计算广告：第6章 程序化交易广告

计算广告：第6章 程序化交易广告

在线广告发展到竞价阶段，可以说基本的计算格局已经建立，大多数重要的产品和技术问题也都浮出水面并得到研究。然而，随着需求方优化效果的要求进一步加强，广告网络在产品形态上已经无法完全满足需要，而市场的发展方向是向需求方彻底开放。具体而言，除了允许广告主按照已经定义好的用户划分来购买，还要进一步提供广告主自行选择流量和在每次展示上独立出价的功能。这样的功能，必然要求询价、出价和竞价在展示时进行，这也就产生了以实时竞价即RTB为核心的程序化交易市场。程序化交易产品在整体产品演进过程中的位置如图6-1所示。

RTB的产生，使得广告市场向着透明的比价平台的方向发展，这样的平台就是广告交易平台，即ADX，其主要特征即是用RTB的方式实时得到广告候选，并按照其出价简单完成投放决策。与广告交易平台对应的采买方，我们称为需求方平台即DSP。在这样的交易市场中，需求方对于流量的选择和控制能力达到了极致，因此其技术和算法的挑战也相当大，而供给方则变成了简单的比较平台。

从需求方来看，定制化的用户划分能力使得广告主可以像优化自己的推荐系统那样优化广告购买，唯一的区别是这个推荐系统是放在站外的。出价需求的存在和广告主预算范围内的套利要求DSP具备点击率预测、点击价值估计、流量预测、站外推荐等多方面的运算能力。除了站外推荐，广告市场新的发展趋势是根据广告主提供的种子用户，利用海量的媒体数据为广告主找到行为相似的潜在用户。这样的一些定向方式都是针对（a, u）组合的定制化用户划分，它们使得在线广告的受众定向精准程度达到了前所未有的水平。

在需求方的利益得到了充分的保证以后，媒体的变现手段也发生了相应的变化。到现在为止，媒体至少有四种常用的广告变现选择：担保式投送的合约售卖方式、自营广告网络、托管给其他广告网络、通过RTB变现。如何动态地选择这四种模式中变现价值最高的那种，以最大化媒体收益，这是供给方面临的市场需求。在这样的需求驱动下，产生了供给方平台这样的完全优化媒体利益的产品。

在线广告市场进入到这个阶段以后，程序化交易的方式已经成为举足轻重的力量，它使得整个在线广告市场越来越向着数据驱动、计算导向的方式前进。我们在本章中也对程序化交易的若干种主要方式以及对应的供应方和需求方产品做了一下小结，并与合约导向的优先销售方式进行了对比。

实时竞价（RTB）

我们先来直观地解释一下为什么广告交易会向实时竞价的方向发展。竞价广告网络中的受众定向虽然可以很精准，但是还是会有一些完成不了的场景。例如，某广告主希望对自己的流失用户进行一次广告促销，或某广告主希望广告平台帮助找到与其用户类似的潜在用户。很显然，无论怎样选择在广告网络中的人群标签，都不可能直接完成上述的任务。实际上，这两个任务有一个共同的特点，即我们在加工人群标签的过程中需要利用到广告主的数据。这样的标签称为定制化用户标签（customized audiencesegmentation）。

利用定制化标签的投放在广告网络中并非完全无法解决：对于最常见的重定向标签，采用由广告网络在广告主网站布设代码的方式也可以收集人群和投放广告；而对于一般的定制化标签，也可以采用由广告主上传用户ID（cookie或移动设备ID）集合的方案，由广告网络来决策和投放，如Facebook的广告网络就提供这样的功能。不过，这样的方案仍然存在着很多问题。

（1）定制化标签可能的选择是与广告主的量级成正比的，将这些标签集中地由广告平台加工使用，显然是一个低效的解决方案。
（2）除了定制化的人群库，需求方往往还对频次、时间、地域等诸多因素有综合决策的需求，而简单地上传用户ID集合显然无法达到这样的目的。
（3）简单的人群库交互无法做到精细的出价和预算控制。
因此，采用广告网络这样的封闭式竞价方案是无法规模化和精细化地针对定制化标签进行投放的。什么样的解决方案才能够规模化呢？其实很简单，只要把竞价过程开放，在广告展示时由需求方来判断是否需要并出价，就可以解决上面的问题，这样的思路就产生了实时竞价。因此，我们认为：

用定制化标签指导广告投放是实时竞价的关键产品目标。

实时竞价的交易方式不仅仅解放了相关的效果类广告需求，也为品牌广告创造了全新的机会。我们知道，品牌广告的核心在于其人群触及策略，但无论在展示量合约广告还是竞价广告网络中，人群的定义方式都是由广告平台决定，需求方基本没有加工的自由。然而，在实时竞价交易中，服务于品牌广告主的DSP可以根据市场上采买的各种数据为某个特定的广告主加工特有的人群，完成更加符合其市场策略的人群触及。因此，我们会发现，品牌广告的预算基本上没有进入竞价广告网络，但是现在却有向实时竞价转移的倾向。表6-1中给出了美国整体RTB市场的规模和增长数据[插图]，从该数据可以看出，RTB已经成为展示广告市场非常重要的一部分，并且仍在高速成长中。

实时竞价流程

实时竞价的接口可以分成两个过程，即预先进行的将ADX与DSP的用户标识对应起来的cookie映射（cookie mapping）过程和线上广告请求时的竞价和投放过程，如图6-2所示。下面我们分别介绍这两个过程。

（1）cookie映射。当供给和需求双方都可以得到同样的用户标识时，实时竞价并不是总需要此映射过程。但是，当双方能够得到的用户表示不同，特别是在Web环境下根据cookie投放广告时，需要一个预先的映射过程。cookie映射一般是由DSP在广告主网站上发起，这样做的原因是，一般情况下DSP负责的是加工广告主定制受众标签，因而不需要对所有用户都建立对应关系。这一过程又可以细分为以下两个步骤。

步骤1.1：从广告主网站向DSP服务器发起cookie映射请求。
步骤1.2:DSP与ADX服务器之间通信完成cookie映射。由于cookie映射这项专门技术的应用范围不仅仅限于RTB，我们将在第14章介绍实时竞价技术时对其进行更具体的讨论。

（2）广告请求（ad call）。以Web投放环境为例，RTB的广告请求可以分为以下三个步骤。
步骤2.1：用户浏览媒体网站。
步骤2.2：媒体网站通过JavaScript或SDK向ADX发起广告请求。
步骤2.3:ADX向各DSP传送URL和本域名cookie，发起询价请求。DSP根据预先做好的cookie映射查出对应的已方cookie，决策是否参与竞价，如果参与，则返回自己的出价。在等待一个固定的时间片后，ADX选出出价最高的DSP返回给媒体网站。
步骤2.4：媒体网站从胜出的DSP拿到广告创意并展示。

其中步骤2.2和步骤2.3可以合并为一步，即DSP同时返回出价和广告创意地址，由ADX返回给媒体。这样做的好处是减少了一次服务器往返，用户看到的广告延迟也会减少。缺点是ADX可以获得DSP某个广告商的相关受众，因而存在信息泄露风险，不太符合ADX中立市场的地位。实际产品中，这两种方式都有采用。在应用内广告等非Web的环境下，有时供给方和需求方采用同样的用户标识，这时DSP进行用户对应的操作可以略去。实时竞价的交易方式虽然给予了广告主最大的流量选择空间，也对系统提出了更高的要求，并且带来了下面一些实际问题。
（1）每次展示都有ADX服务器与多个DSP服务器的参与，这使得服务器与带宽成本大大增加。读者可以简单计算下，假设每个广告请求包的大小是1KB，每秒产生5000个广告请求，在将每个广告请求都发给10个DSP的情形下，需要的带宽就将达到400 Mbit/s，而这样的数字对于ADX来说只是一个不大的规模。
（2）在询价过程中，ADX要等待一个约定好的时间片（一般情况下为100ms），这使得用户看到的广告延迟增加，对CTR有负面影响。
（3）原理上DSP可以以极低的出价参与竞价，这样虽不能获得流量，却可以低成本得到在媒体网站上的用户行为数据，这里存在着潜在的信息泄露风险。

RTB的接口有两个对接方：在ADX方实现的部分称为RTBD（RTB forDemand）；在DSP方实现的部分称为RTBS（RTB for Supply）。在各个ADX中，RTB接口的细节和具体参数有很大的不同，显然这对于广告主从不同的ADX中统一采买流量是不利的。为了解决这一问题，IAB经过充分市场调研与企业合作，制定了OpenRTB[41]的接口标准，这一标准涵盖了视频、无线、文字、横幅等多种广告形式下的RTB问题，并已经为一些ADX所采用。需要特别说明一点，实时竞价中的“实时”这一限定，特指的是需求方实时地，也就是在每一次展示时参与广告竞价，而供给方对不同广告实时比价的过程在前面讲到的一般竞价广告中也存在。因此，不要把搜索广告、广告网络等也理解成实时竞价产品。

其他程序化交易方式

在实时竞价产生以后，广告交易越来越多地依赖机器间在线的协商而非事先约定或人工操作完成，这样的交易方式称为程序化交易。程序化交易的核心目的是让需求方能够自由地选择流量和出价。除了实时竞价以外，市场上还存在若干其他的程序化交易方式，我们来看一下。

优选

优选比实时竞价产生要早，可以看成是只有一个需求方的程序化交易，其交易过程如图6-3所示。

优选方式允许单个需求方按照自己的意愿来挑选流量，但是又可以避免复杂的竞价过程。这个过程主要有以下五个步骤。

（1）用户浏览媒体网站。
（2）媒体网站通过JavaScript代码或SDK向供给方广告投放机发起广告请求；这里的供给方广告投放机有时是媒体自己的广告投放机，有时则是ADX的广告投放机。
（3）供给方广告投放机向需求方的广告投放机发起请求，询问是否需要此次广告展示机会。
（4）需求方广告投放机根据自己的逻辑判断，如果需要此次展示机会，则返回相应的广告创意。
（5）需求方如果不需要此次展示机会，则通知媒体广告投放机，由供给方广告投放机从自有广告库中选择合适的创意返回。

优选过程同样可以使得需求方自由地挑选流量，因此也是一种程序化交易方式。由于只有一个需求方参与，媒体可以比较容易地对广告的质量和来源进行控制。这种交易一般按照CPM方式结算，由于没有了多方竞价，又有选择流量的便利，往往要约定一个比市场价格更高的CPM单价。与RTB相比，优选的一个缺点是决策过程可能存在比较多的服务器往返：在极端情况下，需要三次服务器的往返才能得到最后的广告。这有可能使得用户看到的广告延迟增大，从而影响广告效果。

私有市场

除了实时竞价这种公开的市场拍卖机制以外，有时媒体为了保证广告主的质量，希望将拍卖限制在一些被邀请需求方的小范围内。这种程序化交易叫作私有市场。私有市场中的在线交易过程与公开的实时竞价一致，在此不再赘述。

私有市场可以说兼顾了优选与实时竞价的好处：首先，私有市场与优选一样，是一种邀请制而非公开的交易方式，因此广告主的质量可以由少量被邀请需求方很好地控制，这有利于确保媒体的价值不受伤害；其次，在被邀请需求方之间仍然保留了竞价了关系，有利于提升媒体的变现能力。当然，与实时竞价相比，这两点主要都是对媒体有利，因此往往是大型优质媒体在考虑程序化交易时的选择。另外，这也将使得更多的优质媒体加入到程序化交易市场，反过来可以促进品牌广告投放的程序化进程。

从2014年开始，私有市场在整个程序化交易市场中得到了越来越多的重视，以Dou-bleClick Adx为代表的主流ADX都在大力加强私有市场的产品和服务。可以预见，随着私有市场与公开市场的充分发展与融合，程序化交易能在效果与品牌、媒体利益与广告主利益的平衡方面变得越来越成熟。

随着优选、私有市场为代表的一些交易方式的产生，程序化交易的产品边界变得有些模糊，甚至令人困惑。IAB在其报告中，根据库存类型、价格模式这两个关键产品特征，把市场上与程序化交易相关的交易方式分成四类，如表6-2所示，以便大家遇到相关的市场术语时能够了解其本质。需要说明的是，以我们的观点来看，表中programmatic direct这类担保投送优化（automated guaranteed）交易方式实际上仅仅是完成了固定库存上的受众定向和效果优化，与传统需求方的广告投放服务很接近，而并没有机器决策的流量选择过程，是否应该归在程序化交易之中，还值得商榷。

广告交易方式谱系

按时间段和广告位独占式的售卖以及展示量合约的售卖是销售与客户之间将广告投放的关键要求约定下来的交易方式，在其中人的因素起了相当大的作用，不过这种售卖一般来说由于能满足一些品牌性需求，溢价能力也比较好，在高质量的媒体上属于优先考虑的售卖方式，我们把它们称为优先销售（premium sale）。从技术层面来说，优先销售整体对计算的要求不算特别深入，而且主要的技术集中在供给方（如在线分配、受众定向）。

在竞价广告网络的市场形态下，对供给方而言，可以通过将广告位直接托管给ADN的方式变现，也可以同时使用给多个广告联盟，按照一些准则或计算结果灵活地对不同的流量分割选择不同的ADN，这称为网络优化（network optimization），我们在下文中的供给方平台中还会讨论。对需求方而言，则存在选择合适的人群标签并合理出价，以优化整体ROI的程序交易要求。这样的交易方式虽然已经比较依赖计算，但是双方的决策并非实时完成，效率还没有达到最高。我们把这种交易方式称为半程序化交易。

在实时竞价的环境中，程序交易的过程变得更加简单直接，供应方的RTBD接口和需求方的RTBS接口通过ADX直接对接，并完成精细的流量采买。除了这两种市场上常见的程序交易结构，上面介绍的优选和私有市场等方式也越来越多地在市场上呈现。我们在图6-4中列出了包括优先销售和程序化交易等各种在线广告主要的交易方式，供大家参考。

广告交易平台（ADX）

广告交易平台，即ADX，是程序化交易时代的关键产品，它负责将媒体流量以拍卖的方式售卖给DSP，可以类比于证券市场中的交易所。最早的ADX产品RightMedia的初衷是在纽约的一些广告代理公司之间交换剩余流量。因此，早期的RightMedia并不采用RTB，而是采用类似于私有市场和托管交易的方式。但是，这种私有市场并不能满足大量长尾媒体流量交换的需求，因为剩余流量只有按照需求方最精确的定向方式来交换，才能获得最高的价值。所以当公开RTB产生以后，迅速成为ADX的标配甚至最主要的功能。

ADX的产品策略较为简单，由于所有的广告竞价都是实时进行，因此不需要保存广告库，因而也不需要广告检索流程，排序过程也非常简单。广告交易平台中需要注意的产品策略，主要是如何解决给多个DSP发广告请求带来的带宽和机器成本的上升。这一问题，我们称为询价优化（call outoptimization）。询价优化的具体技术方案，我们将在后文的技术部分再做介绍。

ADX一般为CPM结算方式，这一点要特别说明一下。我们前文提到过，展示量合约一般按照CPM结算，但是无法把多个广告位放进同一合约；而广告网络由于广告位复杂，一般只能按照CPC结算。那么为什么在情况与广告网络类似的广告交易市场中可以按照CPM结算呢？这里的逻辑在于，实时竞价中广告决策是由DSP完成的，而且对每次展示都可以得到广告位信息。因此，虽然各个广告位的点击率差别很大，DSP还是可以自行精细估计点击率，并实时计算出当前展示的合理eCPM。并且，由于第一方数据在程序化交易中的广泛使用，DSP对于人群在特定广告上产生的效果往往能够估计得更加精细。因此，按照CPM结算，将eCPM整体的估计都交给需求方是比较合适的市场分工。

产品案例

从早期以托管和私有交易为主的模式，到后来以公开交易为主的模式，ADX的产品演进很快，我们将以RightMedia和DoubleClick Adx为例进行介绍。

1．RightMedia

RightMedia是美国最大的网络广告交易平台之一。2007年，展示广告占美国整个在线广告市场份额的四分之三。Yahoo！斥资6.8亿美元收购RightMedia（同年Google以31亿美元收购DoubleClick）。收购以后，Yahoo！对RightMedia做了一项重要的改变，将其变成了私有的网络广告交易所，不再为小网站提供广告位拍卖的服务。

优质媒体希望进入网络广告交易来消化直销的品牌广告剩下的广告库存，但是又不希望失去流量的控制权。而一般的公开交易平台面向大大小小的网站提供交易服务，广告质量参差不齐，会影响媒体的品牌价值。因此，Yahoo！非常重视让优质媒体进入广告生态圈的策略，希望把RightMedia打造成针对高端媒体的私有广告交易平台。

虽然能建立广告主关系，公开交易的RTB市场上的竞价对优质媒体有时有失公允：在信息对称，也就是受众的信息完全被DSP知晓的情况下，DSP的出价才会完全合理；而在信息不对称，例如，数据来源不充分的情形下，一个高端用户访问了优质媒体，DSP可能并不知晓，其出价对于优质媒体来说也会偏低。如果优质媒体接入了公开交易的ADX，不仅媒体品牌将被淡化，ADX的品牌价值被提高，媒体也将会失去控制权

综上考虑，优质媒体会首选提供PMP交易的平台，这样既能控制流量又能选择控制DSP和建立广告主关系，从而建立媒体品牌。事实上，PMP也一直是SSP优化媒体利益的显著特性。只是近年来随着ADX逐渐融合了SSP的特性，这两类交易模式在产品上也逐渐融合。

2．DoubleClick ADX

2007年，Google以31亿美元的价格收购了DoubleClick。在此基础上，发布了其广告交易平台产品DoubleClick ADX，并将AdWords和AdSense接入。其中，AdSense是作为一个广告网络从供给端接入的，而AdWords则作为需求方接入。Google Adwords的广告主可以直接进入ADX的平台并拥有更多的媒体资源，而AdSense的发布商们也将拥有更广泛优质的广告主资源。DoubleClick作为一个ADX，连接了众多广告网络和DSP，当一次广告展示发生时，AdSense和AdWords只是作为其中两个参与者而已，AdWords赢得的展示并不一定在AdSense上展示，在AdSense上展示的广告也不一定是来自AdWords的。

DoubleClick提供的是一个完全透明，理论上任何DSP都可以对任何流量竞价的公开交易市场。媒体一般会允许一些或所有需求方通过这种方式接入他们的流量。通常不会与需求方产生直接交流，媒体主可以在完全未知的情况下参与公开市场流量竞拍。

DoubleClick的公开透明的RTB模式吸取了RightMeida由于历史问题带来的一些设计不足，在其ADX的拓扑结构设计上有其独到之处。RightMedia在拓扑结构设计上，任意两个媒体间换量需要双方签订合同，即在会进行换量的媒体间连边，伴随着换量媒体的增多，节点之间的连接是任意的，没有规律，带来了设计上的复杂性。DoubleClick采用了星型的拓扑结构，媒体直接换量需要先经过Google，直接和Google签订合同，这么做一方面降低了ADX模式的复杂性，一方面将单纯的分成收益拆分成了两份合同里的收入和成本，也增加了Google的现金流。

DoubleClick Adx每天管理着全球数百亿次广告展示的实时竞价，在中国市场也是重要的ADX之一。

需求方平台（DSP）

与ADX相对应，以RTB方式购买广告的产品形态就是需求方平台，即DSP。这一产品的核心特征有两个：一个是RTB方式的流量购买，另一个是需要支持需求方定制化的用户划分。这两个核心特征其实是同一问题的两个方面：为了能够按需求方定制化的用户划分采买广告，需要市场开放竞价接口；而如果仅仅根据供给方定义的用户划分来采买，那么像广告网络那样的非实时竞价就够了。

什么是定制化的用户划分呢？从受众定向的角度看，那些形如t（a, u）的定向方式，即与广告主相关的定向方式，就是定制化用户划分。可以通过两个例子来直观地理解一下。第一个例子，假设某电商网站准备进行一次面向其老客户的广告投放，这里的“老客户”就是一种定制化用户划分，显然只有该电商自己才能找到这个用户群，而任何媒体或广告网络无论数据能力有多强，也无法加工出这样的标签。第二个例子，某银行希望通过广告接触到自己信用卡的潜在客户。要找到这些潜在客户，我们需要以银行现有的客户作为基础，分析其行为和人口属性有哪些特征，然后再根据这些特征去拓展可能的潜在客户。这一过程既需要需求方的数据，又需要媒体或第三方数据，而其加工出的人群仍然是与广告主相关的，因此也属于定制化用户划分。

由于可以细分到每次展示的粒度来决策和出价，这使得需求方可以向一个推荐系统那样精细化地执行广告活动，也使得推荐和广告这两项重要的互联网技术找到了完美的契合点。

需求方平台产品策略

DSP的广告决策过程（如图6-5所示）与广告网络非常相似，同样先要经过检索、排序、定价几个阶段，主要的差别是完成广告选择后，又增加了出价的步骤。而出价正是DSP的关键产品策略之一，因为在实时竞价环境中，出价直接决定着DSP的流量基本单位成本，当然也就决定着利润。

出价策略

在广告网络中，我们估计eCPM的目的是为了对广告排序，而绝对的eCPM值并不需要太精确。但是在DSP中，由于每次展示都要按CPM向ADX报价，因此准确地估计eCPM非常关键，这也成为DSP出价策略的基础。

DSP直觉的出价策略比较简单：只要eCPM估计足够精准，并按照此值出价即可。由于ADX一般也是按照GSP来计费，这样的策略是可以确保有利润空间的。如果没有预算的限制，那么这样的出价策略就是最优策略了。

为什么预算的限制使得情况有变化了呢？图6-6中的曲线是某实时竞价市场的成交价在一天内随时间变化的曲线（bid landscape）[25]。可以发现，由于市场中各DSP的广告主、预算及出价的变化，这一曲线不但不平滑，甚至是变化非常剧烈。在这样的市场中，假设我们的eCPM是某高于市场水平的固定值，可以比较两种出价策略。图6-6中的策略A，由于eCPM高于市场水平，可以对所有询价按eCPM出价，这样可以获得所有流量，直至当日预算消耗完。图6-6中的策略B，我们选择一些市价较低的流量出价，获得这些流量，直至当日预算消耗完。很显然，采用策略B我们付出的成本要显著低于策略A，当然也就能获得更高的利润。

在上面的例子中，DSP优化的出价策略可以定性地描述为：首先，通过历史的观察和预测得到市价的曲线；然后，将一天的预算分配到那些市价较低的流量上。当然，实际情况要更加复杂，因为eCPM也会随着时间而变化，例如游戏广告在休闲时间的eCPM显著高于上班时间。于是我们希望获得的并不是市价较低的流量，而是eCPM与市价的比例较大的流量。因此，DSP的出价策略要基于两条曲线，即eCPM和市价随时间变化的曲线。

当然，除了在时间轴上找合适的出价区间，也可以将此策略拓展到更多的维度上。例如，一般来说女性用户流量的商业价值较高，市场价也可能会比较高，如果DSP广告在男女用户的eCPM上差别不大，甚至在男性用户上更高（如游戏），那么就应该尽量多投放男性流量，以获得更高的利润。不过，加入更多维度使得问题变得复杂了很多，而且其他因素对市场价的影响没有时间那么大，因此，做好时间轴上的出价策略是实践中最关键的。

重定向

重定向是在线广告中最早产生，也最广泛使用的一种定制化标签。它的概念很简单，即把那些曾经对广告主服务发生明确兴趣的用户找出来，向他们投放该广告主的广告。在不同的广告类型上，重定向主要有两种目的。（1）用于品牌广告。当用户已经选择过某品牌的服务或产品后，如果在比较高质量的媒体上看到该品牌的广告，他会进一步肯定自己决策的正确性，从而对该品牌的认知度也大大加强。这种用途下，应当以宣传品牌而不是具体产品为主要诉求。
（2）用于效果广告。当用户曾经考虑过某种产品，但没有完成最终转化，通过在线广告将这个用户找回，点击率和转化率都会明显高于平均水平。如果用户已经选择了该产品，那么可以利用推荐技术为他推送相关的产品广告。

重定向可以从信息来源和使用信息的精细程度上区分为网站重定向、个性化重定向和搜索重定向，我们将分别说明。

1．网站重定向与个性化重定向

网站重定向（site retargeting），即将在一段时间内到达过广告主网站的用户作为重定向集合。这样的重定向流量其eCPM一般来说要比无定向流量高出一个数量级，因此需要尽可能扩大投放量。在媒体上采买这种重定向流量时，能够得到的量有两个主要影响因素，一是广告主网站本身的独立访客量水平，二是这些访客与媒体的重合程度。前一个因素没有办法通过广告手段扩大，而后一个因素则要求尽可能多地通过各种渠道采买重定向流量，显然DSP是合适的方式。

个性化重定向（personalized retargeting）是网站重定向的一种特例。对重定向流量进行深入加工，按照品类和购买阶段等因素进行创意上的深度个性化，就是个性化重定向。具体来说，个性化重定向可以在两个方面深入挖掘：一是对于处于不同购买阶段的用户，采用合适的创意推动他尽快完成转化行为，这里的购买阶段包括浏览、搜索、加入购物车等；二是对于已经有过一些购买记录的用户，使用推荐技术向其展示相关的商品以提升二次购买率。从这两层意义上看，这一方法与推荐有非常多的共通之处：以广告产品的视角看，我们称之为个性化重定向；而从推荐产品的视角看，则可以认为是一种站外推荐（off-site recommendation），换句话说，是将原来广告主网站上的推荐模块搬到了站外。

在图6-7中，我们给出了个性化重定向广告的一个示例。该广告投放的对象是某个京东商城的用户。该用户很可能在京东商城关注过某种手机商品以及有关PHP编程的技术书籍。因此，广告系统根据他的个性化购物兴趣，结合京东商城的商品库存，为其推荐了相关的手机和技术书籍。可以想见，这样的广告其点击率和转化率都会比较高。

个性化重定向与传统的受众定向方式有较大的差别，其产品有以下三个关键点。
（1）动态创意。个性化重定向的核心是用推荐的思路实时决定展示什么商品。由于广告主的商品数量往往相当大，因此显然不可能为所有的商品组合预先准备好创意。因此，动态创意是个性化重定向最重要的支持技术，这也是在线广告朝着彻底个性化、动态化方向发展迈出的重要一步。

（2）推荐引擎。个性化重定向可以看作是站外推荐。不过与站内推荐相比，它有一些不同之处。首先，站内商品页上的推荐主要根据上下文信息来进行，而站外推荐则是根据用户信息来进行；另外，站内推荐由于是发生在某个特定的购买环节上的，因而往往不需要根据用户的购买阶段来调整创意，而站外推荐这么做则非常必要。

（3）广告主商品库存实时接口。对于站外的商品推荐，如果用户在点击某单品到达广告主网站时，发现该商品已经售完或下架或者是价格与创意上的宣传不符，会对该广告主的品牌形象有较严重的伤害。为了尽可能避免这种情况的发生，个性化重定向服务需要提供准实时的商品库接口，让广告主可以及时地将库存和价格信息同步过来。

2．搜索重定向

搜索重定向（search retargeting），即将搜索过与广告主直接相关的关键词的用户群作为重定向集合。这样的方式也可以获得很精准的用户群，其绝对量也要高于网站重定向，不过对于非主要搜索引擎提供商来说，依靠搜索重定向能覆盖的人群比例未必会高于网站重定向。

既然搜索重定向使用的是搜索引擎的第二方数据，那么为什么也归为定制化标签呢？这要从如何获得搜索重定向中用的词表说起。给一次广告活动确定合适的搜索重定向词表，一般来说有以下三种思路。

（1）人工根据经验确定词表。

（2）如果该广告主同时也在做SEM，可以直接采用对应投放的关键词表。

（3）基于广告主流量统计的方法，即统计广告主网站流量中从搜索引擎来的流量，将其中频度较高的关键词作为搜索重定向词表。

其中，最后一种策略在实践中表现出来两方面的优势：首先，由于是根据实际流量数据统计得到，效果往往比其他方法更好；其次，通过在广告主网站布置代码等手段得到第一方数据后，整个过程可以自动化，简便易行。因此，我们建议的首选搜索重定向策略，是第三种策略，而这种策略需要依赖于第一方数据，因此也是一种定制化标签。

新客推荐

重定向的方式虽然精准，但是量受到极大的限制。而且对于大部分广告主来说，除了对老用户精耕细作，他们更希望能有办法接触到那些“有可能”对自己产品发生兴趣的潜在用户。对于那些快速成长期的电商或者是网站流量并不大的线下业务广告商（如银行、汽车），这方面的需求尤其强烈。

“有可能对自己产品发生兴趣”这样的用户标签，从目的上来说很明确，但从做法上来说比较模糊。很容易想到的思路是这样：由广告主根据自己的第一方数据提供一部分种子用户，再由拥有更丰富数据的第二方数据的广告平台分析这些用户网络行为的特征，并根据这些特征找到具有相似特征的拓展人群。很显然，这也是一种定制化用户标签。这样的标签加工策略称为新客推荐，即look-alike。

从推荐的角度来看look-alike，可以认为这是一种“新客推荐”的方式，重点在于向没有关注广告主产品的潜在用户进行推广。当然，既然是推荐，就不是漫无目的的撒网式推广。另外，这样的推荐技术，考虑的是没有广告主站内行为情况下的推荐，是原有狭义推荐问题的扩展。

look-alike是一种合理的受众定向产品思路，但是要在一定的数据支持下才有可能产生价值，并且由于它涉及第一方数据和第三方数据的获取与加工，在技术上是有一定的挑战的。读者在遇到这类产品时，要特别注意从数据和技术方案合理性的角度判断其真正价值。不客气地说，在中国市场，look-alike这个词已经一定程度上变成了效果不明、原理解释不清的定向方式的遮羞布，而几乎所有的广告产品都声称自己有此项能力，这实在可以称为中国的“look-alike乱象”。

产品案例

定制化用户划分和RTB技术的产生催生了许多以技术方式优化广告采买的DSP公司。这些公司当中，有些以CPM采买并优化ROI的套利模式为主；有的则以透明的采买和效果优化功能性服务为主，我们将对这两种类型的DSP分别举例说明。

Criteo

Criteo是一家总部位于法国的广告技术公司。从其历史业务来看，Criteo除了实时竞价，还采用优选方式采买流量。不同于其他的需求方平台，Criteo的重点产品是按照个性化重定向方式采买广告。其核心技术也就是前面介绍的三项：动态创意、推荐引擎和广告主商品库存实时接口。图6-8中给出了Criteo个性化重定向创意的几个例子。

Criteo按照RTB或优选的方式，以CPM方式与媒体结算，但是与广告主之间的结算完全采用CPC方式，从而实现套利，并且也比较容易被效果类广告主接受。在个性化重定向的方案框架内，Criteo还提供了user、category、data和banner四个维度上比较灵活的优化功能，即广告主可以根据不同的用户细分、商品种类、具体数据和创意类型设置不同的点击出价，从而达到非常精细的ROI管理和优化的目的。这样的显示广告运营和投送方式，其精细程度与搜索广告有相似之处：都是在非常精准的流量细分上以效果为导向投放广告，并且能够在非常精细的粒度上控制出价。不过这种方式对于展示广告来说有一些先天的缺点：个性化重定向不同于搜索广告，需要预先在广告主网站布置跟踪代码，这使得新广告主加入的进程变得大为复杂。因此，专门从事个性化重定向的公司在初期会面临需求不足的问题，并且需要运营商大量的努力和效果上良好的记录才能逐步改善，而Criteo也同样经历了这一过程。伴随着Criteo海外业务的拓展，最近几年，Criteo收入增长良好，2012年收入3.4亿美元，2013年营收5.6亿美元，增速达到了60%。

InviteMedia

InviteMedia原是一家独立的DSP公司，2010年6月以约7000万美元的价格被Google收购，现已整合进DoubleClick的广告系列产品，并改名为DoubleClick Bid Manager。虽然Google在广告产品中全线布局，但InviteMedia被整合后仍然保持相对独立，和代表媒体利益的DoubleClick Adx之间仍然是相互博弈的关系。

InviteMedia是广告交易市场上的先行者之一，其业务是提供比较透明的RTB采买功能，如设定一些规则和优化目标，帮广告主把相关ADX接入进来并从中收取固定比例的佣金，希望借此方式快速拓展广告主端的影响力。当然，随着业务发展，现在也正在提供越来越深入的采买ROI优化服务。同时伴随着2013年InviteMedia将域名切换到DoubleClick的域名dc.com, InviteMedia不再需要和DoubleClick Adx进行cookie映射，减少了因cookie映射带来的损失，从而提升了采买的效率和最终投放的效果。

聚效

聚效是从MediaV独立出来的广告技术平台产品，是国内规模最大的效果类DSP之一。严格来说，聚效是一个ADN和DSP混合的产品，也有人把这类产品称为DSPAN。其流量中既有通过RTB方式获得的部分，也有自营的广告网络，聚效将这两部分流量按照统一的人群划分，并按CPC竞价的方式售卖给广告主。不过目前，聚效也在进行内部流量RTB化的改造，预计将来会演变成由一个ADX承接其广告网络流量，而需求方则完全以DSP为接口的模式。

作为国内最早的自助式DSP之一，聚效在电商等效果类行业有众多的用户，这些用户既包括淘宝网店，也包括知名的电商平台。这些广告主都按照CPC进行出价和结算，聚效的DSP引擎会预估每一次流量的点击率或转化率，实时将该出价转换成CPM报价。

聚效对接国内的主流公开ADX，包括Google ADX、TANX、腾果等，同时，聚效也对接了新浪、搜狐、优酷、土豆、网易、58同城等大型网站的私有流量。因此，就产品形态上而言，聚效是一个兼具公开交易和私有交易功能的DSP，也能够为不同诉求的广告主提供相应的流量和服务。同时，除了服务大型电商以外，聚效还服务了数万家的中小广告主，并通过算法和数据能力为其精准地找到用户，这成为其核心竞争力。

供给方平台

我们再来看看在程序化交易产生以后，供给方的综合性收益优化方案。对于媒体而言，无需把全部流量的变现都放在一种交易方式上。媒体既可以通过直接销售来高溢价地售卖品牌广告，也可以综合使用各种程序交易方式以追求更高的eCPM。

参照6.2节中的广告交易方式谱系，媒体的统一变现平台需要这样的逻辑。当广告请求到达时，首先检查优先销售的订单有无需求，这包括CPT和CPM的合约。如果有需求，按照优先级和在线分配的方案完成投放；如果没有这类销售合约，则进入竞价流程。竞价时，从自运营广告主库中找出eCPM较高的，并估算可供调用的若干广告网络的eCPM，在这两者之间找到较高的广告候选，再以此作为MRP，通过RTB接口向接入的各DSP实时询价。可以看出，在这样的逻辑中，广告请求是被分配到自运营广告库，还是其他广告网络，或者是DSP，是根据他们的收益在线动态决定的，这样的方案称为动态分配（dynamic allocation）。对应的产品形态就叫作供给方平台（Supply Side Platform, SSP）。

供给方平台产品策略

先进行本地广告检索和eCPM估计再进行RTB的好处是可以根据当前展示的情况动态调整RTB的底价，而当底价高到一定程度时，即可以略去RTB的过程，从而减轻服务器的负担。这样一来，此过程既可以利用RTB带来的大量广告主和市场流动性，又充分利用了本地广告库抬高竞价水平。当然，这里介绍的动态分配过程是非常概要和粗略的。在实际的媒体变现中，除了按照eCPM竞价的需求，还需要处理合约广告的保量需求，因此在按eCPM排序之前，还需要有一个对合约广告的在线分配过程，并对那些合约广告不需要的量再进行竞价。

SSP涉及的计算问题是其中的网络优化问题，即对某次展示机会的（u,c）对N 个候选的广告网络估计其eCPM以优化收益。由于此时没有具体广告的信息，因此只能做粗略的估计。在实践策略中考虑的因素主要有两个：一个是广告网络或DSP的分成模式和比例；另一个是它们各自的广告返回率。同时，如果这些合作方本身集中投放某种行业类型的广告，那么人群和环境标签也是有帮助的。

产品案例

在广告网络时代，SSP产品由于可以一站式地接入多个广告网络，对媒体来说价值较大。当今，随着程序化交易的发展，其市场空间有所减小，产品功能上也与ADX有更多的交叠，我们下面以具体的产品来说明。

Admeld

Admeld的创始人Michael Barrett曾经在美国在线（AOL）和福克斯集团（Fox）担任要职，所以Admeld的产品从一开始就在为门户网站设计广告管理功能，优化媒体利益。他们早期的客户包括了AOL、FOX等在美国具有相当流量的大型门户型网站。从2008年起，一直在网络优化、PMP等方向上引领SSP相关技术和产品形态的发展。

早年Admeld在为媒体做收益管理时，接入的主要流量并不只是来自于ADX里的RTB流量，主要是来自于各大ADN，比如在北美市场就接入了50多家ADN，换句话说媒体只要加一段Admeld的代码，就可以对接所有的这些ADN，这极大地方便了剩余流量的变现和优化。在对这50多家广告网络做网络优化时，如前所述，由于对广告网络自己的定向方式和广告库不是特别清楚时，反而是使用广告位和时间段这样的基本划分比较稳健，所以主要在广告位维度、时间维度、广告返回率以及分成比例等少数维度上进行eCPM估计和流量切分。

Admeld也会从DMP购买用户数据，这一方面为了自己能更进一步深入地估计各广告网络的eCPM，另一方面也方便参与竞价的各DSP了解流量质量，从而刺激DSP的竞价价格和市场的流动性。

2011年被Google以4亿美元收购后，Admeld整合了DoubleClick的DoubleClick for Publishers（DFP）广告管理系统中。Google收购后能获取到一些他们难以取得的顶级内容供应商的流量以及良好的媒体关系，而Admeld的SSP相关技术也被整合进DFP中，完善了Google的广告生态链。

Rubicon

Rubicon是第一家上市的专注于供给方的SSP公司，默多克的新闻集团拥有其20%的股份，新闻集团旗下的数字媒体均通过其变现，所以Rubicon拥有强大的媒体资源支撑其业务。在上市的招股书中，Rubicon是这样描述其客户群的：拥有超过和500家数字媒体的良好关系，包括comScore排名前100位的媒体中的40%。

伴随着产业链上下游的整合，Rubicon也逐渐淡去了SSP的标签，其重点宣传的产品包括SSP产品Seller Cloud、ADX产品Advertising AutomationCloud、DSP产品Buyer Cloud，这些产品覆盖了产业链的上下游。在ADX的环节，Rubicon每天发出近40亿次的询价请求，宣称与Google是目前最大的两家ADX。

数据加工与交易

通过前面的讨论我们知道，要提高定向的精准程度与人群覆盖率，技术远不是唯一重要的因素。那么什么才是决定性的呢？是数据的来源与质量。这是正确认识精准广告业务非常重要的观点。为了强调这一观点，我们以大家更容易理解的石油加工工业为例与之做类比，如图6-10所示。在石油工业中，从油田挖掘出的原油是整个行业的原材料，炼油厂的作用是把这一原材料加工成汽油等燃料，再输送给加油站这样的销售终端。在精准广告中，可以把用户的行为类比于石油工业中的原材料，日志收集和清洗系统的作用就相当于油田的挖掘设备。而受众定向的平台就可以类比于炼油厂，它把原油，即清洗过的日志，加工成用户标签，而这些用户标签就像汽油一样，是可以被销售和使用。而传统广告中起关键作用的广告位在这里仅仅变成了加油站，负责完成产品消费的过程而已。

如何正确认识技术在精准广告业务中的作用呢？从上面的类比可以看出，技术的地位相当于挖掘设备和炼油设备，当然有着无可置疑的重要性。技术能力的高低直接影响着数据采集和变现的有效性。不过从另一个角度说，技术的作用也不能被过分夸大。巧妇难为无米之炊，没有高质量的原材料，即用户数据，再高明的技术也没有用武之地。

有价值的数据来源

既然数据本身有这样根本性的作用，甚至从某种意义上说是精准广告市场的核心，那么围绕数据本身的加工与交易就与广告的投放技术一样令人瞩目。有哪些数据是对精准广告业务有直接贡献的呢？我们可以重点关注下面的几类。

（1）用户标识。对广告而言，如何确定哪些行为来自于同一个用户是非常关键的问题。用户标识对于行为定向的重要性往往容易被忽视。实际上，稳定精确的用户身份就像是一串0前面的那个1一样，对准确界定受众和利用数据至关重要。无论能拿到多少行为数据，如果无法把它们与投放系统联系起来，这些数据都无法发挥作用。

对于浏览器行为，我们最常使用的用户标识是cookie，但是由于存在同时使用多个浏览器、cookie过期或用户主动清除cookie的情况，这种用户标识的长期一致性并不算太好。不过好在对广告来说，起关键作用的还是用户近期内的行为，所以用cookie作为用户标识还是有效且为业界广泛采用的基础方案。如果运营广告业务的域名同时提供其他有永久身份的服务，如电子邮件、SNS等，那么可以用这些永久身份找回过期或被清除的cookie，这样用户身份的一致性就会改善。当然，如果广告业务域名和用永久身份服务的域名不同，也不是完全没有办法，在后者同意的前提下，可以采用cookie映射的方法来对应彼此的用户身份，这一技术的细节将在后文谈到广告交易的技术时再讨论。

在移动互联的情形下，iOS与Android在应用内广告使用的用户ID有所不同：前者是苹果公司设计的广告专用用户标识符（Identifier forAdvertising, IDFA），其性质与cookie类似；而后者没有专门的广告用户ID，一般采用Android ID或IMEI（international mobile equipmentidentity）号等标识信息。

由于高质量的用户标识本身就是一种非常有价值的数据，因此也是可以在市场交换和售卖的。

（2）用户行为。业界通常认为，转化（conversion）、预转化（pre-conversion）、搜索广告点击（sponsored search click）、展示广告点击（ad click）、搜索点击（search click）、搜索（search）、分享（share）、页面浏览（page view）、广告浏览（ad view）等在线行为是可以被广泛采集并且对于受众定向或广告决策有明确作用。按照对效果广告的有效性分类，这些行为可以分为决策行为、主动行为、半主动行为和被动行为。

决策行为主要包括转化和预转化。这些都是在广告主的网站中发生的行为，往往对应着非常明确的用户兴趣。例如在电商网站上，转化就对应着最后的下单，而预转化对应下单前的搜索、浏览、比价、加入购物车等多种准备工作。这类行为的价值是最高的，但是也是供给方或广告平台最难得到的。根据广告主端的数据进行重定向或者个性化重定向是对此类行为最直接的利用。在行为定向中，这类数据虽然量不大，但却不能忽视。

主动行为主要包括广告点击、搜索和搜索点击。这一组行为都是用户在网络上在明确意图支配下主动产生的行为，因而也有比较丰富的信息量。其中的广告点击行为一般来说量不大，并不能作为定向的主要数据来源。而搜索行为是能够大量获得的最主要的主动行为，需要特别注意挖掘利用。

半主动行为主要包括分享和网页浏览。这两类行为都是用户在目的比较弱的网上冲浪过程中产生的，因此，其所涉及的兴趣领域对把握用户信息有价值，但是非常细节的内容其精准程度有限。半主动行为的指导意义虽然有限，但是其数据量却是各种行为中最大的。

被动行为主要是指广告浏览。广告浏览严格来说不能算作定向的行为依据，但是由于其频次与相应类别的广告点击负相关，因而在行为定向的建模中也可以使用。

（3）人口属性。人口属性本身是常用的一种定向标签，因此其数据来源很重要。一般来说，只有一些能够与用户实名身份绑定的服务可以得到此信息。我们也可以利用网络行为数据进行人口属性标签的预测，但是这样做的准确程度一般都很有限，而且仍然需要一些标定的数据用于训练。对于某些人口属性，可能一些特别的信息比较容易给出准确的判定，例如用语音服务记录的声音信号，可以将男女区分得相当准确。

（4）地理位置。地理位置信息随着能获得的精度不同其用途也会有相当大的差异。如果只能根据IP进行映射，我们往往只能拿到精确到城市级别的地理位置，当然这对于很多广告投放来说已经有相当的价值。而在移动互联环境下，GPS或蜂窝可以提供的定位往往可以准确到几百米的范围，这就使得hyper-local的区域广告商投放定向广告成为可能。这样的广告定向，对于餐饮等受地理位置限制极大的线下业务广告商是非常有价值的。

（5）社交关系。社交网络上的关系反映了人与人之间的联系，也隐含了一种联系人之间“兴趣相似”的合理推测。因此，社交关系可以用于用户兴趣的平滑。当广告系统观察到某个人的行为不足，无法进行精准的行为定向时，可以考虑借鉴其社交网络朋友的行为和兴趣。比如一个人在微博上的好友有很多都是足球爱好者，那么可以猜测他也是一名足球爱好者。虽然这样的猜测未必准确，但只要统计上合理，就会对广告投放效果有帮助。需要注意，这样的平滑只适用于那些长期稳定的兴趣，对于短时的购买兴趣不太适用。从这个意义上来看，强关系类型的SNS比弱关系的SNS有优势，关注人群比被关注人群的信息意义更大。

关于以上各类行为数据对广告效果的意义，有两条基本的规律：首先，随着用户主动意图的提升，相应的行为数据信息价值也随之增大；其次，越接近转化的行为，对效果广告的精准指导作用越强。把握这两条规律有助于大家判断各种各样的行为数据的价值。不过读者不要忘记，广告的根本目的是“低成本地接触潜在用户”。如果仅仅从转化效果上判断行为数据的作用，会发现靠近转化的行为更精准，实际上是因为这部分人群已经更加接近于决策的最终阶段，也就是说越发不是“潜在用户”。因此，在行为定向这个问题上，不能单纯追求ROI或者转化效果，而是要根据广告主的具体的人群接触目标来平衡效果和覆盖率。

三方数据划分

广告中用到的用户数据，根据其来源的不同可以分为第一方数据、第二方数据和第三方数据，如图6-11所示。一般我们说的第一方和第二方分别是指广告主和广告平台，而不直接参与广告交易的其他数据提供方统称为第三方。在广告网络中，主要使用第二方数据指导广告投放；而在实时竞价环境下，不仅第一方数据可以被利用，大量第三方数据的加工和交易也逐渐发展起来。虽然，一般情况下第一方数据的量较小，却是所有数据的灵魂。以第一方数据为基础，用好第二方数据和第三方数据，是实时竞价时代重要的方法论。

数据管理平台

第一方数据的收集和加工是广告市场上非常重要的环节。不过对于没有这方面技术积累的广告主而言，专门设团队进行数据加工是没有必要的。因此，市场上也产生了专从事此业务的产品，称为数据管理平台即DMP。DMP有下面几个核心的产品功能。

（1）它可以为网站（可以是媒体也可以是广告主网站）提供受众定向功能，并将得到的用户标签应用于网站业务。在这一过程中，除了加工一些通用标签，DMP还需要能够比较灵活地按照网站定义的用户标签来加工受众人群。

（2）如果媒体网站授权，DMP可以提供接口对加工出来的用户标签进行变现，并与网站进行分成。

（3）广告主网站可以通过DMP与广告采买渠道进行更方便的数据对接。这一点可以通过下面的应用来理解。假如某广告主需要通过外部广告平台做重定向，那么需要将自己的用户集合通过某种技术方式通知广告平台。如果每个广告平台都采用在广告主网站上加跟踪代码的方式来收集用户，有两个弊端，一是多个广告平台同时加代码，有可能使页面变得太重；二是访客的积累可能长达数周的时间，这使得广告平台重定向的效率降低。如果由DMP唯一负责广告主网站的用户积累和划分，并通过数据接口的方式传送给广告平台，那么可以很大程度上解决上述问题。

数据交易平台

数据交易平台（data exchange）的主要产品功能是聚合各种来源的在线的用户行为数据，加工成有价值的用户标签，然后在广告市场上通过售卖这些标签来变现。数据交易平台与数据管理平台的产品边界并不是泾渭分明。一般来说，数据交易平台除了聚合成型的用户标签，也都会提供聚合原始行为数据自行加工标签的功能，也就是兼具DMP的产品功能。不过，数据交易平台往往是按照自己的逻辑而非媒体的需求来制定标签体系和加工数据，因此，可以认为DMP是站在第一方数据的角度提供产品，而数据交易平台主要是站在第三方数据的角度提供产品。

关于数据交易的方式如图6-11所示，一般是通过ADX或SSP作为中转来完成。数据交易平台提供的各种用户标签作为ADX的一个辅助产品提供给各DSP。标签一般按照CPM计价，DSP如果选择购买某种标签，则在广告询价的过程中，ADX将本次请求的用户标签传给DSP，最终按照DSP实际成交的展示量乘以CPM价格作为其购买数据的附加费用。以广告交易为载体进行数据交易是比较合理的产品方案，这种方案有一些具体的好处：首先，在广告请求上附加用户标签，不会带来额外的服务开销；其次，所有的DSP、数据提供方都只需要与ADX进行cookie映射，这样以ADX为中心的星型拓扑结构比起DSP与数据提供方直接进行cookie映射的拓扑结构显然要方便得多。

产品案例

数据管理和交易产品在程序化交易市场已经比较普及，但是在中国市场中还没有形成规模。究其原因，恐怕与中国存在着大量作弊和流量劫持（参见15.3节）等灰色低成本渠道不无关系。因此，我们将主要关注国际市场中比较成熟的数据类产品，并以BlueKai和AudienceScience为代表。

BlueKai

我们先介绍一下BlueKai这家公司的发展历程：2007年年末，展示广告占200亿美元在线广告市场的75%。同年，在雅虎6.8亿美元投资了RightMedia, Google以31亿美元收购了DoubleClick的背景下，BlueKai的CEO Omar Tawakol预见到未来展示广告的客户需要将广告精准投放到特定的消费群体，于2008年建立了一个名为Data Exchange的数据库，一方面让中小网站提供流量、会员资料等信息，另一方面将这些信息加工后销售给中小广告主。2009年BlueKai启动了分析服务，帮助用户区分受众购买行为。2011年，BlueKai收购Tracksimple，加强了自己的数据分析能力，从而为广告主提供一站式的包括数据分析、数据购买的SaaS服务。近年来，作为Data Exchange和DMP的领头羊，BlueKai开创和推动了一个独立DMP时代，活跃用户数超过3亿，前20位的广告网络、门户网站中有80%在使用BlueKai的数据。

BlueKai作为一个独立DMP，不像其他DMP公司开始整合DSP业务，而是一直不提供媒体的竞价采购服务。BlueKai认为，这样可以保持DMP的中立性，可以使BlueKai的DMP与多家DSP对接合作。2014年2月，BlueKai被Oracle以4亿美元收购。作为BlueKai的收购方，Oracle没有媒体购买的业务，主要是一些企业级的市场营销管理服务，因此与BlueKai的独立DMP的市场定位相符合。作为独立的DMP, BlueKai收入规模并不大，2013年总收入仅6400万美元左右。

BlueKai的主要业务模式是聚合大量中小媒体的有价值行为数据，使用受众定向技术为用户打上标签，并对外售卖标签以获取收入。BlueKai通过数据交易获得的收入，其中很大比例还将返还给数据提供方。BlueKai的重点放在汽车网站、旅游网站和各种购物网站上，因为这些网站背后代表着某一个同质性较高的族群，与这些主题网站相关的广告主，如航空公司、汽车厂商等，也非常需要精准营销。比如有一家售卖服装的小网店，它有自己用户的搜索行为和购买行为，但它的数据量不大，不值得用这些数据去分析变现，BlueKai就会与这些中小网站合作，通过汇聚众多中小网站的用户资料和行为数据，加工成受众定向标签，通过Data Exchange对外售卖。比如某些DSP想知道用户身上有什么标签，而它又没有用户信息，就可以向BlueKai购买或分成，BlueKai再向网站分成。

BlueKai同时提供面向媒体、数据提供商和广告主的一系列产品，包括DMP、数据交换平台（BlueKai Data Exchange）以及数据分析系统。这几项产品都围绕一个商业目标展开，那就是帮助有数据变现需求的参与者能够自由、灵活地通过技术对接的方式与广告主进行交易。对于媒体或者其他拥有数据者，可以通过BlueKai Data Exchange将自己的数据公开式地出售给市场上的需求方，同时可以比较自主地控制定价；对于广告主，可以通过BlueKai提供的DMP产品和第三方数据标签，与自己的第一方数据结合起来，对自己的人群进行更灵活的划分，并按此购买广告。BlueKai在其中所扮演的核心价值在于，尽管单看每一个媒体的信息都不具有太大的价值，但当达到一定规模之后，BlueKai按照自己的受众定向技术对这些数据进行重新分类，就能让其蕴含的商业价值得以显现。

通过这种数据交换方式，广告市场上最有价值的数据资源被盘活利用了。数据拥有者不需要直接涉足复杂的广告业务，也可以对数据进行变现；而数据需求者也可以方便地找到数据购买来源，以快速提高自己广告投放的效果。BlueKai也注意到了隐私的问题，它提供了一个接口，用户可以看到自己的资料被谁使用，也可以选择“捐给慈善机构”。而实际上这不过是一种规避风险的方式，基本上不会影响到BlueKai和中小网站原本的收入。有关隐私方面的问题，读者可以进一步参考15.4节。

Bluekai提供大量细分的类别，它有着开放体系上的标签，如“对宝洁洗发水感兴趣的人”“想去日本旅游的人”，这些非常精细类目对于要做效果广告的广告主来说非常有意义，所以它的售价也很高。根据广告主使用目的和数据来源的不同，这些标签又分成如下的几种：Intent、B2B、PastPurchases、Geo/Demo、Interest/LifeStyle、Branded、EstimatedFinancial/Economic。这是一个比较典型的半开放的标签体系，其中的Intent部分非常类似于前文中的兴趣定向体系，这部分是由BlueKai根据通过Data Exchange收集的用户行为加工的。而其他的部分，有的是由其他数据提供商直接提供，比如由Bizo提供的B2B标签；也有的是根据多家的数据融合决策而成，比如Demo/Geo标签实际上融合了Bizo、DataLogix、Expedia等多家数据提供商的数据源。

之所以说BlueKai的标签体系是开放式的，是因为它会根据数据的来源和市场需求不断拓展和调整标签的类别和内容，力求能够满足尽可能多的广告主的特质化需求。表6-3中列出了BlueKai主要的几种标签、覆盖用户量和主要数据来源。

AudienceScience

AudienceScience是广告市场上首先明确提出受众定向这一概念的公司，并且长期专注于这方面的数据加工和算法建设。它的核心业务包括以下两方面。

（1）主要提供面向publish的数据加工服务。比如《纽约时报》（NewYork Times）自己有很多用户，也有很多在线数据，但很显然它的核心业务不是做广告，也不是做数据加工，它更愿意把数据交给AudienceScience, AudienceScience帮它加工一些有意义的用户标签，比如财经类用户、体育类用户。New York Times的BI系统可以用这些标签分析哪些用户对哪些内容感兴趣，应该如何优化内容。

（2）AudienceScience还直接运营一个效果广告网络，帮助广告主进行投放管理和优化，这里就用到了它分析得到的用户标签。

就其数据聚合和收入分成的模式来说，AudienceScience与BlueKai有很多相似之处。两者主要的区别是，AudienceScience并不通过售卖标签来获得收入，而是仅供委托他们优化效果的广告商使用，即通过运营一个自有的广告网络来变现，使用标签创造的营收按照一定比例跟提供数据的媒体分成。这样做的原因是AudienceScience认为数据加工业务在扣除媒体分成以后利润空间太小，而自营广告网络有可能获得更大的套利空间。

AudienceScience其具体的商业流程是：网站（可以是广告主或媒体网站）先把自己的流量托管给AudienceScience，并付给AudienceScience一定的技术服务费，AudienceScience把数据加工成标签，首先提供给网站用以优化它的流量和用户体验。同时，它在自己的广告网络中对这些数据进行变现，变现的数据过来又可以与媒体分成。

随着近年来RTB模式的发展，AudienceScience也逐渐从自营广告网络向整合的DM-P/DSP的方向发展，因为不同于BlueKai是作为第三方的数据提供者，AudienceScience加工用户标签的目的主要就是为了更好地服务自己的广告主，其为了优化广告主需求方的利益，融合了DMP的数据来指导DSP的投放效果也是自然的选择。

在线广告产品交互关系

本章系统性地讨论了在线广告的各种交易方式。在实际的广告市场中，这些交易方式又是怎样通过具体的产品联系起来的呢？图6-12示意性地表示了在线广告市场各种产品的交互关系。从媒体角度来看，有以下三种产品可以帮助其变现流量。

延伸思考

1．在搜索广告中引入程序化交易方式，是否是一个有前景的产品方向？

2．重定向的广告效果往往显著高于其他定向方式，不过这部分是由于其人群选择的特殊性，应如何公允地评价一次重定向广告投放的实际增量效果？

3．数据的交易与广告的交易有什么不同特点，应如何借鉴广告竞价的模式发展数据的竞价交易？

4．在与广告相关的数据交易中，数据采取限量或不限量的供应策略，会对流量和数据的市场价格产生什么影响？