计算广告|2.认识商业体系

计算广告逻辑与挑战：六大算法问题

商业化体系大闭环

广告点击以后，就从媒体网站到了广告主的网站上。

计算广告的核心挑战

计算广告的核心问题，是为一系列用户与环境的组合，找到最合适的广告投放策略以优化整体广告活动的利润。

优化问题描述：

$\begin{aligned} \max \limits_{a_{1},...,T}\sum_{i=1}^{T}{r(a_{i},u_{i},c_{i}) - q(a_{i},u_{i},c_{i})} \\ s.t.\sum_{i=1}^{T}d(a_{i},u_{i},c_{i},k) \leqslant D_{k},\forall k \end{aligned}$

• 决策对象：一组广告展示，a：广告，u：用户，c：上下文，r：收入(eCPM)，q：成本
• 这个公式是一个普适性的公式，适合于广告主、媒体、ADX等等～
• 优化的是一组广告的投放，后面预算的约束。

广告业务的转化漏斗和目标

展示页–点击–>落地页–转化–>转化页

• 从媒体网站到广告主网站
• 广告排序的唯一指标：u代表点击率，v代表转化率

$eCPM=r(a,u,c)=u(a,u,c)*v(a,u)$

如果标识一个用户？

• PC Web/Mobile Web环境 – Cookie:存续行差，跨域时需要映射。
• iOS应用 – IDFA：存续性好于cookie，但iOS10有更严格的政策。
• Android应用 – Android ID：存续性好于IDFA；IMEI：在中国有部分使用。
• 无以上ID场景 – FingerPrint（IP+User Agent）：存在http头中，可作缺省标识。

商业化体系六大算法问题

• A1.特征提取：受众定向
• A2.微观优化：eCPM估计
• A3.宏观优化：机制设计
• A4.受限优化：在线分配
• A5.强化学习：探索与利用
• A6.重定向：个性化推荐

用户决策的转化漏斗模型

• 【选择】曝光（exposure）1.1主要取决于广告位的天然属性。
• 【选择】关注（attention）2.1不要干扰或者打断用户的任务；2.2明确揭示推荐的原因；2.3符合用户兴趣或者需求。
• 【解释】理解（comprehension）3.1广告在用户能理解的兴趣范围；3.2与关注程度相匹配的理解门槛。
• 【解释】信息接收（message acceptance）4.1广告商／广告认可度；4.2广告位认可度
• 【态度】保持（retention）5.1艺术性带来的记忆效果
• 【态度】购买（purchase）6.1在用户的价格敏感接收范围内

在线广告主要结算方式详解

结算方式	点击率估计／点击价值估计	优缺点	使用场景
CPT	需求方	1.可以充分发挥橱窗效应。 2.无法利用受众定向技术	高曝光的品牌广告
CPM	需求方	1.可以利用受众定向选择目标人群。 2.合约售卖下，受众划分不能过细。	1.有受众选择需求的品牌广告 2.实时竞价广告交易
CPC	供给方／需求方	1.可以非常精细地划分受众人群。 2.比较合理的供给方和需求方分工.	竞价广告网络
CPS	供给方	1.需求方无任何风险。 2.供给方运营难度加大.	1.效果类广告联盟 2.效果类DSP

CPA/CPS的问题与合理场景

存在的问题

• 由供给方同时负责优化点击和转化率，并非普适的合理模式
  
• 存在劫持、代销等多种相应的灰色手段
  
• 用于优化的数据对于单个广告主来说严重不足
  

适用的场景

• 转化过程一致且规范的广告市场
  
• 例：淘宝客（转化流程为淘宝统一提供）、APP下载（转化流程在Apple Store或Google Play）
  
• 在大多数场景下，CPC可能更合理
  

商业化产品体系概览：六大产品问题

商业产品设计运营原则

• 商业产品，即面向产品客户而非一般用户的产品，其中最典型的代表就是广告产品。
• 相对于产品功能，要特别关注产品中的策略部分。
• 要特别关注数据，让运营和产品优化形成闭环。所有产品特征和策略的成功与否，要严格根据数据的反馈来判断。
• 优化的是确定的商业目标，而非使用便捷性。

商业化体系六大产品问题

• P1.供需接口
• P2.竞价机制
• P3.数据运营
• P4.标签体系
• P5.程序化交易
• P6.原生广告

需求方层级组织

• 广告主–>广告计划–>广告组–>广告创意.
• 广告活动（Campaign）概念上对应于广告主的一次投放合同，其中包括了预算、时间范围等基本信息。
• 广告组（Ad Group）对于于一个具体的广告投放策略，主要是设定受众定向条件和出价。
• 广告创意（Creative）则是最终展示出来的素材，可能在同一个组策略下有不同尺寸的创意存在。

商业化产品系统框架：六大系统技术

个性化系统一般框架: 主要组成模块

• 【受众定向平台】分布式计算平台：灵活的海量数据挖掘平台，机器学习算法的分布式架构
• 【高并发投送系统】在线投放引擎：十毫秒级别的实时决策，百亿次/天的投放系统
• 【流式计算平台】流计算平台：日志的准实时挖掘和反馈
• 【数据高速公路】数据高速公路：内部及外部TB级数据实时收集

Web-scale技术问题比较

	搜索	搜索广告	显示广告	个性化推荐
主要准则	相关性	利润		用户兴趣
其他目标	垂直领域决定	质量、安全性		多样性、新鲜度
索引规模	十亿级	百万/千万级	千万级	百万级 亿级
个性化	较少的个性化需求		亿级规模用户上的个性化
检索信号	较明确		较分散
DownStream优化	不适用			适用

广告系统有什么特点？

• 高并发、低延迟的要求 – 同时关注QPS和Latency
• 数据处理的规模很大 – （用户、环境、信息）三元组上的数据建模
• 数据处理的速度优于精度
• 主流程的一致性要求不高

广告系统有什么设计原则？

• 建立弱一致性系统的设计思维方式。 – 例：Near-line page fetcher
• 大量数据尽量环形单向流动。-- 避免集中读写形成的单点性能瓶颈
• 在线时不要发生与关系行数据库的交互 – 增删改查的传统需求实际上不存在
• 充分利用开源社区的成熟技术

开源软件的优势与顾虑

• 优势 - 1.大量细分使用场景都有开源方案. 2.大型互联网公司的开源产品经过充分测试.
• 顾虑 - 1.需要仔细甄别好的和不太好的开源项目. 2.在遇到深层次bug时无能为力.
• 核心业务逻辑不应该是选择开源.

商业化产品六大系统技术

• S1.流量接入：代码和SDK
• S2.投放引擎：高并发服务
• S3.侯选查询：实施索引
• S4.特征存储：No-sql数据库
• S5.离线学习：分布式计算
• S6.在线学习：流式计算