Lyft 的营销自动化平台 Symphony
获客效率问题:广告投放如何花更少的钱用更少的人得到更高回报?
具体来讲,Lyft 的广告投放要服务如下特点
- 管理基于地域的 campaign
- 数据驱动的增长:增长必须是规模化的、可测量的、可预测的
- 支撑起 Lyft 独特的增长模型,如图:
主要的挑战是:难以规模化管理跨地域营销中的各个环节,广告竞标、预算、素材、激励、选择受众、测试等等。下图是营销者的一天:
我们可以发现“执行”占去了大部分的时间,而更少的时间花在了更重要的“分析和决策”上。规模化意味 着减少繁复的操作,让营销人员专注于分析与决策。
解决方案:自动化
为了降低成本,提高做实验的效率,需要
- 预测新用户是否对产品感兴趣
- 多渠道优化,有效评估和分配预算
- 方便地管理上千个 campaigns
数据由 Lyft 的 Amundsen 系统做增强学习。
自动化的部分包括:
- 更新 bid 的关键词
- 关掉效果不好的素材
- 根据市场改变 referrals values
- 找到高价值的用户 segment
- 在多个 campaign 中共享策略
构架
技术栈:Apache Hive, Presto, ML platform, Airflow, 3rd-party APIs, UI.
具体的组成模块
LTV 预测模块
用户的终身价值是衡量渠道的重要标准,预算由 LTV 和我们愿意为该地区的获客付出的价格共同决定。
我们对新用户的认知有限,随着交互的增多,所提供的历史记录会更准确地预测。
一开始的特征值:
随着历史上的交互记录的积累,做出的判断就会越准确:
预算分配模块
搞定了 LTV,接下来是根据价格定预算。拟合出 LTV = a * (spend)^b
形式的曲线以及周围的区间里类似参数的曲线。为了找到全局最优,需要付出一些随机性的代价。
投放模块
分为两部分,一部分是调参者,一部分是执行者。调参者根据定价,设定基于渠道的具体的参数;执行者把这些参数执行到具体的渠道上。
有很多流行的投放策略,在各色的渠道中,是共通的:
总结
要注意人的经验在系统中的重要性,否则会 garbage in, garbage out. 当人从繁琐的投放任务解放出来,专注于理解用户、理解渠道、理解自身要传达给受众的信息之后,就能够获得更好的投放效果——花更少的时间达到更高的 ROI。