【】每天进步一点点产品知识

每日进步一点点产品知识ヾ(◍°∇°◍)ﾉﾞ

• DAU ：一天里活跃的独立的用户数。（24h）
• MAU：一个月里活跃的独立的用户数。（30 days）

如何理解 DAU 和 MAU 这两个数据？ - 知乎

如何理解 DAU 和 MAU 这两个数据？ - Aaron余乐的回答 - 知乎

DAU（日活）：
单日活跃用户量，反应产品短期用户活跃度

MAU（月活）：
单月活跃用户量，反应产品长期用户活跃度

日活和月活的比值乘以30等于用户月平均登录天数。
日活和月活的比值高，代表一个月有使用产品的用户中，每天都使用产品的用户比例高，即使用频率高，用户对产品的依赖性强，同时也说明用户粘度较强。另一方面，也代表了用户的流失率低，留存率高。
日活和月活的比值低，所有结论相反，用户使用频率低，依赖性弱，粘度较弱，用户流失率高，留存率低。

下面分4种动态情况来讨论日活和月活的关系
1. 日活和月活的比值变高，日活增加显著。说明产品的改动或者啥大新闻让部分沉默用户苏醒，但是这个改动和大新闻大多触及到产品已有老用户，这种情况下我们应该加大对产品新功能的推广和宣传，引导更多的新用户成为我们的活跃用户。
2. 日活和月活的比值变高，月活减少显著。说明非忠实用户的流失变得严重，对于一部分刚需的用户我们可以保留下来，但是对于不是刚需的用户我们无法挽留，这种情况下我们应该在保证核心功能的基础上进行功能多元化的探索，满足更多非刚需非忠实用户的需求。
3. 日活和月活的比值变低，日活减少显著。说明我们的核心功能出现了问题或者外界的影响造成了用户对产品本身的恐慌，像什么某某某P2P跑路了等等，导致原本使用产品的用户跳到竞品或者不再使用，这种情况下我们应该分析竞品的动向，确保我们的核心功能各方面使用体验达到最优，才能挽留用户。
4. 日活和月活的比值变低，月活增加显著。说明产品的改动或者外界的推广让短期用户活跃度提升，但是这个改动和影响不具备可持续性，可能是用户玩一下就腻了的快死型功能，比如脸萌，足迹这种功能，这种情况下我们要思考如何增加用户的粘度，减少用户流失。

互联网广告中的DSP/DMP/ADX/SSP - 齿轮易创的文章 - 知乎

• SSP（Sell Side Platform）供应方平台：供应方平台能够让广告资源方（Publisher）也介入广告交易，从而使它们的库存广告可用。通过这一平台，资源方有望使得库存广告可以获得最高的有效每千次展示费用，而不必以低价销售出去。【媒体展示平台】
• DSP（Demand Side Platform）需求方平台：需求方平台是连接不同模块的中心枢纽，包括AdExchange，广告网络和供应方平台，需要通过实时竞价的机制来完成广告投放，需求方平台汇集了各种广告交易平台的广告库存。当广告主或者广告代理商发出投放请求，DSP就根据需求来进行广告交换（Ad Exchange），通过从供应方平台来获得投放的位置，并进行价格控制。【广告主平台】
• DMP（Data Management Platform）数据管理平台：数据管理平台意味着中央数据控制管理，把所有数据按不同属性进行粒度细分。DMP能够帮助所有涉及广告库存购买和出售的各方管理其数据（不管是第一方还是第三方），按需求进行数据回传，或将定制数据传入某一平台以进行更好地定位。其实DMP属于DSP的一部分核心内容，专职负责给DSP提供数据决策支持。【通过将各种来量数据进行管理和分析，为DSP等提供数据支持，能使DSP获得更精准的投放效果】

所谓第三方DMP公司，是利用自己收集的数据为客户提供数据支撑服务，同时基于数据量收取客户一定比例的费用，其控制权和使用权一般归DMP运营商所有。

• AdExchange：广告交换，应该称之为一种应用方式落地到了平台上。针对每次展示进行实时竞价的推广交换市场，能帮助广告网络联盟、代理结构和第三方技术提供商通过实时竞价的方式购买众多互联网站点的广告资源。【SSP和DSP就是通过ADX实现的RTB模式程序化购买的】
• RTB（Real Time Bidding）实时竞价，是一种利用第三方技术在数以百万计的网站或移动端针对每一个用户展示行为进行评估以及出价的竞价技术。与大量购买投放频次不同，实时竞价规避了无效的受众到达，针对有意义的用户进行购买。

lookalike到底是什么？ - 皓量科技AdBright的回答 - 知乎

一、定义

Lookalike，即相似人群扩展，是基于种子用户，通过一定的算法评估模型，找到更多拥有潜在关联性的相似人群的技术。值得注意是，lookalike不是某一种特定的算法，而是一类方法的统称，这类方法综合运用多种技术，比如协同过滤、node2vec等，最终达到用户拓展目的

二、算法原理

对于特征和模型算法，不同的广告技术公司各有差异，特征取决于其DMP有哪些数据，主要方式有以下三种：

• 利用用户画像进行人群扩散：给种子用户打标签，利用相同标签找到目标人群
• 利用分类模型进行人群扩散：种子用户为正样本，候选对象为负样本，训练分类模型，然后用模型对所有候选对象进行筛选。
• 利用社交网络进行人群扩散：利用种子用户的好友关系，将其标签传给社区中的好友，从而实现人群扩散

这里以分类模型为例，人群拓展过程如下：

首先，提交数据。广告主需向DMP提交一系列客群范围，一般以设备码、电话号码等形式存在，我们称之为种子用户。

然后，进行建模。种子用户在和DMP平台所拥有的用户数据进行匹配，排除非DMP用户，将剩下的种子用户作为机器学习的正样本。负样本会从平台的非种子用户进行选取，将其转化为一个二分类的模型，由正负样本组成学习的样本，训练模型。

最后，输出拓展用户。根据广告主所需要的目标用户量级，按模型机制输出数据。根据扩散量级需求，量级越小，包含的用户群体相似程度越近。广告主可使用拓展后的用户数据包进行广告投放。