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。从企业在和消费者建立连接的那一刻起，数据和技术凭借着其自身的优势就已经开始为企业创造价值。但是企业如何利用好数据技术带来的红利？nEqual CEO 邬剑曾用“nEqual 智能数据需求层级理论“解读企业数据智能化的5个层级。对于品牌企业而言，最直观的数据智能价值当属体现在营销上。最近，nEqual Serving 就发挥了“特长”，帮助某知名日用品品牌解决了一些比较“棘手”的难题，让其在最大程度上触达到消费者，避免了大量的资源浪费，从消费者沟通体验和效果上，都实现了品牌营销商业价值最大化的体现。

案例背景

在一波广告投放中，该品牌主的预算被分为程序化投放和常规投放，但是，这两种投放方式都有各自的控频，会导致同一个广告内容对同一用户曝光多次。其最大的问题在于，品牌主不知该如何将这两种投放方式间的用户数据连接起来，从而减少广告资源的浪费，降低用户对品牌的反感度。

项目策略

1.    将此次移动端投放分为实验组和对照组。实验组前期为常规投放，后期为程序化投放；对照组在整个项目中始终为常规投放。那么，可以通过比较实验组和对照组最终的TA%和3+Reach%的结果来判断程序化广告投放在这当中起到的作用；

   
   

（图片均转自网络，版权归原作者所有）

2.   在项目开始前，nEqual Serving 先将常规投放的监测数据融合进自身的频次库，并进行自动线上分组，分成追投组和避投组。追投组包含常规投放看过1次和2次的 Device ID， 避投组包含常规投放已经看过3次及3次以上的 Device ID，并以此作为程序化投放的基础，且程序化投放过程中的所有判断，都会考虑之前的投放结果，以最大限度地优化整体效果；

（图片均转自网络，版权归原作者所有）

例如，一个用户在常规投放期间，一共在视频网站上看过2次该品牌广告，如果他再次打开某视频，nEqual Serving 则会在追投组中查询到该用户的频次记录，并对其进行第三次广告投放；同样，一个用户在常规投放期间，一共在视频网站上看过4次该品牌广告，如果他再次打开某视频，nEqual Serving 会在避投组中查询到该用户的频次记录，并将其退回，避免对其再做广告投放。

3.     在投放配置中，根据客户3+TA Reach%的KPI设置了频次优先。因此，系统策略机会针对不同流量做优先级的排序，优先退回优先级低的流量，以保证效果的最大化。

（图片均转自网络，版权归原作者所有）

案例效果

1.   TA%提升：由于实验组使用了程序化投放，引入DMP的实时查询，后期程序化投放期间TA%相对于常规投放的Benchmark提升幅度达15.3%；对照组一直使用常规投放，后期TA%相对于常规投放的Benchmark基本没有变化；

（图片均转自网络，版权归原作者所有）

2.   频次追避投：在整波常规投放+程序化投放过程中，历史投放频次1&2的UV追投率超过95%（媒体推送的所有与历史投放重合的低频次UV，95%都被做了追投）。而历史投放频次在3次及以上的UV，规避比例达到65%（媒体推送的所有与历史投放重合的高频次UV，65%被退回），追避投效果显著；

（图片均转自网络，版权归原作者所有）

3.   3+TA Reach%：对比两个组的3+TA Reach%发现，因为使用 nEqual Serving 优化了频次和TA%，实验组后期增长幅度相对于对照组有明显提升。

（图片均转自网络，版权归原作者所有）

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，都开始追求数据和技术驱动的商业价值。nEqual Serving 一直以来依托消费者属性及媒介触点等海量大数据、及自动化营销技术，帮助品牌和消费者实现精准触达和沟通。并作为针对直接采买模式的投放优化工具，为广告主第一方数据提供透明、可依赖的激活及应用渠道，帮助广告主有规划地、有效地触及目标受众。

 (本文图片均转自网络，版权归原作者所有；本文内容仅代表作者个人观点)