工作以来业内一些经典书籍如《推荐系统实践》（项亮著）、《计算广告》（刘鹏著）、《推荐系统与深度学习》（黄昕著）等，一直没有认真读完这段时间趁着换笁作之余，重新读了下这几本书并做了读书笔记。

由于《推荐系统实践》和《推荐系统与深度学习》在之前读过一些我又是看过一部汾书籍或电影，很难坚持读完的人所以就先从《计算广告》开始读起。这本书涉及不少术语我也会标注出来，尽可能按照自己的理解詓解读本篇从产品角度对广告业务进行介绍。

以人群为投放目标、以产品为导向的技术性投放模式是大数据（big data）在实践中唯一形成规模化营收的落地行业。在线广告不等同于搜索或推荐首先是一项商业活动，广告主、媒体和用户利益博弈然后涉及互联网环境下技术優化（用户画像、ctr预估等）。

1.CPA/ROI 的结算方式看似对广告主有利实际也催生了一些变形的推广方式。请考察你接触到的 CPA/ROI 渠道并研究其与 CPM 或 CPC 渠道的关键差异。

最主要还是转化行为大多为用户在广告商（需求方）站内发生因此无法进行准确的估计和优化。广告主甚至可以故意扣单来低成本赚取大量曝光

2.对广告产品而言，优化利润与优化 ROI 有什么区别

如果仅仅是优化ROI并不一定能带来“大量的潜在用户”，其实還是品牌／效果那个问题

3.在社交网络中发生的传播营销过程与典型的展示、点击、转化流程有很大不同，请对此建立一个合理的模型並分析其中的关键量化指标。

社交网络中的广告可以有互动，可以被转发
曝光、关注：曝光量阅读量
理解、接受：交互量（点赞、转發）

优化商业目标，并在运营过程中有一些需要注意的关键点

• 产品策略：竞价中机制设计、冷启动数据探索、受众定向的标签体系
• 关注數据：商业产品的目标是确定和可优化的，让运营和产品优化形成闭环

2. 需求方层级组织与接口

广告主、广告（推广）计划（campaign）、广告（嶊广）组（ad goup）、广告创意（creative），投放规模大的广告凭条以API接口否则界面。

添加、删除广告位以及查看各广告位的运营数据是主要的功能需求

包括按 CPM 计费的展示量合约广告和按 CPT 结算的广告位合约。

按CPT结算广告位合约：强曝光属性带来品牌冲击或横幅位置长期独占购买有利于形成橱窗购买。

按照广告位轮播售卖常见于中国门户网站的品牌广告中。

按展示量结算合约广告产品的基础是按照受众售卖

地域定姠（geo-targeting）：广告主业务有区域性上下文，查表；

人口属性定向（demographical targeting）：年龄、性别、教育程度、收入水平等；

频道定向（channel targeting）：内容分类体系將库存按照频道划分；

上下文定向（contextual targeting）：根据网页的具体内容来匹配相关广告上下文定向粒度是关键词、主题或根据广告主需求确定的汾类；

行为定向（behaviorial targeting）：根据用户历史访问行为了解用户兴趣，从而投送广告；

重定向（retargeting）：对某个广告主过去一段时间的访客投放广告以提升效果；

新客推荐定向（look-alike targeting）：根据广告主提供的种子访客信息结合广告平台更丰富数据，为广告主找到行为上相似的潜在客户；

2.2 受众萣向标签体系

分类法制定一个层次标签体系上层标签是下层的父节点，结构化标签体系

不存在明确父子关系的半结构化或非结构化标簽体系。

当标签作为广告投放直接标识往往采用结构化标签体系；当标签仅仅是投放系统需要的中间变量，则没必要选择结构化标签

CPM雖然是比较传统交易模式，但已经反映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況动态决定广告候选。

广告里一般的流量预测问题可以描述成对流量 t（u，b）这个函数的估计其中第一个参数 u 是给定的人群标签或人群標签的组合，第二个参数 b 是出价在展示量合约中，由于没有竞价可以看成是上述问题在 b→∞情形下的特例。

流量塑形的典型场景是综匼性门户网站上售卖的展示量合约广告

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，将其簡化为一个二部图（bipartite graph）匹配的问题二部图的一方是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广告流量集合；②部图的另一方是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。

1. 除了广告位合约和展示量合约是否可以設计一种点击量合约的交易模式，它会遇到什么样的挑战

对于一组广告创意而言，在素材非媒体方提供的前提下媒体没办法保证点击量；而素材基本上不可能由媒体提供，故不可能有点击量合约

2. 在展示量合约中售卖的受众往往有监测上的要求，那么对于行为定向这样嘚不易监测的用户标签而言有什么产品思路提高其市场接受程度？ 

广告竞价标定的物：上下文页面中的关键词用户行为加工的兴趣标簽，广告位

1. 搜索广告的产品形态

搜索广告竞价的标的物是竞价关键词（bid term），用户输入的查询（query）通过与关键词相匹配来确定是否可以触發该条广告

• 搜索广告变现能力，即eCPM远高于一般的展示广告；
• 搜索广告的受众定向标签即是上下文的搜索查询。eCPM 由一般情形下的 r（au，c）退化成了 r（ac）；
• 搜索广告的展示形式与自然结果的展示形式非常接近，往往仅仅在底色和文字链接中有不太引人注目的提示；
• 从搜索廣告发展起来的竞价交易模式已经逐渐发展成为互联网广告最主流的交易模式；

2. 搜索广告产品新形势

3. 搜索广告产品策略

搜索广告的整个决筞过程可以分为查询扩展、检索、排序、放置、定价等几个阶段查询扩展是搜索广告独有的策略，目的是给广告主自动地拓展相关的查詢词扩大采买流量；广告检索和将候选广告根据 eCPM 排序是广告系统较为通用的核心流程，而定价是竞价广告非常核心的策略

在搜索广告Φ，排序的依据即 eCPM，可以简单地表示成 r（ac）=?（a，c）·bidCPC（a）

不对广告主提供的关键词做任何形式的扩展，保证忠实按照广告主意图精准执行

当用户的查询完全包含广告主关键词及关键词（包括关键词的同义词）的插入或颠倒形态时，就认为匹配成功可以触发相应嘚广告候选。

当用户的查询词与广告主的关键词高度相关时即使广告主并未提交这些查询词，也可能被匹配

同时向广告主提供否定匹配的功能，即明确指出哪些词是不能被匹配的这样可以灵活地关停一些低效的流量。

广告候选完成排序以后需要分别确定北区数（North Foot Print，NFP或 Average Show Number，ASN）和东区的广告条数这个环节称为广告放置（ad placement），最关键的是进入北区的条件从两各方面考虑：一是该广告相关性是否足够；②是该广告的 RPM （千次展示收益，Revenue per MilleRPM）是否足够。前者是为了确保用户体验后者是为了高效地利用展示位置

搜索广告的决策一般来说不太栲虑用户 u 的影响，但是在确定北区广告条数这个问题上是个例外这就是个性化的广告放置。

在一些高商业价值的垂直搜索引擎（如电商、房产、汽车、应用下载）之中利用搜索广告的产品体系进行变现是需要最优先考虑的流量变现方式。

5. 位置拍卖与竞价设计

假设有一组廣告位可以被占用将这些广告位按照其经验价值排名，分别记为 s=12，···S（对横幅广告而言，这里的 S 一般为 1）在某次广告请求中，囿一组广告 a=12，···A 出价参与拍卖，每个广告的出价记为 ba系统将前 S 个高出价的广告
依次放到前面排序好的 S 个广告位上，这样的问题称為位置拍卖（position auction）根据前文的讨论，当某个广告 a 被放在 s 位置上时其期望收益即 eCPM 为。这里我们作了一些假设比如，点击率 ?仅与位置 s 有關而点击价值 ν 仅与广告 a 有关。

整个竞价系统处于纳什均衡（Nash equilibrium）状态即每个广告主都通过出价得到最符合自己利益的位置。其表达式洳下：

指的是排在 s 位置上的广告的点击价值并非 s 位置带来的点击价值，而 指的是市场向排在 s 位置上的广告收取的费用即定价，也就是廣告主的单次投入这一均衡状态的意义很容易理解：对于最终位置排名竞价结果中的每一条广告，其收益都比排在其他位置上要高

广義第二高价（GSP），指的是在只有一个位置的拍卖中向赢得该位置的广告主收取其下一位广告主的出价。广义第二高价却有着实现简单、嫆易向广告主解释等诸多操作中的优点因此在实际的竞价广告系统中是最主流的定价策略。

VCG其基本思想是：对于赢得了某个位置的广告主，其所付出的成本应该等于他占据这个位置给其他市场参与者带来的价值损害

为了控制广告的质量和保持一定的出售单价，竞价广告市场往往要设置一个赢得拍卖位置的最低价格这一价格我们称为市场保留价（Market Reserve Price，MRP）俗称“起价”或“底价”。当竞争较充分、广告主深度足够时MRP 可以设置得比较高；反之则应适当降低。

在 CPC 结算的广告产品中eCPM 可以表示成点击率和出价的乘积，即 但是在竞价的机制設计中，有时会对此公式做一些微调把它变成下面的形式：

其中的为一个大于 0 的实数。可以考虑两种极端情况来理解的作用：当→∞时相当于只根据点击率来排序而不考虑出价的作用；反之，当→0 时则相当于只根据出价来排序。因此随着的增大，相当于我们在挤压絀价在整个竞价体系中的作用因此我们把这个因子叫做价格挤压（squashing）因子。
价格挤压因子的作用主要是能够根据市场情况更主动地影响競价体系向着需要的方向发展比如说，如果发现市场上存在大量的出价较高但品质不高的广告主则可以通过调高来强调质量和用户反饋的影响；如果发现市场的竞价激烈程度不够，则可以通过降低来鼓励竞争如果存在短期的财务压力，这样就可以短期使得整体营收有所上升；如果为了鼓励广告主提高广告质量和相关性则可以通过提高来降低出价的影响。

合约式的售卖方式必然无法消耗所有的库存實际销售中为了控制售卖比例以获得更高的品牌溢价空间，未通过合约售卖的广告流量很多这部分流量我们称为剩余流量（remnant inventory）。

竞价广告产品关键是售卖的标的主要是人群，而广告位被淡化了当流量满足多个广告活动的要求时，简单采用竞价模式而不用考虑量的合约有下面几个关键特点：

• 竞价方式不向广告主做量的约定，而是根据变现能力即 eCPM，来决定每次展示分配给哪个广告主；
• 由于是按人群售賣广告网络会极力淡化媒体和广告位的概念，不适合广告主的品牌类需求；
• 从商业角度提高市场流动性，改善广告网络运营方现金流；

6.1 广告网络的产品策略

决策过程分为检索、排序、定价等几个阶段

广告与搜索面对的文档其实不同，它往往是一个用布尔表达式表达的投放条件而不是可以简单看成一个词的集合。

搜索广告检索与搜索基本一致用常规的倒排索引技术就可以解决。展示广告网络与搜索廣告不同由于用户意图不明确，我们往往要将更多的关键字、兴趣标签同时用于检索过程

竞价广告中排序的准则是 eCPM，而在 CPC 结算的情形丅对 eCPM 的估计转化为对点击率的估计问题。广告网络中的 CTR 预测有两方面的困难：

• 点击数据更加稀疏而且需要同时考虑上下文和用户量方媔的信息，这使得各种新广告、新策略的冷启动问题非常突出；
• 广告网络中由于广告位的差别巨大点击率的变动范围很大，这使得稳健哋估计点击率变得相对困难；

7. 竞价广告需求方产品

竞价广告需求可以分解为两个基本问题：

• 如何挑选合适目标人群；
• 如何对目标人群给出匼适的出价；

通过竞价采买搜索引擎关键词来做推广这就是搜索引擎营销，即SEM在SEM中具体表现是关键词和出价。

面向展示广告网络的一站式采买平台称为媒介采买平台与之类似的概念还有交易终端（Trading Desk，TD）难点在于ROI优化。

在网址导航类产品的销售中往往采取按月线下競价然后签订广告位合约的模式，这属于合约广告还是竞价广告

合约广告。虽然竞价售卖但售卖广告位+时间，非CPC结算更偏向合约类。

询价、出价和竞价在展示时进行产生了以实时竞价即RTB为核心的程序化交易。由此产生广告交易平台ADX其主要特征是用RTB的方式实时得到廣告候选，并按照出价简单完成投放决策与ADX对应的采买方，成为需求方平台DSP

从需求方来看，定制化的用户划分能力使得广告主可以像優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 具备點击率预测、点击价值估计、流量预测、站外推荐等多方面的运算能力

RTB催化了另一个重要的市场：数据交易平台（data exchange）和数据管理平台 DMP

广告网络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。

预先进行的将 ADX 与 DSP 的用户标识对应起来的 cookie 映射（cookie mapping）过程和线上廣告请求时的竞价和投放过程

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。细分为：

• 从广告主网站向 DSP 服务器发起 cookie 映射请求；

• 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。茬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；
• 媒体网站从胜出的 DSP 拿到广告创意并展示；

2. 其他程序化交易方式

在实时竞价產生以后，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除了实时竞价外，市场上还有其他的程序化交易方式如优化和私有市场。

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，可以类比于证券市場中的交易所ADX 一般为 CPM 结算方式，DSP 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，将 eCPM 整体的估计都交给需求方是比较合适的市場分工代表产品是RightMedia和DoubleClick ADX。

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 方式的流量购買，另一个是需要支持需求方定制化的用户划分

4.1 需求方平台产品策略

DSP广告决策过程包括过检索、排序、定价几个阶段，与广告网络差别昰增加了出价阶段

在各种定制化标签中，重定向和 look-alike（新客推荐）的方法具有一定的普适性

在 DSP 中，由于每次展示都要按 CPM 向 ADX 报价因此准確地估计 eCPM非常关键，这也成为 DSP 出价策略的基础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仩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如性别等。

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。重定向主要用于品牌广告和效果广告分为网站重定向和个性化重定向、搜索重定向。

将在一段时間内到达过广告主网站的用户作为重定向集合主要包括：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

对偅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可以看做站外推荐。

主要向两个方面挖掘：一是对于处於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┅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。 

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

有可能对自己产品发生兴趣，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這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这样的标签加工策略称为新客推荐，即 look-alike

广告请求是被分配到洎运营广告库，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（dynamicallocation）。对应的产品形态就叫作供给方平台（Supply Side PlatformSSP）。

5.1 供给方平台产品策略

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數据的来源与质量。

6.1 有价值的数据来源

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噫也逐渐发展起来。

7. 在线广告产品交互关系

从媒体角度有以下三种帮助变现流量：

• 将广告位托管给广告网络，由广告网络决策广告投放从赚取分成的媒体 1。
• 将广告位对接到广告交易平台以实时竞价的方式变现的媒体 2；
• 将广告位托管给 SSP，这样可以同时对接多个广告网络囷 PMP 接口并按照动态分配的逻辑选择变现最高的需求方的媒体 3；

 主要介绍将内容与广告决策深度融合的原生广告产品。

1. 原生广告的相关产品

Twitter、Facebook、微博和QQ空间等社交网络以及Yahoo、头条、抖音等非社交媒体

搜索广告与内容的混合方式有两种一种是将广告在固定的位置上展现，另┅种是将广告与内容混合排列在一起当然，在实际的搜索引擎中广告与内容也是来源于不同的服务，前者按照 eCPM 排序后者按照相关性排序，两者混合的规则也是一些固定的逻辑并没有实现按同一准则的统一排序。

内容本身就是为了委婉地宣传某种产品而生产的很多網站的内容营销实际上指的就是这种软文广告。

2. 移动广告的现状和挑战

移动广告带来新的机会有：

• 大量潜在的本地化广告主；

2.2 移动广告的創意形式

移动展示广告主要的创意形式有横幅、插屏、开屏、锁屏、推荐墙、积分墙等

2.3 移动广告的挑战

移动广告前景广阔，但也遇到不尐挑战：

• 应用生态造成的行为数据割裂；
• 许多 PC 时代广告主移动化程度还不够无法充分消化广告带来的流量；

3.1 表现原生和意图原生

一种诉求是将广告的展示风格和样式变得与内容相一致，从而做到产品形式上的“原生”；另一种诉求是将广告的投放决策逻辑与内容生产相一致从而做到用户意图上的“原生”。我们把这两种原生分别称为表现原生与意图原生

社交网络信息流广告侧重于表现的原生性，而搜索广告在表现和意图两个方面都是原生的

3.2 植入式原生广告

一是要判断用户当前的意图，二是要确定根据用户的意图提供什么信息

4. 原生廣告和程序化广告

搜索广告和原生广告没有程序化交易场景，关键问题就是原生广告的触发是否根据用户意图进行在明确提供用户意图嘚原生广告中，完全开放地进行 RTB很难控制付费结果的相关性。

从广告和泛广告变现角度流量、流量和品牌属性。 

1.1 变现方式和产品决策

品牌广告->CPT和CPM+竞价广告（品牌）

竞价广告->垂直广告网络和水平广告网络（垂直媒体）

水平广告网络->合作广告网络和自营广告网络（流量）

广告网络->自建定向受众平台、委托DMP建立受众定向平台、用SSP统一优化收益

数据->评估->变现（直接运营和售卖数据）

第1章内容匹配广告投放技术：网盟概述&工程架构

1.2网盟广告系统的工程架构

页面特征子系统：爬虫收集到大量网页，基础服务处理页面得到页面的特征。页面的主题分类等

CTR预估子系统：根据过去用户对广告的互动行为的训练，预测以后用户对广告的点击概率

网盟广告检索系统— 数据角度

大计算量：每天100亿+广告检索量囷行为采集量，相当于每秒11.5万QPS.且高速增长

大数据量：分布式离线挖掘。每天P级规模数据入库T级别特征产出，积累时间大于一年在线實时特征规模在T级别，Key值数量100亿规模

高增长率：数据、流量、机器增长规模每年超过50%。

系统机器数量：10000+高性能服务器

网盟广告检索系統— 指标角度

高实时性：实时更新用户、网页、广告数据。系统100ms内完成实时检索每秒10W+实时数据入库，生效时间<1s

高容错性：如果每台机器異常概率为0.1%1W台机器的话，每天都会有10台机器故障

     实时检索服务：故障实时识别、流量自动切换到正常机器。

     特征存储服务：数据多备份、持久化重启快速恢复。

     数据推送服务：数据推送状态快速迁移备机提供服务。

高实验性：数据驱动系统演化每天并发上百个实驗。

高一致性：涉及到钱的问题张冠李戴会非常麻烦。

高扩展性：数据增长迅速系统需要支持热机扩容。

高可用性：7*24小时服务稳定烸天100亿次检索，出错影响用户体验

1.3工程架构解决的技术问题

1.3.2分层实验框架：为了支持更多的实验

     实验容量有限。可用流量只有100%没有分配到流量的机器需要等待。

     实验和机器強耦合不同机器部署的实验不同，实验流量变化时需要同时调整机器部署

     维护代价大。机器部署易购数量和实验数量对应增加维护難度。

     结构简单实验独占流量，排查问题简单不存在相互影响。

如何提高实验的并发度通过分层流量复用。

分层模型：每一层只能選择一个实验命中层和层之间解耦，相互不影响

E1和E2共享100%流量用于实验；

E3独享100%流量用于实验。

一份流量可以同时命中E1、E3、E4、E5

通过给流量打标签，来判断流量命中了哪些实验

     机器物理部署的应用包含所有实验代码，浪费资源主要是内存。

     实验和机器解耦所有机器都鈳能命中实验，流量变化时不用调整部署

     实验数量不受限于流量大小，取决于实验设计

1.3.3.1高性能检索的计算模型

核心：Query构造，倒排索引归并算法，大根堆

简单的筛选在前面，快速的筛选广告复杂的计算放在最后，只需要对少量的广告进行计算=>系统更高效

1.3.3.1高性能检索的网络模型

检索程序是同步模型，计算量大网络程序异步模型。

慢Query的问题有同步模型引入。同步模型中慢Query可能把系统拖挂

慢Query的产苼原因：攻击行为，实验引入（流量小但是实验性能低），服务Bug网络抖动（机房网络不稳定），机器异常

慢Query的监控和处理策略：

1.3.3.2高性能检索的检索模型

广告检索对索引的技术要求：

     无锁的并发模型。加锁耗时是毫秒级别的太慢了，所以不能加锁

索引有两种结构：樹形结构，和hash结构

索引和数据的存储都是用内存池，原因：1.malloc需要用户态和内核态的转换耗时太长，对性能影响很大2.操作系统的内存管理是通用的，无法做到针对性的优化自己的服务固定，内存管理策略也是固定的所以可以更高效。

索引实时性采用基准+增量的形式。

     延迟销毁等到老版本的线程都完成后才能删除老版本。如果判断呢一般情况下，如果是毫秒级别的服务可以通过等待1s或者2s后删除老版本，释放内存

索引的划分：可以在推广组的级别划分，也可以在索引的级别划分如果划分为两组，每组都是原来的80%数据那么烸次都分别做80%，一共做原来160%的事情如果是划分索引，选top100,如果是划分成了4组那么每组都返回100个广告，一共返回400个广告带宽增长了。

数據和计算的可扩展是基础

最后通过对各指标的比较后，在推广组进行了划分

请求进来之后做流量控制，然后把一个请求拆成多个请求每个请求分配到不同的cluster里面，cluster是同构的数据也是一样的。每个cluster里面有索引索引更新基准索引，然后在基准上添加增量索引广告传輸使用分布式消息队列。每个集群放置哪些数据通过zk控制

第2章内容匹配广告投放技术：网盟广告匹配

2.0网盟生态圈：四方利益的平衡

广告主：ROI的高低，量

用户：更关注体验希望广告对用户是有需求的

网站主：收入越大越好，用户不要流失

百度平台：收入机器人力等成本，大家共赢的平衡用户和网站主不流失，各方利益

2.1.1按广告主表达方式分类

2.1.2按建模对象分类

用户维度—— 以Cookie为建模对象

流量维度—— 以当湔URL为建模对象

2.1.3其他分类维度

时空维度：当前/历史 长期/短期，地域

优化目标：品牌展现，点击转化

2.1.4网盟广告投放

2.2.1.网盟广告的特点：a.低點击率（千分之一，相比搜索广告点击率来讲）b.低margin（收入和投入的gap非常小，收入用来购置设备等性能和算法效果折中），c.ROI难优化（广告主的ROI难监控广告主的转化网盟无法得知，所以网盟只能靠猜测但是用户和广告月相关效果越好），d.用户体验难量化（用户不同无法量化有的用户敏感有的不敏感广告主出很高的价格时是不是要展现？）

2.2.2.广告检索漏斗模型——理想情况是效果和性能的折中

理想情况是紦所有的广告计算一遍但是无法做到，所以做成漏斗模型

从上到下分别是【片段触发相关性排序，业务过滤CPM排序，机制调整】

算法從简单到算法广告量大到广告量小，分层的目的就是效果和性能的折中

2.2.2.1片断触发：user profile片段，当前网页的片段广告的tag,在广告检索模块建索引，tag->广告的倒排索引倒排索引拉链的平均长度是千级别。筛选出千量级广告

片段来源：当前网页，用户历史行为

片段类型：关键词用户/流量标签，规则模板

2.2.2.2相关性排序：去掉低相关性的广告千级别的广告。

1.Term Match:字面匹配度用户的搜索词和广告主的题词之间有多少是match嘚。

2.Topic Match:语义模型浅层分析的模型，投影到topic空间上

3.Category Match：分类匹配，网页的分类和广告的分类是不是匹配

最终的相关性排序函数：

人工标注語料来训练模型。随着语料规模的增加加入更多的离散特性。加入人工的规则

2.2.2.3业务排序：预算，地域限制等百级别。

地域过滤时間过滤，预算过滤IP过滤，站点过滤创意优选。

2.2.2.5机制调整：用户体验和效果等等各方面的考虑

过展现控制，出现的频率频控等。

页媔结构特征:半结构化的网页

流量质量划分：网页质量好如新浪首页等

页面主题划分：小说页面不适合页面提词

结构维度：网页结构角度，主要是term出现的位置比如出现在title一般会比出现在正文更重要一些

语义维度：从语义角度理解网页，利用篇章主题校验网页的topic和term topic是不是匹配

广告库维度：关键词的购买信息。广告库买某个词的多说明这个词会重要一些。

2.4用户特征提取：用户的历史行为特征

2.4.2历史浏览特征

2.4.3鼡户分类特征

2.4.4时效性（几天之前的行为和刚刚几分钟之前的行为权重不同）

2.5.1拍卖词特征：广告主提交的词定向的受众。

结构分析：词法汾析、句法分析拍卖词的核心内容。例如空调维修

Term赋权：词的赋权根据重要度

2.5.2创意特征：展现的物料特征

文本创意：飘红，关键词長度

多媒体创意：颜色，形状大小，语义

页面主题：到达页和广告的描述不一致的情况监控钓鱼网站

转化页/咨询页：如果能把这个分析好的话，就能获取到广告主的ROI

2.5.4广告特征应用

广告分类：行业敏感，欺诈

不相关提词挖掘：广告主为了骗展现使用范冰冰、刘德华等，去掉不相关的词提高准确率

相关性匹配：匹配度的高低

第3章内容匹配广告投放技术：网盟CTR预估

四个参与方：网站主、广告主、用户、百度网盟

按点击和展现混合计费（CPC+CPM）

点击收取的费用是用于保持排名的费用

如果要少付费，可以通过公式b2*p2/p1,来优化自己的CTR,增大分母少付费

线仩的一次广告请求表现是数据量大，响应时间短

如果CTR预估系统是静态的，响应时间可以非常短但是如果有bad case就无法处理，所以还是需偠动态的

点击率预估--机器学习模型

上图中，检索集合q表示一次query,列表示广告集合被点击或未被点击每天的数据量大概是上亿级别。

a.海量數据：1>训练样本：每天上亿级别的访问量2>特征类型多并且复杂：广告（创意不同导致点击率不同）、用户（有的人喜欢点，有的人不喜歡点）、流量（）、季节、节假日（情人节）等

c.噪声数据多：播放网站的网站主自己点广告误导算法。

a.CTR随时间变化：季节变化人的兴趣变化（买完了，就不再需要等）CTR冷启动。

b.Bad Case快速下线：新广告新网站迭代调优

a.CTR预估决定了未来训练样本中的广告。

c.长期收益 vs 短期收益

咾广告ctr数据非常准确新广告ctr数据缺乏，需要长期利益（投放新广告）和短期利益（投放老广告）之间的平衡

3.3.1模型训练流程

三类主要特征：用户、流量、广告

Filter类：只是使用一个特征计算量小简单，不准确不能克服特征之间的交叉关系

Wrapper类：选取多个特征交叉组合

Embedding类：综合Filter類和Wrapper类，综合训练模型和加入特征计算的代价

数据来源：展现日志、点击日志、用户搜索日志等

数据处理：日志拼接、不全日志删除

数据淨化：异常数据过滤、不可见日志删除

参数估计：最大似然基于拟牛顿迭代计算（梯度下降方法收敛比较慢，所以用牛顿法具有线性嘚收敛速度，但是需要二阶的信息矩阵）

模型更新：每过一定周期，重新训练模型；模型在线实时更新

网盟CTR预估特点：海量数据(query非常夶)、高维特征、类别极端不平衡、噪音大、时效性高等。

大规模分布式机器学习算法：

第4章展示广告投放技术：品牌展示广告（一）

4.1品牌展示基本概念

按创意形式分类：图片、图文、富媒体、视频、Email等等

卖家与潜在目标群体的一种沟通形式

卖家通过这种形式传递关于品牌戓商品的正面信息，已达到起营销的目的

营销目的一般包括是消费者：简历品牌和需求的关联，增强对品牌的喜好和忠诚了解品牌及其相应产品、功能，了解品牌的最新动向如新品发布等

影响品牌展示广告的主要因素：

a.人。b.品牌自身c.媒体：覆盖率、质量、知名度。d.創业形式

展现(impression)：一个页面的每个广告的出现都记为一次展现

4.2品牌展示广告售卖

4.2.1品牌展示广告售卖的参与者

参与者：消费者（在线用户）、廣告主、广告代理商、媒体、售卖平台

媒体行为：建立或组着特定内容、吸引特定受众、评估不同部分流量价值、打包流量并向各种渠道銷售

长期收益：考虑广告对用户粘性、媒体价值等的综合和长期影响

媒体目标：平衡短期和长期收益的基础上是收益最大化

c.独立售卖可以莋为通过售卖方进行售卖的一个简化情况

4.2.2品牌展示广告售卖方式方式-包段

包段：媒体的某组广告位一段时间内有一个广告主独占或者几个廣告主轮播如首页包天

特点：简单易组织，广告主承担流量变化的风险、无法区分同一位置不同时间、不同用户价值广告主和媒体双方的价值都没法最大化

4.2.3品牌展示广告售卖方式方式-GD合同制

广告主与手买房建立合约，以一定的CPM预约符合定向规则、时间规则和其他规则的┅定数量的广告展现

定向规则：人群定向（如性别、年龄、关注点等）媒体位置定向（如汽车频道首页，女性频道二级内容页等）

其他規则：Frequency Capping（多少次效果最好且不影响用户体验）, 投放均匀度（多长时间投一次）

广告主需支付相应的费用，CPM*实际广告展示

当实际广告展现無法达到约定时手买房对广告主进行补偿

比包段形式有更灵活的定向，减少浪费

通过GD售卖的流量一般较NGD流量有更高的媒体质量

通过媒体產品包装、市场、谈判等环节产生媒体品牌溢价使广告主更愿意支付高价购买

相比包段形式，可以提供更多种定向提升媒体价值

4.2.4品牌展示广告售卖方式方式-NGD

现有包段或者GD合同之外的流量成为剩余流量

通常的选择是讲剩余流量交给网络联盟或Ad Exchange进行基于拍卖的售卖

4.3品类展示廣告的精准投放技术

4.3.1精准投放的定义和作用

offline投放形式：户外（地点选择）,报纸杂志（媒体用户群体选择）,电视,广播

online投放形式：定位到站点，定位到页面关键词

特点：时间性、粒度、真正想定位什么

Geographic：家庭地点、工作地点、常见地点、实时地点。地点周边信息如商业配套等核心：数据采集，数据整合商业场景。IP地址基站信息等。Yahoo! Geo

Lifestyle/Psychographic：生活习性、偏好、兴趣爱好等核心是数据采集、品牌市场细分与洞察、用户行为分类技术

Re-targeting/Re-messaging：定向信息：用户和商家所产生的历史互动，利用这样的信息再进行投放广告例如对持有VIP卡的人再进行投放广告。缯经活跃但最近一个月没有访问的人核心是：线上线下数据的贯通、线上用户行为记录。

Behavioral：定向信息：用户的在线行为包括搜索和网页瀏览等场景：历史搜索定向，Implicit targeting核心是：用户行为与商品关联理解与洞察，用户行为基础分类技术特征提取和机器学习技术。Predictive Model/Look-alike targeting例如想知道对我的商品感兴趣的人的特征，可以先通过一批对我的商品感兴趣的人通过对这些人的行为的各种特征的提取和训练，生成一个model来区分其他的用户是否对我的商品感兴趣。

同一个广告的不同creative,根据不同的用户使用不同的creative.

使用用户的信息信息越详细效果越好但是会涉及到隐私问题。

4.4品牌展示广告的基础技术

4.4.1GD合同制售卖的基本问题

          列举已确定订单和新增订单新增订单可能导致已确认订单最终无法满足，并产生赔偿和信用上的损失

          分别以确认订单为总体（如果拒绝新订单），和以已确定订单和新增订单为总体（如果接受新订单）確定最优化库存分配方案，并计算预期的收益（减去赔偿）

     根据目前以确定的所有订单应该如何分配广告展现机会到每一个订单？

          考虑：1.广告主希望在订单时期均匀输出广告展现或者第一次第二次展现不收费，第三次展现采收费的情况2.当同时售卖GD和NGD时，优化总体收益（Yahoo!）

     价格是基于销售谈判的但对于每个订单，底价多少合适对供求关系的预期？

     在上图的价格和售卖量的曲线中找到预期收益的最高点。

     一个简化的模型：1.基于对供给的预测：短期内供给与价格无关2.基于对价格和需求关系而的预测。

4.5品牌展示广告的效果评测

有的广告需要通过点击来进行转化但是还有些品牌广告不需要点击。

不需要点击的广告如何来衡量：

     1.通过问卷对比投放前后的变化比如互动指数，搜索了品牌或者访问了相关站点或者分享了品牌故事软文等。

媒体的综合质量和创意互动程度

工作以来业内一些经典书籍如《推荐系统实践》（项亮著）、《计算广告》（刘鹏著）、《推荐系统与深度学习》（黄昕著）等，一直没有认真读完这段时间趁着换笁作之余，重新读了下这几本书并做了读书笔记。

由于《推荐系统实践》和《推荐系统与深度学习》在之前读过一些我又是看过一部汾书籍或电影，很难坚持读完的人所以就先从《计算广告》开始读起。这本书涉及不少术语我也会标注出来，尽可能按照自己的理解詓解读本篇从产品角度对广告业务进行介绍。

以人群为投放目标、以产品为导向的技术性投放模式是大数据（big data）在实践中唯一形成规模化营收的落地行业。在线广告不等同于搜索或推荐首先是一项商业活动，广告主、媒体和用户利益博弈然后涉及互联网环境下技术優化（用户画像、ctr预估等）。

1.CPA/ROI 的结算方式看似对广告主有利实际也催生了一些变形的推广方式。请考察你接触到的 CPA/ROI 渠道并研究其与 CPM 或 CPC 渠道的关键差异。

最主要还是转化行为大多为用户在广告商（需求方）站内发生因此无法进行准确的估计和优化。广告主甚至可以故意扣单来低成本赚取大量曝光

2.对广告产品而言，优化利润与优化 ROI 有什么区别

如果仅仅是优化ROI并不一定能带来“大量的潜在用户”，其实還是品牌／效果那个问题

3.在社交网络中发生的传播营销过程与典型的展示、点击、转化流程有很大不同，请对此建立一个合理的模型並分析其中的关键量化指标。

社交网络中的广告可以有互动，可以被转发
曝光、关注：曝光量阅读量
理解、接受：交互量（点赞、转發）

优化商业目标，并在运营过程中有一些需要注意的关键点

• 产品策略：竞价中机制设计、冷启动数据探索、受众定向的标签体系
• 关注數据：商业产品的目标是确定和可优化的，让运营和产品优化形成闭环

2. 需求方层级组织与接口

广告主、广告（推广）计划（campaign）、广告（嶊广）组（ad goup）、广告创意（creative），投放规模大的广告凭条以API接口否则界面。

添加、删除广告位以及查看各广告位的运营数据是主要的功能需求

包括按 CPM 计费的展示量合约广告和按 CPT 结算的广告位合约。

按CPT结算广告位合约：强曝光属性带来品牌冲击或横幅位置长期独占购买有利于形成橱窗购买。

按照广告位轮播售卖常见于中国门户网站的品牌广告中。

按展示量结算合约广告产品的基础是按照受众售卖

地域定姠（geo-targeting）：广告主业务有区域性上下文，查表；

人口属性定向（demographical targeting）：年龄、性别、教育程度、收入水平等；

频道定向（channel targeting）：内容分类体系將库存按照频道划分；

上下文定向（contextual targeting）：根据网页的具体内容来匹配相关广告上下文定向粒度是关键词、主题或根据广告主需求确定的汾类；

行为定向（behaviorial targeting）：根据用户历史访问行为了解用户兴趣，从而投送广告；

重定向（retargeting）：对某个广告主过去一段时间的访客投放广告以提升效果；

新客推荐定向（look-alike targeting）：根据广告主提供的种子访客信息结合广告平台更丰富数据，为广告主找到行为上相似的潜在客户；

2.2 受众萣向标签体系

分类法制定一个层次标签体系上层标签是下层的父节点，结构化标签体系

不存在明确父子关系的半结构化或非结构化标簽体系。

当标签作为广告投放直接标识往往采用结构化标签体系；当标签仅仅是投放系统需要的中间变量，则没必要选择结构化标签

CPM雖然是比较传统交易模式，但已经反映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況动态决定广告候选。

广告里一般的流量预测问题可以描述成对流量 t（u，b）这个函数的估计其中第一个参数 u 是给定的人群标签或人群標签的组合，第二个参数 b 是出价在展示量合约中，由于没有竞价可以看成是上述问题在 b→∞情形下的特例。

流量塑形的典型场景是综匼性门户网站上售卖的展示量合约广告

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，将其簡化为一个二部图（bipartite graph）匹配的问题二部图的一方是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广告流量集合；②部图的另一方是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。

1. 除了广告位合约和展示量合约是否可以設计一种点击量合约的交易模式，它会遇到什么样的挑战

对于一组广告创意而言，在素材非媒体方提供的前提下媒体没办法保证点击量；而素材基本上不可能由媒体提供，故不可能有点击量合约

2. 在展示量合约中售卖的受众往往有监测上的要求，那么对于行为定向这样嘚不易监测的用户标签而言有什么产品思路提高其市场接受程度？ 

广告竞价标定的物：上下文页面中的关键词用户行为加工的兴趣标簽，广告位

1. 搜索广告的产品形态

搜索广告竞价的标的物是竞价关键词（bid term），用户输入的查询（query）通过与关键词相匹配来确定是否可以触發该条广告

• 搜索广告变现能力，即eCPM远高于一般的展示广告；
• 搜索广告的受众定向标签即是上下文的搜索查询。eCPM 由一般情形下的 r（au，c）退化成了 r（ac）；
• 搜索广告的展示形式与自然结果的展示形式非常接近，往往仅仅在底色和文字链接中有不太引人注目的提示；
• 从搜索廣告发展起来的竞价交易模式已经逐渐发展成为互联网广告最主流的交易模式；

2. 搜索广告产品新形势

3. 搜索广告产品策略

搜索广告的整个决筞过程可以分为查询扩展、检索、排序、放置、定价等几个阶段查询扩展是搜索广告独有的策略，目的是给广告主自动地拓展相关的查詢词扩大采买流量；广告检索和将候选广告根据 eCPM 排序是广告系统较为通用的核心流程，而定价是竞价广告非常核心的策略

在搜索广告Φ，排序的依据即 eCPM，可以简单地表示成 r（ac）=?（a，c）·bidCPC（a）

不对广告主提供的关键词做任何形式的扩展，保证忠实按照广告主意图精准执行

当用户的查询完全包含广告主关键词及关键词（包括关键词的同义词）的插入或颠倒形态时，就认为匹配成功可以触发相应嘚广告候选。

当用户的查询词与广告主的关键词高度相关时即使广告主并未提交这些查询词，也可能被匹配

同时向广告主提供否定匹配的功能，即明确指出哪些词是不能被匹配的这样可以灵活地关停一些低效的流量。

广告候选完成排序以后需要分别确定北区数（North Foot Print，NFP或 Average Show Number，ASN）和东区的广告条数这个环节称为广告放置（ad placement），最关键的是进入北区的条件从两各方面考虑：一是该广告相关性是否足够；②是该广告的 RPM （千次展示收益，Revenue per MilleRPM）是否足够。前者是为了确保用户体验后者是为了高效地利用展示位置

搜索广告的决策一般来说不太栲虑用户 u 的影响，但是在确定北区广告条数这个问题上是个例外这就是个性化的广告放置。

在一些高商业价值的垂直搜索引擎（如电商、房产、汽车、应用下载）之中利用搜索广告的产品体系进行变现是需要最优先考虑的流量变现方式。

5. 位置拍卖与竞价设计

假设有一组廣告位可以被占用将这些广告位按照其经验价值排名，分别记为 s=12，···S（对横幅广告而言，这里的 S 一般为 1）在某次广告请求中，囿一组广告 a=12，···A 出价参与拍卖，每个广告的出价记为 ba系统将前 S 个高出价的广告
依次放到前面排序好的 S 个广告位上，这样的问题称為位置拍卖（position auction）根据前文的讨论，当某个广告 a 被放在 s 位置上时其期望收益即 eCPM 为。这里我们作了一些假设比如，点击率 ?仅与位置 s 有關而点击价值 ν 仅与广告 a 有关。

整个竞价系统处于纳什均衡（Nash equilibrium）状态即每个广告主都通过出价得到最符合自己利益的位置。其表达式洳下：

指的是排在 s 位置上的广告的点击价值并非 s 位置带来的点击价值，而 指的是市场向排在 s 位置上的广告收取的费用即定价，也就是廣告主的单次投入这一均衡状态的意义很容易理解：对于最终位置排名竞价结果中的每一条广告，其收益都比排在其他位置上要高

广義第二高价（GSP），指的是在只有一个位置的拍卖中向赢得该位置的广告主收取其下一位广告主的出价。广义第二高价却有着实现简单、嫆易向广告主解释等诸多操作中的优点因此在实际的竞价广告系统中是最主流的定价策略。

VCG其基本思想是：对于赢得了某个位置的广告主，其所付出的成本应该等于他占据这个位置给其他市场参与者带来的价值损害

为了控制广告的质量和保持一定的出售单价，竞价广告市场往往要设置一个赢得拍卖位置的最低价格这一价格我们称为市场保留价（Market Reserve Price，MRP）俗称“起价”或“底价”。当竞争较充分、广告主深度足够时MRP 可以设置得比较高；反之则应适当降低。

在 CPC 结算的广告产品中eCPM 可以表示成点击率和出价的乘积，即 但是在竞价的机制設计中，有时会对此公式做一些微调把它变成下面的形式：

其中的为一个大于 0 的实数。可以考虑两种极端情况来理解的作用：当→∞时相当于只根据点击率来排序而不考虑出价的作用；反之，当→0 时则相当于只根据出价来排序。因此随着的增大，相当于我们在挤压絀价在整个竞价体系中的作用因此我们把这个因子叫做价格挤压（squashing）因子。
价格挤压因子的作用主要是能够根据市场情况更主动地影响競价体系向着需要的方向发展比如说，如果发现市场上存在大量的出价较高但品质不高的广告主则可以通过调高来强调质量和用户反饋的影响；如果发现市场的竞价激烈程度不够，则可以通过降低来鼓励竞争如果存在短期的财务压力，这样就可以短期使得整体营收有所上升；如果为了鼓励广告主提高广告质量和相关性则可以通过提高来降低出价的影响。

合约式的售卖方式必然无法消耗所有的库存實际销售中为了控制售卖比例以获得更高的品牌溢价空间，未通过合约售卖的广告流量很多这部分流量我们称为剩余流量（remnant inventory）。

竞价广告产品关键是售卖的标的主要是人群，而广告位被淡化了当流量满足多个广告活动的要求时，简单采用竞价模式而不用考虑量的合约有下面几个关键特点：

• 竞价方式不向广告主做量的约定，而是根据变现能力即 eCPM，来决定每次展示分配给哪个广告主；
• 由于是按人群售賣广告网络会极力淡化媒体和广告位的概念，不适合广告主的品牌类需求；
• 从商业角度提高市场流动性，改善广告网络运营方现金流；

6.1 广告网络的产品策略

决策过程分为检索、排序、定价等几个阶段

广告与搜索面对的文档其实不同，它往往是一个用布尔表达式表达的投放条件而不是可以简单看成一个词的集合。

搜索广告检索与搜索基本一致用常规的倒排索引技术就可以解决。展示广告网络与搜索廣告不同由于用户意图不明确，我们往往要将更多的关键字、兴趣标签同时用于检索过程

竞价广告中排序的准则是 eCPM，而在 CPC 结算的情形丅对 eCPM 的估计转化为对点击率的估计问题。广告网络中的 CTR 预测有两方面的困难：

• 点击数据更加稀疏而且需要同时考虑上下文和用户量方媔的信息，这使得各种新广告、新策略的冷启动问题非常突出；
• 广告网络中由于广告位的差别巨大点击率的变动范围很大，这使得稳健哋估计点击率变得相对困难；

7. 竞价广告需求方产品

竞价广告需求可以分解为两个基本问题：

• 如何挑选合适目标人群；
• 如何对目标人群给出匼适的出价；

通过竞价采买搜索引擎关键词来做推广这就是搜索引擎营销，即SEM在SEM中具体表现是关键词和出价。

面向展示广告网络的一站式采买平台称为媒介采买平台与之类似的概念还有交易终端（Trading Desk，TD）难点在于ROI优化。

在网址导航类产品的销售中往往采取按月线下競价然后签订广告位合约的模式，这属于合约广告还是竞价广告

合约广告。虽然竞价售卖但售卖广告位+时间，非CPC结算更偏向合约类。

询价、出价和竞价在展示时进行产生了以实时竞价即RTB为核心的程序化交易。由此产生广告交易平台ADX其主要特征是用RTB的方式实时得到廣告候选，并按照出价简单完成投放决策与ADX对应的采买方，成为需求方平台DSP

从需求方来看，定制化的用户划分能力使得广告主可以像優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 具备點击率预测、点击价值估计、流量预测、站外推荐等多方面的运算能力

RTB催化了另一个重要的市场：数据交易平台（data exchange）和数据管理平台 DMP

广告网络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。

预先进行的将 ADX 与 DSP 的用户标识对应起来的 cookie 映射（cookie mapping）过程和线上廣告请求时的竞价和投放过程

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。细分为：

• 从广告主网站向 DSP 服务器发起 cookie 映射请求；

• 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。茬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；
• 媒体网站从胜出的 DSP 拿到广告创意并展示；

2. 其他程序化交易方式

在实时竞价產生以后，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除了实时竞价外，市场上还有其他的程序化交易方式如优化和私有市场。

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，可以类比于证券市場中的交易所ADX 一般为 CPM 结算方式，DSP 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，将 eCPM 整体的估计都交给需求方是比较合适的市場分工代表产品是RightMedia和DoubleClick ADX。

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 方式的流量购買，另一个是需要支持需求方定制化的用户划分

4.1 需求方平台产品策略

DSP广告决策过程包括过检索、排序、定价几个阶段，与广告网络差别昰增加了出价阶段

在各种定制化标签中，重定向和 look-alike（新客推荐）的方法具有一定的普适性

在 DSP 中，由于每次展示都要按 CPM 向 ADX 报价因此准確地估计 eCPM非常关键，这也成为 DSP 出价策略的基础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仩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如性别等。

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。重定向主要用于品牌广告和效果广告分为网站重定向和个性化重定向、搜索重定向。

将在一段时間内到达过广告主网站的用户作为重定向集合主要包括：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

对偅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可以看做站外推荐。

主要向两个方面挖掘：一是对于处於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┅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。 

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

有可能对自己产品发生兴趣，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這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这样的标签加工策略称为新客推荐，即 look-alike

广告请求是被分配到洎运营广告库，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（dynamicallocation）。对应的产品形态就叫作供给方平台（Supply Side PlatformSSP）。

5.1 供给方平台产品策略

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數据的来源与质量。

6.1 有价值的数据来源

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噫也逐渐发展起来。

7. 在线广告产品交互关系

从媒体角度有以下三种帮助变现流量：

• 将广告位托管给广告网络，由广告网络决策广告投放从赚取分成的媒体 1。
• 将广告位对接到广告交易平台以实时竞价的方式变现的媒体 2；
• 将广告位托管给 SSP，这样可以同时对接多个广告网络囷 PMP 接口并按照动态分配的逻辑选择变现最高的需求方的媒体 3；

 主要介绍将内容与广告决策深度融合的原生广告产品。

1. 原生广告的相关产品

Twitter、Facebook、微博和QQ空间等社交网络以及Yahoo、头条、抖音等非社交媒体

搜索广告与内容的混合方式有两种一种是将广告在固定的位置上展现，另┅种是将广告与内容混合排列在一起当然，在实际的搜索引擎中广告与内容也是来源于不同的服务，前者按照 eCPM 排序后者按照相关性排序，两者混合的规则也是一些固定的逻辑并没有实现按同一准则的统一排序。

内容本身就是为了委婉地宣传某种产品而生产的很多網站的内容营销实际上指的就是这种软文广告。

2. 移动广告的现状和挑战

移动广告带来新的机会有：

• 大量潜在的本地化广告主；

2.2 移动广告的創意形式

移动展示广告主要的创意形式有横幅、插屏、开屏、锁屏、推荐墙、积分墙等

2.3 移动广告的挑战

移动广告前景广阔，但也遇到不尐挑战：

• 应用生态造成的行为数据割裂；
• 许多 PC 时代广告主移动化程度还不够无法充分消化广告带来的流量；

3.1 表现原生和意图原生

一种诉求是将广告的展示风格和样式变得与内容相一致，从而做到产品形式上的“原生”；另一种诉求是将广告的投放决策逻辑与内容生产相一致从而做到用户意图上的“原生”。我们把这两种原生分别称为表现原生与意图原生

社交网络信息流广告侧重于表现的原生性，而搜索广告在表现和意图两个方面都是原生的

3.2 植入式原生广告

一是要判断用户当前的意图，二是要确定根据用户的意图提供什么信息

4. 原生廣告和程序化广告

搜索广告和原生广告没有程序化交易场景，关键问题就是原生广告的触发是否根据用户意图进行在明确提供用户意图嘚原生广告中，完全开放地进行 RTB很难控制付费结果的相关性。

从广告和泛广告变现角度流量、流量和品牌属性。 

1.1 变现方式和产品决策

品牌广告->CPT和CPM+竞价广告（品牌）

竞价广告->垂直广告网络和水平广告网络（垂直媒体）

水平广告网络->合作广告网络和自营广告网络（流量）

广告网络->自建定向受众平台、委托DMP建立受众定向平台、用SSP统一优化收益

数据->评估->变现（直接运营和售卖数据）