对一无所知的人，怎么做个性化广告？老实说：在个人层面根本做不到。但你完全可以去理解那些对某个品类感兴趣的人，再根据少量信号把新用户归入合适的用户画像。这就是一套可行的冷启动策略的核心。
行业在寻找传统受众数据的替代方案上下了多大力气，美国营销媒体 Digiday 的最新报道可见一斑：合成受众正从实验走进日常的策划和策略工作。Aveeno Body 借助 Vurvey 的合成研究，把一份策略简报的耗时从约 30 天缩短到 3 天。Goodway Group 则在媒介策划中使用 Arima 的“合成人口”，覆盖美国、英国和德国的消费者。
广告中的冷启动问题是什么？
这个概念来自推荐系统领域。一个从行为中学习的系统，需要行为数据才能学习，而新用户还没有任何行为。于是系统只能展示平均水平的东西：畅销品、泛泛的信息，以及那种对所有人都有点用、却打动不了任何人的广告。
在广告领域，这个问题更加突出。多款浏览器默认屏蔽第三方 Cookie，同意弹窗在德国早已是家常便饭，而且并不是人人都会点“全部接受”。传统的出路，也就是外购人群包，在数据保护法律上的风险越来越大，而且本来就很难说明一个人为什么购买。在深受 GDPR（德语称 DSGVO）影响的 DACH 地区（德国、奥地利、瑞士），“我们直接买点数据补上”已经算不上策略了。
为什么更多数据解决不了问题
数据质量研究对此有一个冷静的说法：数据好不好，取决于它是否适合用途。光是准确还不够，数据必须相关、及时，并且适合回答具体的问题。专业文献称之为“适用性”（fitness for use）。
像“女性，25 至 34 岁，兴趣：美妆”这样的外购人群包，描述得很精确。可面对“是什么促使这个人尝试我们的产品？”这个问题，它几乎毫无价值。它描述的是特征，而不是动机。互动源于理解，而不是数字。
对冷启动来说，这意味着关键资源不是单个用户的历史，而是一幅关于品类中动机、担忧和语言的可靠图景。而这幅图景，完全可以从公开内容中获得。
如何从公开内容中构建用户画像？
人们在公开场合讲了大量关于自己为什么买、为什么不买的话：在品牌帖子下的评论里，在商品评价里，在创作者视频里，在论坛帖子里。这些内容可以被收集起来，按话题和痛点聚类，再提炼成用户画像，用的是真实引语，而不是凭空编写的人物小传。
与工作坊里产出的传统用户画像相比，区别在于：它基于人们真正说过的话，而不是团队对他们的猜测。Digiday 介绍了一种相近的做法：Limitless Labs 为品牌 Sacheu 分析了其创作者生态中数以千计的 TikTok 和 Instagram 视频，用来构建用户画像。
对德国市场尤其重要的一点是：这类用户画像在规律和群体层面工作，选择第一条信息并不需要任何单个用户的档案。当然，你的具体方案在法律上是否合规，仍需由你的数据保护顾问来评估。
应对冷启动有哪些方法？
| 方法 | 数据基础 | 优势 | 劣势 |
|---|---|---|---|
| 外购第三方人群包 | 外部档案、Cookie | 随取随用 | 对动机所知甚少，数据保护风险高 |
| 情境定向 | 投放环境、时间、地点、设备 | 不需要个人数据 | 很难说明购买动机 |
| 零方数据 | 问答测试或注册引导中的回答 | 直接，且基于用户同意 | 只来自愿意参与的人；给转化漏斗增加阻力 |
| 合成受众 | 基于调研、统计和样本组数据的模型 | 快速模拟反应 | 容易趋向平均；质量取决于输入数据 |
| 基于公开内容的用户画像 | 评论、评价、创作者内容、竞品广告 | 品类中真实的动机和语言 | 需要信号才能把单个用户归类 |
没有哪种方法能单独解决问题。实践中，基于公开内容的用户画像提供假设，情境信号负责归类，第一方数据负责验证。
如何用六个步骤落地冷启动个性化？
- 收集品类讨论。收集过去几个月的评论、评价、创作者内容和竞品广告，不只是关于品牌本身，而是覆盖整个品类。
- 构建用户画像和痛点。按动机和担忧给内容聚类。起步阶段，三到五个界限清晰的用户画像就足够了。
- 为每个画像提出一个假设。什么信息、什么钩子、什么优惠最合适？为每个画像至少开发一个专属的创意版本。
- 确定归类信号。落地页、搜索词、投放环境、流量来源、最初几次点击：明确哪个信号指向哪个画像。
- 带着探索去投放。预留一部分流量，投放与推测画像不匹配的版本。这样系统才会持续学习，而不是只验证自己的假设。
- 回传第一方数据。每一次互动都会让归类更精准。定期更新用户画像，因为讨论本身在不断变化。
合成受众对冷启动有多大用处？
有一定用处，前提是了解它的局限。在 Digiday 的报道中，连业内人士自己都提出了保留意见：Vurvey CEO Chad Reynolds 表示，大语言模型给出的是钟形曲线的顶端，也就是最常见的答案。TransUnion 的 Julie Clark 提醒，要提防基于劣质输入数据的用户画像。Code & Theory 的 Stef Hoffman 则一语中的：这些结果能为判断提供参考，但不能取代判断。
公开内容的价值恰恰在这里。它们不是模拟，而是证据。如果某个用户画像声称你所在品类的人最怕买错，你就应该能看到这个结论来自哪些帖子。一个无法追溯来源的用户画像，只是一种断言。
Defy Monitor 走的就是这条路：自动把受众内容聚类为用户画像和痛点，基于真实讨论而不是人口统计特征来做策划。它是 Defy 平台的组成部分，这个平台让独立代理商拥有与大型网络代理商斥巨资打造的同等分析能力。
怎么判断你的冷启动策略是否奏效？
把基于画像的版本与一个通用版本的对照组做比较。最有说服力的是新用户的早期指标：与第一条广告的互动、首次访问的深度、到首次转化所用的时间。如果画像版本没有领先，这不算失败，而是一个提示：要么画像不对，要么归类信号太弱。
