【来源 | Talking DataTalkingDataTalkingData】

【作者 | TD 咨询部】

【编辑 | 第十七】

 

随着互联网经济在传统券商的渗透，数字化营销已然成为传统劵商转型的重要布局。从新增客户结构来看，新增用户年轻用户占比逐渐提升，存量客户通过移动端浏览行情和交易的人数已经远超PC客户端的用户数。

 

所以做好APP上的拉新对于劵商移动运营行业的深入有着先声夺人的功效。如何把握趋势、选择渠道、提升广告投放效果对于劵商APP的拉新则有着实际效果的体现。

 

由于券商垂直人群窄，流量上限等问题让品牌营销举步维艰，对于效果营销，APP的获客成本和难度不断增加，羊毛率也是有增无减。

 

总结线上获客痛点的成因，一方面是券商用户从媒体投放到开户链条太长，另一方面是金融行业的强监管环境，在营销方式，广告措词和客户适当性有诸多合规要求，例如：证券公司不得委托其他单位或个人进行客户招揽、产品销售服务。

传统券商用户旅程

 

当前券商线上获客方式

 

• 总部合作：通过总部合作进行外部引流，例如，与覆盖潜在目标用户APP合作引流；

• 活动运营：活动外部引流，包括：活动在外部APP引流，活动宣传海报二维码；

• 线上渠道：应用市场优化，线上APP投放进行开户引流；

• 微信公众号：通过新媒体，内容运营的方式引导客户进行APP的下载；

 

无论何种方式，都希望能够在这个互联网与移动无线应用的时代，在与用户接触的各个节点介入，完成整个客户的渠道建设：引起注意（Awareness），获取用户(Acquisition)，提高活跃度（Activation），提高留存率（Retention），获取收入（Revenue），主动传播（Refer）。

 

要达成这样一个客户渠道建设的链路，第一步就是要“找对人”（who），这样才能够在各个节点上与用户沟通顺畅，当客户心里认同“懂我”的时候，便有效回应了客户目前的需求。再逐步推进链路中的其他环节，相互配合才能完整客户渠道的建设。

 

利用一方数据找人

 

金融行业的各个领域都已在深化数据价值方面已经开始布局，持续建立并完善自己的数据仓库，在一定程度上，已具备了一方数据资产积累。这些数据资产通常包含了CRM、会员数据、还有线上、线下累计的用户数据等，且在实际的应用中，可以用于打通数据到目标受众的渠道。

 

例如：在一方数据的支持下，通过Lookalike技术从累积的数据资产中找出人群特征，基于特征回到在TD活跃的设备人群中进行深度学习，最终训练出一批高相似度人群进行效果广告投放。

 

Lookalike 字面上来讲就是寻找数据相似性，它是基于应用APP安装活跃度、地理位置、设备以及加工出来的人口属性、兴趣、消费偏好等多个维度进行学习。

 

例如：利用抽样的集成逻辑回归模型建立种子人群和非种子人群的分类器，这样繁琐维度的需要有足够大的硬件设备支撑，科学的算法模型，大量的数据校验提升数据精确度的支持。相较千万维度，TD会要求数亿样本的数据集实现在10分钟内完成训练。

 

利用三方数据找人

 

从品牌的建设来看，三方数据在精准补充的同时也要进行同类产品的比较、行业偏好人群的覆盖扩大。多种数据策略的引入，结合大流量媒体移动端效果平台，实现移动运营传播效率的提升。

 

TalkingData营销云凭借TalkingData SmartDP智能数据平台累计超过40亿智能终端的海量人本数据，以强大的数据科学能力为依托，通过多种方式为品牌”找对人”：

1.基于TalkingData海量第三方自有标签库定位目标受众

当某企业想提升品牌效应，希望在某一类客群中产生足够影响力的时候，可以通过TD 目前累计的7大维度和800+的标签体系来达成。例如定向聚类客群如汽车、房产、母婴、金融、证券等覆盖更多潜在用户群体。

 

2.借助地理围栏构建目标受众打通线上、线下的数据

移动设备通过LBS或者Wi-Fi技术很好的定位用户的地理位置信息点，结合线下的一些场景数据（汽车4S店、医院、购物商城、证券营业厅等）来构建品牌的目标客群。

 

利用二方数据找人

 

二方数据是广告主通过线上广告投放所积累的大量曝光、点击、以及转化到不同阶段的用户广告行为所积累的数据，通常表现为各种类型的设备号。这种数据通过对这部分人群的持续影响，可以将这部分人群中的高意向人群转化为广告主自有客户，甚至是高价值客户。

 

广告投放中，TalkingData通过迭代采集广告数据资产的方式来优化投放效率。对于一方数据所表现出的数据资产做出补充，更新后的数据通过分析对后续广告的投放及营销产生新的驱动。

 

例如：作为获客的画像参考依据，以此优化场景标签的选取；重新定义Lookalike种子人群，以达到更为高效的人群扩大等。 

 

某劵商‘寻客’运营实例

 

面对券商线上获客应如何破局，归根结底是有效利用移动端对用户行为数据采集的优势：更丰富的交互行为，可分析维度和相应的营销触及方式。我们通过数据更加了解客户甚至影响到券商用户行为。

 

在与某劵商的合作中，TalkingData通过Lookalike和标签定位客户来达成寻客及渠道质量的评估。为达到优化线上引流成本的目的，我们通过以下三组人群在相同预算，相同时间，相同素材以及广告位的情况下进行线上渠道投放。

 

 

通过以上三个人群的投后分析，我们看到不论是TD标签，还是Lookalike算法对客户原本的投放成本和效率都有了成倍的改观。从投放效果来看券商客户目标人群和广告位流量的匹存在优化空间，通过三个人群对应素材以及广告位快速迭代进行二次营销，提升标签构造与人群的画像在投放过程中的迭代速度。

 

只有不断提升效率和迭代速度才能在互联网竞争中掌握主动。数据运营相较于传统运营，具有更为整体化的规划及步骤，需通过营销，现有数据分析等小闭环的连接来达成。

 

在传统的运营方式里，对孤立指标提升的过度关注导致了整体业务提升的短视性。单项活动所带来的拉新；沉睡客户的唤醒；羊毛党的筛选等多种维度的运营都停滞在单季度或单一时间节点的增长上。

 

但整体业务的提升及客户在长线的转化漏斗中持续性流失问题需要更为细致的分析。梳理出的羊毛党名单及特征模型，可用于节约唤醒过程成本，也可用于预防拉新中资源占用等。收集不同的单KPI衍生出的数据特征，完成散点KPI的脉络梳理。

 

例如沉睡用户唤醒中通过交易行为和画像标签前置筛选羊毛党，找出真实暂离户，才能帮助劵商更好的打通营销及运营生态。

 

整体来看，如何能更好的用数据驱动运营，从前期的获客，到之后的转化、留存，都需要通过不断的迭代与调整来沉淀更贴合运营场景的运营方式。