用户资产的程序化价值变现逻辑旨归

2022-07-15林宗平李建锋

中州大学学报 2022年3期

林宗平，杨静，李建锋

(卡威迪国立大学商学院,菲律宾卡威迪 999005)

一、引言

以互联网用户大数据行为资产化为前提，基于数理统计分析作为理论基础，以行业顶级广告主深度参与用户数据平台(DMP和CDP)搭建与实施为数字化实践点，从多元化角度积累用户数据以资产形式沉淀于平台。用户数据资产全面作用于数字营销领域，提升数据利用率成为关键，实现以用户数据资产为基础的数字营销全面变革。程序化技术的成熟和媒体支持程度的提升，媒体资源从多角度支持广告主的数据在营销领域的价值变现，成为媒体资源商业化进程的关键模块[1-3]。用户资产变现兼具品牌与效果双重需求，高效实施品牌传播覆盖新用户和效果持续影响用户决策行为趋势日益明显。用户资产程序化价值变现是广告数字化技术的缩影和实践基地，对大平台的广告技术有前驱探索价值[4-7]。

二、用户数据资产

(一)现状与挑战

大数据时代数据为互联网行业奠定了坚实的发展基础。传统网络广告转化率偏低，互联网广告覆盖用户效果不佳。按照Google搜索引擎单位秒内计算百万用户搜索使用，Facebook日均40亿用户量级分享数据，Twitter甚至能够达到3.4亿数量，形成庞大的互联网用户数据资产[7-8]。大数据在广告领域的成熟技术成为用户资产价值变现的前提条件，程序化高速发展成为用户资产价值变现的优质载体，以用户资产价值变现为核心体系进入关键领域，用户数据资产围绕用户数据形成无形资产也步入关键领域，但目前用户资产处于变现初期面临各种挑战[9-11]。

以用户数据特征为基础，按照行业认知和经验梳理用户数据资产表，如表1。将用户数据资产分为固定数据和流动数据两种类型，以用户与广告主交互深度作为评估标准，制定用户价值度和基础变现方式。

当然“程序化”并非单一广告主和媒体之间资源对接，而是广泛且高效搭建广告主与用户之间的核心桥梁，提升广告主无形的用户资产数据利用率和媒介采买效率。从广告投放和数据收集角度，广告预算执行实现广告传播的深度和广度。媒体维度则加大用户数据的变现和流量售卖的收益，但广告主的数据变现运用和流通属单向模式，无法循环积累用户行为，用户数据相对静态固化。

表1 用户数据资产表

(二)用户数据资产——利用率

用户数据资产变现过程中，受限整体渠道流量量级、数据字段一致性和创意深度处理等因素，需多维度对用户数据资产进行过滤，最终数据实际利用率低，整体行业数据利用率低于20%。广告主基于数据安全、用户分布和媒体属性的综合考虑，会全方位对于数据进行处理，行业层从法律和业务角度把控，业务层从广告投放合作基础上把控。媒体流量变现过程中顶层直接区分品牌广告和效果广告，从流量源头对数据利用形成限制，致后续广告用户无法全方位利用。外加国内媒体间创意不规范，导致广告主输出创意层面覆盖50个尺寸以上或尺寸不覆盖也是数据资产利用率低的因素。数据资产变现的过程，必然面临上述问题，用户数据资产利用率较低导致数据价值持续降低，无法真正发挥价值，利用率成为用户数据资产关键指标。

(三)用户数据资产——存储状态

移动用户发展相对PC端口较稳健。用户资产稳定性是基础条件，用户资产行为是循环且丰富。用户行为本身是动态变化过程，依据不同场景进行变化和调整。行为变化结合特定时间周期，数据资产若处于静止状态无法跟上用户特征行为，则处于相对静止固化状态，出现资产变现场景不匹配的问题。综合移动用户设备ID标识数据和移动App流量特定两方面进行深度分析，数据稳定性和真实性利于数据存储和分析，能够长周期且清晰地记录实时流量的移动程序化用户行为。用户数据从广告主和媒体通过简单唯一字段进行匹配，二者交叉仅为简单留存领域，无法实现广告投放加深数据合作深度，用户数据资产积累大概率只能通过购买，无法从现有业务角度保证数据循环，导致已有数据处于相对静止固化状态。

(四)用户数据资产——效果评估机制

客户数据监控和效果评估从PC逐步迭代移动，行业数据监控方式主要围绕链接参数标识为主。移动端数据围绕设备ID发展起来，能够全面清晰描述用户行为数据。移动程序化的流量对接基础协议包括：设备ID场景化营销方式，通过设备ID持续应用和处理有效对接相应评估体系，通过程序化流量采买能够实现链接监测和设备监测的双重评估体系，完善不同效果机制下体系的建立。按照行业mapping调研数据分析，行业mapping率60%—70%水平处于相对优质状态，天然资产无法利用。在设备ID行为稳定前提下，采用多种数据源，包括明文和加密的数据，明文数据核心主要包括IDFA、Android ID、IMEI、MAC地址，加密形式主要是MD5作为市面流通数据源。

从横向角度对比，设备ID用户颗粒度有助于洞察用户横向数据深广度。从纵向角度对比，设备ID级别用户评估能够实现用户曝光到转化精准的用户链路匹配逻辑，实现用户从覆盖曝光行为到用户转化决策行为深度洞察。基于上述内容阐述，总结如表2。

表2 效果评估指标表

三、用户资产的生命周期价值(LTV)

用户资产的生命周期价值定义：用户从第一次被广告主覆盖到完全流失产生的价值贡献度，通过全方位计算对应生命周期的价值评估体系，实现广告投放效果客观真实的价值评估，如行业公式1[12-14]。LT主要计算用户生命周期，通过不同周期下用户留存程度比率，计算活跃用户(DAU)的整体效果，实现用户生命周期，完成预估和趋势把握，R代表新用户经历流失后依然存留的占比，如行业公式2。ARPU计算LT周期内，通过设备ID级别用户样本数据和行业平均大盘参考数据作为基础，计算周期用户资产价值具体数字。

行业公式1：LTV=LT*ARPU

行业公式2：LT=R*1+R*2+…R*n(n→∞)

表3 用户生命周期表——原始数据

表4 用户生命周期表——计算表

从行业内公开文档内容提取具体案例，计算不同周期下用户生命周期价值，计算用户留存的原始数据，通过原始数据利用行业公式进行具体计算，得出R10等于4.57，R9等于2.65，预估整体留存率第10天33%水平，如表3和表4。

四、用户资产的程序化价值变现

(一)移动广告的媒介采买和投放优化

移动程序化媒介采买策略主要依据媒体资源售卖和数据应用为主，以程序化用户资产变现的品牌和效果双重评估指标作为基础，设计基于高质量用户资产的价值变现程序化方案并实现，提升用户资产变现的品牌和效果综合诉求，如图1。

图1 移动程序采买流程图

数据模块，借助前文对数据相关论述和研究，从客户角度分为第一方核心数据和外部数据源补充两种形式。数据源产生差异传到DMP数据平台构建差异，关键在于底层用户唯一识别字段的设计。常见CDP/DMP数据分析为两种数据类型，具体为用户数据类型分层和用户价值评估两种数据输出支撑媒介采买决策。数据类型用户行为主要包括三类，具体为沉默用户、活跃用户和转化用户，用户价值评分输出主要依赖算法模型构建实现0—100的百分制体系，针对不同分数的用户进行判断，后续论文将展开详细阐述。

用户资产价值变现包括三个模块核心，具体为媒体资源属性、用户覆盖程度和用户分层媒介采买。媒体资源属性是媒体平台自身用户人群属性，通过媒体内容产生相应用户聚集，媒介采买初期用户属性判断是关键点，判断媒体用户属性与数据资产有助于增强后续行为质量度评估。用户覆盖程度从媒体用户与数据资产实际匹配角度出发，判断两者交叉比率、数据资产媒介采买过程大概率投放量级。用户分层媒介采买主要基于媒体用户属性和交叉匹配比率角度推进，实施不同用户资产分层找回逻辑原理。

用户访问模块，采用广告执行用户访问路径形成轨迹，广告不同路径模拟用户效果差异，挖掘广告与用户的互动提升指标，从引流角度路径主要分为App和H5页面两种形式。App形式有利于提高数据打通效率和用户访问体验；H5页面形式有利于提升用户访问速度，却不利于用户数据信息收集。

(二)用户数据资产变现的广告覆盖效率提升

用户数据资产价值变现过程中，通过平台与CDP/DMP匹配机制充分预估用户数据在广告层面覆盖比率，通过样本数据提取初步匹配和行业经验二次判断，制定特定时间节点下不同周期匹配率作为参考。通过上述匹配度，提取数据平台的样本进行全方位数据匹配和数据拟合，将不同周期的用户数据匹配实际计算和校验，如表5。通过相应公式拟合和计算，置信度为95%的置信区间前提下，得到公式y=0.0958ln(x)+0.1588，作为用户覆盖周期预估函数，如图2。

分媒体计算不同媒体分频次的用户资产匹配度，通过媒体不同频次用户分频次计算，实现覆盖度频次作为关键权重参考，提升用户流量覆盖预估精准性，如表6。

表5 用户资产的媒体匹配度

图2 用户资产匹配度的数据拟合效果

表6 用户资产的媒体匹配度

计算交叉组合实现分周期媒体详细匹配率，通过分析媒体时间周期函数作为根据，计算媒体推送频次作为权重值，通过两个公式作为基础进行交叉组合分析，制定用户数据程序化变现覆盖度预估公式。

假设：Y为预估投放量级，A为达标用户总量，X为分媒体时间周期函数，Q为分媒体频次权重值；得到广告用户覆盖公式：Y=A*(X1*Q1+X2*Q2…Xn*Qn)。

(三)用户数据资产变现的PDB效率提升

PDB定义为程序化直接购买，通过分析移动程序化数据属性、媒介采买与优化方法方式得知，投放周期内通过优化手段实现效果变动的因素是制定媒介采买计划的基础，依据创建策略结果分配相应预算比率，保证媒介采买策略从品牌覆盖新用户和目标用户二次找回。制定预算分配比率，有利于预算采买利用率提升。通过预算制定以及效果评估方法，可以有效管理及控制媒介采买的执行过程，并对媒介实施相应优化，确保制定用户覆盖程度不偏离企业总体的营销目标。

传统采买周期综合频次与程序化实时频次两种控制优化逻辑，将传统采买频次作为参照物，通过确定商务谈判进行有效流量推送，实现两种模式效率提升对比。同时，通过技术层级加强流量的利用深度，保证媒介采买处于可控并实时优化。

依据媒介采买策略的基础分析，采买的曝光总量PV是确定的。

假设：活动投放量级=A，推送比=B，媒体用户频次分布=X，用户频次=N，m代表递增数列，N平代表媒体平均频次，Y表示媒介提升效率比。

公式1：总量等于用户UV总量乘以平均频次，依据总量和平均频次关系快速计算各频次用户PV量级，即PV传统=A/N平*XmNm；

公式2：分频次用户曝光量级占比等于UV占比乘以频次乘以用户占比的综合，即UV=A/N平*XmNm(1+B)/Xm；

公式3：通过商务谈判，以媒体流量配送额作为调优空间，保证流量的优化空间作为品牌覆盖优化内容,即PVPDB接受送量级=PV1*(1+B)+PV2*(1+B)…PVm*(1+B)=PV传统(1+B)。

基于三个基础公式进行深度推导，推导逻辑如下：

超额推送比下采用退量机制是程序化媒介采买的核心基础，基于公式进行二次深度推导，计算分频次下UV分布比率，利用分频次用户进行UV汇总方式权重计算，增强整体流量采买效率和预估能力。同时，如果退量机制采用一次性退回机制，频次临界值保证一次性退回超频用户总量，实现超额价值。

假设：分频次PV与退回总量临界值的频次为m；

推导1：UVPDB=PVPDB/Xm=A*(1+B)/N平；

推导2：A*(1+B)XmNm≥AB，退量特定频次一次性退回。

基于上述推导1与推导2，导出UVPDB覆盖量级计算公式：

结论1：UVPDB=A*(1+B)/N平-AB/Xm；

借助结论1计算基于推送比的PDB覆盖用户UV总量，实现UV总量整体增加，保证相同预算比率下有效提升新用户覆盖UV比率，降低CPUV成本。同时依据订单排期关键信息，推导媒介提升效率与机遇推送量下频次临界值。

结论2:Y=1-UVPDB/(A/N平)=B(N平/Nm-1)；

基础公式与推导过程实现程序化PDB采买效率和传统采买提升合理比率，利用UVPDB与传统采买UV直接对比，直接计算临界值下程序化采买效率提升值，作为媒介采买前效率提升关键参考指标。

综上所述，通过媒介策略渠道差异效率提升的全面分析，结论2有效支持媒介采买对于预算的分配逻辑和UV量级评估。结论2支撑为不同媒介采买方式之间效率值提供决策，另外,基于公式推导模型定量分析在媒介采买的合理性和稳定性。

(四)用户数据资产变现的综合投放效率提升

通过上述预算分配模型推导，结合移动程序化实际投放的效果对模型展开实际应用，将相关预算分配到具体策略，依据策略的不同属性分配比率预算，保证项目维持长期合作并且实现短期业务目标。

程序化采买包括四种标准模式，保价保量PDB和竞价PMP组合形式有利于提升用户数据资产程序化价值变现的效率，实现优质媒体和用户数据灵活匹配程度。设计程序化采买变现效率提升，主要从结算价格和频次控制作为核心突破点，实现用户资产在综合程序化变现的效率提升。

假设：PDB的CPM单价为CPMPDB，非PDB的CPM单价为CPM非PDB，项目综合频次为T，预算比率为C;

公式4:Y非PBD=1-((CPMPDB-CPM非PDB/CPMPDB)+(T-1)/T)；

从项目整体角度出发，PMP和RTB竞价模式灵活性高，以用户数据资产确定交叉匹配率为前提条件，通过CDP/DMP用户资产和频次控制输出，实现流量精细化运营。用户资产数据以流量进行初步筛选和优化及广告频次投放传播逻辑的可控性，基于上述两点应用媒介采买价格和退量比率的三个结论，实现PDB确定价格有效控制竞价投放出价和频次，达到整体采买的效率速算和预估。

结论3:Y总=YPDB*CPDB+Y非PBD*C非PDB=1-((CPMPDB-CPM非PDB/CPMPDB)CPDB+(T-1)/T)+B(N平/Nm-1)*CPDB；

通过整体程序化效率预估模型，融合结论2和公式4推导，计算程序化采买情况下整体流量效率的提升比率，通过结论3逻辑，全方位支撑程序化采买流量的整体策略，保证流量采买投放效果的提升。

考虑不同流量采买模式的效率提升和价值比率，程序化采买与传统采买模式对照，实现程序化综合采买效率高效提升，延伸行业先进的RTA机制计算跨程序化综合媒体效率量化值，实现预算有效分配促进用户资产不同媒介采买模式用户数据资产利用率提升。