Cookie 时代落幕后的受众策略

毫无疑问，第三方 cookie 的消失将引发全行业的剧烈震荡，具体表现在颠覆性的受众激活和媒体投入衡量策略上。

程序化广告的旧时魔咒--"在合适的时刻向合适的用户推送合适的广告"--或许将很快演变为 "在'销售漏斗'的任意阶段向随机用户重复推送相同的广告"。

然而，这并不意味着我们就要走回 "上下文定向 "和 "最后点击归因 "的老路上。我们仍有一些无需 cookie 的用例可供考虑，而营销者也不得不采用新方式来处理第一方数据。

局样，这也并不意味着所有形式的受众规划和媒体投入衡量方式走向终结。我们依然可以从谷歌、Facebook、亚马逊和 Pinterest 等平台上的点赞数中获取受众的人口属性数据、市场精准定向数据和消费倾向数据。这些数据均为第一方数据，并且不同于那些从数据提供商处购买的受众信息，这些数据完全免费。重定向消费者和 "类似受众 "等策略也有助于营销者渡过难关，只要这些策略能够利用无 cookie信号和客户关系管理 (CRM) 系统迁移。

展示归因和全渠道衡量不会消失，但其数据来源仅限于 "围墙花园 "中的第一方数据集成和 "数据净室"（如谷歌的 Ads Data Hub 和亚马逊的 Marketing Cloud）。

营销者要想在新局面中取得成功，就必须重点关注那些已同意收集个人数据的已知身份用户，而不是那些未知用户。目前，大多数第一方数据用例依赖于将第一方匿名 cookie（如：广告曝光或产品页面浏览次数）与第三方匿名 cookie（如：需求方平台）进行匹配，从而进行重定向消费者、受众扩展或受众归因分析。在将来，唯一可能的第一方数据用例将是利用客户关系管理 (CRM) 系统迁移，将已知用户身份（如：经过哈希处理的电子邮件地址）与 "围墙花园 "中经过哈希处理的电子邮件地址进行匹配。

因此，营销者必须改变策略，从大量收集未知身份信息转为构建已知身份信息库--信息库所收集的身份信息必须征得用户的完全同意，营销者必须重新定义基于绩效的媒体投入 KPI。此外，为了达到客户关系管理的群聚效应，营销者必须明确共享个人数据的回报。

5805A↩焦第一方E据，形成有价值的洞察

若无有价值的洞察，仅仅扩充已知的第一方数据池毫无意义。因此，品牌商必须采用营销云方案，即将其需求方平台(DSP) 或广告服务器与谷歌云平台 (Google Cloud Platform)、亚马逊云计算服务 (AWS) 或微软云端服务平台 Microsoft Azure 相连接，对已知的第一方数据进行匹配，不断丰富该部分数据，并为其打分。

比如，对顾客进行预测性终身价值计算对基于价值的 "类似受众 "模型尤为有效。品牌商希望获取的客户是与他们最优质的客户相类似的顾客，而不是任意一个品牌新闻通讯订阅者。

"倾向模型 "有助于预测顾客对低成本直接营销沟通予以积极回应的可能性。此外，这些模型仅运用付费媒体客户的数据，而这部分客户亦无法通过其他方式获取。

产品推荐引擎可用于在程序化广告或短视频中动态插入下一个最佳购物建议。

品牌商必须借助云端环境才能形成有价值的洞察。利用云端平台（如：谷歌 BigQuery 或亚马逊 AWS Redshift），从 Google Analytics 360 或 Adobe Experience Cloud 等平台上收集的网站数据可以与 Salesforce 上的客户关系管理 (CRM) 数据进行最精细的匹配。此外，强大的机器学习配套工具还能很好地为这些数据打分。最后，扩充后的客户关系管理数据集可上传至特定的 "围墙花园"，用于激活受众或衡量品牌的媒体投入。

后 cookie 时代绝不是倒退回盲目的 "上下文定向 "和 "最后点击归因"。恰恰相反，它要求营销者进行更多的 T 型布局，综合运用客户关系管理、程序化媒体购买和云技术。

有鉴于此，快速健全的数据监管和数据隐私规定既是机遇，也带来了危机。一些营销者墨守成规、只知徒然地等待 cookie 时代落幕的最后钟声，他们最可能陷入投资回报率下跌却茫然无措的窘境，对营销投入缺乏清晰的规划。而另一些营销者快速意识到应当重新评估数据成熟度、配置更强大的第一方数据资产以及采取新的 "围墙花园 "解决方案，这些营销者必将在新局势中大获成功。