信息流不同行业账户投放,流量池会有区别吗?

在投放过程中,我们经常遇到这么一个问题,不同行业账户投放,流量池会有区别嘛?我认为是有的,那么对于我们优化师而言,怎么样才能利用好媒体对于流量池的划分效果,可以从以下几个方面来进行考虑,
1.以腾讯广点通来作为例子,框架类别分为K1-消费品KA类、K2-在线效果类、K3-生活服务KA类、K4-区域牌照,除去分行业框架容易进行管理之外,不同的框架下可能对应着不一样的QPS流量量级,我们经常听到开户的时候希望可以开个框架户也有一定的道理,除去返点之外,可能还存在流量大小的区别,这样子可以考虑到不同的框架下可以更好的平衡广告主的预算问题。
2.在流量上面适当破圈,采用不一样的定向去探索更合适的流量定向,减少由于流量重叠度过高导致进入投放的死胡同,只是一直和同行业的对手进行竞争,使得转化成本越来越高,最后就是看谁先退出市场。
3.多开账户,每个账户可能存在的初始流量池不一样,在计划初始的投放中去碰不同的流量池,这跟我们多上计划是一样的,虽然这个方法比较笨,但是有时候简单的方法反而是最高效的。
很多时候我们在面对账户的时候,总是会产生很多疑问,其中一个很经典的问题就是,如果我同时面对两个不同行业的账户,在投放时候流量池会存在区别吗?如果你是一个甲方优化师的话,可能对这样子的问题感触比较小,毕竟出于业务需求甲方的产品都比较单一,而乙方的优化师总是在接触不同的产品,经常手里同时跑着好多个不同行业的产品,这样子就经常衍生出上述的那个问题,究竟不同行业的流量池存在嘛?这个问题其实存在很久了,从我入行起就经常听到类似的问题。大部分的优化师都给出了一致的答案,流量池是真实存在的,但是关于流量池是什么以及为什么流量池会存在,问了许多人也并没有一个很满意的答案,在这里就流量池是不是存在区别给出自己的一些想法。
为什么会认为流量池是存在的呢?
首先这个与我们观察到的事实不一致,在媒体平台上,不管什么转化价格以及转化需求的产品都是存在的,如果按照我们认为的媒体对一个广告竞价是ecpm排序,那么转化价格高的产品天然具有较大的优势,这会导致整个平台上面都是倾向于转化价格高的产品,使得整个平台的广告生态下降,虽然短期来看媒体收益变高了,但是长期来看形成了一个寡头垄断市场,媒体方的议价权变低(这里首先忽略其他cvr和ctr因素来做一个简化的假设处理)。
另外一方面则是从流量与广告主的匹配度来考虑,假设当一个流量请求过来的时候,整个市场上只有两个广告主A和B来竞价,当A的ecpm高于B的ecpm,A广告主获得这个流量,但是发现这个流量的匹配度较低,在下一次竞价时,A广告主就会倾向于降低ecpm减少浪费,长期来看,可能造成整个A广告主退出这个市场,原因在于转化的波动较大或者较差。如果需要一个较为稳定的系统,媒体的广告算法模型也会自动去寻找相似的流量来转化,这就造成了流量池的一个自然演进过程,但是如果可以从人为的角度来进行划分,是可以拥有很多好处的。
其实不同行业的流量池是真的存在的,首先就是媒体的收益都是按照ecpm来计算的,具体到每个流量请求就是每个流量单独计算的ecpm,这是一个基础的划分,如果按照归类的思想来考虑,不同行业的ecpm是不一样的,那么媒体出于收益最大化的出发点,是会对不同行业进行流量池的一个划分规则的。从图1 可以看出,2020年主要在信息流广告中主要投放的行业为文化娱乐、游戏等,对于媒体而言,这些行业的收益显然要更大,那么对这些行业进行一定的流量池设置,让这些行业得到更多的流量的可能性是存在的。
图1 2020年重点行业的广告数对比
第二个方面则是在现行的ocpx算法的规则下,是需要在基于历史数据的基础上进行模型的建立和预测,在事先就针对流量进行不同流量池的划分,可以减少候选广告创意的数量,这可以为后续的广告创意排序铺垫了基础,使得整个系统的计算量减少,这个是从规则的角度来考虑,也有利于降低广告系统的计算压力。
第三个方面则是由于每个广告主出于自身业务的需求,其实不同行业的广告主面对的人群是类似的或者说重叠程度比较高,这就导致了广告主在进行定向的时候就会只筛选自己所需要的人群,在此基础上进行的流量筛选导致了媒体是有动力进行不同行业流量池的划分的。
从图2来说,广告主行业规模和ecpm对于媒体的流量池划分是存在影响的,广告主规模以及ecpm对于流量池的大小是呈现正相关的,ecpm越大,媒体愿意圈定的流量池则越大;广告主行业规模越大,媒体愿意给的流量池也会越大,正如图2中的E和F行业,E行业的规模和ecpm都要大于F行业,则其圈子就越大。另外,E行业中的A广告主和B广告主的受众存在重叠,表现了对流量是存在竞争关系,会推动整体的ecpm越来越高。
在这里插入图片描述

图2 广告主行业规模和ecpm对媒体流量池的影响

对于流量池的说法,这里只是简单的解释了一下,个人认为在通投与定向、cpc与ocpx等不同情况下的流量池是存在着不同的划分方法,但是就不一一赘述了。
因此,从媒体的角度出发,媒体是有动力去划分不同行业的流量池的,但是至于媒体是否有能力去划分不同行业的流量池,则是另外一个问题了,这可能涉及到媒体自身的流量规模、算法能力以及广告机制的完善程度了。

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值