2018年年底，5G牌照在萬眾矚目之下發放，5G的通信速度是第四代移動通信技術速度的百倍以上，這意味著我國將率先進入全新超高速5G時代。廣告行業也是緊跟著移動通信技術的步伐不斷地迭代更新，從最開始的傳統媒體報紙，到廣播，到電視，到現如今二十一世紀看不見摸不著卻無處不在的互聯網，形式是越來越多樣，速度越來越快。如今，5G時代來臨，廣告傳媒行業即將面臨一次新的改革。 5G時代具有“萬物互聯”、“人人互聯”的專屬特質，彼時，智能手機便捷性的優勢將得到充分的發揮。那麼，廣告主在移動平台上的廣告投入應該也會隨之加大，而第三方廣告代理商們勢必會加大對移動廣告平台的研究。

5G區別於4G最大的三大性能特徵是是極高的速率、極大的容量和極低的時延。 5G立志要達到10Gbps的速度，從而再也沒有下載進度條。在消費互聯網領域，各種各樣的超高清內容都可以進行穩定、無延遲的傳輸，大大提升了用戶體驗。在5G時代，更多的智能硬件設備將加入網絡，也就有了更多的屏幕，這就意味著視頻廣告覆蓋的人群增加，觸達頻次增加，而5G全方位視頻化將成為5G 時代廣告行業的主要趨勢之一。此外，5G還會促進大小屏幕之間的融合，大小屏之間的互動將會增強。譬如愛奇藝等視頻網站很早就推出了內容跨屏續播功能，未來這種跨屏將會有更多想像力。

5G時代的互動廣告不僅僅是通過點擊屏幕按鈕進行的頁面互動，還能在VR、AR、全息投影等技術的支持下，給消費者帶來充滿沉浸感的互動體驗。譬如虛擬開箱，虛擬試衣等。在最近熱門綜藝《潮流合夥人》節目上線前，愛奇藝就曾推出互動短視頻《吳亦凡家務男》，通過互動視頻標準“分支劇情”，鼓勵用戶通過互動解鎖9種結局。可見，廣告不僅僅是單方面的訊息觸達，更多會變成一場好玩的互動遊戲。傳統的廣告也會進行AI化的升級和改造。譬如業內流行的創可貼廣告，以前多是人工根據戲中的人物劇情，編輯品牌互動內容。而在《破冰行動》中，創可貼已可實現AI智能識別劇情，包括關鍵詞、情緒、話題等等，並根據這些智能創作廣告語。 AI製作的創可貼高效和穩定，在不影響觀眾觀看的同時，傳遞出品牌訊息。

視頻廣告市場正在擴大。據Criteo（CTRO）報導，目前視頻廣告（包括短視頻）在美國展示廣告支出中佔30%以上，在歐洲佔27%。思科（Cisco）估計，到2021年全球80%的互聯網流量將是視頻。看國內市場就會發現，2018年視頻（包括短視頻）廣告營收增長居然高達93%，遠超電商、搜索、訊息流、社交等其他細分領域。 5G等新技術逐漸投入使用後，幾乎可以判斷，未來1-3年，流媒體廣告的價值會逐漸被重新認知。愛奇藝、騰訊視頻等在廣告主眼中的地位還會進一步拉抬。

AI和5G這兩種技術的結合將實現了行銷行業期待很多年的——廣告即內容，內容即廣告。未來，在視頻內容和視頻行銷領域，限制我們的最大瓶頸不是技術，而是我們的想像。

圍繞用戶的商業競爭，在流量的增量時代是爭奪“新增”用戶；在流量轉為存量時代後，是“促活”用戶；現在，已經進一步發展到了“挽回”用戶，即召回流失用戶。

作為一家致力於為全球4億用戶提供完美旅行體驗、業務覆蓋31個國家和地區的互聯網企業， http:// Trip.com （注：攜程於2019年10月宣布其英文名稱更名為http:/ / Trip.com ）的產品包括住宿預訂、交通票務、跟團旅行以及企業差旅管理，並可提供21種語言的客戶服務。

通過有效“挽回”用戶，他們實現了30%的行銷轉化率提升，銷售額提升達221%，同時訂單成本下降了37%。

如何做到？只需三步：“找”到流失用戶、進行個性化再行銷、提升投放效率。

找到“流失”的用戶

以及有效的觸達渠道

據了解， http:// Trip.com與Criteo早在2017年便率先合作了再行銷廣告，重定向底部漏斗用戶。這一投放策略提升了其網站的業績，在看到網頁端再行銷廣告帶來的投資回報率（ROI）後， http:// Trip.com便將合作夥伴關係擴展到移動端網頁與應用程序（App）再行銷廣告，以重點激活流失用戶、提升移動端與應用內轉化。

通過對不同平台下、不同轉化階段流失用戶進行再行銷廣告觸達，Criteo幫助http:// Trip.com在公開網絡找到最合適、最具價值的用戶，有效拓展了新市場。在初始測試期後，由Criteo 提供的App install廣告投放服務帶動的App安裝量環比增長了158%，App內訂單量環比增長159%。

提供滿足用戶個性化需求的

投放內容與投放策略

http:// Trip.com國際業務部App行銷經理Tijs Bulk解釋說：“付費安裝是我們在新市場中增長的主要推動力，我們不僅需要吸引安裝App的用戶，還需要吸引真正的消費者，即通過http:// Trip.com進行旅行資訊交流，預訂航班或酒店的用戶。為此，我們不僅需要結合數據去篩選恰當的觸達渠道，更需要去選擇恰當的投放內容策略和投放工具去吸引這部分特定用戶群體。”

由於不同用戶具有不同的消費行為模式，針對廣告內容、廣告形式的偏好自然也存在差異。

而一款產品可能擁有多個賣點，並且不同的消費者在面對同一款產品時側重點往往不同。此外即使是同一名消費者，在不同的場景下，對同一產品也可能產生不同關注點。

Criteo提供的跨設備動態廣告投放服務可以根據人工智能的不斷進化和學習，針對不同場景下的不同消費者，宣傳恰當的業務賣點，真正做到“私人化定制”。

目前， Criteo已成為其激活流失用戶環節中最大的流量來源之一。 Tijs指出，與其他平台相比，“Criteo提供的公開網絡資源能夠為我們帶來跨設備且高質量的客戶，其先進的競價技術能夠有效的控製成本，對我們來說非常有價值”。

以自動競價代替人工優化，

最大化廣告效率與用戶觸達率

許多企業成功開展了轉化活動，但ROAS（廣告投資回報率）始終無法達到他們的預期，是由於他們花費了大量時間手動調整CPCs（單次點擊成本）。然而，即便使用手動管理，行銷活動也經常會出現預算超支、無法達到業績目標等情況。

為了改善這一狀況， http:// Trip.com在Criteo的幫助下，用自動競價工具取代了耗時的人工廣告活動優化工作。在滿足自適應模型切換的條件下，團隊僅需設置訂單成本或者ROI的目標值，在自動學習後，Criteo引擎會這一目標值進行自動競價，在保證成本的前提下最大化訂單量或訂單金額。

這樣， http:// Trip.com無需頻繁手動調整點擊成本（CPC）就可以持續達成KPI，團隊可以將更多時間用於聚焦於應對不同市場/季節的策略調整，優化測試與尋找增長機遇。在使用了自動競價工具後，Tijs表示：“Criteo引擎能夠有效達成CPO目標，並自動適應外部市場的波動，實現全年無間斷地賬戶優化。這種優化精準有效，促進了2019年http:/ / Trip.com在海外市場訂單的顯著增長。”經過Criteo優化後，自動競價廣告的轉化率提升了13％，同時每訂單成本（CPO）減少了17％。

如何在存量時代深耕國際市場？

這裡有4個增長錦囊！

隨著品牌國際化的發展和產品種類的增加， http:// Trip.com將繼續深化與Criteo的合作夥伴關係。

Tijs解釋道，“有一個統一團隊為我們服務，提高了工作效率，減少了與不同的渠道和人員溝通的時間”，他還指出，“透明的報告與自助服務平台、領先的廣告技術與佈局、高效的表現與以結果為導向的目標是雙方合作的主要共識與優勢，這一切都讓http:// Trip.com樂於與Criteo持續合作”。

據介紹， http:// Trip.com App用戶在過去兩年中同比增長了100％，並且一直保持著香港旅行類App第一名的位置。截至2019年年底， http:// Trip.com的國際機票銷售量連續13個季度保持了三位數的增長。

那麼，其他正在擴展全球化業務的企業，應當如何獲得http:// Trip.com案例的增長效果？我們在整理了諸多案例內容後，提煉出了這四個增長錦囊：

1、通過類似受眾拓展，精準找到新的潛在客戶

2、利用動態再行銷技術，促進最大限度互動

3、ARO（自動化營收）優化是利器

4、App內再行銷激活流失用戶，自動化優化改進ROAS結果

點擊【下方鏈接】，獲取基於以上策略的企業增長案例！

https://www. morketing.com/report-it em/121

[編者註：全球效果行銷科技公司Criteo的《消費者故事2020》調查了1000多名美國消費者，了解人們是如何購物的，是什麼影響了他們的決定，以及原因。我們經過編譯，分享給大家。 ]

進入2020 年，數據現在是全渠道經濟的支柱，消費者的信任是客戶關係的根本。像GDPR（《通用數據保護條例》）和CCPA（《加州消費者隱私法案》）這樣的法規只是旨在保護用戶隱私的兩個例子。

人們不僅僅是想相信企業的數據。我們的研究表明，越來越多的消費者希望相信一個品牌與他們自己的信仰和價值觀是一致的。在未來十年，你需要知道你的受眾購買什麼，你的受眾相信什麼。因為這是你與新消費者建立長久關係的方式。

我們的最新報告《消費者故事2020：新的消費者心態》調查了從發現到轉化的路徑是如何演變的，詳細分析今年消費者的購買情況，以及為什麼這標誌著公司在未來十年乃至更長的時間裡需要思考廣告的重大變化。包括：

• 關於消費者如何跨渠道購買的獨家細節
• 交易和品牌價值如何影響客戶忠誠度
• 2020 年的購物者之旅將是怎樣的
• 推動CLV（客戶終身價值）的全流程廣告活動的最佳實踐

2020 年的消費者= 偵探

一切都被仔細檢查。

2020 年，消費者是偵探。他們閱讀評論。他們比較產品。他們會考察你的公司背景和內部實踐。也許他們會看看人們在社交媒體上說什麼。而且他們可以在沙發上、床上或火車上，幾分鐘內完成這些工作。

我們調查了全美1000 多名消費者，有一點變得很清楚：客戶旅程中的“考慮階段”——即客戶研究和調查潛在購買行為的階段——在接觸點和影響力上都有所增長。

我們確定了新消費觀念的三個核心因素：發現、全渠道、忠誠。

01 | 發現

高意向購物者最喜歡去的地方：我們的“購物者故事”研究顯示，越來越多的美國購物者開始在零售商或品牌官網上搜索產品，而不是搜索引擎或網上市場（如亞馬遜） 。

五分之一的購物者（20%）表示，在過去兩年中，零售商和品牌網站對他們的購買決策的影響越來越大。只有十分之一的人說它們的影響力變小了。

最近的一個例子說明了這一趨勢。耐克停止了在亞馬遜上的銷售。我們希望品牌不要僅僅依靠巨大的分銷商，而是與合作夥伴建立更加透明和互惠互利的密切關係，並專注於為自己的網站帶來更多的流量。

同行和評論：口碑，個人推薦

通過近乎無限的免費擴音器（社交媒體、評論、部落格、YouTube、問答網站和產品頁面本身），今天的消費者有能力評論與企業的每一次互動。其他的消費者也在傾聽。

2020 年，審核所有關於你的企業和產品的外部評論，了解消費者的旅程是很重要的。不僅如此，還要考慮每一個接觸點。新的商業前沿在於優化購買體驗，而不僅僅是人們購買的商品。

• 59% 的美國購物者曾向他人講述在某公司的負面體驗。
• 68% 的美國購物者基於良好的體驗向他人推薦過某家公司。

社會媒體與開放互聯網：產品發現是全渠道的

顧客是通過哪些渠道來發現自己喜歡的品牌？是Facebook 還是Instagram？ YouTube 還是官網？答案：都是。

當人們把50% 的時間花在搜索和社交上時，意味著他們這些時間花在開放的互聯網上，查看那些沒有隱藏在圍牆花園後面的出版商、零售商和品牌網站，這為試圖在封閉環境之外吸引消費者的公司提供了巨大的機會。

移動和APP：智能手機是一種生活方式

來自Statista 的數據顯示，目前全球有超過32 億智能手機用戶。到2023 年，移動應用的收入預計將超過9350 億美元。我們的調查表明，大多數美國消費者正在使用零售商的APP 來發現、評估和購買產品。

構建應用程序的行銷人員都知道，他們在未來一年的首要任務是活躍度，而不僅僅是安裝量。由於應用商店現在既考慮應用的數量，也考慮質量，所以你必須確保用戶會再次使用並進行轉化。這意味著在應用推廣活動中要盡可能地鎖定最佳用戶。

02 | 全渠道

在2020年重新思考商店

儘管電子商務讓人興奮不已，但85% 的零售額仍然是在實體店完成的。最好的購物者不是線上或線下的——他們兩者都是。

根據《哈佛商業評論》的一項調查，與只在一種渠道上與企業互動的人相比，全渠道購物者每次在商店裡的消費平均增加4%，在線購物時的消費增加10% 。同樣的研究顯示，全渠道購物者的忠誠度更高。在多個渠道與企業進行互動的人，6 個月內訪問實體店的頻率增加了23%。

位置&即時性=店內購物

研究顯示，在美國，與商店購物相關的最重要因素是距離和緊急程度。這是有道理的。當你沒有時間等待運輸和送貨（即使是免費的）時，關鍵在於你多快就能拿到東西。然而，我們的調查結果也顯示，購物者去商店並不是為了方便。

客戶服務和體驗會帶來不同

在被問及為什麼逛商店的美國受訪者中：

• 42% 表示店內有優惠
• 31% 說銷售人員很懂行
• 30% 表示有更好的方式試用產品

渠道購物的選擇是相互關聯的，而且取決於優先級

根據我們的研究，四分之一（26%）的美國購物者表示，他們在收到廣告或電子郵件發送的在線優惠後才去商店購物的。雖然消費者同時在數字和實體渠道上購買，但他們會根據自己的優先級進行選擇。

• 52% 的人一有空就會去商店購物
• 41% 喜歡逛商店，了解時尚或新潮的東西
• 37% 喜歡盡可能多地在網上購物

全渠道商店：數據是連接線上和線下購物的橋樑

數量驚人的購物者實際上有一個複雜的購物旅程。如果你是一個只有單一數據跟踪的廣告商，你就無法獲得全貌。每條廣告之外都有太多的事情發生。

我們分析了來自全渠道客戶群的Criteo 數據，了解這種全渠道之旅如何運作。在購買之前，全渠道購物者會在多個設備上瀏覽產品（平均1.63 個設備）。

需要一個強大的數據解決方案來真正彌合這種差距。但是你如何讓人們回來呢？這就是建立客戶忠誠度的作用所在。

在3 個月的時間裡：

• 僅在店內購物的顧客平均購買了2.1 次，而同時訪問商店網站的顧客則購買了3.34 次。
• 63% 的全渠道購物者進行了2 次或更多的購買，而僅有44% 的店內購物者進行了購買。

03 | 客戶忠誠

這是任何人的遊戲，價值觀很重要

我們對1000 名美國消費者進行了調查，發現每10 名購物者中就有7 名願意考慮新品牌：73% 的購物者願意冒險購買他們聽說過正面評價，但還沒有嘗試過的公司。

毫不奇怪：在決定是否向某個零售商或品牌購買時，我們的調查發現，93% 的美國購物者將“折扣和優惠”作為重要因素。

優惠券的力量：

• 60% 的人會在商店有優惠券的時候使用
• 51% 的人經常在網上購物前搜索優惠券
• 53% 的人在家剪下優惠券，到店內使用
• 45% 的人從網上打印優惠券，到在店內使用

但是，雖然搶購和優惠可能會在短期內吸引消費者，但從長遠來看，品牌價值更重要。 [參考閱讀： 2020客戶忠誠度體驗報告]

品牌價值的影響：不能再被低估了

埃森哲全球戰略調查發現，62%的消費者希望公司在可持續發展、透明度和公平就業實踐等問題上表明自己的立場。愛德曼公司的一項研究顯示，全世界64%的消費者“會因為某個品牌在社會或政治問題上的立場而購買或抵制該品牌。”

在我們的另一項研究中，36% 的美國Z 世代表示，與2018 年相比，他們在2019 年更加關注假日季購物對環境的影響，44% 的人表示計劃在黑色星期五購買更多的本地產品。

品牌價值觀對你的客戶很重要：

• 1/6 的人停止購物，因為某個品牌的價值觀與他們的個人信仰不一致
• 51% 的人表示品牌價值影響他們的購買決定
• 35% 的人更有可能購買與自己價值觀相符的品牌

價值觀是有回報的。在Kantar 諮詢公司的一份報告中，高目標感的品牌在12 年內的估值增長了175%，而低目標感的品牌增長率為70%。

對忠誠計劃的忠誠

• 65% 的人喜歡忠誠度計劃
• 52% 的人表示，忠誠度計劃是他們選擇特定零售商或品牌的關鍵原因之一
• 41% 的人說，忠誠度計劃讓他們感覺自己是一個有價值的專屬客戶群體的一部分

考慮一下

當每個消費者都是偵探的時候，購買考慮階段就會變得和轉化一樣複雜。你不知道顧客是如何發現你的產品的，他們需要多長時間來做出決定，以及什麼最終會讓他們轉化為購買的客戶。鑑於互相推薦、透明度和品牌價值等越來越受到重視，企業在2020 年規劃戰略性全流程廣告活動的時機已經到來。

談到消費電子產品，只有7% 的買家表示他們“幾乎一直”都是從訪問的第一個網站購買的。他們中的許多人在不同的企業、網站和體驗之間跳躍。除了價格之外，電子產品消費者不斷研究的首要原因是他們想要更多的產品訊息。

Criteo 的數據顯示，從第一次接觸點和交易在店內結束之間的平均時間是7 天，而在線交易結束時，則需要28 天。這對於電商購物者來說，有整整4 週的時間來考慮並找到適合自己需求的完美產品。

優秀的廣告是什麼樣的

以下是如何開始思考一個有效的推廣活動創意。正確的廣告可以幫助展示你的品牌個性，為你的網站帶來流量，並鼓勵安裝你的應用程序。

• 思考品牌，而不僅僅是產品<br>通過融合產品推薦和品牌資產，可以讓更多的消費者對你的品牌感興趣，並突出你在一個或多個產品類別中提供的所有東西。
• 優化移動交互性<br>考慮同時突出你的品牌或產品的不同方面，比如用兩張圖片並排。這樣可以讓用戶通過滑動看到更多內容。
• 選擇一個新的KPI
  傳統廣告關注的是每次點擊成本（CPC）和轉化率等指標。當你要推“考慮階段”的廣告時，你要關注訪問量並分析每次訪問成本（CPV）。

原文地址： https://www. criteo.com/insights/sho pper-story-2020/

本文首發於鵜鶘全面客戶體驗管理公眾號，未經授權，請勿轉載。

第一章廣告

1.廣告的含義

在《當代廣告學》裡，廣告的含義是廣告是由已確定的出資人通過各種媒介進行的有關產品（商品、服務和觀點）的，通常是有償的、有組織的、綜合的、勸服性的非人員的訊息傳播活動。

自己理解：廣告廣告，廣而告之，指的就是廣告主通過付費的方式，以媒體當作中間橋樑，向用戶宣傳自己的產品或者服務的一種訊息傳播活動。

2.廣告的參與方

廣告有三個參與方，即廣告主（廣告代離商或其他機構）、媒體方、受眾，其中，前兩者是主動參與的，而受眾是被動參與的。

3.廣告的目的

廣告的目的，簡單來說，就是廣告主通過媒體這一手段以達到低成本接觸其用戶。 （這裡的低成本是相對來說的，不是絕對意義上的）。

4.廣告的有效性原理

曝光——關注——理解——接受——保持——選擇

通過對前幾個環節的優化，能提高點擊率，而通過對後面環節的優化，可提高轉化率。

第二章互聯網廣告

1.互聯網廣告的含義

在線廣告，也稱為網絡廣告、互聯網廣告，顧名思義，指的是在網絡媒體上投放的廣告。

2.與傳統廣告的區別

1.技術和計算導向

2.效果的可衡量性

3.創意和投放方式的標準化

4.媒體概念的多樣化

5.數據驅動的投放決策

第三章商業化變現

1.商業變現的含義

商業變現，指的就是公司將商業資源轉化成現金資源的過程，這裡的商業資源包含很多部分，對於廣告來說，能夠變現的資源主要有三種，即數據、流量和品牌屬性。

2.商業變現的常見模式

目前，互聯網商業商業變現的主要模式有：廣告變現、佣金分成、增值服務

內容收費

3.商業化變現例子

廣告變現（代表：今日頭條、中華萬年曆、墨跡天氣等）

電商變現（代表：淘寶、平安好醫生、抖音等）

增值服務變現（代表：愛奇藝、騰訊視頻、陌陌等）

內容變現（代表：知乎、得到、虎牙等）

遊戲變現（代表：王者榮耀、和平精英等）

4.為什麼很多APP都免費使用

實際上，很多APP都是通過免費使用，以此來獲取大量用戶和數據，再採用廣告等後端變現的方式，獲得利潤，以維持公司發展。

第四章大數據與廣告

1.大數據的定義與特性

定義：目前並沒有非常清晰的定義，一般是指無法在一定時間範圍內用常規軟件工具進行捕捉、管理和處理的數據集合

大數據特性：Volume（規模）、Variety（多樣性）、Velocity（高速）和Value（價值） Veracity （真實性）。

2.什麼是大數據問題

在其他條件固定的情況下，數據問題基本上不可能通過只處理一小部分數據來達到處理全量數據所能達到的效果，或者說隨著數據採樣率的降低，解決問題的收益會快速下降

3.大數據給廣告帶來了哪些機會

1.通過對用戶海量數據的挖掘及分析，可為用戶建立標籤體系，從而實現廣告定向投放，提高廣告位的收益

2. 在線廣告孕育和孵化了較為成熟的數據加工和交易產業鏈

3.兩者的結合，創造出了極大的收益。

4.廣告的第一方、第二方、第三方數據分別來源於？

廣告的第一方數據，指的是廣告主的數據，即發生在廣告主網站上的行為數據，而第二方數據，是指發生在廣告平台，即媒體網站上的數據，第三方數據，是指其他數據監測、分析公司的數據。

第五章廣告的分類

1.按廣告的展現形式分

按廣告的展現形式分，大致可以分為以下7種

1.banner廣告（橫幅廣告）

橫幅廣告一般是嵌入在頁面中相對固定位置的圖片，需要佔據固定的版面，因此，這種廣告一般要有底層的備選廣告素材，以防沒有合適的廣告匹配時頁面上開天窗。

2.文字鏈廣告

這種廣告的素材形式是一段鏈接到廣告主落地頁的文字，在搜索廣告中為主流形式，同時在展示廣告中也被廣泛採用。

3.視頻廣告

根據插入位置的不同，視頻廣告又可以分為前插片、後插片、暫停等類型。視頻廣告由於載體的獨特性質，其效果和廣告創意比較類似於線下的電視廣告。

4.移動廣告

目前移動廣告典型的形式有橫幅、開屏、插屏、積分牆或推薦牆等。

5.富媒體廣告

這類廣告往往是利用視覺衝擊力較強的表現形式，在不佔用固定版面位置的情況下，向用戶侵入式地投送廣告素材。富媒體廣告常見的形式有彈窗、對聯、全屏等。它比較適合在高質量的媒體做一些品牌性質比較強的廣告投放。

6.社交廣告

社交廣告中最典型的形式是插入在社交網絡訊息流中的廣告，通過用戶的擴散式傳播獲得更大的影響力和口碑。

注意區分在社交媒體種傳播的廣告這一概念。

7.EDM（郵件定向廣告）

通過電子郵件的方式向目標用戶傳遞推廣訊息的一種網絡行銷手段，EDM非常容易變成垃圾郵件的主要來源，對EDM的運營者而言，精準地把握用戶興趣、非常有節制地提供對用戶用價值的相關訊息是非常關鍵的。

2.按廣告投放的目的分

1.品牌廣告

品牌廣告一般出現在優質媒體的優質廣告位資源上，如開屏廣告。對於廣告主來說，其目的是提升企業的品牌形象，提高產品的後期利潤空間。

2.效果廣告

效果廣告和品牌廣告不同，它的目的是爭取在短時間內獲得比較好的投放效果，提升購買或者轉化行為。

3.按廣告交易的方式分

1.合約廣告

廣告主和媒體方通過合約的方式來進行交易，主要分為廣告位合約和展示量合約，這種方式相對來說效率較低，媒體方的剩餘流量也沒辦法賣出去，利用率有限。

2.競價廣告

競價廣告按照市場競價的方式，採取價高者得的方式來獲得廣告位，這種方式有利於激發市場活力，提高媒體方變現空間。

第六章合約廣告

1.合約廣告的分類

主要分為廣告位合約和展示量合約，廣告位合約一般按CPT結算，而展示量合約按CPM結算，展示量合約由於保證量，所以也被稱為”擔保式投送”，即GD。

2.技術要求

廣告位合約：對技術要求較低，只需要用到廣告排期系統

展示量合約：對技術的要求也較低，需要用到受眾定向技術，在線分配技術（保證每個合約上的量都能被完成），同時，需要之前直接嵌入式的廣告變成根據受眾標籤實時相應前端要求投放廣告。

3.優點

廣告位合約：

1.在一些強曝光屬性的廣告位[插圖]上採用這種獨占式的廣告投放，往往可以有效地給用戶帶來品牌衝擊

2.在其他一些橫幅位置長期獨占式的購買有利於形成“櫥窗效應”

3.這種銷售模式由於可以向廣告主提供一些額外的附加服務，比如同一個頁面上的競品互斥，使得高溢價的流量變現成為可能。

展示量合約：

1.增加了受眾定向的選擇，可實現更為精確的廣告投放

2.由於媒體方保量，因此，降低了廣告主的風險。

4.缺點

廣告位合約：

1.無法實現受眾定向，廣告主通常需要承擔額外費用

2.對媒體方來說。數據利用率較低，變現空間受到阻礙。

3.中小廣告主缺乏參與廣告投放的機會。

展示量合約：

沒有拜託廣告位這一標的物，不同的廣告位之間的曝光量區別還是較大。

5.受眾定向

出現原因：對媒體方來說，可拆分一個廣告位上的不同流量，提高變現收益，對廣告主來說，可以按人群分類購買，而不是按廣告位購買，在減少成本的同時，提高廣告投放的精確效果。

類型：地域定向、人口屬性定性、頻道定向、上下文定向，行為定向、精確位置定向、重定向、新客推薦定向、團購定向

關注定向的性能

一是定向的效果，即符合該定向方式的流量上高出平均eCPM的水平；

二是定向的規模，即這部分流量佔整體廣告庫存流量的比例。

受眾標籤體系：結構化標籤體系和非結構化標籤體系

當用戶標籤作為廣告投放的直接標的時（包括CPM廣告及競價廣告中直接可被廣告主選擇的人群），這些標籤既要能夠為廣告主所理解，又要方便廣告主的選擇。因此，在這種情形下，結構化的層級標籤體系往往是較合理的產品方案

當標籤僅僅是投放系統需要的中間變量，作為CTR預測或者其他模塊的變量輸入時，那麼結構化的標籤體係其實是沒有必要的，應該完全按照效果驅動的方式來規劃或挖掘標籤，而各個標籤之間也不太需要層次關係的約束。

6.展示量合約在線分配問題

流量預測：展示量合約售賣的是某特定人群上的廣告曝光次數，而人群不同於確定的廣告位，因此必須在合約中約定投放的量。於是，在產品策略上就產生了流量預測。

作用：售前指導、在線流量分配、出價指導。

流量塑性：流量預測對於展示量合約非常重要，不過在本質上還是被動地統計流量情況。在有些情形下，我們可以主動地影響流量，以利於合約的達成。這一產品策略問題稱為流量塑形，有時也可成為流量傾斜策略。

第七章搜索與競價廣告

1.搜索廣告

搜索廣告是以上下文查詢詞為粒度進行受眾定向，並按照競價方式售賣和CPC結算的廣告產品。搜索廣告的變現能力較強，且規模占到了台灣在線廣告市場的一半以上，因為用戶輸入的關鍵詞帶有較強的目的性。

2.搜索廣告的特點

2.1搜索廣告的變現能力，即eCPM遠遠高於一般的展示廣告

2.2搜索廣告的受眾定向標籤，即是上下文的搜索查詢。由於搜索詞非常強地表徵著用戶的意圖，搜索廣告可以進行非常精準的定向

2.3搜索廣告的展示形式與自然結果的展示形式非常接近，往往僅僅在底色和文字鏈接中有不太引人注目的提示。這樣的產品設計使得它有原生廣告的意味，也進一步提高了廣告效果

2.4從搜索廣告發展起來的競價交易模式已經逐漸發展成為互聯網廣告最主流的交易模式。這一模式從根本上改變了廣告的運營方法，並為其效果的快速提高釋放出巨大的生產力。

3.搜索廣告的決策過程

搜索廣告的整個決策過程可以分為查詢擴展、檢索、排序、放置、定價等幾個階段。查詢擴展是搜索廣告獨有的策略，目的是給廣告主自動地拓展相關的查詢詞，擴大採買流量；廣告檢索和將候選廣告根據eCPM排序是廣告系統較為通用的核心流程。

4.搜索廣告中的排序問題

在搜索廣告中，排序的依據，即eCPM，可以簡單地表示成r（a, c）=µ（a,c）·bidCPC（a）。不過在實際產品中，點擊率µ 這一項會被質量度（quality score）所替代，而後者除了考慮點擊率，還需要綜合諸如落地頁質量等其他因素，得到更全面的對廣告質量的評價，其目的是為了避免廣告主的惡意行為、促進市場長期發展等

5.產品案例

Google adwords（搜索引擎）

淘寶直通車（站內搜索排序）

6.搜索廣告的探索趨勢

（1）豐富文字鏈創意的展示形式讓其更富表現力以提高點擊率。

（2）利用東區對相關性要求稍低的特點設計一些拓展廣告產品。

（3）優化廣告與自然結果的關係在保證相關性和廣告效果的前提下提高收入。

7.競價的本質

競價交易模式的本質是將量的約束從交易過程中去除，僅僅採用“價高者得”的簡單決策方案來投放每一次廣告。競價順應了定向廣告向精細化發展的趨勢要求，也為大量無法用合約售賣的剩餘流量找到了可能的變現渠道，使得大量中小廣告主參與在線廣告的可能性和積極性大大增強，也使得在線廣告的商業環境與傳統廣告產生了本質區別。

8.競價廣告的影響

一是由面向廣告位採買變成面向人群的跨網絡採買；

二是幫助廣告主在競價環境中完成量的保證，這一點是競價市場不再直接保證的

9.競價廣告的定價和機制設計

在線廣告競價市場最常見的定價策略是GSP方案；另外有一種VCG（Vickrey-Clarke-Groves）定價策略，雖然理論上比GSP更合理，但是由於原理較複雜，向廣告主解釋起來有難度，因此在實際系統中採用的並不多。

GSP（廣義第二高價）

所謂第二高價，指的是在只有一個位置的拍賣中，向贏得該位置的廣告主收取其下一位廣告主的出價，這樣的拍賣也叫作Vickrey拍賣

VCG基本思想是：對於贏得了某個位置的廣告主，其所付出的成本應該等於他佔據這個位置給其他市場參與者帶來的價值損害

市場保留價（MRP）：

為了控制廣告的質量和保持一定的出售單價，競價廣告市場往往要設置一個贏得拍賣位置的最低價格，這一價格我們稱為市場保留價（Market Reserve Price, MRP），俗稱“起價”或“底價”

市場保留價的設置有兩種方法，一是對整個競價市場採用同樣的保留價格，二是根據不同標的物（如搜索廣告裡的關鍵詞）的特性設置不同的保留價格。

價格擠壓：

如果發現市場上存在大量的出價較高但品質不高的廣告主，則可以通過調高κ來強調質量和用戶反饋的影響；如果發現市場的競價激烈程度不夠，則可以通過降低κ來鼓勵競爭，如果存在短期的財務壓力，這樣就可以短期使得整體營收有所上升；如果為了鼓勵廣告主提高廣告質量和相關性，則可以通過提高κ來降低出價的影響。

10.競價廣告和合約廣告的區別

從供給方或廣告市場方來看：

合約廣告和競價廣告的對比可以類比於計劃經濟和市場經濟的區別。在合約廣告的情況下，所有量的保證和質的優化都是由媒體方的廣告投放機來統一完成，而在競價廣告的情況下，市場只負責制定競價和收費的規則，而各廣告主量的保證完全採用市場競爭的方式來完成。

從需求端來看：

合約廣告的採買方式對廣告主來說缺乏透明性，唯一能做的就是在合約的層面預先約定好一些最關心的利益條款，但是很難進行深入的優化。

不過，合約的採買方式也有一定的好處，特別是對量的保證可以有預先的約定，這對於品牌性質較強的廣告活動來說比較有意義的。

在競價廣告中，供給方和廣告主的約定比較鬆散：首先，供給方不再向廣告主承諾廣告投放量；與此相對應，點擊單價由廣告主自行決定。這樣的交易邏輯使得廣告合同由首先確保量的結構變成了首先確保單位成本的結構。這實際上是非常革命性的變化，它使得廣告市場產生了以下三個有利於大幅提高廣告效果的發展趨勢。

1.非常精細的受眾定向可以被無障礙地使用在交易中，而這是展示量合約廣告很難做到的。由於這一點，市場的效率得到了巨大提升。

2.大量的中小廣告主逐漸成為參與競價的主體，這使得市場的規模得到了快速擴張。

3.與合約廣告相比，競價廣告中數據的價值得以彰顯，整個市場開始以數據為核心來組織和運營廣告產品。

第八章程序化廣告

1.程序化廣告的定義

程序化廣告是運用技術手段，對整個數字媒體廣告投放過程中的各個環節進行訊息化，並通過技術手段銜接為一體的一種工具。購買、投放、報表追踪、持續優化投放等全環節完全可通過程序化的方式來自動完成，從而提升媒介效率

2.程序化競價的流程

廣告流量賣方通過程序化的方式將廣告流量接入廣告交易平台（ADX, Ad Exchange）中，並設定底價，當用戶瀏覽媒體內容頁，有一個廣告位需要展示廣告時，賣方會將該廣告曝光機會通過廣告交易平台向各程序化買家，即DSP（Demand-SidePlatform，需求方平台）發起競價請求。各程序化買家根據對該廣告曝光機會的評估背對背出價，廣告交易平台收到各個程序化買家的出價後，進行比價，找出出價最高的買家，將出價最高的買家的廣告素材給到媒體進行展示，同時將競價成功的結果返回給到勝出的程序化買家

3.公開式競價優點

賣方可實現剩餘流量變現，也可採用競價方式售賣；

買方可跨媒體針對人群投放，流量可管理；

買方可買人，而不是買流量，最大化投放效率；

買方可重點關注效果；

買方可根據實時反饋的數據閉環優化廣告投放；

利於買方數據積累。

4. 公開式競價缺點

售賣的流量不夠高大上，尤其對於高大上的品牌廣告主；

售賣的剩餘流量質量參差不齊，流量相對“不清晰”；

公開競價方式的問題在於，廣告位資源和價格都無法預知，造成了投放廣告不確定性的增加；

“老闆”看不到廣告。

5.其他程序化交易模式

PDB 私有程序化購買

優先交易PD

私有競價PA

第九章原生廣告

1.定義

目前沒有非常清晰的概念，但是廣義上來說，將非商業化內容和商業化的內容統一生產和排序，內容即廣告，這樣的廣告可被稱為原生廣告。

2.原生形式

“原生”這一概念實際上有兩種不同的訴求：一種訴求是將廣告的展示風格和样式變得與內容相一致，從而做到產品形式上的“原生”；另一種訴求是將廣告的投放決策邏輯與內容生產相一致，從而做到用戶意圖上的“原生”。我們把這兩種原生分別稱為表現原生與意圖原生。

3.原生廣告產品

原生廣告存在於訊息流廣告、搜索廣告、軟文、聯盟中。

4.好處

內容與廣告原生，有利於提高用戶的點擊率和轉化行為.

原生的形式，對用戶體驗的傷害相對較少。

5.移動廣告的特點

情境廣告的可能性（用戶隨身攜帶）

在移動環境下幫助本地化小商家做推廣成為可能

6.移動廣告的發展趨勢

應用生態造成的行為數據割裂

許多PC時代廣告主移動化程度還不夠，無法充分消化廣告帶來的流量

到了移動環境下，由於屏幕的尺寸減小了很多，如果被廣告位再佔據一塊空間，那麼變現與用戶體驗的矛盾就顯得非常突出了。

第十章結算方式

1.CPT

按時間段收費，這種結算方式一般存在於廣告位合約中，適合於品牌廣告主。

2.CPM

千次展示收費，即廣告展示給1千人所花費的成本，按展示量收費，適合於一些活動、發布會等需要大量曝光的宣傳。

3.CPC

按點擊收費，每點擊一次會收取相應的費用，重複的ip不收費，廣泛存在於搜索廣告中。

4.CPS

行銷效果計費，即分成

5.CPA

按廣告行動計費，包括點擊、註冊，轉化等行動。

第十一章DSP

1.定義

需求方平台，與ADX相對應的程序化買方，DSP是一個系統，也是一種在線廣告平台。它服務於廣告主，幫助廣告主在互聯網或者移動互聯網上進行廣告投放，DSP可以使廣告主更簡單便捷地遵循統一的競價和反饋方式，對位於多家廣告交易平台的在線廣告,以合理的價格實時購買高質量的廣告庫存。 DSP讓廣告主可以通過一個統一的接口來管理一個或者多個Ad Exchange賬號，甚至DSP可以幫助廣告主來管理Ad Exchange的賬號，提供全方位的服務。

2.產品策略

DSP的廣告決策過程與廣告網絡非常相似，同樣先要經過檢索、排序、定價幾個階段，主要的差別是完成廣告選擇後，又增加了出價的步驟。而出價正是DSP的關鍵產品策略之一

在廣告網絡中，主流的定向方式都是根據第二方數據加工的標籤；但是在DSP中，以第一方數據為核心，結合第二方或第三方數據的定制化標籤，即t（a , u）的定向方式，是其關注的重點。

3.產品案例

1． Criteo

2． InviteMedia

3．聚效

4.如何評估DSP

資源量及資源質量：即對接ADX的總量及資源質量。這點決定了可競價廣告資源的總量及質量

人群分析：即DMP的處理能力和特有的大數據。這點決定了精準投放決策的準確性

系統及算法：這點決定了是否能滿足廣告主多樣的投放及優化需求

服務經驗：主要包括服務人員的經驗和系統的支撐能力。

第十二章ADX

1.定義

廣告交易平台，即ADX，是程序化交易時代的關鍵產品，它負責將媒體流量以拍賣的方式售賣給DSP，可以類比於證券市場中的交易所

2.產品策略

ADX的產品策略較為簡單，由於所有的廣告競價都是實時進行，因此不需要保存廣告庫，因而也不需要廣告檢索流程，排序過程也非常簡單。廣告交易平台中需要注意的產品策略，主要是如何解決給多個DSP發廣告請求帶來的帶寬和機器成本的上升

第十三章SSP TD ADN

1.SSP

供給方平台，為媒體選擇收益最大的平台，代表媒體利益

作用：將廣告網絡和廣告交易市場、DSP都看作是提供預算的需求方，通過競價找到ecpm最優的廣告進行投放

2.TD

交易終端，主要功能是負責為廣告主提供計費、數據管理的平台

3.ADN

廣告網絡，理解為媒體的代理商，手中匯集了很多媒體的剩餘流量，主要是中小媒體

第十四章DMP

1.定義

數據管理平台，提供第三方數據支持的平台。

2. DMP價值意義：

消費者洞察，渠道效率分析，數字行銷指導

3.功能

DMP的基本功能主要是圍繞數據的採集、清洗、打通、管理、分析、運用等各個環節展開的。

數據的採集、清洗、打通、管理重點關注：數據採集處理的及時性、準確性、可靠性、穩定性、規模性、自動化等方面的功能及指標。

數據的分析、運用則重點關注：對數據中的“人”“規律”的挖掘。人群畫像、給數據分類打標籤，以及對行銷及對決策的指導支持是關鍵。

第十五章廣告策略

1.媒體方

主要思考問題：

媒體是否有品牌屬性

是否有強曝光的位置

是垂直媒體還是綜合媒體

剩餘流量是否足夠大

對數據的掌控能力如何

2.需求方

主要思考問題：

廣告投放的目的是什麼

是否利用第一數據進行行銷

投放的重點是潛在顧客還是老顧客

投放的廣告在綜合性媒體還是垂直性媒體

採用什麼方式結算呢

第十六章廣告優化

1.階段

前期測試階段、策略優化階段、穩定放量階段

2.關注哪些點呢？

投放時間

投放平台

出價

落地頁

3.重點關注數據

曝光數

點擊率

轉化率

競價成功數

競價成功率

第十七章智能出價

1.什麼是轉化出價

廣告主可以選擇和設定投放廣告的目標，並給出目標轉化價格，廣告系統投放預估點擊率和轉化率，且向最有可能發生轉化的用戶進行廣告展示，盡量保證轉化成本低於目標出價

本質上是一種出價方式，智能出價，出價點和計費點分離了

2.核心要素

轉化目標

轉化價格

點擊率預估

轉化l率預估

3.頭條出價有兩種方式

智能投放

適合於成熟的廣告主

兩階段投放

適合於新手，第一階段按點擊出價，第二階段按轉化出價，有利於降低冷啟動時的探索成本和風險

4.基本原則

價值出價

根據評估的roi目標範圍，換算出出價範圍

穩健出價

可以接受在出價範圍內進行小幅度調整

5.優勢

更加精準，從買賣雙方的收益和資源的有效利用角度來看，越精細越精準的售賣，效益越高，最適合的流量給最適合的廣告，更精準推薦，達到廣告主最優，用戶最優，平台最優

注意點

ocpm和ocpc下，計費點和出價點是分離的，ocpc和ocpm的出價在後期階段，但是計費在前期

智能投放是按預估收費

動態調價因子

第十八章廣告創意度評估

1.原理

質量得分，即quality score，是搜索廣告中的一個關鍵詞級指標，根據關鍵詞在歷史競價中的整體表現，做出綜合評估，給每個關鍵詞一個質量得分

影響因素

賬戶結構

預期點擊率

廣告相關性

落地頁體驗

作用

如果廣告質量分高，即可用較低的成本獲得較好的排名，提高roi

優化策略

找病因

如果任何一方面低於平均水平，即可提高

賬戶結構不好：

優化賬戶結構，檢查推廣計劃和推廣單元，將意義相近，結構相同的關鍵詞劃分到同一單元

廣告相關性低：

將關鍵詞加入廣告語和著陸頁中

為部分廣告語相關性低的關鍵詞製作新的廣告組和廣告語

通過添加否定關鍵字來避免廣告展示在不該有的查詢結果中

著陸頁體驗低：

檢查關鍵詞與落地頁的精準性

檢查產品的齊全性

檢查表單和聯繫方式

檢查落地頁加載速度

檢查著陸頁內容和圖片質量

檢查移動端的友好性

預期點擊率低：檢查廣告語文案、檢查廣告語點擊率、關鍵詞插入

第十九章相關廣告技術

1.機器學習

學習方式

監督式學習（也稱為“回歸或分類算法”），已知人群標籤有哪些，再讓機器去學習

非監督式學習（也稱為“聚類算法”）非監督學習就是事前不知道特徵分類的答案，無法在事前規劃好標籤分類，只能通過將相似的行為特徵聚合在一起，找出這類受眾或訪客最典型的行為特徵族

半監督式學習：即輸入數據部分類別有部分事前已知，也有部分沒有被事前已知，介於監督式學習與非監督式學習之間。常見的半監督式學習算法有支持向量機等。

強化學習：在這種學習模式下，輸入數據作為對模型的反饋，不像監督模型那樣，輸入數據僅僅是作為一個檢查模型對錯的方式，在強化學習下，輸入數據直接反饋到模型，模型必須對此立刻作出調整。常見的強化學習算法有時間差學習等。

智能引擎推薦

流量探測

穩定目標CPM：這是最基礎的一種策略，算法會依據預測成交價、目標CPM設定、歷史勝率來計算出價

目標CPM+CTR：這個算法是在達成目標CPM的基礎上，達成CTR目標的方式類篩選流量及計算出價

穩定目標CPC：這個算法主要是通過CPC目標，依據CTR預測、出價、勝率模型數據反推CPM出價

目標CPC+CTR：這個算法是在達成目標CPC的基礎上，並以CTR目標篩選流量及計算出價

目標CPA：這個算法會預估轉化率，根據歷史投放計算該點位在該廣告主、該行業的轉化率，過濾掉轉化率較低的流量，最終以CPA期望計算出價

目標CPA+老客：這個算法會提取多維度的特徵及其交叉維度，通過機器學習獲取特徵權重，根據特徵權重對老客進行打分排序，取top進行投放，並以CPA期望計算出價。

目標CPA+新客：這個算法會根據轉化數據為正樣本，提取特徵，根據特徵得到對應廣告的擴展人群，打上相應的標籤然後對相似標籤進行投放，並以CPA期望計算出價

PDB退量控制：這個算法主要在PDB視頻退量模式使用，會實時動態記錄，併計算每Deal退量比，確保退量小於閾值。當然還會兼顧TA篩選及頻次控制等因素。

投放速度控制：這個算法主要基於PID

AB測試：這個常用於新算法策略上線或尋找合適的算法時，在真實投放中觀測效果，找出最優的算法。

Ranking排名：這個主要是綜合上述策略算法的整體調度算法，並從宏觀提升整體流量利用率，及整體ROI來對各策略的得分在進行加權計算，排名得出最合適的出價者。一般權重：訪客＞轉化＞點擊。

防作弊

RTB長尾流量中的流量質量參差不齊，所以防作弊是DSP的一個十分重要的模塊。一般通過規則引擎設置（監督學習）或關聯挖掘（非監督學習）非人類流量特徵，並實時進行過濾。嫌疑特徵流量會被放入觀察室，不可競價，待嫌疑特徵消失才可使用。

第二十章疑問

1.考慮到品牌廣告和直接效果廣告的目的性差異，兩者在創意設計、投放策略、媒介選擇等方面應該有什麼區別？

請你從自己熟悉的領域中找出幾個泛廣告產品的例子，並探討其與典型廣告產品的區別。

3.CPA/ROI的結算方式看似對廣告主有利，實際也催生了一些變形的推廣方式。請考察你接觸到的CPA/ROI渠道，並研究其與CPM或CPC渠道的關鍵差異。

4.對廣告產品而言，優化利潤與優化ROI有什麼區別？

5.在社交網絡中發生的傳播行銷過程與典型的展示、點擊、轉化流程有很大不同，請對此建立一個合理的模型，並分析其中的關鍵量化指標。

6.請研究你熟悉的某一個商業產品，並探討其與用戶產品在設計和運營方面的不同之處。

7.如果向需求方提供API來替代一般的UI投放方式，會對廣告產品的運營產生什麼樣的影響？

8.除了廣告位合約和展示量合約，是否可以設計一種點擊量合約的交易模式，它會遇到什麼樣的挑戰？

9.在展示量合約中售賣的受眾往往有監測上的要求，那麼對於行為定向這樣的不易監測的用戶標籤而言，有什麼產品思路提高其市場接受程度？

10.搜索廣告南區的產品策略在不同搜索引擎中差別很大，請從用戶產品的角度出發，談談你認為合理的策略。

11.在網址導航類產品的銷售中，往往採取按月線下競價然後簽訂廣告位合約的模式，這屬於合約廣告還是競價廣告？

12.廣告網絡的運營的關鍵是提高市場的流動性，即廣告主參與競價的積極性。為了提高市場流動性，投放功能、受眾定向等環節有哪些產品思路？

13.在搜索廣告中引入程序化交易方式，是否是一個有前景的產品方向？

14.重定向的廣告效果往往顯著高於其他定向方式，不過這部分是由於其人群選擇的特殊性，應如何公允地評價一次重定向廣告投放的實際增量效果？

15數據的交易與廣告的交易有什麼不同特點，應如何借鑒廣告競價的模式發展數據的競價交易？

16在與廣告相關的數據交易中，數據採取限量或不限量的供應策略，會對流量和數據的市場價格產生什麼影響？

17對於大型廣告主和中小廣告主，移動互聯網行銷相比PC互聯網行銷來說，發生了什麼有利或不利的變化？

18移動設備與PC的跨屏行銷主要需求場景有哪些？

19遊戲聯運是移動上常見的泛廣告產品，同時遊戲也是移動廣告的主要廣告主類型之一。如果某公司同時運營移動廣告網絡和遊戲聯運產品，這兩者應該如何分工協作？

20請探討CPM/CPC/CPA等計費模式在原生廣告中的適用場景。

21對於一個直接效果類廣告產品，應如何看待收入、利潤、活躍客戶數這些指標？其中哪個指標最能反映該產品的成熟程度？ 2．對媒體而言，短期廣告收入和長期品牌價值存在著一定的矛盾。為媒體變現服務的供給方廣告平台應如何看待此問題，並如何優化媒體的長期收益？

亞馬遜的廣告業務一直保持高速增長，這使得它在零售領域最大的競爭對手沃爾瑪眼紅不已。如今，後者也想要來分一杯羹。

據外媒報導，近日沃爾瑪的廣告部門沃爾瑪傳媒集團(Walmart media Group)推出了一個叫做Walmart Advertising Partners的新計劃。該計劃提供了一款自助服務工具，廣告客戶可以在沃爾瑪的網站和移動應用上通過它購買搜索廣告。此前，沃爾瑪的廣告部門一直通過託管服務的形式直接和廣告主合作。去年11月，外媒Business Insider首次報導了沃爾瑪的這一計劃。

沃爾瑪選擇了四家電子商務廣告技術公司——Teikametrics、Flywheel Digital、Pacvue和Kenshoo，作為該計劃的合作夥伴。它們將率先接入沃爾瑪的API來幫助廣告主實現自主購買，目前四家企業已經對這項技術進行了長達六個月的測試。

與亞馬遜類似，沃爾瑪的廣告會顯示在搜索的頂部，並根據購物者搜索的關鍵字進行定位。廣告客戶使用在線拍賣對關鍵字出價，在線拍賣根據廣告客戶的需求設置廣告價格。亞馬遜、Facebook、谷歌、Snap和其他大型廣告平台還具有用於管理大型廣告客戶的廣告支出的API。

沃爾瑪傳媒集團(Walmart media Group)負責銷售和媒體合作的副總裁亞歷克西斯•約瑟夫斯(Alexis Josephs)表示，沃爾瑪已與包括遊戲製造商雷蛇(Razer)在內的少數廣告客戶對自助廣告API進行了beta測試。

雷蛇與Teikametrics合作，在“黑色星期五”和“網絡星期一”期間購買了8個贊助的搜索活動。消費品(CPG)品牌是目前沃爾瑪最大的廣告商，但Josephs說她也看到了來自時尚、個人護理、技術和電信的廣告商的興趣。

她說，自從去年將廣告業務從Triad分拆出來後，沃爾瑪就一直在組建團隊，利用來自約1.6億美國人的購物數據向廣告主推薦廣告服務。電子商務廣告客戶通常從他們的購物者行銷預算中抽取資金，這些預算通常比行銷人員的品牌預算要少。除了轉化率之外，亞馬遜還致力於向行銷人員提供更大的品牌預算，以衡量品牌知名度和忠誠度。

她表示:“我們非常認真地考慮建立一個內部服務平台，來為品牌商提供數據服務和創造價值。”“我們知道，90%的購買行為發生在實體零售店，但大多數競爭對手只了解客戶在線上的消費行為。”

約瑟夫斯拒絕透露沃爾瑪今年的廣告收入預期。據估計，亞馬遜2019年的廣告收入超過100億美元。

從理論上講，廣告客戶將能夠通過沃爾瑪合作的廣告技術公司分析活動的表現，包括轉化率、點擊量和渠道銷售額。

沃爾瑪還在其門店內出售展示廣告。目前廣告主必須通過沃爾瑪的銷售代表購買，儘管Josephs表示希望實現讓廣告商通過自助平台購買兩種類型的廣告。廣告技術公司Criteo目前負責沃爾瑪展示產品的廣告銷售。 Criteo的一位發言人沒有回答有關兩人關係的問題。

在亞馬遜和實體店銷售產品的廣告商希望將廣告支出多樣化，不再局限於亞馬遜。 Wavemaker的電子商務主管卡西•麥基(Kacie McKee)去年11月告訴Business Insider， 70%至90%的電子商務預算流向了亞馬遜。

Flywheel Digital的聯合創始人帕特里克•米勒(Patrick Miller)表示:“我們看到大量廣告客戶有意提高產品的知名度，並增加在沃爾瑪網站上的銷售。”

一些行銷人員表示，沃爾瑪將廣告業務納入公司內部的行動一直進展緩慢，而且受到了一些問題的阻礙，比如廣告活動的推遲。

Wavemaker的McKee去年11月對Business Insider表示:“他們在建立自己的流程方面過於內部化，搞不清應該聘用誰，誰該與中介合作而不是直接與客戶合作。”

約瑟夫表示，創立新的業務總是會遇到一些小問題。

她表示:“15年來，我們一直在嘗試把一項經營方式非常不同的業務內製化。”“我更經常聽到的是，行銷人員有多麼興奮，我們在供應商團隊中遇到的人有多麼優秀。”

雷鋒網編譯雷鋒網雷鋒網

這裡是「王喆的機器學習筆記」的第十一篇文章，有一段時間沒有更新文章了，因為受InfoQ的約稿，梳理了一下子從傳統機器學習時代到深度學習時代所有經典CTR模型的演化關係和模型特點。我們這篇文章先從前深度學習時代開始，幫大家梳理傳統CTR模型的知識體系。

在互聯網永不停歇的增長需求的驅動下，CTR預估模型（以下簡稱CTR模型）的發展也可謂一日千里，從2010年之前千篇一律的邏輯回歸（Logistic Regression，LR），進化到因子分解機（Factorization Machine，FM）、梯度提升樹（Gradient Boosting Decision Tree，GBDT），再到2015年之後深度學習的百花齊放，各種模型架構層出不窮。

我想所有從業者談起深度學習CTR預估模型都有一種莫名的興奮，但在這之前，認真的回顧前深度學習時代的CTR模型仍是非常必要的。原因有兩點：

1. 即使是深度學習空前流行的今天， LR、FM等傳統CTR模型仍然憑藉其可解釋性強、輕量級的訓練部署要求、便於在線學習等不可替代的優勢，擁有大量適用的應用場景。模型的應用不分新舊貴賤，熟悉每種模型的優缺點，能夠靈活運用和改進不同的算法模型是算法工程師的基本要求。
2. 傳統CTR模型是深度學習CTR模型的基礎。深度神經網絡（Deep Nerual Network，DNN）從一個神經元生髮而來，而LR正是單一神經元的經典結構；此外，影響力很大的FNN，DeepFM，NFM等深度學習模型更是與傳統的FM模型有著千絲萬縷的聯繫；更不要說各種梯度下降方法的一脈相承。所以說傳統CTR模型是深度學習模型的地基和入口。

下面，我們用傳統CTR模型演化的關係圖來正式開始技術部分的內容。

看到上面的關係圖，有經驗的同學可能已經對各模型的細節和特點如數家珍了。中間位置的LR模型向四個方向的延伸分別代表了傳統CTR模型演化的四個方向。

1. 向下為了解決特徵交叉的問題，演化出PLOY2，FM，FFM等模型；
2. 向右為了使用模型化、自動化的手段解決之前特徵工程的難題，Facebook將LR與GBDT進行結合，提出了GBDT+LR組合模型；
3. 向左Google從online learning的角度解決模型時效性的問題，提出了FTRL ；
4. 向上阿里基於樣本分組的思路增加模型的非線性，提出了LS-PLM（MLR）模型。

一、 LR——CTR模型的核心和基礎

位於正中央的是當之無愧的Logistic Regression。仍記得2012年我剛進入計算廣告這個行業的時候，各大中小公司的主流CTR模型無一例外全都是LR模型。 LR模型的流行是有三方面原因的，一是數學形式和含義上的支撐；二是人類的直覺和可解釋性的原因；三是工程化的需要。

1. 邏輯回歸的數學基礎

邏輯回歸作為廣義線性模型的一種，它的假設是因變量y服從伯努利分佈。那麼在點擊率預估這個問題上，“點擊”這個事件是否發生就是模型的因變量y。而用戶是否點擊廣告這個問題是一個經典的擲偏心硬幣問題，因此CTR模型的因變量顯然應該服從伯努利分佈。所以採用LR作為CTR 模型是符合“點擊”這一事件的物理意義的。

與之相比較，線性回歸（Linear Regression）作為廣義線性模型的另一個特例，其假設是因變量y服從高斯分佈，這明顯不是點擊這類二分類問題的數學假設。

在了解LR的數學理論基礎後，其數學形式就不再是空中樓閣了，具體的形式如下：

其中x是輸入向量，θ 是我們要學習的參數向量。結合CTR模型的問題來說，x就是輸入的特徵向量，h(x)就是我們最終希望得到的點擊率。

2.人類的直覺和可解釋性

直觀來講，LR模型目標函數的形式就是各特徵的加權和，再施以sigmoid函數。忽略其數學基礎（雖然這是其模型成立的本質支撐），僅靠人類的直覺認知也可以一定程度上得出使用LR作為CTR模型的合理性。

使用各特徵的加權和是為了綜合不同特徵對CTR的影響，而由於不同特徵的重要程度不一樣，所以為不同特徵指定不同的權重來代表不同特徵的重要程度。最後要套上sigmoid函數，正是希望其值能夠映射到0-1之間，使其符合CTR的物理意義。

LR如此符合人類的直覺認知顯然有其他的好處，就是模型具有極強的可解釋性，算法工程師們可以輕易的解釋哪些特徵比較重要，在CTR模型的預測有偏差的時候，也可以輕易找到哪些因素影響了最後的結果，如果你有跟運營、產品一起工作的經驗的話，更會知道可解釋性強是一個模型多麼優秀的“品質”。

3.工程化的需要

在互聯網公司每天動輒TB級別的數據面前，模型的訓練開銷就異常重要了。在GPU尚未流行開來的2012年之前，LR模型也憑藉其易於並行化、模型簡單、訓練開銷小等特點佔據著工程領域的主流。囿於工程團隊的限制，即使其他復雜模型的效果有所提升，在沒有明顯beat LR之前，公司也不會貿然加大計算資源的投入升級CTR模型，這是LR持續流行的另一重要原因。

二、POLY2——特徵交叉的開始

但LR的表達能力畢竟是非常初級的。由於LR僅使用單一特徵，無法利用高維訊息，在“辛普森悖論”現象的存在下，只用單一特徵進行判斷，甚至會得出錯誤的結論。

針對這個問題，當時的算法工程師們經常採用手動組合特徵，再通過各種分析手段篩選特徵的方法。但這個方法無疑是殘忍的，完全不符合“懶惰是程序員的美德”這一金科玉律。更遺憾的是，人類的經驗往往有局限性，程序員的時間和精力也無法支撐其找到最優的特徵組合。因此採用PLOY2模型進行特徵的“暴力”組合成為了可行的選擇。

在上面POLY2二階部分的目標函數中（上式省略一階部分和sigmoid函數的部分），我們可以看到POLY2對所有特徵進行了兩兩交叉，並對所有的特徵組合賦予了權重 。 POLY2通過暴力組合特徵的方式一定程度上解決了特徵組合的問題。並且由於本質上仍是線性模型，其訓練方法與LR並無區別，便於工程上的兼容。

但POLY2這一模型同時存在著兩個巨大的缺陷：

1. 由於在處理互聯網數據時，經常採用one-hot的方法處理id類數據，致使特徵向量極度稀疏，POLY2進行無選擇的特徵交叉使原本就非常稀疏的特徵向量更加稀疏，使得大部分交叉特徵的權重缺乏有效的數據進行訓練，無法收斂。
2. 權重參數的數量由n直接上升到n^2，極大增加了訓練複雜度。

三、FM——隱向量特徵交叉

為了解決POLY2模型的缺陷，2010年德國康斯坦茨大學的Steffen Rendle提出了FM（Factorization Machine）。

從FM的目標函數的二階部分中我們可以看到，相比POLY2，主要區別是用兩個向量的內積（ wj1 · wj2 ）取代了單一的權重 。具體來說，FM為每個特徵學習了一個隱權重向量（latent vector），在特徵交叉時，使用兩個特徵隱向量的內積作為交叉特徵的權重。

通過引入特徵隱向量的方式，直接把原先n^2級別的權重數量減低到了n*k（k為隱向量維度，n>>k）。在訓練過程中，又可以通過轉換目標函數形式的方法，使FM的訓練複雜度進一步降低到n*k級別。相比POLY2極大降低訓練開銷。

隱向量的引入還使得FM比POLY2能夠更好的解決數據稀疏性的問題。舉例來說，我們有兩個特徵，分別是channel和brand，一個訓練樣本的feature組合是(ESPN, Adidas)，在POLY2中，只有當ESPN和Adidas同時出現在一個訓練樣本中時，模型才能學到這個組合特徵對應的權重。而在FM中，ESPN的隱向量也可以通過(ESPN, Gucci)這個樣本學到，Adidas的隱向量也可以通過(NBC, Adidas)學到，這大大降低了模型對於數據稀疏性的要求。甚至對於一個從未出現過的特徵組合(NBC, Gucci)，由於模型之前已經分別學習過NBC和Gucci的隱向量，FM也具備了計算該特徵組合權重的能力，這是POLY2無法實現的。也許FM相比POLY2丟失了某些訊息的記憶能力，但是泛化能力大大提高，這對於互聯網的數據特點是非常重要的。

工程方面，FM同樣可以用梯度下降進行學習的特點使其不失實時性和靈活性。相比之後深度學習模型複雜的網絡結構，FM比較容易實現的inference過程也使其沒有serving的難題。因此FM在2012-2014年前後逐漸成為業界CTR模型的重要選擇。

四、FFM——引入特徵域概念

2015年，基於FM提出的FFM（Field-aware Factorization Machine ，簡稱FFM）在多項CTR預估大賽中一舉奪魁，並隨後被Criteo、美團等公司深度應用在CTR預估，推薦系統領域。相比FM模型，FFM模型主要引入了Field-aware這一概念，使模型的表達能力更強。

上式是FFM的目標函數的二階部分。其與FM目標函數的區別就在於隱向量由原來的 變成了 ，這就意味著每個特徵對應的不是一個隱向量，而是對應著不同域的一組隱向量，當 特徵與 特徵進行交叉時， 特徵會從一組隱向量中挑出與特徵 的域f2對應的隱向量進行交叉。同理特徵 也會用與 的域f1對應的隱向量進行交叉。

這裡再次強調一下，上面所說的“域”就代表著特徵域，域內的特徵一般會採用one-hot編碼形成one-hot特徵向量。

FFM模型學習每個特徵在f個域上的k維隱向量，交叉特徵的權重由特徵在對方特徵域上的隱向量內積得到，權重數量共n*k*f個。在訓練方面，由於FFM的二次項並不能夠像FM那樣簡化，因此其複雜度為kn^2。

相比FM，FFM由於引入了field這一概念，為模型引入了更多有價值訊息，使模型表達能力更強，但與此同時，FFM的計算複雜度上升到kn^2，遠遠大於FM的k*n。

CTR模型特徵交叉方向的演化

以上模型實際上是CTR模型朝著特徵交叉的方向演化的過程，我們再用圖示方法回顧一下從POLY2到FM，再到FFM進行特徵交叉方法的不同。

POLY2模型直接學習每個交叉特徵的權重，權重數量共n^2個。

FM模型學習每個特徵的k維隱向量，交叉特徵由相應特徵隱向量的內積得到，權重數量共n*k個。

FFM模型引入了特徵域這一概念，在做特徵交叉時，每個特徵選擇與對方域對應的隱向量做內積運算得到交叉特徵的權重。參數數量共n*k*f個。

五、GBDT+LR——特徵工程模型化的開端

FFM模型採用引入特徵域的方式增強了模型的表達能力，但無論如何，FFM只能夠做二階的特徵交叉，如果要繼續提高特徵交叉的維度，不可避免的會發生組合爆炸和計算複雜度過高的情況。那麼有沒有其他的方法可以有效的處理高維特徵組合和篩選的問題？ 2014年，Facebook提出了基於GBDT+LR組合模型的解決方案。

簡而言之，Facebook提出了一種利用GBDT自動進行特徵篩选和組合，進而生成新的離散特徵向量，再把該特徵向量當作LR模型輸入，預估CTR的模型結構。

需要強調的是，用GBDT構建特徵工程，和利用LR預估CTR兩步是獨立訓練的。所以自然不存在如何將LR的梯度回傳到GBDT這類複雜的問題，而利用LR預估CTR的過程前面已經有所介紹，在此不再贅述，下面著重講解如何利用GBDT構建新的特徵向量。

大家知道，GBDT是由多棵回歸樹組成的樹林，後一棵樹利用前面樹林的結果與真實結果的殘差做為擬合目標。每棵樹生成的過程是一棵標準的回歸樹生成過程，因此每個節點的分裂是一個自然的特徵選擇的過程，而多層節點的結構自然進行了有效的特徵組合，也就非常高效的解決了過去非常棘手的特徵選擇和特徵組合的問題。

利用訓練集訓練好GBDT模型之後，就可以利用該模型完成從原始特徵向量到新的離散型特徵向量的轉化。具體過程是這樣的，一個訓練樣本在輸入GBDT的某一子樹後，會根據每個節點的規則最終落入某一葉子節點，那麼我們把該葉子節點置為1，其他葉子節點置為0 ，所有葉子節點組成的向量即形成了該棵樹的特徵向量，把GBDT所有子樹的特徵向量連接起來，即形成了後續LR輸入的特徵向量。

舉例來說，如上圖所示，GBDT由三顆子樹構成，每個子樹有4個葉子節點，一個訓練樣本進來後，先後落入“子樹1”的第3個葉節點中，那麼特徵向量就是[0,0,1,0]，“子樹2”的第1個葉節點，特徵向量為[1,0,0,0]，“子樹3”的第4個葉節點，特徵向量為[0,0,0,1]，最後連接所有特徵向量，形成最終的特徵向量[0,0,1,0,1,0,0,0,0,0,0,1]。

由於決策樹的結構特點，事實上，決策樹的深度就決定了特徵交叉的維度。如果決策樹的深度為4，通過三次節點分裂，最終的葉節點實際上是進行了3階特徵組合後的結果，如此強的特徵組合能力顯然是FM系的模型不具備的。但由於GBDT容易產生過擬合，以及GBDT這種特徵轉換方式實際上丟失了大量特徵的數值訊息，因此我們不能簡單說GBDT由於特徵交叉的能力更強，效果就比FFM好，在模型的選擇和調試上，永遠都是多種因素綜合作用的結果。

GBDT+LR比FM重要的意義在於，它大大推進了特徵工程模型化這一重要趨勢，某種意義上來說，之後深度學習的各類網絡結構，以及embedding技術的應用，都是這一趨勢的延續。

在之前所有的模型演化過程中，實際上是從特徵工程這一角度來推演的。接下來，我們從時效性這個角度出發，看一看模型的更新頻率是如何影響模型效果的。

在模型更新這個問題上，我們的直覺是模型的訓練時間和serving時間之間的間隔越短，模型的效果越好，為了證明這一點，facebook的工程師還是做了一組實效性的實驗（如上圖），在結束模型的訓練之後，觀察了其後6天的模型loss（這裡採用normalized entropy作為loss）。可以看出，模型的loss在第0天之後就有所上升，特別是第2天過後顯著上升。因此daily update的模型相比weekly update的模型效果肯定是有大幅提升的。

如果說日更新的模型比周更新的模型的效果提升顯著，我們有沒有方法實時引入模型的效果反饋數據，做到模型的實時更新從而進一步提升CTR模型的效果呢？ Google 2013年應用的FTRL給了我們答案。

六、FTRL——天下武功，唯快不破

FTRL的全稱是Follow-the-regularized-Leader，是一種在線實時訓練模型的方法，Google在2010年提出了FTRL的思路，2013年實現了FTRL的工程化，之後快速成為online learning的主流方法。與模型演化圖中的其他模型不同，FTRL本質上是模型的訓練方法。雖然Google的工程化方案是針對LR模型的，但理論上FTRL可以應用在FM，NN等任何通過梯度下降訓練的模型上。

為了更清楚的認識FTRL，這裡對梯度下降方法做一個簡要的介紹，從訓練樣本的規模角度來說，梯度下降可以分為：batch，mini-batch，SGD（隨機梯度下降）三種，batch方法每次都使用全量訓練樣本計算本次迭代的梯度方向，mini-batch使用一小部分樣本進行迭代，而SGD每次只利用一個樣本計算梯度。對於online learning來說，為了進行實時得將最新產生的樣本反饋到模型中，SGD無疑是最合適的訓練方式。

但SGD對於互利網廣告和推薦的場景來說，有比較大的缺陷，就是難以產生稀疏解。為什麼稀疏解對於CTR模型如此重要呢？

之前我們已經多次強調，由於one hot等id類特徵處理方法導致廣告和推薦場景下的樣本特徵向量極度稀疏，維度極高，動輒達到百萬、千萬量級。為了不割裂特徵選擇和模型訓練兩個步驟，如果能夠在保證精度的前提下盡可能多的讓模型的參數權重為0，那麼我們就可以自動過濾掉這些權重為0的特徵，生成一個“輕量級”的模型。 “輕量級”的模型不僅會使樣本部署的成本大大降低，而且可以極大降低模型inference的計算延遲。這就是模型稀疏性的重要之處。

而SGD由於每次迭代只選取一個樣本，梯度下降的方向雖然總體朝向全局最優解，但微觀上的運動的過程呈現布朗運動的形式，這就導致SGD會使幾乎所有特徵的權重非零。即使加入L1正則化項，由於CPU浮點運算的結果很難精確的得到0的結果，也不會完全解決SGD稀疏性差的問題。就是在這樣的前提下，FTRL幾乎完美地解決了模型精度和模型稀疏性兼顧的訓練問題。

但FTRL的提出也並不是一蹴而就的。如上圖所示，FTRL的提出經歷了下面幾個關鍵的過程：

1. 從最近簡單的SGD到OGD （online gradient descent），OGD通過引入L1正則化簡單解決稀疏性問題；
2. 從OGD到截斷梯度法，通過暴力截斷小數值梯度的方法保證模型的稀疏性，但損失了梯度下降的效率和精度；
3. FOBOS （Forward-Backward Splitting），google和伯克利對OGD做進一步改進，09年提出了保證精度並兼顧稀疏性的FOBOS方法；
4. RDA ：微軟拋棄了梯度下降這條路，獨闢蹊徑提出了正則對偶平均來進行online learning的方法，其特點是稀疏性極佳，但損失了部分精度。
5. Google綜合FOBOS在精度上的優勢和RDA在稀疏性上的優勢，將二者的形式進行了進一步統一，提出並應用FTRL，使FOBOS和RDA均成為了FTRL在特定條件下的特殊形式。
   FTRL的算法細節對於初學者來說仍然是晦澀的，建議非專業的同學僅了解其特點和應用場景即可。對算法的數學形式和實現細節感興趣的同學，我強烈推薦微博馮揚寫的“在線最優化求解”一文，希望能夠幫助大家進一步熟悉FTRL的技術細節。

七、LS-PLM——阿里曾經的主流CTR模型

下面我們從樣本pattern本身來入手，介紹阿里的的LS-PLM（Large Scale Piece-wise Linear Model），它的另一個更廣為人知的名字是MLR（Mixed Logistic Regression）。 MLR模型雖然在2017年才公之於眾，但其早在2012年就是阿里主流的CTR模型，並且在深度學習模型提出之前長時間應用於阿里的各類廣告場景。

本質上，MLR可以看做是對LR的自然推廣，它在LR的基礎上採用分而治之的思路，先對樣本進行分片，再在樣本分片中應用LR進行CTR預估。在LR的基礎上加入聚類的思想，其動機其實來源於對計算廣告領域樣本特點的觀察。

舉例來說，如果CTR模型要預估的是女性受眾點擊女裝廣告的CTR，顯然我們並不希望把男性用戶點擊數碼類產品的樣本數據也考慮進來，因為這樣的樣本不僅對於女性購買女裝這樣的廣告場景毫無相關性，甚至會在模型訓練過程中擾亂相關特徵的權重。為了讓CTR模型對不同用戶群體，不用用戶場景更有針對性，其實理想的方法是先對全量樣本進行聚類，再對每個分類施以LR模型進行CTR預估。 MLR的實現思路就是由該動機產生的。

MLR目標函數的數學形式如上式，首先用聚類函數π對樣本進行分類（這裡的π採用了softmax函數，對樣本進行多分類），再用LR模型計算樣本在分片中具體的CTR，然後將二者進行相乘後加和。

其中超參數分片數m可以較好地平衡模型的擬合與推廣能力。當m=1時MLR就退化為普通的LR，m越大模型的擬合能力越強，但是模型參數規模隨m線性增長，相應所需的訓練樣本也隨之增長。在實踐中，阿里給出了m的經驗值為12。

下圖中MLR模型用4個分片可以完美地擬合出數據中的菱形分類面。

MLR算法適合於工業級的廣告、推薦等大規模稀疏數據場景問題。主要是由於表達能力強、稀疏性高等兩個優勢：

1. 端到端的非線性學習：從模型端自動挖掘數據中蘊藏的非線性模式，省去了大量的人工特徵設計，這使得MLR算法可以端到端地完成訓練，在不同場景中的遷移和應用非常輕鬆。
2. 稀疏性：MLR在建模時引入了L1和L2,1範數，可以使得最終訓練出來的模型具有較高的稀疏度，模型的學習和在線預測性能更好。

如果我們用深度學習的眼光來看待MLR這個模型，其在結構上已經很接近由輸入層、單隱層、輸出層組成的神經網絡。所以某種意義上說，MLR也在用自己的方式逐漸逼近深度學習的大門了。

深度學習CTR模型的前夜

2010年FM被提出，特徵交叉的概念被引入CTR模型；2012年MLR在阿里大規模應用，其結構十分接近三層神經網絡；2014年Facebook用GBDT處理特徵，揭開了特徵工程模型化的篇章。這些概念都將在深度學習CTR模型中繼續應用，持續發光。

另一邊，Alex Krizhevsky 2012年提出了引爆整個深度學習浪潮的AlexNet，深度學習的大幕正式拉開，其應用逐漸從圖像擴展到語音，再到NLP領域，推薦和廣告也必然會緊隨其後，投入深度學習的大潮之中。

2016年，隨著FNN，Deep&Wide，Deep crossing等一大批優秀的CTR模型框架的提出，深度學習CTR模型逐漸席捲了推薦和廣告領域，成為新一代CTR模型當之無愧的主流。下一篇文章，我們將繼續探討深度學習CTR模型，從模型演化的角度揭開所有主流深度學習CTR模型之間的關係和每個模型的特點，期待繼續與你一同學習討論。

最後再次強調一下模型的演化圖，希望大家能從更高的角度審視整個CTR模型的發展過程。

這裡是「王喆的機器學習筆記」 ，因為文章的內容較多，水平有限，希望大家能夠踴躍指出文章中的錯誤，先多謝大家！也歡迎大家關注我的微信公眾號王喆的機器學習筆記（ wangzhenotes ），跟踪計算廣告、推薦系統等機器學習領域前沿，謝謝！

參考資料：

• [LR] Predicting Clicks - Estimating the Click-Through Rate for New Ads (Microsoft 2007)
• [FFM] Field-aware Factorization Machines for CTR Prediction (Criteo 2016)
• [GBDT+LR] Practical Lessons from Predicting Clicks on Ads at Facebook (Facebook 2014)
• [PS-PLM] Learning Piece-wise Linear Models from Large Scale Data for Ad Click Prediction (Alibaba 2017)
• [FTRL] Ad Click Prediction a View from the Trenches (Google 2013)
• [FM] Fast Context-aware Recommendations with Factorization Machines (UKON 2011)

---

本文亦收錄在我的新書「 深度學習推薦系統」中，這本書系統性地整理、介紹了專欄中所有的重點內容，如果您曾在「王喆的機器學習筆記」中受益，歡迎訂閱，謝謝知友們的支持！

文| Ben

2018年上半年，台灣跨境出口電商交易規模達到3.47萬億元，同比增長26%。出海對台灣企業而言，依舊意味著商機。如何充分挖掘海外市場？

全球移動行銷第一媒體平台Morketing和全球效果類數字行銷公司Criteo，共同發起了“擴展新渠道挖掘新流量池”——2018出口電商行銷閉門沙龍活動。

Criteo台灣區總經理鄭偉達在本次沙龍上做了關於“擴展全球行銷渠道，提升效果轉化”的主題演講，他提到：第三方數據顯示到2020年，60%的電商銷售額都將來自台灣電商平台，“ 台灣製造”將不再是貶義而是非常正面的代名詞。

所以，在全球行銷中有效率的將商品和目標人群在適合的時間做到精準的匹配，在幫助購物者在所在國家找到喜愛產品的同時，助力相對應的電商平台獲取更好的流量，提升轉化至關重要。

鄭偉達演講實錄（經Morketing整理）：

台灣電商的銷售額世界領先。預計到2020年，60%的電商銷售額都來自台灣電商平台。同時，國外的消費者也開始認識台灣品牌，台灣品牌知名度提升了70%。 “ 台灣製造”過去是貶義詞，現在是非常正面的代名詞了。

全球電商的經濟效益快速發展，是一個巨大的商機。大家討論的藍海，但同時也是一個很大的行銷挑戰。不同的國家，每個購物者的購買流程、路徑、習慣不一樣，對應的行銷行為也不同。這意味著在全球行銷中，有效率的將商品和目標人群在適合的時間做到精準的匹配，是電商出海面臨的挑戰。

電商和品牌出海的三大痛點

這正是Criteo在台灣一直努力做的事情。 Criteo是以效果為導向，服務全球電商平台和品牌的廣告技術公司。 2005年在法國巴黎成立，2013年在納斯達克上市。同年也進入台灣協助國內電商與品牌，助力他們出海行銷。

Criteo主要做三件事情。

首先，打造強大開放的廣告平台。 Criteo是一個開放平台，願意與獨立站、電商平台和品牌，無論大小，都會幫助你們在茫茫的全球人海中找尋目標用戶。同時，我們也對接全球重要的廣告流量，也跟拓展新的流量池做了結合。

其次，幫助購物者在所在國家找到他們喜愛的產品的同時，助力相對應的電商平台獲取有質量的流量，提升轉化。根據IDC 2017年的報告， Criteo已成為全球最大的數字廣告軟件平台；在APP端重定向技術方面名列前茅，再次見證Criteo在效果方面的成績。

Criteo進入台灣的5年裡，已經幫助很多國內的電商平台和品牌商做出海行銷和效果行銷。所以，了解他們的需求，也理解他們的挑戰。

這些挑戰，簡單來說分為三個主要部分。

怎樣獲取新客？剛起步的獨立站或是產品的製造商，從產品本身來講，不會快速有用戶積累；缺乏數據分析，大多數電商企業的活動投放是一波一波的。兩個月大促投放一次，過三個月又搞一次，這導致很多數據不連貫，後面的數據也沒有辦法更好的學習，這樣，難免花高成本在試錯過程中也不一定獲得想要的效果。

數據分離導致很難獲得定單轉化；即線上、線下的數據沒有辦法打通，比如內部的運營端和行銷端的數據就存在分離的情況，所謂的分離，行銷部門做了一波活動，搞了一些數據，運營部門做了一波活動，搞了一些數據，這兩部分有什麼直接關係，有什麼樣的方式找到同一個人呢？面對這些數據，內部是沒有共識去整合的。

這時，需要一個很好的平台幫助企業把所有線下和線上的客戶數據做很好的規劃和比對就尤為重要。

另一部分是如何激活老客戶？在日新月異的行銷活動中，用戶可能第一次使用你的產品後成為你PC端或APP端的會員。但因為對手的競爭，這個會員不再活躍，或已經卸載。那麼，怎樣用更好的方式，將不再活躍的老用戶和已經失去的用戶找回，並進行持續轉化呢？

雖然有傳統的行銷平台、郵件行銷、APP推送，但其追回的效果有限，比如推送功能會關掉，接收的郵件可能會忽略掉，這些行銷痛點，正是Criteo幫各位努力提供的解決方案。

購物者是廣告平台的核心，沒有購物者數據很難在全球找到想要的目標消費者，同時也無法讓目標消費者得到想要購買的商品。

目前Criteo已經有超過14億以上的購物者分析（ Shopper Graph ），這完全來自一個開放的行銷生態圈平台，也就是跟Criteo合作的電商平台（品牌方、獨立站），以及超過數千家的媒體，不同角色將資源公開、共享和結合，Criteo從中做更好的用戶比對。過程中創造了更多相關性的商品訊息提供給大家，幫助大家產生更好的銷售，這是Criteo做開放平台的邏輯概念。

從14消費者的輪廓來看，這當中很清楚的看到他們的特性和興趣，以及衡量接下來傾向於購買什麼樣的產品。

比如，一個用戶在某個商店買了電冰箱，通過Criteo數據分析，不需要再把電冰箱的廣告提供給他，而是提供其它家居類有關的商品提供給他，是很貼心的，給消費者展示他們需要的訊息更容易促進轉化。

活動沙龍現場的觀眾

引擎解決獲客、用戶匹配和激活老用戶的痛點

Criteo引擎( Criteo Engine )能夠幫助消費者看到與之關聯的商品，在開放的生態行銷圈中，每年有超過3萬次的測試來不斷與對接的新流量媒體端進行結合，基本上分為四大部分實現讓一個目標消費者看到關聯性廣告。

第一，通過跨設備的平台匹配(Criteo Shopper Graph的Identity Graph)。 Criteo已經對接了全球數千家媒體發布商，了解他們PC端和APP端的流量，同時，也和電商平台緊密結合，了解消費者所使用的設備，然後進行更好的匹配。不同設備間，在任何瀏覽時間、地點遞送廣告給消費者。這是一個持續化的廣告，Criteo用的是預測競價方式（Predictive Bidding），在目標消費者瀏覽頁面的當下以最佳的價格做競標，在最佳的時間點，在最好的流量中遞送廣告。

遞送廣告的訊息跟引擎有關，就需要跟電商企業後端的平台做很好的對接，比如與運營團隊在產品端做深入的溝通，針對不同的品類，人群定向，定義產品的規格、價格，做很好的對接。

在投放過程中，依據消費者在網站的瀏覽屬性選出匹配的產品，迅速做相應的產品推薦（Product Recommendation），在最佳時間點判斷出這個商品對他是有效果的。

同時Criteo有動態廣告設計的功能（Kinetic Design），客戶不用在意大小尺寸等廣告設計。 Criteo的產品推薦會連帶當下所對應的廣告格式，實時的做尺寸的設計。畢竟廣告在移動端、PC端所呈現的尺寸是不一樣的。

第二，消費者看到的產品推薦訊息也不一樣，完全依據他們在平台端購買行為做的判斷。通過Criteo的引擎，針對之前提到行銷的三大痛點，Criteo可提供三個重要的行銷解決方案。

聯合行銷助力平台和品牌實現雙贏

獲取新客戶方面，我們有聯合行銷方案（Criteo Co-Marketing），結合了品牌端、平台方，實時的針對已經造訪該電商平台特定分類的用戶，當他們離開該電商平台到其它媒體瀏覽時持續追踪，並立即提供相應的品牌產品訊息，刺激他們回到網站對此品牌產品產生購買。

Criteo的聯合行銷，這是非常創新的概念，全球很多重要的電商平台基本上都有和Criteo合作。通過這些電商平台，它們也希望有高質量的流量持續不斷的造訪和購買商品。另外品牌方或是供應商，可能他們的自身平台沒有那麼大的流量，希望跟大型電商平台合作之後，可以迅速的獲得訂單轉化。通過Criteo平台的整合，即可達成雙贏的效果。

分享法國的一個案例：

法國Rue Du是家樂福旗下的一個電商平台，宏碁是非常重要的一個電子消費品牌，而宏碁想藉由法國當地的電商平台做一個筆記本促銷，Criteo正好與雙方有緊密的合作，在獲知雙方需求後，以聯合行銷的概念做到很好的整合。

宏碁在電商平台上架商品，Rue Du Commerce平臺本身有各種各樣的用戶訪問，3C類、生活家居類產品的用戶都會造訪該平台。故在3C類產品做好一個設定，有瀏覽過3C類商品的人群，即使他們離開了Rue Du Commerce，去其他媒體，Criteo通過對接數千家媒體資源，鎖定該用戶當下的媒體瀏覽足跡，並在該用戶觀看內容過程中對其遞送相對應的廣告。這個廣告能告訴他現在有一個新商品促銷活動在他曾造訪的電商平台，做一最後臨門一腳的推送，點擊之後回到上架的商品中，刺激直接購買。

這樣的結合方式，為什麼說是雙贏呢？

對於電商平台來講，可以通過這種方式獲取更有價值的用戶回訪。這些用戶可能並沒有成為電商網站的會員，但因為商品促銷，成為這個電商平台的會員，所以有機會獲取更有質量的流量。

從品牌產品角度，本身依附電商平台，有專屬自己的廣告產品推廣，這種方式可以迅速找到喜歡該商品品類且有購買意願的人，再由Criteo精準的找到用戶做廣告投放。 宏碁電腦此次合作在該電商平台上增加了25%的銷售份額，電商平台原本該品類的銷售額，也因為聯合促銷方案，明顯看到份額增長。

無論是供應商還是電商平台，都可以跟Criteo很好的合作，針對你要的行銷需求，Criteo可以做非常有彈性的整合。

訂單轉化，回頭客比獲取一個新客的成本要低，轉化率要高。通過Criteo動態廣告重定向技術（Criteo Dynamic Retargeting），我們的平台跟合作的電商平台實現無縫對接，持續追踪用戶從首頁到內容頁，到產品頁，到購物車，到最後結帳頁面，協助你們做好數據收集與分類。

接下來，消費者離開網站，瀏覽其它頁面時，我們實時追踪提供相對應的商品訊息。並依據Criteo的引擎，判斷在最佳的時間和提供什麼樣的商品訊息跟他們做溝通。

在激活老客戶上，品牌或電商平台可針對在一段時間裡沒有活躍的用戶，或認為已經流失的客戶，通過Criteo的用戶比對方案（Criteo Audience Match）針對這部分人群做單獨的投放溝通，刺激他們再回訪或下載APP。

以上無論電商平台方還是品牌廣告主，都可以與Criteo合作完成三大行銷目標，獲取新客，訂單轉化，激活老客戶。

文| Cynthia

隨著台灣跨境電商交易額的持續增長，越來越多的電商賣家和品牌正在走出國門，與此同時， 新興市場也在崛起，吸引更多的賣家進入。面對新的市場環境，了解海外電商發展新趨勢對賣家和品牌的發展至關重要。

為此，在Morketing和Criteo共同發起的“擴展新渠道挖掘新流量池”為主題的2018出口電商行銷閉門沙龍活動上， Criteo南亞及大中華區董事總經理黃瀚民先生進行了《海外電商大趨勢》的主題演講。

黃瀚民指出，儘管出海電商和賣家想要贏得機會，最為關鍵的是對新興市場消費者的洞察和了解。當前市場中，東南亞市場成為增長強勁的新興市場，市場中最突出的特徵是移動化。對於在移動化的新興市場如何獲得增量，黃瀚民提出了幾點建議：優化網頁縮短廣告跳轉時間、建立APP、關注5G，IoT、新的物聯網、人工智能和O2O。

以下為演講全文（經Morketing整理）：

深圳是台灣出海最重要的基地之一，Criteo希望跟各位分享一些海外電商發展的全球趨勢。因為各位立足於深圳，胸懷全世界，所以面對的競爭對手也是全世界。

Criteo的主業是電商，服務全世界19000家客戶，涵蓋了絕大多數的電商巨頭，並與上千家媒體發布商共同合作，在數字廣告軟件的市場佔有率佔據第一位，在電商出海中積累了豐富的經驗和觀察。

新興市場獲利關鍵是洞察消費者

據亞馬遜今年官方統計，其在美國市場佔有率是49%，且繼續往上攀升，其它平台也都在上漲。 eBay成長比較緩慢，沃爾馬漲勢良好，第四名Houz，專門做家具，有很多專業設計師幫用戶做設計，這個時候差異性顯現出來。亞馬遜橫向做的非常專業。但是一些特定的垂直項目，如果能把客戶的體驗、服務以及產品做好，會有非常大的機會。

據統計，第5名Wish上90%的業績來自淘寶賣家，他們對貨物挑選特別嚴格。第7名是專門做設計品牌的，各種各樣的設計師會提供非常個性化的商品。不僅美國，歐洲、台灣等地都做的特別好。

亞馬遜市場佔有率的持續增長，並沒有導致其它平台停止增長。它們更多搶占的是那些跟不上電商腳步的傳統線下零售。平台在線上保持自己的個性、品牌的獨特性，並在供貨鏈、產品等方面提供良好的服務，都有機會獲得增長。

東南亞主攻市場是年輕受眾，所以在東南亞電商中， 新加坡移動端與PC端大概各佔一半，在印度尼西亞，移動端達到80%，消費者基本都在APP端。印度的一家電商，市場定位算是當地的拼多多，它專攻三四線城市，知道這些消費者特別愛比價錢，所以做行銷的時候會特別強調幫用戶省錢。即便是專攻三四線城市，打中低端價格，仍然有發展機會，拼多多在國內的成功就驗證了這一點。

所以，了解自己的品牌、產品、目標市場，消費者的需求和經濟狀況，根據這些來設計行銷訊息是非常重要的。每個市場不同，如果千人一面，將同一模式複製到全球，在不同的市場必然會碰壁。

新興市場如何獲得增量？

除台灣以外（台灣電商在全世界最發達）的整個亞太地區，未來五年增量最大的國家是印度，它的增量高於日本和韓國的總和，且市場是遞增的，但同時也是一個非常艱難的市場。如果賣家和品牌不了解客戶的心理、收入、語言等狀況，就無法融入本土市場，更加難以成功。

而新興市場基本等於移動市場。在日本、 法國、美國等成熟市場，通過PC端購物仍佔據較高比例，發達國家很多用戶轉換也是從這些渠道獲得。但是，新興市場的推廣中，比如印度本土電商在APP上的成交比例高達90%，完全是移動的市場。沒有APP，要在印度建立顧客的忠誠度非常困難，印度絕大部分消費者購物都是通過手機實現。

優化網頁，縮短廣告跳轉時間。東南亞增長最迅猛的國家是印度尼西亞、 越南和泰國，基本都是移動市場。要進入這些市場，必須關注廣告跳轉到網頁的時間。比如印度尼西亞，如果手機上廣告跳轉到網頁需要15秒，基本沒有什麼機會了。

手機網頁跳轉很慢，直接導致手機轉化很差。成熟的市場也是一樣，以美國去年的數據為例，在上網時間中手機佔50%，平板APP佔7%，PC佔34%，移動端已經佔據很大比例。所以，手機體驗不好將會失去很多機會。

要想贏過競爭對手，需要將手機網頁做的輕薄簡單，跳轉時間縮短到3秒甚至更短，才能贏得更多機會。如果手機內存比較小，要做APP的下載也是很困難的，賣家必須要做好手機網頁的優化，適應整個市場和環境，以及使用者的習慣，而不是去抱怨手機的轉換差。

建立應用程序。如果賣家品牌做得很好，一定要建APP。在APP會吸引最忠誠的品牌捍衛者，一旦用戶下載了APP，賣家就有機會跟他更黏著的接觸。

亞太區的移動設備的使用越來越高，而且是爆炸式的增長。 Criteo是納斯達克上市公司，公司的增長主要是靠APP。 APP應用程序中聚集了賣家最忠誠的用戶，在所有的新興市場也是同樣。

這些趨勢在一些市場已經帶來使用行為的改變。亞馬遜在美國發現，95%的Amazon VIP用戶，在購物的時候都不搜索，直接在亞馬遜上買完就結束了。在印尼，消費者在購物的時候也大多通過APP直接搜索，買完就結束。傳統很重視SEU，很多SEU是拉新的客戶。但是在一些新興市場，整個狀況改變會越來越大。

關注5G，IoT和新的物聯網。阿里巴巴在做所謂5G IoT的操作系統。谷歌home、Amazon Alexa等等都帶來一些不同的機會，現在在美國炒作的最火的是Amazon的Alexa ，還有谷歌Home，用語音搜索，改變輸入方法。

在未來3年，等到5G或更多IoT新設備開始落地，商用狀況慢慢成行，賣家就可以開始慢慢轉入這些新的設備，大概還需要有2到3年的時間。在這期間要賺錢還是把要移動化做好，但是5G，IoT的發展也一定要密切注意。

人工智能。賣家不用擔心人工智能需要去投入較高的成本，因為基本上機器學習很多東西都會產品化，會在不同的行銷渠道，甚至包括軟件供應商，或者是像Criteo這樣開放的廣告平台，都會幫賣家和品牌做好，只要選擇一個對的供應商，就可以提供這些服務。

機器學習其實在行銷上主要就是所謂的千人千面。這些服務可以交給類似於Criteo這樣的公司來做。 Criteo 運用機器分析和每年超過六千一百五十億美金電商銷售額，形成全球14億的購物者圖譜，這方面的機器學習不是單獨的賣家可以做的，機器可以做的更好。

另外一件很重要的事，不是說什麼都交給機器都好，所謂人工智能需要和人工結合。傳統的行銷模型是漏洞的模型，所謂漏斗法是一開始先建立一個認知，比如，高露潔牙膏，先電視上的廣告讓受眾知道高露潔的品牌，然後在不同的渠道不斷的接觸，一旦想到牙膏就想到高露潔，而不是其它的品牌。

當要做這件事情的時候，到賣場買牙膏就想到高露潔，就把你的行為製約了。這些事情應用到行銷中，尤其是出海的電商，大部分人都沒有品牌，漏斗法的門檻是很高的。

對賣家來說，新客的拉客成本一定是比回頭客成本高。在做行銷的時候，需要切分來看，即所謂的分群。針對跟平台的親密狀況進行分群。在國外，很多平台，尤其是一些大的電商，都不會整合進行，拉新客、現有的客戶轉換、流失的客戶挽回全部都要切開看待，用不一樣的成本來看ROI，不能直接都用同一個標準來看。

最後講的是O2O。現在歐美電商的趨勢，基本上是把線上跟線下的訊息全部整合一起來做。在美國市場發現線上行銷的花費會影響37%整體的業務，很多業務是發生在線下，通過網絡上、 手機上不斷的宣傳，最終促成消費者去商超實現購買。比如阿里巴巴的盒馬鮮生、 Amazon go是通過線下的實體商店將顧客重新拉回來。

文章來源| adexchanger

作者| James Hercher

編譯| Kristen

法國廣告技術公司Criteo發布2018年Q4財報，財報顯示，Criteo在第四季度營收達6.7億美元，超出分析師預期，但低於去年同期。

2018年，Criteo總營收達23億美元。 CFO Benoît Fouilland表示，Criteo在2018年內營收出現了嚴重的下滑，總體營收沒有出現大波動算積極表現。

“Criteo第三季度營收出現下滑，第四季度迎來了轉折點，“Fouilland說道。

Q4優異的表現源自於節假日銷售額的提升，特別是“ 黑色星期五”和“網絡星期一”成為全球零售業的重要組成部分。 Criteo非重定向產品佔據了總業務的13%。公司新型解決方案包含一個具備發展前景的產品、 CRM數據打通、HookLogic零售和購物行銷業務、移動app安裝業務。

無線網絡公司和瀏覽器運營商採取強硬的態度反對追踪用戶和定向廣告，這導致Criteo重定向廣告業務營收減少，而現在Criteo也在努力支持新的解決方案。例如， Safari ITP政策對重定向供應商充滿了挑戰。

2017年Criteo非重定向營收破紀錄，於是公司設定了全體業務三年內實現30%增長的目標。 2017年第四季度到2018年第三季度，新解決方案增速從9%增長到了13%。 Criteo CEO JB Rudelle 告訴投資人，“Criteo還有非常長的路需要走，這些不同的生產線增速穩定。”

Rudelle不相信其他瀏覽器如Google Chrome ，即便Google Chrome佔據了瀏覽器市場三分之二的份額，並執行ITP類政策。

“由於業務原因，Google在美國和歐洲地區受到了嚴格審查。考慮到以上情況，雖然不敢完全肯定，但我們相信在以後Google不可能利用Chrome控制權來限制其餘數字廣告玩家。“

如果瀏覽器對數據和廣告的限制受制於Safari ，重定向業務應足夠穩定來支持Criteo新產品的慢速增長。

Criteo目前擁有3.64億美元現金流比去年同期低5000萬美元，足夠度過困難期或承擔監管罰金。財報發布後，Criteo估價上漲了10%，因此投資者應該為此感到慶幸，2018年，Criteo造成了營收損失，不過好在拜託了重定向產品營收下滑的影響，及時止損。

在去年， Criteo面臨GDPR和移動瀏覽器政策嚴格的審查，雖然也面臨罰款，但整體狀況良好， Fouilland說，“我們的業務在不利的情況下展現了強大的生命力。”

自從互聯網等新媒體技術誕生以來，尤其是程序化購買技術誕生並投入使用後，廣告業的洗牌已無法逆轉。人工智能（AI）技術的出現，只不過讓局勢更加明朗了。谷歌CEO Sundar Pichai宣布穀歌戰略Mobile First（移動先行）轉向AI First （人工智能先行），也正印證了這點。

那麼，AI技術究竟會對程序化購買乃至整個廣告行業，帶來怎樣的變化？廣告主和廣告公司需要做哪些準備以應對變革？ Morketing對此採訪了品友互動CTO歐陽辰，他分享了一些觀點。

人工智能改進用戶體驗

廣告主、代理公司、媒介及消費者（用戶）構成了傳統廣告產業的幾大核心角色，AI技術的發展對這些角色都有深遠的影響，並可能帶來很多積極的變革。在AI技術發展的同時，廣告主對於數字行銷需求更高了，特別是對於高行銷的用戶體驗和行銷效果的度量；代理公司和媒介層面，也在積極利用數據和算法的力量，提高運營效率，更加智能的連接消費者和廣告；消費者對於廣告的體驗也會有更高的要求，傳統簡單粗暴的廣告形式將會也來越少，潤物無聲的廣告體驗將不斷出現。這些剛需都加速了人工智能在行銷領域的應用。歐陽辰如此總結人工智能在廣告業興起的背景。

相對應的，人工智能對廣告業的影響也主要體現在這幾方面：

首當其衝的，人工智能將改進用戶體驗：隨著AI進化、更多的數據和更強大的機器學習能力，可以提供個性化的交互服務，帶給用戶更自然的體驗，包括語音，以視頻為代表的富媒體交互。

比如，AI將增強聊天機器人的人性化：一個比較典型的案例，是亞馬遜在其購物App中引入了AI語音助手Alexa。

用戶可以使用Alexa搜索項目，重新排列產品列表，向購物車裡添加商品。 App中的Alexa還能提供查看新聞、交通、天氣狀況、控制智能家居產品及普通查詢等功能。週末下午時光，Alex非常輕鬆的推荐一場不可錯過的電影。行銷和內容服務可以天然的融合在一起。國內的智能音箱也在蓬勃發展，京東、百度和小米等都推出非常實用和智能的語音交互設備。

另一個案例，在North Face的官網上，IBM沃森提供的搜索引擎，可以通過分析天氣，活動水平，性別以及用戶是否處於偏遠或城市地點，為用戶找到適合他們的夾克衫。品友也在打造自己的人工智能引擎，內部代號叫做福爾摩斯，希望能夠助力更多的數據產品和行銷產品，解決客戶的行銷決策問題。

對於AI是否會影響廣告創意人生存的問題，歐陽辰還是認為與用戶體驗有關。

“最近看到一篇好的AI文章，裡面有一句話印象深刻。'Over the next decade, AI won't replace managers, but managers who use AI will replace those who don't。'，我相信對於任何既定的角色，也包括廣告創意人，也適用這句話，如果我們不能力積極的利用AI技術提搞效率和創新，我們將會被時代淘汰。另外，優秀的廣告創意人有很多打破傳統、標新立異的創意，這些能力很多時候不容易被機器在短期內所學會。”

AI提升廣告主決策能力

廣告主的決策能力，建立在對訊息的掌控程度。大數據的應用，無疑抓住了廣告主的痛點。一方面，廣告主在蒐集了更多數據之後，在做決策的時候可以更自信；另一方面，廣告主打通了線上和線下的數據，可以更方便做決策。

歐陽辰說：“AI時代，廣告主有必要建立自己的數據平台，充分發揮數據的力量，提升公司的競爭力。”

傳統商業時代，受到多方面的限制，企業的行銷策略多為中短期的，每換一個老闆可能就帶來不同的風格。

現在，歐陽辰通過拜訪客戶發現，越來越多的企業開始建立自己關於數據管理的長遠規劃。

這無疑得益於AI時代的到來。根據2016年萬博宣偉的調查，68％的CMO表示他們的公司正在或正在計劃在社交媒體上使用AI；55％的CMO預計AI會對行銷和通信產生更大的影響。

歐陽辰建議，廣告主積累多年的第一方數據（包括會員數據、廣告投放數據等）可以整理起來，通過數據或者程序化平台打通數據，從而開始管理受眾。企業通過行銷的方式抓住受眾核心需求，推動企業向下一個階段的發展。

歐陽辰比較推崇的數據應用的方式，是通過一波波的行銷實踐，積累、打通數據，使用專業的平台進行管理，做洞察和動態分析，激活這些數據，真正挖掘出這些數據的價值，而不是在單次的行銷活動結束後，滿足於單次的投放效果。

歐陽辰同時提醒廣告主，一定要保持開放的心態，積極擁抱人工智能帶來的變革。最初，廣告主在數據的使用方面可能會出現一些需要磨合的問題，但廣告主要堅持相信數據會產生價值，會帶來效率。

提高廣告運營效率

AI時代，廣告公司將扮演什麼角色？坊間已經有觀點，認為行銷自動化等技術的推出，會搶奪傳統廣告人、創意人的飯碗。歐陽辰首先表示對這種觀點的“不同意”，認為：品牌是一個公司的代表，品牌的傳播過程中，創意起到很大的作用，代表著一個公司的“精氣神”，這是很難用程序去解決的問題。所以尖端的廣告創意人才，是非常有價值的。

而技術會幫助這些創意和文案做的更好，更容易分析文案的效果，比如說創意在圖像技術的處理下，可以自動創建不同感情色彩的圖片，另外通過A/B測試來分析效果。

歐陽辰著重強調的，是AI技術可以提高廣告公司的運營效率。

比如說，很多廣告公司仍然在運營中使用大量人工，尤其是一些程序化購買的操作，並沒有完全實現自動化。歐陽辰認為：人工智能可以提升這些工作的效率，讓人力資源關注全局性、更重要和多變的業務。

提昇運營效率的另一方面，體現在AI數據分析等技術手段解決數據透明的問題，讓產業的整個運行鏈條更加順暢。歐陽辰特別指出，區塊鏈具有數據不可篡改、去中心化等特點，在安全方面非常有優勢。目前，區塊鏈在金融行業有很多積極的應用，在廣告行業才剛剛起步，屬於探索階段。長遠來看，這種技術有望解決虛假流量和數據、數據協作的安全可信、廣告效果可信評估等問題。總結來說，AI(A)解決的是數據賦能問題，區塊鏈(Blockchain,B)解決的是去中心化信任問題，雲(Coud ,C)計算解決的是訊息基礎架構問題，未來世界屬於ABC的。

至於廣告運作的模式，則不會發生太大的變化，而重點在於技術層面的突破，尤其是數據對於廣告公司的作用越來越大。歐陽辰介紹說，人工智能相關技術包括算法、數據和雲計算。其中，算法和數據相互配合：好的算法可以外接合適的數據；大量的“繁雜”數據也需要通過某種特定的算法去挖掘，尤其是第三方數據，使用的時候很難一次成功，需要不斷磨合、迭代，與算法互相配合，才能發揮它最好的價值。而數據和算法發揮價值的基礎，則是雲計算。這些是廣告公司同樣需要抱有開放的心態去關注的。

因此，歐陽辰建議廣告公司做一些技術儲備和人才儲備方面的工作，“數據、算法和人，很多時候要像婚姻一樣慢慢磨合，磨合最好的話，效率最快。”

廣告公司的AI實踐樣本

歐陽辰的職業生涯開始於Oracle，後加入微軟負責搜索引擎和移動廣告核心項目，後加入小米負責大數據分析和移動廣告平台。歐陽辰解釋說：“微軟和小米這兩家公司其實都是強媒體屬性；我在媒體端積累了比較豐富的經驗。但是缺少對需求端的理解。我之所以加入品友互動，也是希望自己對需求端有更好的理解，為廣告主提供有競爭力的產品和服務，推動台灣數字行銷升級到大數據和人工智能時代。”

同時，結合多年的經驗，歐陽辰觀察到的行業趨勢，也是他加入品友的原因之一：

首先，程序化購買使得行業更加開放，媒體和廣告主有機會互相進行數據打通，雖然發生了品牌安全等不和諧的問題，但開放的大趨勢已經不可避免，開放是程序化廣告的重要力量之一。

其次，DMP的出現，使得很多投放的決策能力從媒體端慢慢轉移到廣告主手裡，廣告主的投放能力、出價能力不會被某一個媒體所束縛。這樣廣告公司能夠幫助廣告主更好的成長。國外，已經有很多成功的行銷雲公司例如Salesforce 、Adobe、電商領域的Criteo，我相信台灣也會出現很多實力強大的行銷雲公司，品友也在全力以赴，為廣告主創造更多的價值。 。

就品友互動而言，一方面在需求端積累了多年經驗，另一方面身處程序化購買行業多年，有望發展壯大。於是，歐陽辰選擇在今年6月入職品友互動，擔任CTO。

品友比較早佈局人工智能領域。不久前，品友互動戰略投資了芝麻科技等公司，這是一家提供Wi-Fi感知設備的解決方案公司，能夠對離線數據做深入的分析。歐陽辰介紹說，品友互動在不斷摸索，如何蒐集這些數據，再用合適的算法快速清理數據，挖掘其價值。

每天，品友會接收數百億的訪問請求，近千台計算機在後台計算，有近十億的設備去做畫像，而且畫像維度非常豐富。幾年前，品友提出程序化的標籤系統DAAT，把標籤分為人口屬性、個人關注、購物等上千個標籤，已成為程序化廣告行業的標準。

歐陽辰透露說，品友正在打造一個內部名為“福爾摩斯”的行銷決策引擎，幫助廣告主、CMO解決預算分配、歸因、行銷效果度量、跨屏分析等各種行銷問題，最終完成提升銷量的目標。

今年“618”期間，品友互動為某大型電商網站做廣告投放工作，第一次結合大量實時數據，通過lookalike等算法，找到有潛力的用戶，特別是觀察那些最近一段時間、積極第一方和第三方數據分析潛在用戶的短期行為，而不是僅僅簡單通過廣告主提供的CRM系統來獲取用戶，最終獲得比較好的效果。

在線下，品友互動曾為一家零售商的線下店部署Wi-Fi感知設備，從而能夠了解有哪些客戶、哪些移動設備曾經光顧過店面；將這些數據同線上電商網站的數據打通，匯集這些數據之後，通過人工智能計算技術來分析，進行各種商業決策。

品友只是嘗試AI的眾多廣告公司中的一分子。在國外，AKQA正測試使用IBM Watson構建的內部工具，可以在線掃描在線平台，尋找新的品牌消費群體；JWT加拿大計劃為其航空公司和銀行客戶使用AI技術來發布動態廣告……今年早些時候，百度的前首席科學家和AI主管吳恩達稱AI為“新電力”，指出AI將像一個世紀前的電網一樣改變生活。同樣，AI也在改變著廣告業。