Có bốn cách chính để chọn ai nhìn thấy quảng cáo trên mạng xã hội: nhắm theo sở thích và đặc điểm, dùng tệp khách hàng của chính bạn, dùng tệp tương tự với khách cũ, và nhắm rộng để hệ thống tự tìm. Không cách nào luôn thắng; cách hợp nhất phụ thuộc bạn có bao nhiêu dữ liệu khách hàng và ngân sách đủ cho máy học tới đâu.
Vài năm trước, chạy quảng cáo giỏi đồng nghĩa với biết chồng sở thích khéo. Hiện nay, khi hệ thống phân phối của các nền tảng ngày càng dựa vào học máy, phần việc của người chạy quảng cáo dịch dần sang chỗ khác: cung cấp tín hiệu tốt cho máy và viết mẫu quảng cáo tự sàng lọc người xem. Bài này giải thích từng cách, kèm chỗ AI giúp được và chỗ phải cẩn thận với dữ liệu khách hàng.
Bốn cách nhắm đối tượng đặt cạnh nhau
Bảng dưới so sánh bốn cách theo những gì doanh nghiệp nhỏ quan tâm nhất. Tên gọi trên giao diện mỗi nền tảng khác nhau và đổi theo thời gian; nguyên lý thì gần như giống nhau.
| Cách nhắm | Dựa vào đâu | Mạnh ở | Yếu ở |
|---|---|---|---|
| Sở thích, hành vi, đặc điểm | Suy đoán của nền tảng về người dùng | Dễ hiểu, không cần dữ liệu riêng | Suy đoán có thể lệch; nhiều lựa chọn từng bị nền tảng gỡ bỏ |
| Tệp khách hàng tùy chỉnh | Danh sách khách của bạn, người từng vào trang web, xem video, nhắn tin | Nhắm đúng người đã biết bạn | Tệp nhỏ; phải có đồng ý và xử lý dữ liệu đúng quy định |
| Tệp tương tự | Nền tảng tìm người giống tệp nguồn của bạn | Mở rộng từ khách tốt nhất | Cần tệp nguồn đủ lớn và chất lượng; tệp nguồn tạp thì kết quả tạp |
| Nhắm rộng | Chỉ giới hạn vùng, tuổi; máy tự học từ phản hồi | Giá phân phối thường dễ chịu, máy tìm được người ngoài dự đoán | Cần ngân sách và đủ sự kiện chuyển đổi để học; mẫu quảng cáo phải tự sàng lọc |
Đọc bảng, bạn sẽ thấy câu hỏi "cách nào tốt nhất" không có đáp án chung. Một quán cà phê mới mở chưa có khách nào trong danh sách thì không có tệp nguồn để làm tệp tương tự. Một cửa hàng đã bán ba năm với vài nghìn khách có đồng ý nhận thông tin thì có lợi thế mà người mới không có.
Nhắm theo sở thích: vẫn dùng được, nhưng đừng quá tin
Sở thích là suy đoán của nền tảng dựa trên những gì người dùng bấm, theo dõi, xem. Một người theo dõi vài trang làm bánh có thể được gắn sở thích làm bánh, dù họ chỉ thích xem video cho vui. Vì vậy sở thích là tín hiệu yếu: hữu ích khi bạn bán thứ rất chuyên biệt, kém hơn khi bạn bán thứ ai cũng có thể mua.
Một lỗi phổ biến là chồng năm bảy sở thích theo kiểu và, khiến tệp còn rất nhỏ, giá phân phối đắt, quảng cáo hiện lặp lại cho cùng một nhóm người. Lỗi ngược lại là thêm thật nhiều sở thích theo kiểu hoặc, tưởng là thu hẹp nhưng thực ra mở rộng ra gần như toàn bộ người dùng. Hãy đọc kỹ cách giao diện kết hợp các lựa chọn trước khi bấm lưu.
Cũng cần biết rằng các nền tảng đã gỡ hoặc gộp nhiều lựa chọn nhắm liên quan đến chủ đề nhạy cảm như sức khoẻ, tôn giáo, khuynh hướng chính trị, xu hướng tính dục. Đừng tìm cách lách bằng những sở thích gần nghĩa để nhắm người đang có bệnh hay đang gặp khó khăn; việc đó vừa vi phạm chính sách vừa đi ngược đạo đức nghề.
Tệp khách hàng tùy chỉnh: làm đúng từ khâu thu thập
Tệp khách hàng của chính bạn thường là tín hiệu mạnh nhất, nhưng cũng là chỗ dễ sai về pháp lý nhất. Quy trình gợi ý:
- Chỉ dùng danh sách khách đã đồng ý nhận thông tin tiếp thị, ghi nhận đồng ý ở đâu, khi nào. Danh sách mua lại, xin của người quen hay tự thu thập từ nhóm mạng xã hội thì không được dùng.
- Ghi rõ trong chính sách quyền riêng tư của cửa hàng rằng thông tin liên hệ có thể được dùng để hiển thị quảng cáo phù hợp, và cách để khách từ chối.
- Chuẩn bị tệp chỉ gồm những cột nền tảng cần, thường là số điện thoại hoặc email. Bỏ hết cột không cần như địa chỉ chi tiết, lịch sử mua, ghi chú.
- Dùng công cụ tải lên chính thức của nền tảng. Theo mô tả của các nền tảng lớn, dữ liệu được mã hoá một chiều trước khi đối chiếu; bạn vẫn nên đọc điều khoản hiện hành về tệp khách hàng.
- Không dán danh sách khách hàng vào chatbot để nhờ chia nhóm hay làm sạch. Nếu cần AI hỗ trợ, chỉ đưa cấu trúc cột và vài dòng giả để nó viết công thức xử lý cho bạn tự chạy trên máy.
- Cập nhật tệp định kỳ và xoá khỏi tệp những người đã yêu cầu huỷ nhận thông tin.
Quy định về bảo vệ dữ liệu cá nhân ở Việt Nam đã chặt hơn trong những năm gần đây. Bài này chỉ nêu nguyên lý; với cách thu thập và lưu trữ cụ thể, hãy đối chiếu văn bản hiện hành hoặc hỏi người có chuyên môn pháp lý.
Tệp tương tự: chất lượng tệp nguồn quyết định tất cả
Chọn tệp nguồn là khách tốt, không phải khách đông. Tệp tương tự dựng từ "tất cả người từng bấm thích trang" sẽ tìm thêm người hay bấm thích. Dựng từ "khách mua từ hai lần trở lên" sẽ tìm người giống khách trung thành. Nguồn càng gần hành vi bạn muốn thì kết quả càng sát.
Tệp nguồn cần đủ lớn. Nền tảng thường đặt mức tối thiểu cho tệp nguồn, và tệp chỉ vừa đủ mức tối thiểu thường cho kết quả kém ổn định. Cửa hàng nhỏ có thể dùng người đã nhắn tin hoặc người đã xem phần lớn video sản phẩm làm nguồn khi danh sách khách mua còn ít.
Tỉ lệ tương tự nhỏ là gần, lớn là rộng. Tệp tương tự thường cho chọn mức độ giống, ví dụ một phần trăm dân số giống nhất hoặc rộng hơn. Ngân sách nhỏ nên bắt đầu ở mức gần, đọc kết quả rồi mới nới ra.
Tệp tương tự ngày càng giống nhắm rộng. Ở nhiều nền tảng, hệ thống được phép mở rộng ra ngoài tệp bạn chọn nếu thấy có lợi cho mục tiêu. Vì vậy hiệu quả khác biệt giữa tệp tương tự và nhắm rộng đã hẹp lại; hãy thử cả hai thay vì tin một bên.
Nhắm rộng: khi mẫu quảng cáo là bộ lọc đối tượng
Nhắm rộng nghĩa là chỉ đặt vùng địa lý, độ tuổi tối thiểu và để hệ thống tự tìm người phản hồi theo mục tiêu đã chọn. Nghe thì như phó mặc, nhưng thực chất bạn chuyển việc nhắm từ ô cài đặt sang chính mẫu quảng cáo. Một video mở đầu bằng cảnh "mẹ bỉm sữa đi làm cần đồ ăn sáng cho con mang theo" tự khắc kéo đúng nhóm phụ huynh dừng lại xem, và hệ thống học từ những người dừng lại đó.
Nhắm rộng hợp khi tài khoản đã có mã theo dõi hoạt động đúng, có đủ sự kiện chuyển đổi mỗi tuần để máy học, và bạn có vài mẫu quảng cáo nói rõ sản phẩm dành cho ai. Nó kém hợp khi bạn bán thứ rất chuyên biệt, chẳng hạn phụ tùng máy nông nghiệp ở Đắk Lắk, mà ngân sách nhỏ không đủ để máy tự tìm ra nhóm người hẹp đó.
Ví dụ giả định: một tiệm đồ ăn sáng đóng hộp ở Hải Phòng chạy song song hai nhóm quảng cáo cùng một mẫu, một nhóm nhắm sở thích nấu ăn và gia đình, một nhóm nhắm rộng trong bán kính giao hàng. Sau hai tuần, nhóm rộng có chi phí mỗi đơn thấp hơn một chút nhưng nhiều đơn ở rìa vùng giao. Kết luận hợp lý không phải "rộng thắng" mà là thu hẹp bán kính rồi thử tiếp.
Dùng AI phác giả thuyết đối tượng, rồi để dữ liệu phán
AI không biết khách của bạn, nhưng giỏi giúp bạn nghĩ ra nhiều giả thuyết để thử thay vì bám vào một hình dung duy nhất. Một số cách dùng an toàn:
- Mô tả sản phẩm và những gì bạn biết về khách đã mua, ở dạng tổng hợp không có tên, rồi hỏi: "Hãy đề xuất năm nhóm khách khác nhau có thể cần sản phẩm này, mỗi nhóm nêu hoàn cảnh, lúc họ cần, và một câu mở đầu video có thể khiến họ dừng lại."
- Nhờ AI chỉ ra nhóm khách bạn có thể đang bỏ sót, ví dụ người mua làm quà, người mua cho cha mẹ ở quê.
- Biến mỗi nhóm thành một góc nội dung quảng cáo thay vì một tổ hợp sở thích. Với nhắm rộng, góc nội dung chính là cách nhắm.
- Dùng AI viết nháp loại trừ: những nhóm nào chắc chắn không phải khách để bạn cân nhắc loại trừ bằng vùng hoặc tuổi.
- Ghi mỗi giả thuyết vào một bảng nhỏ với cột "nhóm", "góc nội dung", "kết quả sau hai tuần" để không quên đã thử gì.
Phần hiểu khách sâu hơn, như phỏng vấn khách và vẽ chân dung khách hàng từ dữ liệu thật, nằm ở danh mục hiểu khách hàng của trang. Quảng cáo chỉ là nơi kiểm nhanh những giả thuyết đó bằng tiền thật.
Loại trừ và chồng chéo: hai chỗ hay bị quên
Khi chạy nhiều nhóm quảng cáo cùng lúc, các nhóm có thể nhắm trùng người với nhau. Nhóm sở thích và nhóm tệp tương tự cùng lúc tranh nhau một người xem, bạn tự đấu giá với chính mình, và báo cáo khó đọc vì không biết nhóm nào thật sự mang khách về. Với ngân sách nhỏ, ít nhóm hơn mà mỗi nhóm đủ dữ liệu thường tốt hơn nhiều nhóm chồng chéo.
Loại trừ cũng quan trọng không kém. Chiến dịch tìm khách mới nên loại trừ người đã mua gần đây, còn chiến dịch nhắm lại người từng ghé thăm thì nên loại trừ người đã mua xong. Không loại trừ, bạn trả tiền để mời người vừa mua hôm qua mua lại đúng món đó, và họ thấy phiền.
Cuối cùng, mọi kết luận về đối tượng nên dựa trên chi phí mỗi kết quả thật như đơn hàng hay khách đến, không dựa trên số người tiếp cận hay lượt thích. Một nhóm tiếp cận rẻ mà không ai mua là nhóm đắt nhất.
Câu hỏi thường gặp
Ngân sách nhỏ nên nhắm theo sở thích hay nhắm rộng?
Nếu tài khoản chưa có dữ liệu chuyển đổi và sản phẩm khá chuyên biệt, nhắm sở thích kèm vùng địa lý hẹp là điểm khởi đầu dễ đọc. Khi đã có mã theo dõi chạy đúng và đủ đơn mỗi tuần, nên thử nhắm rộng với mẫu quảng cáo nói rõ sản phẩm dành cho ai.
Có được tải danh sách số điện thoại khách lên để quảng cáo không?
Chỉ nên dùng danh sách khách đã đồng ý nhận thông tin tiếp thị, có ghi trong chính sách quyền riêng tư và có cách từ chối. Danh sách mua lại hoặc thu thập không có đồng ý thì không được dùng. Hãy đối chiếu quy định bảo vệ dữ liệu cá nhân hiện hành.
Tệp đối tượng tương tự cần bao nhiêu người làm nguồn?
Mỗi nền tảng có mức tối thiểu riêng, hãy xem trên giao diện hiện hành. Quan trọng hơn số lượng là chất lượng: tệp nguồn là khách đã mua hoặc mua nhiều lần cho kết quả sát hơn tệp người từng bấm thích trang.
Có nên dán danh sách khách hàng vào ChatGPT để phân nhóm?
Không nên dán dữ liệu khách thật vào chatbot. Nếu cần AI hỗ trợ, chỉ đưa tên cột và vài dòng dữ liệu giả để nó viết công thức hoặc quy tắc phân nhóm, sau đó bạn tự chạy trên bảng tính của mình.
Vì sao nhắm sở thích rất hẹp mà quảng cáo vẫn đắt?
Tệp càng hẹp thì càng ít người để phân phối, nhiều nhà quảng cáo tranh cùng nhóm, và quảng cáo hiện lặp lại cho cùng người. Ngoài ra sở thích chỉ là suy đoán của nền tảng. Thử nới rộng và để mẫu quảng cáo tự sàng lọc người xem.
Làm sao biết các nhóm quảng cáo có đang chồng chéo nhau không?
Một số nền tảng có công cụ so sánh mức trùng giữa các tệp đối tượng. Không có công cụ thì giảm số nhóm, dùng loại trừ giữa các nhóm và theo dõi xem giá có tăng khi bật thêm nhóm mới không.