数据驱动的广告需要优质数据。但大量的不良数据和经不起推敲的数据使用方式可能会给营销活动造成不良影响。

　　营销人员需要知道何时使用自己的数据，何时依赖合作伙伴。他们需要在成本、准确性和规模之间做权衡取舍。他们需要知道他们的数据来自哪里以及如何低成本测试。他们需要知道如何评估多个数据源。所以，我们需要考虑下述问题：

　　问题一：如何创建目标人群？

　　如何找到目标人群是这些问题中最重要的一个。当营销人员想要确定“潜在购车人群”或“美妆消费者”或“到过咖啡店的人”时，他们需要知道该目标人群是如何构建的以及是使用自己的数据还是第三方数据构建的。第三方数据在做细分目标人群构建时非常有价值。如果有人说“潜在购车人群”，他们其实没有说明白具体的含义，是定义这个周末想买车的人？还是对汽车感兴趣的人？如果你没有明确说明你的定义，很容易把广泛定义的无关人群放到一起。”

　　数据提供者可以使用不同的方法来获得目标人群。你可以拿用户电子邮件地址列表和超市会员卡之类的数据匹配。虽然不用cookie等较精确的数据也可以使用数据模型创建目标人群，但也会导致人群规模增加，但是相应的降低了质量。使用数据模型处理目标人群的时候，必须明确种子数据和模型推算人群的比例。

　　问题二：数据价值超过成本了吗？

　　如果男性是人口的一半，但定位男性人群要花三倍的成本，那么购买一个基于性别的目标人群值得吗？

　　研究广告素材的数据投入成本是值得的，尤其是对品牌广告。如果你用消费者不想要的消息轰炸他们只是因为这种广告便宜，你会惹恼他们，他们会直接关闭广告。对于效果广告营销人员来说，只有在提高收入的基础上，数据支出才有意义。

　　你可以拥有世界上最准确、最神奇的数据。但是如果它比其他广告投放方式贵15倍，那根本不值得去尝试。效果广告营销人员可以做一些高价格的测试来看高价格数据是否确定能够带来更好的结果。如果要获得更好的数据需要更高的成本，那它就必须有更高的投资回报率。

　　问题三：规模和精准之间的平衡点是什么？

　　有时候，垃圾数据也会带来订单激增，因为垃圾数据也可能会为广告客户带来销量。一个小体量的高质量的基于数据的目标人群可能适用于电子邮件营销活动，但对于媒体投放活动来说太小了。因此数据提供商利用一部分无效数据来据添加更多的看似精准的结果。广告主需要了解Lookalike算法或任何其他用于获取规模的手段。在运营实践中，简单的只要求规划或者精准都不现实，总是有一个平衡。如果你定义了一个非常精准的人群： 30-40岁，女性，在过去14天，在指定的四个区域，买了特定的某一本杂志，最后找到30人。这是一个很有价值的目标人群，但数量太少了。

　　广告主想要最准确的细分，但那样的结果就会失去规模。回到问题一，如果营销人员知道如何创建目标人群，他们就可以准确定义对他们管理的品牌有意义的精准性和规模之间的平衡。

　　问题四：不通过媒体，我是否可以测试这个目标人群？

　　传统上，广告主通过针对细分受众购买渠道来测试数据。但渠道是昂贵的。

　　如果营销人员不想花钱来测试细分人群，他们可以尝试根据他们在DMP或CRM中的表现来验证数据，看看是否有什么确切的结果。

　　如果不想从市场测试开始，也可以把数据添加到CRM数据库并检查匹配率。在可以匹配的范围内，去检测它与数据库的其余部分是否具有相关性。

　　如果缺乏相关性，那就表明数据不良，当然也要注意没有意义的相关性。如外部数据集表明某营销人员有一个富有的客户群，但内部数据表明相反。没有意义的数据可以通过内部匹配在花费媒介费用测试之前过滤。

　　问题五：数据刷新频率？

　　某些数据（如人口统计信息或兴趣）不会随时间变化太大，营销人员可以使用它而不用担心它会衰减。但其他类型的数据衰减很快。你需要比更新生活方式数据更频繁地更新SKU级别或交易级数据。以消费者购买汽车这类大件商品的决策阶段为例，消费者会在几周或几个月内进入这个阶段，因此每年更新的“潜在汽车购买者”的预测模型不会带来结果。