
数说跨屏时代的大数据营销
移动互联网的迅速崛起,使得一边看电视,一边玩手机、平板成为人们生活的新常态。在多屏的包围中,人们的时间行为和注意力被分散到了不同的屏幕上,有调查显示,超过78%的人看电视的同时会刷微博、玩微信。在这样一个被碎片化的时代中,广告主如果想要更好地抓住消费者的兴趣点,必须考虑跨屏整合的数字营销方式。
2014年11月26日,作为国内多屏程序化购买的引领者,悠易互通在上海四季酒店举办了“悠易DSP DAY”主题活动,围绕跨屏互动的程序化购买、大数据营销的新体验和未来机遇,悠易互通CEO周文彪、Google大中华区程序化购买买方事务总经理郭志明、海尔家电产业集团营销总经理宋照伟、百度展示广告事业部产品总监沈昭阳等业界精英展开了激烈的思维碰撞,并同参会者一起分享了有关大数据、跨屏、视频、PMP、移动等内容的干货。
记者了解到,悠易互通于2012年时首次将源于美国的“程序化购买”概念引入国内,推出当时国内第一个支持实时竞价的需求方平台(DSP)。1年后,悠易互通在DPS1.0的基础上再次革新,推出了划时代的DSP2.0,于国内多屏程序化购买的比赛中再次领跑。
悠易互通推出的DSP2.0系统不仅以单用户界面,整合了实时竞价和非实时竞价(non-RTB)模式资源、展示广告和搜索广告,并对接国内所有广告交易平台与供应方平台(SSP),能够为广告主提供平均每天120亿的跨屏(PC、平板、与手机端)、丰富格式(视频、视窗、富媒体、画中画、横幅等)的优质广告流量。
同时,这套系统通过动态预算分配,将大数据的优势发挥到极致,解决了传统广告投放效率低、不透明的问题,帮助广告主和代理公司进行品牌投放时能够像搜索引擎一样高效、规模化且可以评估。截至目前,悠易互通已为包括联合利华、联想、惠普、壳牌、奥迪等300多家国际与国内客户提供了卓越的品牌效果解决方案。
“悠易的核心团队来自Google、淘宝、百度、腾讯等一流互联网企业。不论是研发团队还是管理团队,都既有国际化视野同时具备高效的执行力。”悠易DSP DAY主题活动中,悠易互通CEO周文彪表示,“技术与数据是悠易始终专注的两个层面。在技术层面上,我们拥有一个整合平台与诸多专利技术产品,在数据层面上,我们于今年1月推出国内首个数据管理平台‘数据银行’,6个月一年后的今天,数据银行正式升级为2.0版本。”
悠易互通CEO周文彪
周文彪向记者介绍,悠易互通的拳头产品分为两部分,分别是多屏程序化购买平台与数据银行。此次发布的数据银行2.0主要体现在PC端与移动端的跨屏数据的高效整合。
“数据银行1.0解决了广告主收集、分析、管理第一方数据的难题,并与庞大的第三方数据打通,在产品中形成数据应用闭环,不过这些数据的应用更多局限在PC端上。”周文彪告诉记者,跨屏的出现给品牌营销出了一道难题,如何在多屏环境下找到你的目标人群,并且对他们进行有效覆盖,同时对这些人群建立深度和广度的用户交互?
“我们差不多用了3个月的时间来思考酝酿,用6个月的时间经验来积累总结。”悠易互通产品副总裁蒋楠说:“数据2.0为跨屏而生,它有效针对当下的跨屏潮流,有效地将PC端的庞大数据迁移到移动端上,形成跨屏ID。为广告主在移动端,通过刚才讲到的从到达到浏览,到转化的所有数据,形成一个效果评估的衡量工具提供归因模型和跨屏归因。”
在大数据时代,得数据者得天下,数据是指引程序化购买的指南针。在周文彪眼中,跨屏整合不仅仅是一项技术,而是一个大平台。“对我个人而言,这是自2002年搜索引擎以后,对互联网广告产生最深刻影响的一项技术。目前BAT等一些巨头都已经进来,诸多国际化大品牌客户也都在使用。未来,数据银行的3.0版本将实现跨屏的衡量和归因,使悠易能够还原每位广告主花的每一分钱到底值还是不值。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10