备战双十一，大数据钻展新玩法

一、因时而异的人群产出思路

熟悉钻石展位的朋友们都知道，钻石展位在双十一的推广大致可以分为预热期、双十一当天、余热期。具体的时间跨度因店而异，在此不做详细解说。单说各个时期的大数据人群产出思路吧！

1、双十一预热期

 预热期主要是活动前的那段时间，此时正是抢流量、拉新客户、积累流量的蓄势期，预热期效果的好坏能够直接影响活动当天的效果，因此，预热期往往是钻石展位推广的关键期。

这个时期的前期主要是拉新，后期则主要是将拉新得到的认知客户再汇拢。在大数据人群的产出思路上，笔者建议拉新人群以竞品为主，我们的新客户必然是竞争对手的老客户，因此，针对竞品客户制定大数据人群是最直接有效的进攻手段。认知人群的制定用于汇拢拉新人群，不让其再被对手抢走。这样一出一进，兜住有效客户，对我们完成预热期流量积累的目标是很有效的。

2、双十一当天

双十一当天必然是全网流量的高峰期，有不少的中小店主想在这段时间再次扩大流量，这种想法有较大的难度，受预算的限制，中下卖家们不可能向那些大商家一样投入巨额预算抢流量，所以，有些钻石展位玩法会建议我们这段时期主要目标就是要将预热的流量给消化掉。笔者认为这是非常科学的。

对于中小卖家，其规模、预算都无法与大企业相比，在实力差距明显的情况下，我们不建议中小卖家再花大成本杀进去抢流量，相反，我们要学会主动放弃这些流量，转而将预算投入到预热期汇拢的认知客户、老客户们身上，完成他们的转化。因此，这个时期的大数据人群产出思路就是将近期（预热期）的客户给圈住，不论其是否有过购买行为。同时，对自己的老客户（预热期召回的那部分）进行圈定和投放。这种有目的的圈人，用最小的成本，再次兜住有效的认知客户、老客户，实现转化的最大化。

3、余热期

这段时期比较特殊，我们的客户群体主要是那些错过双十一当天活动的消费者，相信很多中小卖家们会在此时进行各种独具特色的活动，以期完成双十一的完美收官之战。

这时期的大数据人群产出我们可以针对双十一未购买的那部分认知客户进行圈定，配合中小卖家们的收官之战，做到双十一大战的余热小高潮。这种有目的的圈人，将真正有需要的客户选定，成功实现活动后期再转化。

二、双十一专享模型的构建

结合大数据钻石展位人群产出的思路，制定有效的人群，模型的不可或缺的。针对即将到来的双十一，样本的选择和模型的构建都有着特殊的要求，接下来笔者就要给大家分享下双十一的专享模型构建思路。

模型无论哪种算法，最终的目的都是要让人群更精准，因此，算法的选择上，我们不做过多的评述。我们只从样本和变量的选择上进行说明。

1、样本集的选择

样本是我们模型构建的数据基础，通常分为正样本和负样本。在双十一活动中，正样本的选择可以尝试圈定历次大型活动（年中大促、99大促、聚划算、掏抢购等）中成交的客户，这部分客户大多数对活动有着某种特别的期待和依赖，因此，选择这部分客户作为正样本对我们的预测精度是有很大提高的，因为，通过模型我们就能在全网筛选出对活动热爱的且对我们产品有偏好的那部分人，这部分人正是我们需要圈定并投放钻石展位的对象。再来说说负样本，经过笔者团队的数次测试，发现负样本由系统随机给出的效果同样很稳定，因此，在我们不知道那种负样本和正样本匹配最优的情况下，随机负样本往往是最优选。

2、变量的选择

变量是表征模型特征的一些指标变量，变量的选择能够决定模型的属性。因此，针对不同时期的模型，我们在选择变量的时候，往往会有不同的变化。

双十一的客户特征中，对活动的偏好，消费者的消费习惯，淘宝信用等级等等变量都是显著性变量，与模型的匹配都呈现正相关，因此，我们在变量的选择上记住一条原则：变量要能够反应客户在当时的消费行为特征。因为，双十一的变量选择上，我们建议可选用一些与活动因素相关的变量作为模型的预测特征量。

综上可知：双十一活动专享模型中，样本和变量的选择是及其具有针对性的，都是针对双十一中客户的行为特征和行为习惯来选择特定的样本集和变量。这种思路下所构建的模型，能够帮助我们在双十一的人群制定上，做到更加精准。

距离双十一越来越近了，电商行业的各个卖家开始逐渐进入了战术部署的阶段，大数据钻石展位的新玩法是在结合了双十一钻石展位推广各阶段的投放策略，而制定的具有针对性地人群产出思路。这一思路的诞生是依据各个推广时期的要求和目标，在钻石展位推广上提供了不局限于DMP的新玩法，也让更多的卖家们有更多合适自己的选择。

总之，在双十一投放上大数据钻石展位新玩法告诉大家：

1、适合自己店铺钻石展位玩法才是最优的玩法，任何玩法都离不开店铺和行业实际，千万不要盲目跟风；

2、大数据钻石展位新玩法是基于成熟的双十一投放理论而诞生的人群产出新思路，针对不同阶段的要求，产出不同的人群，对症下药；

3、本次大数据模型的构建思路是特别针对双十一活动而提出的，在日常推广中效果并不显著，因此，在日常恢复推广后，模型的构建依旧采用常规思路即可。