對一無所知的人，怎麼做個性化廣告？老實說：在個人層面根本做不到。但你完全可以去理解那些對某個品類感興趣的人，再根據少量訊號把新使用者歸入合適的使用者畫像。這就是一套可行的冷啟動策略的核心。
行業在尋找傳統受眾資料的替代方案上下了多大力氣，美國營銷媒體 Digiday 的最新報道可見一斑：合成受眾正從實驗走進日常的策劃和策略工作。Aveeno Body 藉助 Vurvey 的合成研究，把一份策略簡報的耗時從約 30 天縮短到 3 天。Goodway Group 則在媒介策劃中使用 Arima 的“合成人口”，覆蓋美國、英國和德國的消費者。
廣告中的冷啟動問題是什麼？
這個概念來自推薦系統領域。一個從行為中學習的系統，需要行為資料才能學習，而新使用者還沒有任何行為。於是系統只能展示平均水平的東西：暢銷品、泛泛的資訊，以及那種對所有人都有點用、卻打動不了任何人的廣告。
在廣告領域，這個問題更加突出。多款瀏覽器預設遮蔽第三方 Cookie，同意彈窗在德國早已是家常便飯，而且並不是人人都會點“全部接受”。傳統的出路，也就是外購人群包，在資料保護法律上的風險越來越大，而且本來就很難說明一個人為什麼購買。在深受 GDPR（德語稱 DSGVO）影響的 DACH 地區（德國、奧地利、瑞士），“我們直接買點資料補上”已經算不上策略了。
為什麼更多資料解決不了問題
資料質量研究對此有一個冷靜的說法：資料好不好，取決於它是否適合用途。光是準確還不夠，資料必須相關、及時，並且適合回答具體的問題。專業文獻稱之為“適用性”（fitness for use）。
像“女性，25 至 34 歲，興趣：美妝”這樣的外購人群包，描述得很精確。可面對“是什麼促使這個人嘗試我們的產品？”這個問題，它幾乎毫無價值。它描述的是特徵，而不是動機。互動源於理解，而不是數字。
對冷啟動來說，這意味著關鍵資源不是單個使用者的歷史，而是一幅關於品類中動機、擔憂和語言的可靠圖景。而這幅圖景，完全可以從公開內容中獲得。
如何從公開內容中構建使用者畫像？
人們在公開場合講了大量關於自己為什麼買、為什麼不買的話：在品牌帖子下的評論裡，在商品評價裡，在創作者影片裡，在論壇帖子裡。這些內容可以被收集起來，按話題和痛點聚類，再提煉成使用者畫像，用的是真實引語，而不是憑空編寫的人物小傳。
與工作坊裡產出的傳統使用者畫像相比，區別在於：它基於人們真正說過的話，而不是團隊對他們的猜測。Digiday 介紹了一種相近的做法：Limitless Labs 為品牌 Sacheu 分析了其創作者生態中數以千計的 TikTok 和 Instagram 影片，用來構建使用者畫像。
對德國市場尤其重要的一點是：這類使用者畫像在規律和群體層面工作，選擇第一條資訊並不需要任何單個使用者的檔案。當然，你的具體方案在法律上是否合規，仍需由你的資料保護顧問來評估。
應對冷啟動有哪些方法？
| 方法 | 資料基礎 | 優勢 | 劣勢 |
|---|---|---|---|
| 外購第三方人群包 | 外部檔案、Cookie | 隨取隨用 | 對動機所知甚少，資料保護風險高 |
| 情境定向 | 投放環境、時間、地點、裝置 | 不需要個人資料 | 很難說明購買動機 |
| 零方資料 | 問答測試或註冊引導中的回答 | 直接，且基於使用者同意 | 只來自願意參與的人；給轉化漏斗增加阻力 |
| 合成受眾 | 基於調研、統計和樣本組資料的模型 | 快速模擬反應 | 容易趨向平均；質量取決於輸入資料 |
| 基於公開內容的使用者畫像 | 評論、評價、創作者內容、競品廣告 | 品類中真實的動機和語言 | 需要訊號才能把單個使用者歸類 |
沒有哪種方法能單獨解決問題。實踐中，基於公開內容的使用者畫像提供假設，情境訊號負責歸類，第一方資料負責驗證。
如何用六個步驟落地冷啟動個性化？
- 收集品類討論。收集過去幾個月的評論、評價、創作者內容和競品廣告，不只是關於品牌本身，而是覆蓋整個品類。
- 構建使用者畫像和痛點。按動機和擔憂給內容聚類。起步階段，三到五個界限清晰的使用者畫像就足夠了。
- 為每個畫像提出一個假設。什麼資訊、什麼鉤子、什麼優惠最合適？為每個畫像至少開發一個專屬的創意版本。
- 確定歸類訊號。落地頁、搜尋詞、投放環境、流量來源、最初幾次點選：明確哪個訊號指向哪個畫像。
- 帶著探索去投放。預留一部分流量，投放與推測畫像不匹配的版本。這樣系統才會持續學習，而不是隻驗證自己的假設。
- 回傳第一方資料。每一次互動都會讓歸類更精準。定期更新使用者畫像，因為討論本身在不斷變化。
合成受眾對冷啟動有多大用處？
有一定用處，前提是瞭解它的侷限。在 Digiday 的報道中，連業內人士自己都提出了保留意見：Vurvey CEO Chad Reynolds 表示，大語言模型給出的是鐘形曲線的頂端，也就是最常見的答案。TransUnion 的 Julie Clark 提醒，要提防基於劣質輸入資料的使用者畫像。Code & Theory 的 Stef Hoffman 則一語中的：這些結果能為判斷提供參考，但不能取代判斷。
公開內容的價值恰恰在這裡。它們不是模擬，而是證據。如果某個使用者畫像聲稱你所在品類的人最怕買錯，你就應該能看到這個結論來自哪些帖子。一個無法追溯來源的使用者畫像，只是一種斷言。
Defy Monitor 走的就是這條路：自動把受眾內容聚類為使用者畫像和痛點，基於真實討論而不是人口統計特徵來做策劃。它是 Defy 平臺的組成部分，這個平臺讓獨立代理商擁有與大型網路代理商斥巨資打造的同等分析能力。
怎麼判斷你的冷啟動策略是否奏效？
把基於畫像的版本與一個通用版本的對照組做比較。最有說服力的是新使用者的早期指標：與第一條廣告的互動、首次訪問的深度、到首次轉化所用的時間。如果畫像版本沒有領先，這不算失敗，而是一個提示：要麼畫像不對，要麼歸類訊號太弱。
