DSP的廣告投放系統中，最爲關鍵的“人羣定向”功能正是通過“聚類”算法得以實現的。
爲什麼要進行人羣數據模型？
所謂精準的空大宣傳多少有點令人厭惡，我們不妨來看看精準的前提人羣數據模型時如何建立，由此還原受衆行爲分析的真相。
廣告傳遞信息的受衆是每個在使用移動設備的用戶，然而移動DSP的分析手段無法直接觸達用戶，只能以他們設備使用痕跡、地理軌跡和記錄作爲在數字世界中的代表，在PC領域就是cookie，在移動領域就是IDFA。於是，以物擬人，以物窺人，纔是比任何大數據都要更大的前提。
移動DSP進行人羣數據模型的建立主要基於兩個方面的考慮，一是廣告投放指向，廣告的投放出發點和落腳地都在人上，而承載廣告的載體也必定需要更多、更廣、更直接的與人羣互動；二是，人羣數據整合需求。DSP在面向億萬級別的用戶數據時，需要按照一定的邏輯進行數據整合，人羣模型就是一個典型的邏輯。
三大標籤層建立人羣模型
如何從廣泛的受衆中提煉目標人羣呢? 正是依靠受衆行爲分析。它以IDFA爲單元，根據IDFA的海量歷史行爲，推斷其行爲特徵，興趣愛好，並以此爲依據，將最合適的、最有可能產生轉化的廣告展示給用戶。受衆行爲分析一方面能夠提高用戶對於廣告的反饋程度，增加轉化率;另一方面能夠降低廣告主進行廣告投放的成本，以更低廉的價格產生最佳的投放效果。
目前移動廣告行業內的數據整合各平臺也不盡相同，但大致都是依着IDFA的信息來做標籤進行分類與組合，力美科技DMP部門根據多年的投放經驗及精確的數據抓取技術創造了自己一套獨特的數據整合方式，該方式主要從三個層級進行數據整合，這三個層級是：原子標籤層、行爲標籤層、目標人羣層。
下面我們以力美DSP的廣告投放爲例，簡單的分析一下怎樣由標註的關鍵詞標籤，一步步建立完整的受衆人羣模型，挖掘出具有相似行爲特徵的人羣，提煉人羣的屬性特徵，最終進行最合適的廣告投放的。
第一，原子標籤層。簡言之就是最基本的屬性標籤層，這些屬性可以從人羣屬性（性別、年齡、職業、收入等），設備屬性（設備價格、設備系統、設備型號等），運營商屬性（中國移動、中國聯通、中國電信等），城市屬性（發展程度、人口數量、區域位置），商圈屬性（功能、位置等）等幾個主要的屬性方式進行標籤劃分，原子層標籤數量的多少與一個平臺的技術及經驗有直接的關係，技術越成熟，抓取的屬性越準確，經驗越豐富，屬性的分類就越合理，目前市場上各家的數據標籤庫不一，力美科技在經過多年的投放積累後，如今這一層及的數據標籤量以突破1.6萬個，在行業內屬於領先地位。
第二，行爲標籤層。是指經過對用戶在特定時間段、位置範圍內的使用APP的行爲分析而產生的標籤層。行爲標籤層的分類依據行爲發生的頻次統計做出標籤，如果用戶的行爲只是在某個時間段內產生過僅幾次，並不會被列爲一個標籤，只有該行爲的發生有一個規律的頻次或週期出現纔會被視爲一個標籤。比如經常玩手機遊戲，經常使用旅遊軟件等細分出像商旅人羣、手遊人羣、理財人羣、愛車一族、化妝品受衆、教育受衆等等。由於用戶的行爲方式多種多樣，這類的標籤就會有成千上萬個，對廣告投放的的精準性來講無疑是一大優勢。
第三，目標人羣層。這是與廣告投放最直接相關的層級，目標人羣層主要是根據原子標籤層與行爲標籤層組合之後產生的標籤層，這種組合會產生一個極大標籤量，同時一個用戶被貼上多個標籤之後就會變成一個綜合標籤體，也就保證了目標人羣的精準性，例如某廣告主需要定位在30歲左右的女性化妝品受衆，就可以通過第一層級的年齡、性別加上第二層級的化妝品購買、瀏覽行爲組合後得到目標人羣，從而定位出與該品牌最相關的人羣，這樣投廣告針對性極強，效果極佳。
通過三個層級人羣數據模型得以建立，廣告主可以充分利用移動DSP的人羣標籤模型來進行廣告優化投放，真正實現“物以類聚人以羣分”，標籤分類從最初的性別、年齡、收入、設備系統、運營商等僅有的幾個標籤發展到目前龐大的標籤庫，這不僅是技術的進步，還有投放經驗的積累，隨着投放經驗以及數據的積累，相信會有越來越多的廣告主嚐到這一甜頭。