廣告主渴望獲得數(shù)據(jù)。

但是，獲得數(shù)據(jù)的路子似乎越來(lái)越窄，窄到當(dāng)有媒體（或者第三方）跟我們說(shuō)，我們能給你提供數(shù)據(jù)的時(shí)候，我們會(huì)覺得異常興奮。

興奮之余，要冷靜。這個(gè)時(shí)候，如同我們?cè)诠ぷ髦谐３?huì)有的好習(xí)慣——那就是，不要模模糊糊，而是要搞清楚，到底是什么情況——就會(huì)對(duì)我們非常有用。

這篇文章，我想快速跟大家聊聊，所謂的提供數(shù)據(jù)，到底有哪些方式，又能提供什么樣的數(shù)據(jù)。

全文大綱

1.媒體（或其他第三方）為企業(yè)“提供”數(shù)據(jù)的四種情況

2.第一種方式：Raw Data轉(zhuǎn)移的場(chǎng)景

3.第二種方式：ID匹配后轉(zhuǎn)移命中的個(gè)體級(jí)別屬性或部分屬性的場(chǎng)景

4.第三種方式：ID匹配后提供統(tǒng)計(jì)報(bào)告

5.第四種方式：橫向聯(lián)邦學(xué)習(xí)或者遷移聯(lián)邦學(xué)習(xí)方式

6.總結(jié)

媒體（或其他第三方）為企業(yè)“提供”數(shù)據(jù)的四種情況

上圖：為企業(yè)“提供”數(shù)據(jù)的四種情況。

圖片來(lái)自于“宋星大課堂：《數(shù)字化增長(zhǎng)——以消費(fèi)者為核心的數(shù)字營(yíng)銷的 轉(zhuǎn)型、路徑與落地》”

請(qǐng)注意，就像我在上面的圖中所描述的，媒體（或其他第三方）為企業(yè)提供數(shù)據(jù)，是有各種方式的。你所認(rèn)為的數(shù)據(jù)提供，和他們?yōu)槟氵M(jìn)行的“提供”，很可能壓根就有很大的區(qū)別。

這四種數(shù)據(jù)提供的方式，分別是：

第一種：直接把原始數(shù)據(jù)（Raw Data）拷貝給你，數(shù)據(jù)發(fā)生了物理上的轉(zhuǎn)移（復(fù)制、下載等）。所謂Raw Data，是指關(guān)于用戶的一條一條的行為、屬性、興趣等各種原始的記錄。

第二種：不直接拷貝給你Raw Data，但是跟你手中所擁有的用戶進(jìn)行ID的匹配。匹配之后，把能夠匹配命中的ID項(xiàng)下的屬性數(shù)據(jù)（或部分屬性數(shù)據(jù)）轉(zhuǎn)移給你。這些數(shù)據(jù)都是按照ID分為一條一條的，所以是個(gè)體級(jí)別的數(shù)據(jù)。ID的匹配，在《個(gè)保法》出臺(tái)之前，大家常常以明文的方式進(jìn)行匹配，而現(xiàn)在則幾乎都是通過加密ID再進(jìn)行匹配的方式，甚至?xí)玫礁甙踩?jí)別的加密ID匹配，即采用隱私計(jì)算中的縱向聯(lián)邦學(xué)習(xí)的方式。

第三種：跟第二種類似，同樣要進(jìn)行ID匹配，只不過匹配之后，不是把命中的ID項(xiàng)下的屬性數(shù)據(jù)給你，而是把所有命中的ID的屬性數(shù)據(jù)進(jìn)行統(tǒng)計(jì)整理，然后把統(tǒng)計(jì)結(jié)果以報(bào)告的形式轉(zhuǎn)移給你。

第四種：是相對(duì)比較燒腦的一種方式，在這種方式下，數(shù)據(jù)不進(jìn)行ID的匹配，而是數(shù)據(jù)提供方（暫且這么叫吧，因?yàn)閴焊蜎]有提供實(shí)際數(shù)據(jù)）和廣告主分別計(jì)算模型，并向各自返回模型和計(jì)算結(jié)果。這種方式常常采用聯(lián)邦遷移學(xué)習(xí)的高段位方法，也有采用廣告主和數(shù)據(jù)提供方選取同樣的屬性字段各自計(jì)算模型之后再優(yōu)化模型的橫向聯(lián)邦學(xué)習(xí)的方法的。但總體是一種理論上ok，但實(shí)際操作起來(lái)十分“縹緲”的玩法。各種具體的聯(lián)邦學(xué)習(xí)的方式，大家如果感興趣，我會(huì)在我的“宋星大課堂：《數(shù)字化增長(zhǎng)——以消費(fèi)者為核心的數(shù)字營(yíng)銷的 轉(zhuǎn)型、路徑與落地》”上介紹。

下面，我來(lái)講講各種方式下，常用的數(shù)據(jù)“提供”的場(chǎng)景和價(jià)值。

第一種方式：Raw Data轉(zhuǎn)移的場(chǎng)景

聽說(shuō)用卡車運(yùn)送硬盤，是目前大數(shù)據(jù)量數(shù)據(jù)轉(zhuǎn)移速度最快的方式，能到達(dá)大概每秒100個(gè)G。但這樣的數(shù)據(jù)轉(zhuǎn)移，基本上只可能發(fā)生在企業(yè)內(nèi)部，比如阿里就用過這樣的方法轉(zhuǎn)移他們的數(shù)據(jù)。

不過，用卡車運(yùn)，如果萬(wàn)一路上出個(gè)車禍——不敢想，不敢想。

回到我們的場(chǎng)景中。無(wú)論是媒體，還是外部數(shù)據(jù)提供方，現(xiàn)在都不太可能給企業(yè)提供Raw Data。很多年前確實(shí)有這樣的生意，而且很普遍，有些人還因此發(fā)家買了很多套房。但隱私保護(hù)、個(gè)人信息保護(hù)以及數(shù)據(jù)安全的法律逐漸完善起來(lái)之后，這樣的場(chǎng)景基本上沒有了。

不過，只是基本上沒有。如同任何不合法的交易都存在黑市一樣，Raw Data數(shù)據(jù)轉(zhuǎn)移也有黑市。別問我這些黑市在哪兒，我也不知道，而且正經(jīng)企業(yè)不會(huì)問我這個(gè)問題。

第二種方式：ID匹配后轉(zhuǎn)移命中的個(gè)體級(jí)別屬性或部分屬性的場(chǎng)景

當(dāng)你看到我寫出了個(gè)體級(jí)別四個(gè)字，你可能會(huì)認(rèn)為，這種情形應(yīng)該也不存在了——沒有什么媒體還愿意給廣告主個(gè)體級(jí)別的數(shù)據(jù)了。但事實(shí)上，這種數(shù)據(jù)轉(zhuǎn)移仍然是有場(chǎng)景的。

電商平臺(tái)的會(huì)員通，會(huì)跟廣告主的會(huì)員，在進(jìn)行ID匹配（通常是用加密的電話號(hào)碼）之后，提供給廣告主該ID的部分與會(huì)員權(quán)益等相關(guān)的數(shù)據(jù)，這些數(shù)據(jù)是個(gè)體級(jí)別的。

微信生態(tài)，微信也會(huì)在用戶授權(quán)的情形下，利用OpenID或者UnionID，經(jīng)由API，給廣告主提供個(gè)體級(jí)別用戶的部分行為或?qū)傩詳?shù)據(jù)。

所以，不像第一種方式，第二種方式仍然是常見的數(shù)據(jù)提供的方式。

但是，這種方式顯然有一個(gè)很值得注意的點(diǎn)，那就是，提供的個(gè)體級(jí)別的屬性數(shù)據(jù)能包含什么，是由媒體圈定范圍，并由用戶實(shí)際授權(quán)同意之后，才可能發(fā)生的。

所以，通常這些數(shù)據(jù)的類型會(huì)很有限。

第三種方式：ID匹配后提供統(tǒng)計(jì)報(bào)告

這也是一種常見的場(chǎng)景，而且基本上符合法律所規(guī)定的個(gè)人信息保護(hù)的合規(guī)要求。

例如，廣告主將自己CDP中圈選的人群的ID加密后（或縱向聯(lián)邦學(xué)習(xí)的方式），與媒體的DMP中用戶的ID進(jìn)行匹配。匹配后，媒體把這部分人的屬性進(jìn)行統(tǒng)計(jì)整理，以所謂的“人群畫像”的方式提供給廣告主。

這種方式，基本上用于做人群畫像或者人群洞察了。

雖然對(duì)于精細(xì)化運(yùn)營(yíng)每一個(gè)用戶或者每一個(gè)消費(fèi)者并無(wú)直接作用，但是在幫助形成營(yíng)銷策略上，是很有價(jià)值的。

第四種方式：橫向聯(lián)邦學(xué)習(xí)或者遷移聯(lián)邦學(xué)習(xí)方式

在深度利用企業(yè)的CDP方面，需要用到此種方式。

但是，大部分企業(yè)可能都難以擁有這樣的能力。

一個(gè)簡(jiǎn)單的應(yīng)用，以汽車行業(yè)為例。汽車行業(yè)的主機(jī)廠，擁有很多用戶在私域觸點(diǎn)上的各種行為數(shù)據(jù)，這些數(shù)據(jù)例如“看了某個(gè)車型介紹的次數(shù)”或者“查看汽車金融的次數(shù)”或是“在某類車型頁(yè)面上的停留時(shí)間”。而媒體也有完全一樣類型的這樣的數(shù)據(jù)（比如騰訊汽車或者懂車帝也有類似的數(shù)據(jù)）。然后，二者各自基于這些數(shù)據(jù)類型和一個(gè)通用模型進(jìn)行計(jì)算，并各自得出一個(gè)比通用模型更優(yōu)化的模型，該模型能判斷這些數(shù)據(jù)的值具體是什么情況時(shí)，用戶就會(huì)表現(xiàn)出較為明確的愿意“留資（就是有購(gòu)車意向）”的傾向。之后，二者將各自的模型互相傳遞，再基于兩個(gè)優(yōu)化模型得出一個(gè)更新的通用模型，隨之再把這個(gè)新的通用模型給二者，并基于更多的數(shù)據(jù)，再做計(jì)算，各自再得出一個(gè)更更優(yōu)化的模型……

這個(gè)過程循環(huán)n次，直到得到一個(gè)滿意的通用模型，兩邊都能拿著用于預(yù)測(cè)各自的用戶是否有購(gòu)車意向。——這就是橫向聯(lián)邦學(xué)習(xí)。

上圖：橫向聯(lián)邦學(xué)習(xí)的示意過程。

圖片來(lái)自于“宋星大課堂：《數(shù)字化增長(zhǎng)——以消費(fèi)者為核心的數(shù)字營(yíng)銷的 轉(zhuǎn)型、路徑與落地》”

聯(lián)邦遷移學(xué)習(xí)則更加“牛”，不過比較復(fù)雜，就大致說(shuō)一下。簡(jiǎn)單說(shuō)，就是媒體和廣告主，不僅雙方ID不允許做任何匹配，就連用戶的屬性數(shù)據(jù)類型都不一樣，比如媒體只有“看了某個(gè)車型介紹的次數(shù)”或者“查看汽車金融的次數(shù)”的數(shù)據(jù)類型，而車企只有“在某類車型頁(yè)面上的停留時(shí)間”的數(shù)據(jù)類型。然后二者還是要得到一個(gè)更優(yōu)化的預(yù)測(cè)用戶是否可能留資的模型。

所以，如同我講的車企的例子，第四種方式常常用于預(yù)測(cè)和人工智能判斷。通常無(wú)論是廣告主還是媒體，都需要相當(dāng)大體量且類型豐富的數(shù)據(jù)。

因此，這種方式，聽起來(lái)就已經(jīng)很“玄學(xué)”，落地實(shí)現(xiàn)起來(lái)就更加困難了。也不是沒有企業(yè)這么做，但是，真的很少。

總結(jié)

現(xiàn)在，你再看看你的媒體跟你承諾的，要提供給你數(shù)據(jù)，是什么情況？

大部分，我相信，都是第二種和第三種。尤其是第三種，特別多。

你所期待的，全量的Raw Data的提供（也就是第一種），在今天恐怕越來(lái)越難以實(shí)現(xiàn)。

本文來(lái)自微信公眾號(hào)“宋星的數(shù)字觀”（ID:chinawebanalytics），作者：宋星，36氪經(jīng)授權(quán)發(fā)布。