会像杠杆一样高效地撬动广告售卖。

在我看来,卖流量和卖商品,大体上是相近的。我把这个过程分为3步:明确定位;确定价格;引入客户。

  1. 明确定位
    首先,需对照媒体的情况,思考这几个问题:流量规模多大,流量有什么特点,流量可以怎么分类,什么样的广告主愿意为这些流量付费。

不同的媒体,对于上述问题的答案差异非常大。

以百度为例,它是搜索引擎,有巨大的流量规模,流量也能精准地划分为多种特征,它可以把流量卖给多个领域的广告主。用户在浏览搜索结果时向其推送相关的广告也是比较自然的过程。

再以墨迹天气为例,这是一个工具类产品。它的日活也有数千万,但其流量的兴趣点并不像搜索引擎那样明确。

这样的流量特点,可能就使其很难把流量卖给一些细分领域的广告主,电商、金融等对受众特征要求不高的领域更愿意购买。


- 阅读剩余部分 -

前段时间和朋友深度聊了一下目前的工作,最后聊天话题聚焦在,如何开展一项新业务?坦白说,聊天的时候忽然觉得思路有些打开.于是就有了下面这篇文章.新业务养成-看准人,做好事,花好钱

1.看准人(战略分析)

引用曹政大大一段话开头:

一个产品运营的定位,用户是谁,他们的属性是什么,他们的世界观是什么,他们的价值观是什么。他们的行为动机,消费决策的依据是什么,这些都是产品设计之前就要考虑清楚的。

用户画像,本质是对任何一个用户都能用标签和数据描述

不管是新的业务还是现存业务,我们对用户都应该有个相对准确的用户分析,通过建立一个对用户认知的体系。掌握在不同的环境以及刺激下,用户的反应。在好的用户模型下,可以对各种限定条件下的用户有更准确的判断。-俞军

用户画像的应用:精准营销、数据应用、用户分析、数据分析

搭建用户画像平台搭建流程:数据收集--标签加工--模型计算--策略运营应用

- 阅读剩余部分 -

背景
在竞争态下(与Uber中国、美团打车等抢占市场竞争时期),乘客面对平台的大量补贴,往往会被刺激出更多的打车需求,而更多的订单,更多的用户也是以更高补贴刺激出来的。高额的补贴烧钱并不是长久之计,在抢占市场份额的同时,刺激和培养用户的打车习惯也是补贴的目的。究竟怎样的用户可以在竞争态下的高额补贴退去之后仍然保持着一定的打车活跃度?怎样的用户在高额补贴退去之后完全流失或者极其低频?这便是乘客购买力标签所想要探清的问题。

高低购买力人群的定义和选择
标签的目的是找出两群人:
高购买力人群,即在高额补贴下有打车行为,在低补贴甚至无补贴时期仍然打车,即并不刻意追求高补贴的订单。因此可以看出对于此类人群竞争态高额补贴他们是有价值的,长远来看这类人群是盈利的。

低购买力人群,即在高额补贴下有打车行为,在低补贴甚至无补贴时期完全流失不打车或者打车频率较之前显得极低,即消费的时候几乎只追求高补贴的订单。因此可以看出对于此类人群竞争态高额补贴他们的价值不大,长远来看这类人群是亏本的。

从以上的定义可以看出,想要找出高低购买力人群,我们需要高额补贴的时期以及高额补贴后的低补贴或者无补贴时期,而中国网约车进程中这样的时期自然是Uber中国和滴滴大规模竞争的高额补贴期,以及之后合并后补贴减少的低额补贴时期。通过与Uber中国战中战后选取高低购买力人群再合适不过了。

因此我们可以选择出:
高购买力样本:Uber中国和滴滴当年战中活跃,战后依然保持一定活跃的人;

低购买力样本:Uber中国和滴滴当年战中活跃,战后极低频或者流失的人;

模型的学习和特征的选取
我们选择的样本仅仅是历史上的一部分典型的人群,人数规模小而且是在于当时的历史时期的表现。而机器学习模型的作用就是对于这样的两类人群学习其中的区别与规律,认清楚怎样特征的人应该属于怎样两类人群的哪一类,具体我们这个问题而言,怎样特征属性的人倾向于是高购买力,表现得像我们选取的高购买力人群;怎样特征属性的人倾向于是低购买力,表现得像我们选取的低购买力人群。

机器学习模型学习出区分高低购买力人群的规律,便可泛化到更加广大的人群中去,比如许多后来的新用户,以及一些我们选取样本时对于其购买力高低不那么典型的用户。