作者：Moloco顶级内容营销经理 Matthew Kaplan

全部的机器进修（ML）都需要数据来进修，数据越多越好。然而，为了让机器进修模型运行良好，单单数据量充足是不够的，数据质量也要尽也许的高。

训练和持续提供训练机器进修模型的相关一手数据，一直是决定因素。然而获取用户数据的条件的演变——从监管标准到平台政策再到公众信赖，以及用例的改变——从进步品牌知名度到提供可衡量的、可变现的绩效成果，专注于一手数据的移动应用用户获取策略已经从重要变成完全必要。

数据在移动广告中的影响

长期以来，营销人员一直依赖各种各样的信息，通过不同的渠道更好地了解、触达和吸引他们的受众。壹个决定因素的信息来源是一手数据，关注广告领域的科技媒体 AdExchanger 将其定义为 "由单一实体通过其和终端用户的直接关系收集的数据"。对于应用程序中的任何用户行为——从登录和点击等行为到广告浏览等参和行为，再到订阅和付款等转化行为——用户的每一次互动都会成为该应用程序的一手数据。

在过去，这些一手用户信息通常以第三方数据作为补充，国际营销服务企业 Epsilon 将第三方数据定义为 "从开发者以外的来源所获取的数据"。在移动生态体系中，历来最普遍（和绝顶大）的第三方数据来源其中一个，就是移动操作体系在设备层面的广告 ID，即 Android ID（ADID）和 iOS 广告主标识符（IDFA）。

第一方和第三方并不是唯一的数据来源，还有第二方数据。第二方数据，即经用户明确许可后，从合作伙伴那里获取的数据。还有越来越多的人开始讨论零方数据，即用户自愿同享的、独立于用户行为的信息，例如：通过用户调查和问卷、用户配置和表格提交等收集到的信息。通过上述不同的数据来源，广告主可以获取对其受众细致入微的了解，并建立强大的目标市场策略来获取新用户。

数据在机器进修中的影响

在大家深入探讨一手数据的重要性前，让大家先来强调下数据对任何 机器进修模型的整体重要性。无论壹个 机器进修算法的用途是啥子，高质量的数据都是其运行效果的基础。

正如业界的一句名言所说："垃圾进，垃圾出。"这点在机器进修中尤其正确。没有高质量的数据输入，任何机器进修模型都不能按预期产出高质量的输出。输入超出范围或被错误标记的数据（“垃圾进”）会导致输出不正确的结局（“垃圾出”）。

数据质量并不是唯一的决定影响，机器进修模型还需要足够多的、无偏差的、多样的且和上下文相关联的数据，但数据质量始终是决定因素。

例如，如果大家要建立壹个识别猫的模型，那么其他常见动物（如：狗和蜥蜴等）图像的数据集对于机器去进修“非猫”的标识符是很有必要的。然而包含史前猫的艺术家渲染图或是 CAT 扫描数据的数据集也许会误导模型，由于它缺乏上下文相关性。

一手数据的重要性和日俱增

过去，移动效果广告主有各种各样的优质数据来源可供选择，包括一手数据和第三方数据。但如今，来自第三方的数据数量和质量都在降低。

随着政策变化（如：欧洲的《通用数据保护条例（GDPR）》和美国的《加州消费者隐私法案(CCPA)》）以及平台级的变化（如：Apple 的“应用程序跟踪透明度 ATT”功能和 Google 的“隐私沙盒”规划），可用于移动端效果营销的优质第三方数据正处于短缺情形。由于许多需求方平台（DSP）严重依赖这些第三方信息来确定他们的受众群体以及定给方式，上述变化对用户获取造成了重大影响。

依靠来自第三方数据运行移动广告还有重要缺点：找到的用户常常是错误或不相关的，特别是在没有任何一手数据支持的情况下，而且还存在法律和信誉风险。

2025