nEqual Serving实践案例：智能联合控频，提升3+TA 触达比例

数字化时代，商业价值最大化是数据智能带給企业的最直观价值。从企业在和消费者创建相连的那一刻起，数据和技术凭借着其自身的优势就早已开始为企业建构价值。

但是企业如何利用好数据技术带给的红利?nEqual CEO 邬剑曾用“nEqual 智能数据市场需求层级理论“理解企业数据智能化的5个层级。对于品牌企业而言，最直观的数据智能价值当科反映在营销上。最近，nEqual Serving 就充分发挥了“特长”，协助某著名日用品品牌解决问题了一些较为“棘手”的难题，让其在仅次于程度上触超过消费者，防止了大量的资源浪费，从消费者交流体验和效果上，都构建了品牌营销商业价值最大化的反映。

案例背景在一波广告投放中，该品牌主的支出被分成程序化投入和常规投入，但是，这两种投入方式都有各自的控频，不会造成同一个广告内容对同一用户曝光多次。其仅次于的问题在于，品牌主知道该如何将这两种投入方式间的用户数据连接起来，从而增加广告资源的浪费，减少用户对品牌的不满度。项目策略1. 将此次移动末端投入分成实验组和对照组。

实验组前期为常规投入，后期为程序化投入;对照组在整个项目中一直为常规投入。那么，可以通过较为实验组和对照组最后的TA%和3+Reach%的结果来辨别程序化广告投放在这当中起着的起到;2. 在项目开始前，nEqual Serving 再行将常规投入的监测数据融合入自身的成倍库，并展开自动线上分组，分为平投组和弃投组。平投组包括常规投入看完1次和2次的 Device ID， 弃投组包括常规投入早已看完3次及3次以上的 Device ID，并以此作为程序化投入的基础，且程序化投入过程中的所有辨别，都会考虑到之前的投入结果，以最大限度地优化整体效果;例如，一个用户在常规投入期间，一共在视频网站上看完2次该品牌广告，如果他再度关上某视频，nEqual Serving 则不会在平投组中查找到该用户的成倍记录，并对其展开第三次广告投放;某种程度，一个用户在常规投入期间，一共在视频网站上看完4次该品牌广告，如果他再度关上某视频，nEqual Serving 不会在避投组中查找到该用户的成倍记录，并将其撤回，防止对其再行做到广告投放。3. 在投入配备中，根据客户3+TA Reach%的KPI设置了成倍优先。

因此，系统策略机会针对有所不同流量做到优先级的排序，优先撤回优先级较低的流量，以确保效果的最大化。案例效果1. TA%提高：由于实验组用于了程序化投入，引进DMP的动态查找，后期程序化投入期间TA%相对于常规投入的Benchmark提高幅度约15.3%;对照组仍然用于常规投入，后期TA%相对于常规投入的Benchmark基本没变化;2. 成倍追避投：在整波常规投入+程序化投入过程中，历史投入成倍12的UV平投率多达95%(媒体启动时的所有与历史投入重合的低频次UV，95%都被做到了追投)。而历史投入成倍在3次及以上的UV，回避比例超过65%(媒体启动时的所有与历史投入重合的高频次UV，65%被撤回)，追避投效果显著;3. 3+TA Reach%：对比两个组的3+TA Reach%找到，因为用于 nEqual Serving 优化了成倍和TA%，实验组后期增长幅度相对于对照组有显著提高。在互联网营销的世界里，不管是传统起家的品牌，亦或者是新兴互联网企业，都开始执着数据和技术驱动的商业价值。

nEqual Serving 仍然以来相结合消费者属性及媒介触点等海量大数据、及自动化营销技术，协助品牌和消费者构建精准触达和交流。并作为针对必要自备模式的投入优化工具，为广告主第一方数据获取半透明、可倚赖的转录及应用于渠道，协助广告主有规划地、有效地看清目标受众。

本文来源：皇冠游戏中心官网-www.sriingenieria.com