流量卷不动！行业开始卷「人货匹配」了？

01

卷不动了。

 

即便是发力短视频这种流量新贵的商家，近期也普遍有这样的感觉。不少相对成熟的商家，正在遭遇不同程度的掉量问题。过去是「流量即交易」，商家只要获得流量，就能有不错的收益；但现在，情况已迥然不同。

 

某种程度上，这显示出第一波精准红利趋尽。

 

什么意思？2008年前后，技术开始介入广告业，广告从大众传播变为精准传播。当互联网聚集更多流量，并且广告可以向正确的人说正确的话后，技术介入后带来的第一波精准红利就被释放出来。

 

所以，数字广告的流量红利由两个因素决定：

 

第一，供需关系，也就是流量供给是否充裕，这决定了流量成本的高低；

 

第二，匹配效率，也就是流量是否得到最大程度地使用。

 

眼下，在流量增长接近天花板的同时，更多商家纷纷涌入投流买量阵营。看起来，不可逆转的供需关系短期内已经无法带来更多红利。

 

那么，能否释放新流量红利的关键就落向另一主轴：匹配效率。

02

换句话说，能否让有限资源物尽其用？究其根本，商家要的是销售转化。即便流量规模增长乏力，但如果流量匹配足够精准，仍然可以达成目标。

 

翻看腾讯近几季的财报，你会发现在讨论网络广告业务时，「提升广告转化效率」的表述连续出现。在2022年年报中，它就提到「提升后的机器学习基础设施提升了广告主的广告转化效率及投资回报率」。显而易见的是，腾讯等平台方正在着手改进匹配效率的问题，用流量精度的提升实现更高质量的增长。

腾讯年报对「网络广告」业务的讨论

那么，具体如何改进匹配效率？

 

回答这个问题，首先要深剖本质，流量匹配本质是人货匹配。所以，要提升匹配效率，既要增强对商品的理解，也要增强对消费者的理解。只有把匹配两端充分理解清楚了，匹配这件事才可能变得高效。

 

前不久，腾讯广告的朋友提到一句话，我觉得特别准确：人货匹配，需要从个人理解升级为系统性理解。

 

以往，人货匹配更多仰赖商家个人主观经验，但会导致大量交易机会流失。举例来说，口红商家投放广告时往往定向女性，但这种主观定向意味着在触达环节就排除了可能购买产品的男性消费者。

 

这不是个例。

 

你知道有多少实际交易发生在商家原有广告定向对象之外？答案是35%。这是不容小觑的比例，印证了系统性理解的必要性。

 

所谓系统性理解，就是指需要强化技术系统在理解商品和理解消费者时的作用，以摆脱过度依靠主观个体经验可能导致的交易机会损耗。

 

比如，在以往，潜在的男性口红消费者会被商家「先天」排除在广告触达人群之外；但实际上，男性也可能因为送礼或悦己需求购买口红。如今，通过人工智能等技术的加持，技术系统则会排除人为定向的干扰，提取出转化人群的主要特性，并锚定大部分可能转化的消费者。

 

从这样的对比中，你大概能够了解为什么要系统性理解人货匹配。上周，海外垂直媒体AdWeek就提到更多广告主正将预算回调至Meta，关键原因是Meta推出的智能投放工具Advantage+提升了流量匹配的精准性。

 

何以提升？其实就是增强了对人货匹配的系统性理解能力。

 

ADWEEK的相关报道

如果将细剖「系统性理解」，它同样可以分成两个层面讨论：

 

首先，对商品的系统性理解。

 

其次，对人的系统性理解。

03

2008年，雅虎资深研究员安德雷·布罗德首次提出「计算广告」。在这个新概念中，需要计算的是什么？布罗德指出是用户、内容和语境间的最优匹配。

 

随后，这个概念在业界和学界引发巨大反响。但是，它的优点和缺点都十分明显：

 

优点是，它将行业对广告的理解从人脑智慧主导拉高到机器智能主导。以往的广告讲创意、讲传播、讲作品，而计算时代下的广告讲数据、讲转化、讲精准。

 

但它的缺点是，仍然站在传播的视角探讨广告精准，而将最关键的商品排除在计算范畴之外，这种理解上的局限导致流量转化效率受限。站在消费者的视角，是否购买商品并不仅仅由广告内容支配，商品本身能否满足用户需求也发挥着至为关键的作用。

 

最近，迫切希望提升流量转化效率的平台开始察觉到这个bug。他们debug的办法是三个字：商品化。

 

在数字广告生态中，人们对消费者的理解足够立体，我们已经能够准确和全面地描摹出用户画像，并基于此完成精准匹配。而所谓商品化刚好是在另一侧发力，即增强系统对商品的理解能力。相较之下，商品化在行业过往发展中处于盲区。

 

商品化为什么重要？因为通过充分理解商品，能够避免人货错配。

 

比如同样是男装T恤，「全桑蚕丝翻领长袖T恤」和「短袖美式复古T恤」瞄准的是截然不同的客群。如果系统无法深刻理解商品间的细微差异，就必然导致流量匹配不精准，进而影响转化成绩。

 

长久以来，不少平台之所以欠缺商品化能力，其中既有主观意识的问题，也有客观层面的困难。

 

比如，商品和消费者数据的获取方式不同。在理解消费者时，我们可以在用户全时行为中调用、挖掘和理解大量结构化数据；但商品不具备主动产生数据的能力，对于平台，如何高效获得足量商品数据并将这些数据应用于广告投放？这就成为了广告平台商品化发展必须解决的瓶颈。

 

如何解决？腾讯广告团队分享了一个可供参考的思路。总的来说，他们将能力建设细化到SPU和APU两个层级。

 

腾讯对SPU-APU双层结构的阐述

所谓SPU，指的就是传统意义上的「标准化产品单元」（标品，Standard Product Unit），它与商品本身绑定，平台和商家则以标品为单位输入商品数据。比如针对美妆产品，消费者选购时往往看重类目、品牌、功效、原料成分等信息，那么平台就会更具针对性地建立商品数据。对于缺乏商品数据的标品，需要推广的商家也可以自行补充数据或建立新的商品数据。在标品体系之下，每个商品的细粒度信息越来越完善，能帮助系统更好理解这些商品。

 

而APU（广告商品单元，Ad Product Unit）则是新层级，它本质上是标品和广告计划的融合体。比如，不同经销商可能销售同款产品，那么他们在投放广告时可以关联同一个标品。这样做的好处是，在实际投放过程中既能延续商家原有投放策略，同时又能基于商品数据让系统匹配更加精准的流量。

 

更通俗地说，「SPU-APU」双层能力可以确保流量转化效果有底线（标品数据为匹配精准度兜底）、无上限（投放策略探索更高转化可能性）。结合实际转化数据来看，这一策略确实有效，采用APU投放的商家，它们的广告起量率提升了10%，消耗规模提升12%。

 

在商品化基础能力搭建完成后，接下来就要解决具体场景中的具体问题，比如新品缺少冷启动人群、爆品如何跑量更高、人工操作不及时影响商品匹配效率等等。基于已有能力，腾讯广告在电商行业投放平台中就推出了「上新易」、「爆品通」等商品营销策略，以及「商品智投」这样的自动化托管和投放服务，它们对应不同营销情境：

 

上新易（针对新品）：系统可以基于商品特征，帮助新品快速找到核心圈层人群，大幅缩短商品销量成长前的冷启动期，实现快速起量。

 

爆品通（针对爆品）：系统会筛选高潜力商品并对其定向助推。与此同时，平台也会在SPU标品库中更新「行业爆品」，以标品为单位聚合转化样本进一步提炼人群特征，方便更多商家跟品精准投放、形成转化合力。

 

商品智投（投放自动化）：借助人工智能技术实现全自动化托管及系统策略投放，将广告投放中的高重复性工作交由海量数据的机器自主完成，通过新品自动探索目标人群、老品学习成功投放经验实现跑量更稳，真正让好商品投出好效果，人效大幅提升。

 

需要注意的是，这些面向不同营销情境的产品都建立在「商品化」这个根基之上。通过强化对商品的深度理解，商家和平台可以提高流量转化效率的天花板。

04

对商品的理解只是其一，在另一侧增强对消费者的理解同样重要。

 

很长一段时间，我们更多是从静态维度理解消费者，缺乏动态视角。什么意思？我们通过大量人口统计学数据、行为数据和少量场景数据理解消费者，这事实上是将消费者视为某个时点上孤立和相对静止的节点。

 

但是，消费者本身也是在消费决策链路上动态变化的，比如他和品牌之间关系的亲疏远近就会影响购买意愿。举个例子，即便两个消费者在其他方面极为相似，但如果消费者A是某品牌死忠拥趸、消费者B只是「路人粉」，当该品牌遭遇舆情危机时，两者对品牌的后续态度可能截然不同。

 

这告诉我们，对消费者的理解不只局限在对「人」这个节点的描摹上，同时也要探究消费者和品牌间的关系走到哪个阶段。所以最近几年，从阿里AIPL、巨量O-5A到腾讯的5R，各大平台密集推出了各种营销科学模型，它们本质上都是为了将消费者还原到具体消费决策场景中，从而加强对消费者需求的理解。

 

相较其他平台，腾讯广告在对消费者的洞察上长期具有优势，因为它覆盖了大部分网民的大部分线上生活场景。但这意味着它们可以坐享其成吗？显然不是。

 

最近一段时间，腾讯广告的5R模型开始频繁出现在从业者的讨论中。它是一个人群资产运营模型，平台帮助品牌将广告触达对象划分为Reach（R1，用户触达）、Respond（R2，浅层互动）、Resonate（R3，深层触动）、React（R4，成交转化）、Repeat（R5，复购忠诚）五个层级。

 

5R模型各层级示意

有了这样的人群分层，商家的很多营销活动就能做到有的放矢。

 

比如，在5R模型中，R3人群就是承前启后的重要节点：一方面，它反映了商家前期营销活动的蓄水成效；另一方面，从各种效果指标来看，R3人群意味着用户转化概率的飞升。所以，以R3为锚点开展营销活动就成为商家高效转化的关键，企业很多策略也可以围绕这个节点进行。

 

当然，如果你是行业的资深从业者，可能已经发现这样的人群分层理念并非腾讯独创，其他平台也有类似工具；但在我看来，腾讯广告在其中创造性地加入了「健康度」这个新维度。

 

试想以下情况：A品牌和B品牌在5R各层级都拥有相同的消费者数量，但A品牌覆盖的大部分用户并不忠诚，他们与其他品牌同样过从甚密；但B品牌刚好相反，其覆盖的大部分用户都是独占用户。那么，即便粉丝规模相当，哪个品牌的增长后劲更足？显然是B品牌。

 

健康度就旨在区别这两种情况，即便从表面看用户资产结构相当，但品牌间的资产健康度仍可能存在显著差别，而这些差别又会影响品牌长效增长。

 

腾讯广告又如何具体度量健康度呢？它选择「广告独占互动」和「品牌独占搜索」两大指标作为依据，并据此将消费者划分为本品偏好、摇摆偏好、其他品牌偏好三类人群。比如，那些高度倾向于A品牌广告互动或者主要搜索A品牌的用户，就会被定义为A品牌的本品偏好人群。

 

对商家来说，当然是各层级人群资产中的本品偏好人群占比越大越好；而在评估广告营销活动效果时，那些能将大量其他品牌偏好人群扭转为本品偏好人群的投放，也往往意味着最有效的投放。

 

所以，5R模型为商家提供了一种更全面的人群资产管理思路，不仅梳理消费者与品牌间关系的亲疏远近，还将品牌之间围绕消费者的竞夺纳入考虑范畴。

 

在对人的理解更为全面之后，商家也就拥有了更大的精准营销空间，比如在预算分配上就能够更加具有指向性。以即将到来的618为例，商家可以首先订立整体营销目标，随后根据5R人群各层级间的流转水平倒推每层级所需的投放预算。通过这一方式，广告主不仅能够科学制定预算，同时也能获得比较确定的回报。

 

基于5R快速制定预算分配策略

因此，即便对消费者的理解已经相对充分，但平台的探索可以说永无止境。新维度的加入往往会进一步增强对消费者的理解，提升流量匹配的精准性和转化效率。

05

到这里，你大概就能够理解文章开头提到的那句话：人货匹配，需要从个人理解升级为系统性理解。

 

以腾讯为个案，会发现它正在通过两侧的共同发力提高流量匹配的精准度：

 

在「货」的部分，它正在做从无到有的工作。以往，整个系统都欠缺对商品的理解，这制约了流量的转化表现；而现在，通过搭建商品化的基础数据能力实现了对货的深度理解，实现转化效率的突破。

 

而在「人」的部分，它做的是从有到强的工作。以往，腾讯对消费者的理解已经相对充分；而现在，它进一步增加了5R模型和围绕健康度的各项度量指标，增强了对消费者在具体品牌决策场景中的理解，让系统对人的理解更靠近商品交易本身。

 

通过两端的相向发力，人货匹配实现了从个人理解向系统性理解的飞跃。在这样的变化之下，无论效果表现还是转化稳定性都出现了根本性的变化。

 

2022年Q4，腾讯网络广告收入同比增长15%，重回正增长轨道。在外界看来，这样的成绩或许更多跟大环境转暖有关；但实际上，这离不开腾讯广告持续修炼内功，有效通过系统升级，优化广告推荐效率的努力。背后的逻辑很简单：对于人货的理解能力上去了，流量的匹配就更加精准，转化能力随之提升，进而撬动了更多商家广告预算的投入或回流。

 

事实上，对于人货匹配的系统性理解将成为不可逆的趋势。

 

当流量红利增长的喧嚣沉寂后，平台方和商家就将步入修炼内功的阶段。回归人货匹配的本质，自然成为了行业发展的应有之义。