计算广告笔记04-合约广告

最新推荐文章于 2024-08-30 18:12:47 发布

csdn0006

最新推荐文章于 2024-08-30 18:12:47 发布

阅读量478

点赞数

分类专栏： DL 文章标签：机器学习计算广告

本文链接：https://blog.csdn.net/csdn0006/article/details/106865664

版权

DL 专栏收录该内容

38 篇文章 1 订阅

订阅专栏

广告位合约

广告位合约是最早产生的在线广告售卖方式。它指媒体和广告主约定在某一时间段内某些广告位上固定投放该广告主的广告，相应的结算方式为CPT。这是一种典型的线下广告投放模式，在互联网广告早期被采用。这种方式无法做到按受众投放广告，因而无法进行深入的效果优化。

广告位合约还有一种变形形式:按照广告位的轮播售卖。在这种方式中，同一个用户对同一个广告位的一系列访问，被依次标上一组循环的轮播顺序号。将其中具有同样顺序号的展示作为一个虚拟的广告位，售卖给广告主。

受众定向

从展示量合约开始，大多数广告产品的核心是按照受众售卖的。

在考察某种定向方法时，有两个关键点需要关注：一是定向的效果，即符合该定向方式的流量高出平均效果的水平；二是定向的规模，即这部分流量占整体广告库存流量的比例。效果好、覆盖率又高的定向方法是我们追求的目标，不过往往难以两全。因此，广告系统有必要同时提供多种定向方法的支持，以达到整体流量上质的最优化。

另一个相似的概念是用户画像，对用户刻画的重点是当前购物兴趣等直接驱动效果的标签。

受众定向方法概览

常见受众定向方法

水平方向是定向技术在广告信息接受过程中大致起作用的阶段，垂直方向为定性的效果评价。

地域定向。地域定向可以被认为是一种上下文定向，不过其计算很简单，仅仅需要简单地查表就可以完成。地域定向效果有限，但不可或缺。
人口属性定向。人口属性的主要标签包括年龄、性别、受教育程度、收入水平等。人口属性有一点与兴趣标签不同–它是可检测的，即可用采样加调研的方法判断一次人口属性定向的广告活动受众中有多大比例是正确的。
上下文定向。根据网页或应用的具体内容来匹配相关的广告，就是上下文广告。上下文定向的粒度可以是关键词、主题，也可以是根据广告主需求确定的分类。上下文可以粗略地描述用户当前的任务，任务的匹配对于提高广告的关注程度至关重要。这种方式覆盖率比较高–对大多数广告展示，不论对当前访问用户的信息了解有多少，都可以根据当前浏览的页面推测用户的即时兴趣，从而推送相关广告。
行为定向。行为定向是根据用户的历史访问行为了解用户兴趣，从而投送相关广告的。行为定向提供了一种一般性的思路，使我们可以变现在互联网上收集到的用户行为数据。行为定向的框架、算法和评价指标奠定了在线广告数据驱动的本质特征，并催生了相关的数据加工和交易的衍生业务。如果把上下文定向看成是根据用户单次访问行为的定向，那么行为定向可以被认为是一系列上下文定向的融合结果。
精确位置定向。在移动设备上投放广告时，有可能获得非常精准的地理位置。
重定向。这是一种最简单的定制化标签，其原理是对某个广告主过去一段时间内的访客投放广告以提升效果。重定向在各种定向方式中被公认为精准程度最高、效果最突出的，不过人群覆盖量往往较小。因为重定向的覆盖投放量是由广告主固有用户的量和与媒体的重合比例共同决定的。
新客推荐定向。新客推荐定向的思路是根据广告主提供的种子访客信息，结合广告平台更丰富的数据，为广告主找到行为上相似的潜在客户。这一方法的目的是希望在同等用户覆盖率的情况下，达到比一些通用的兴趣标签更好的效果，这也从实质上体现了广告主数据的核心价值。
动态定价。这不是一种定向广告技术，但与其有一定的关联。
场景定向。场景定向是移动环境下的新问题。移动设备丰富的传感器和状态信息为场景的判断提供了可能。

受众定向标签体系

在一些反映用户兴趣的受众定向方法中，我们需要一个标签体系，将每个用户映射到其中的一个或几个标签上去。

一般来说，标签体系有两种组织形式。一种是按照某个分类法制定一个层次标签体系，其中上层标签是下一层标签的父节点，在人群覆盖上是包含关系。一些面向品牌广告的受众定向往往采用这种结构化较强的标签体系。

另一种兴趣标签的组织方式，是根据广告主的具体需求设置相应的标签，所有的标签并不能在同一个分类体系中描述，也不存在明确的父子关系。这种半结构化或结构化的标签体系往往包含一些比较精准的标签的集合，主要适用于多种目标，特别是效果目标并存的广告主的精准流量选择要求。

两种兴趣标签体系如何选择，主要考虑两种情形。

当标签作为广告投放的直接标的时（包括CPM广告及竞价广告中直接可被广告主选择的人群），这些标签既要能够为广告主所理解，又要方便广告主的选择。因此，在这种情形下，结构化的层级标签体系往往是合理的产品方案。典型代表时Yahoo！GD受众定向标签体系。
当标签仅仅是投放系统需要的中间变量，作为CTR预测或者其他模块的变量输入时，应该完全按照效果驱动的方式来规划好挖掘标签，各个标签之间也不太需要层次关系的约束。较为典型的是BlueKai标签体系。

标签体系的设计思路

受众定向产品上最关键的环节就是如何描述用户，也就是如何设计标签体系，这甚至比受众定向的技术更加重要。一般来说，标签体系的设计必须要分行业进行，其中的关键思路是深入研究该行业的用户决策过程。简单来说，就是要洞彻在这个行业里，用户决定买什么、不买什么的原因和逻辑。

展示量合约

互联网主流的品牌广告投放方式是按照CPM结算的展示量合约。展示量合约指的是约定某种受众条件下的展示量，并按照事先约定好的单位展示量价格来结算。这种合约又称为担保式投送，即GD，其中的“担保”指的是量的约定。在实际执行中，在未能完成合约中的投放量时，可能要求媒体承担一定的赔偿。

从供给方和需求方两方面来看一下这种售卖方式出现的合理性。媒体从按固定广告位变为按CPM售卖，初衷是为了在流量变现的基础上加上数据变现，面向的仍然是原来的品牌广告主。广告主按广告位采买时比较容易预估自己拿到的流量，但按照人群定向的方式采买，流量却不确定。因此，需求方希望在合约中加入对量的保证，才能放心地采买。

展示量合约虽然以人群为显示标的进行售卖，但并没有摆脱广告位这一标的物。因为在CPM结算方式下，无法将多个差别很大的广告位打包成同一售卖标的。因为不同广告位的曝光有效性可能差别巨大。实践中展示量合约往往是以一些曝光量很大的广告位为基础，再切分人群售卖，最典型的例子是视频网站的贴片位置或门户网站首页的广告位。

从交易模式上看，展示量合约仍然是比较传统的交易模式，但从技术层面上看，这种模式的出现实际上反映了互联网广告计算驱动的本质：分析得到用户和上下文的属性，并由服务端根据这些属性及广告库情况动态决定广告候选。这一商业模式出现有一系列技术手段的支持，包括受众定向、流量预测和担保式投放等。

流量预测

展示量合约售卖的是某特定人群上的广告曝光次数。流量预测在广告产品中有以下3个主要用途。

售前指导。因为要约定曝光次数，所以事先尽可能准确地预测各人群标签的流量至关重要。如果流量严重被低估，会出现资源售卖量不足；如果严重被高估，会出现一部分合约不能达成的情况，进而直接影响系统的收入。
在线流量分配。展示量合约之间在人群选择上会有交集的存在，当一次曝光同时满足两个以上合约时，怎样决策将它分配给哪个合约以达到整体满足所有合约的目的，这就是在线流量分配问题。
出价指导。在竞价广告中，由于没有了量的保证，广告主往往需要根据自己预计的出价先了解一下可能获得多少流量，以判断自己的出价是否合理。

广告里一般的流量预测问题，可以描述成对流量 $t (u, b)$ 函数的估计，其中u表示给定的人群标签或人群标签组合，b表示出价。展示量合约中，没有出价b，可以看做 $\to \infty$ 情形下的特例。

流量塑形

流量预测本质上是被动地统计流量情况。在有些情形下，我们可以主动地影响流量，以利于合约的达成。这一产品策略问题为流量塑形。

从商业产品的要求来看，要系统化、高效率地达到流量塑形的目标，需要将用户产品与广告产品的需求情况打通，然后按照一定的准则，在不伤害用户体验的情况下，尽可能提高商业变现的效率。

在线分配

展示量合约面临一个问题：各个合约要求的人群很可能大量交叠，如何设计分配策略，使得各个合约都尽可能被满足。为了描述这一策略问题，将其简化为一个二部图匹配问题：二部图的一方表示广告库存的供给节点，每个节点代表的是所有人群标签都相同的流量集合；二部图的另一方表示广告合约的需求节点，每个节点代表的是一个广告合约的人群标签条件。