0%

【程序化广告个性化精准投放实用手册】实践课

这本书从产品经理的角度梳理了程序化广告的基本概念。


更新历史

  • 2020.02.18:重新上线
  • 2019.05.10:完成阅读
  • 2019.03.13:开始阅读

读后感

这本书从产品经理的角度梳理了程序化广告的基本概念,让我对整体行业有了更加清晰的认识,跳出技术的范畴其实很多概念和分析问题的方法很重要,这部分是最有价值的。

配合《计算广告》这本书就完美。

阅读笔记

第一章 概述

互联网展示广告发展史

  1. 启蒙时代:1993-1996
    1. 可点击的 Banner
    2. DoubleClick 成立
  2. 直销时代:1997-2002
    1. 直接售卖广告位,CPT 或 CPM
    2. 弹窗、背投等广告形式
  3. 网盟时代:2003-2011
    1. 百度联盟及百度主题推广
    2. 移动广告聚合平台
  4. 程序化时代:2012-now
    1. DSP, DMP, PA 私有竞价, PD 首选交易, PDB 程序化保量, Header Bidding 头部竞争

程序化广告可以定义为:

  1. 以人为本的精准广告定向
  2. 媒体资源的自动化、数字化售卖与采买

广告主的变化:

  1. 透明程序化的诉求:在流量和数据环节透明化,在财务和合同流程方面也希望能够更加规范化、严谨化
  2. 盘活私有数据。自建 DSP 和 DMP
  3. 更合理的 KPI 衡量标准,杜绝作弊

媒体的变化:

  1. 掌握流量控制权:自建 AdX/SSP
  2. 完善广告交易模式:实现头部优质流量的价值,提升 Ecpm 价格,升级了 PA, PD, PDB 交易模式
  3. 广告形式更加丰富

第二章 参与者

程序化市场的新角色及技术服务主要分为以下五类:

  1. 广告需求方,流量的消费者,包括广告主或代理商
  2. 需求方服务,包括需求方平台 DSP 和采购交易平台 Trading Desk,为需求方提供精准的广告投放和管理服务
  3. 流量供应方,包括媒体网站或 App、广告网盟 Ad Network
  4. 流量方服务,包括广告交易平台 Ad Exchange 和供应方平台 SSP
  5. 广告服务和数据管理,包括程序化创意平台 PCP、广告验证平台 AVP、数据管理平台 DMP、检测分析平台 MAP,为广告投放策略优化提供数据支持

第三章 交易模式

RTB 实时竞价

Real-Time Bidding

  1. 公开竞价 Open Auction, Open RTB:实时竞价购买剩余流量
    1. 用默认/打底广告来确保 100% 填充率
    2. 按 CPM 出价,价高者得,次高价结算,一般来说会按照比次高价多 1 分钱的价格结算
  2. 私有竞价 Private Auction, Private RTB:只邀请部分广告主竞价购买,PMP = 私有交易市场,媒体质量更优质

程序化直接交易

Programmatic Direct:买卖双方按照协商好的价格或流量,绕过竞价直接进行一对一交易。品牌广告主一般采用这种模式,并称之为程序化直接采购(Programmatic Direct Buying, PDB)

  1. 首选交易 Preferred Deals:保价不保量,协商好固定价格进行交易。流量会优先进入 PD,其次进入 PMP,最后才是 Open RTB。
    1. 溢价:当 RTB 出价减去 PD 价格大于设定的溢价时,RTB 可以优先挑量
  2. 程序化保量 Programmatic Guaranteed, Programmatic Reserved, Programmatic Premium。品牌客户使用较多的是程序化保量采购(Programmatic Guaranteed Buying, PGB),行业上说的 PDB 一般也是 PGB

基于订单交易,双方根据 Deal ID 作为唯一标识进行交易。Deal 订单通常包含交易期限、价格、数量等信息

头部竞价

Header Bidding

需求方在所有来源中优先级最高,国内没有推行。

第四章 考核指标

广告效果可以分为传播效果、心理效果和行动效果三个层次.

程序化广告的 KPI 评估主要围绕广告效果、成本收益和投放保障三大方面:

  1. 广告效果:行为效果可以从落地页/网站/App 访问鸡用户互动角度进行考核
  2. 成本收益:衡量广告投放整体消耗、各渠道等维度的性价比
  3. 投放保障:衡量广告投放的真实性和安全性,用于保障广告效果以及成本收益

基础指标

  • CPM: Cost Per Mille,展示一千次的价格
  • CTR: Click Through Rate,指广告的点击率
  • CPC: Cost Per Click,指每点击成本

效果指标 Performance

  • 点击量:广告被有效点击的次数
  • 转化量:包括注册量、激活量等等
  • CPA:Cost Per Action 每行动成本
  • CPL:Cost Per Lead 每潜在客户获取成本
  • CVR:Click Value Rate 点击转化率
  • 点击到达率

后续数据指标:

  • ROI:Return On Investment 投资回报率,即特定周期内,广告主通过广告投放收回的价值占广告投入的比例。一般会带上周期,如 日 ROI,月 ROI 等
  • 留存用户数:通常会带上时间周期,如次日留存用户、3 天留存用户
  • 活跃用户数
  • 付费用户数
  • 充值金额
  • DAU:Daily Active User,每日成功登录的用户数量,要排重
  • WAU:Weekly Active User,每周成功登录的用户数量,要排重
  • MAU:Monthly Active User,每月成功登录的总用户,要排重

品牌指标:

  • 广告可视度 Viewability
  • 广告可见的 TA 浓度
  • 广告可见的 TA 到达率
  • 其他还有很多,这里暂略,详情参考书籍

第五章 广告投放

  • 广告投放要抓住关键用户群,重视对老用户的重新召回
  • 用户模型 4W1H(Who, When, Where, What, How)

广告位类型

常见的程序化广告位类型:

  1. 横幅广告 Banner Ad
  2. 富媒体广告 Rich Media Ad
  3. 视频广告 Video Ad
    1. 贴片:前贴 pre-roll,,中贴 mid-roll,后贴 post-roll
    2. 暂停:暂停时覆盖上的广告
    3. 角标 overlay:覆盖在视频上的角标
  4. 原生广告 Native Ad:最常见是 Feed
  5. 全屏/插屏/开屏/退屏/锁屏
    1. 插屏:应用运行过程中弹出的广告
    2. 开屏:打开 App 时展示的广告
    3. 退屏:退出应用时弹出的广告
  6. 激励广告/推荐广告:完成某一项指定任务会奖励积分
    1. 激励:激励视频广告、积分墙
    2. 推荐:推荐墙广告

广告投放阶段

  1. 技术对接测试阶段(1-3 天)
  2. 策略测试阶段(3-7 天)
  3. 策略优化阶段(7 - 31 天)
  4. 稳定放量阶段(31 天以上)

活动设置

基础设置:

  1. 出价设置
  2. 预算控制:每日、每周、每月等
  3. 日期时间
  4. 投放速度
  5. 频次控制:同一个用户在设定时间内可能看到的次数

定向设置:

  1. 重定向
  2. 社会化标签
  3. 兴趣爱好
  4. 购买倾向
  5. 地区定向
  6. 客户端定向
  7. 运营商定向
  8. 设备定向
  9. 网络类型
  10. 上网场景
  11. LBS 定向
  12. 天气定向
  13. 搜索人群定向

数据分析

常用维度:

  1. 计划:计划是活动的集合
  2. 活动:一个可完整独立投放的主体单元。为投放策略的调整提供数据依据
  3. 创意:判断创意版本的好坏,并优化
  4. 落地页:判断落地页的好坏,并优化
  5. 人群标签:包含性别、年龄、兴趣爱好等,为后续人群调整提供数据依据
  6. 渠道:整体评估不同渠道
  7. 媒体:整体评估不同媒体
  8. 广告位:整体评估不同的广告位
  9. 可视度分析
  10. 时段分析
  11. 频次分析:看过 1 次广告的用户、看过 2 次广告的用户 等等的效果比较
  12. 地域分析
  13. 操作系统
  14. 浏览器

前端常用指标:

  1. 展示量
  2. 点击量
  3. 点击率 = 点击量/展示量

落地页常用指标:

  1. 展示量
  2. 会话数:从用户打开到离开算一个
  3. 点击到达率 = 会话数/点击量
  4. 平均停留时间
  5. 平均加载时间
  6. 平均窗口大小

转化常用指标:

  1. 注册量
  2. 注册率 = 注册量/落地页展示量

竞价常用指标:

  1. 流量:即 Bid Request 数量
  2. 出价数:参与竞价的次数
  3. 竞得数:竞价成功,广告获得展示的次数
  4. 竞得率 = 竞得数/出价数
  5. 使用率 = 展示数/流量

消耗常用指标:

  1. 总成本:广告投放对应的总消耗金额
  2. CMP:千次展示价格
  3. CPC:每点击成本 = 总成本/点击量
  4. CPA:每注册成本 = 总成本/注册量

数据分析方法:

  1. 对比
    1. 时间维度
      1. 同比:2018 年 3 月 与 2017 年 3 月相比
      2. 环比:2018 年 3 月 与 2018 年 2 月相比
    2. 横比和纵比
      1. 横比:同一维度级别,分析不同成员各个指标的分布(地域、频次常用)
      2. 纵比:同一纬度成员同一指标级别,对不同时间维度的趋势走向比较(发现异常点)
  2. 细分:为了更合理地对比
    1. 人群特征细分
    2. 时间细分
    3. 媒体细分
    4. 创意细分
    5. 其他维度细分
  3. 归因:发现规律或因果关联
    1. 广告归因:各个节点对转化的贡献评估,分为渠道归因和创意归因
    2. 站内归因:站内/App内不同内容对转化的贡献率评估
    3. 归因模型
      1. 末次转化归因模型
      2. 平均分配归因模型
      3. 时间衰减归隐模型
      4. 价值加权归因模型
      5. 自定义归隐模型

预警机制

以下是一般需要关注的:

  • 流量
    • 广告活动
    • 广告位
    • 尺寸
  • 消耗
    • 广告活动
    • AdX/SSP
    • 广告位
  • 价格
    • CPM
    • CPC
    • CPA
  • 效果
    • CTR
    • CVR
    • 点击到达率
  • 使用率
    • 广告位
  • 站内
    • 停留时间
    • 窗口大小

广告主看不到广告的原因:

  1. 出价过低
  2. 出价过滤
  3. 不在供应商流量池

第六章 相关技术

DSP 内部竞价排名规则

  1. eCPM 预估
  2. 点击率和转化率预估
    1. 离线模型:按天更新,使用一定时期(如 60 天)的日志数据进行特征分析。特征包括:用户特征、广告位特征、创意特征、广告主特征等
    2. 实时模型:准实时更新,如 10 分钟

竞价相关指标:

  1. 竞价请求量
  2. 过滤后请求量
  3. 实际发送请求量
  4. 实际发送率
  5. 出价次数
  6. 出价率
  7. 放弃竞价次数
  8. 放弃竞价率
  9. 有效竞次数
  10. 无效竞价次数
  11. 响应超时次数
  12. 响应超时率
  13. 解析错误次数
  14. 解析错误率
  15. 成功竞得次数
  16. 成功竞得率 = 成功竞得次数/出价次数
  17. 曝光次数
  18. 曝光率 = 曝光次数/成功竞得次数
  19. 竞价失败次数
  20. 竞价失败率
  21. 使用率 = 曝光次数/实际发送请求量

DSP 与 AdX/SSP 对接

基本情况确认:

  1. 竞价计费模式:一般是 CPM
  2. 资源量级:日均总量
  3. PC/移动比例
  4. iOS/Android比例
  5. eCPM
  6. eCPC
  7. CTR
  8. 广告位类型和占比
  9. 点击跳转逻辑
  10. 是否提供 CDN
  11. 是否提供视频频道分类
  12. IDFA/iMEI/AndroidID
  13. 是否提供 DMP
  14. 行业限制:比如不允许投放金融广告

竞价接口:

  1. 媒体分类信息
  2. 上网类型定向
  3. 设备类型定向
  4. 设备品牌定向
  5. 设备型号定向
  6. 操作系统定向
  7. 运营商定向
  8. LBS 定向
  9. 是否需要审核第三方检测
  10. 动态创意
  11. 自定义代码
  12. 是否含 RTB 市场
  13. 对 PD PA PDB 的支持
  14. 是否有订单同步接口
  15. 是否支持 Cookie Mapping
  16. 是否有广告位同步接口
  17. 创意尺寸是否做了特殊处理

创意&创意审核接口:

  1. 是否有审核接口
  2. 是否有修改接口
  3. 审核机制:先审后投还是先投后审
  4. 是否需要行业分类
  5. 创意类型
  6. 视频创意格式
  7. 是否需要 CDN
  8. 图文创意说明
  9. 落地页是否支持 302 跳转
  10. 应用下载是否需要中间页
  11. 是否支持曝光监测
  12. 是否支持点击监测
  13. https 协议要求
  14. 代码投放说明
  15. 动态代码支持情况
  16. 是否支持重新送审
  17. 是否支持 mraid
  18. 是否支持 deeplink
  19. 客户端资源是否支持 cookie mapping

用户数据中心

为每个用户打人群标签时,主要是基于用户识别号、用户行为、时间、地点、终端等属性进行综合分析,并标记该用户在各个维度上的属性特征。

人群标签原理:

  • 用户识别号:cookie,设备号 ID
  • 时间
    • 间隔时间
    • 持续时间
    • 发生时间:24 小时段、N 天内、节假日
  • 地点:移动轨迹、城市、省份、场所、国家
  • 终端
    • 语言
    • 操作系统
    • 浏览器
    • 设备:型号、品牌、价格
  • 行为
    • 行为次数或金额
    • 行为介质:广告主网站/APP、广告、媒体
    • 行为类型:搜索、购买、注册、登录、下载、浏览、点击

数据统计原理

一般 PC 端的统计值不超过 10%,移动端不超过 5%,常见 DSP 广告监测与第三方不一致的差异原因:

  • 站内监测差异
    • 检查代码是否正确部署
    • 检查代码的逻辑是否一致
    • 双方计数机制
    • 过滤规则
  • 广告监测差异
    • 点击差异
      • 检查代码是否正确部署
      • 代码触发机制
      • 广告劫持
      • 过滤规则
    • 曝光差异
      • 地域 gap
      • 用户画像 gap
      • 检查代码是否正确部署
      • 过滤规则
      • 网络原因
      • 广告劫持
      • 日期时段 gap
      • 浏览器 gap

DSP 数据处理系统架构

六大模块:

  1. 应用层:投放数据报表查看、出价策略设置与应用、防作弊、投放成本预算控制、用户画像等
  2. 基础数据服务
    1. Kafka 作为数据通道
    2. Zookeeper 提供配置同步
    3. 数据落地到 Hadoop 上
  3. 实时计算:Storm 和 SparkStreaming 处理流式数据,比如部分 ETL、实时聚合、防作弊和竞价策略反馈
  4. 离线计算:Hive 和 Spark,对大规模的竞价日志、Cookie Mapping、用户标签等数据进行分析处理,结果存在于 Hive 中
  5. 在线分析和查询
    1. IndexR 和 Infobright 用于实时多维分析
    2. MongoDB 和 Mysql 存放活动产生的各种信息
    3. ES 用于在线搜索
    4. Redis 和 Aerospike 为实时竞价提供出价策略数据
    5. HBase 存储用户标签数据
  6. 任务调度和监控:Azkaban 和 cronsun 对整个集群上述任务进行管理和监控

反作弊

作弊环节:

  1. 曝光:常见于 CPM 结算的媒体
  2. 点击:常用于 CPC 结算的媒体
  3. 转化

作弊方式

  1. 假用户:利用机器人,不断变换 IP、cookie 甚至设备 ID 来伪装”用户”
  2. 真用户假流量:利用真实用户设备来作弊
    1. 广告堆叠:同一广告位叠加多个,只有顶层可以被看到
    2. 归因作弊:本来是 B 平台的广告,但 C 平台通过发送用户设备号,让广告主误以为是 C 平台的转化
    3. 广告容器设置为 1 x1 像素
    4. 利用插件植入不可见的广告位置(用户无法滚动看到的区域)
    5. “肉鸡”刷广告
    6. “枪手”刷广告
  3. 真用户真流量:用劣质流量滥竽充数;通过 http/DNS 进行流量劫持,称为”非法流量”更合适

常见作弊现象

  • 可离线解决
    • 一个 cookie 对应超过 N 个 IP 或设备 ID
    • 一个设备 ID 对应 N 个以上 IP 或 userAgent
    • 点击的 refererurl 包含 display_ad.php
    • 有点击无曝光的 IP
    • 点击率异常的 IP 和设备 ID (移动端大于 10% 或 PC 端大于 6% 且点击量大于 30)
    • 广告位的曝光或点击集中在少量 IP、cookie 或设备 ID,可能是作弊广告位
    • 页面停留时间大于平均水平
    • PC 端平均窗口大小指标小于 70w 像素或大于 110w 像素
    • 移动端平均窗口大小指标小于 1w 像素或大于 50w 像素
  • 可实时解决
    • 某个 cookie 在 N 分钟内使用的 IP 超过 N 个
    • 某个 cookie 在 N 分钟内点击超过 N 次
    • 所有 userAgent 出现 java, python 直接拉黑

算法优化

模型的优化主要以活动设置条件作为出价的基础门槛,并结合历史数据和实时数据不断进行特征分析

智能优化分析模型:

  • 活动设置:频次、预算、定向条件、投放速度
  • 历史数据与实时数据
    • 指标:点击、转化、鼠标悬停时间
    • 维度:创意、广告位、用户、用户-广告位-创意交叉维度数据
  • 特征分析
    • 用户:婚姻状况、兴趣爱好、教育程度、用户搜索词、行业、年龄、性别、用户关键词、意向、行为及次数/金额
    • 广告位:屏次、频道、广告位类型、页面关键词、页面广告位数量、ADX/SSP、广告位置、媒体类型、尺寸、域名、可视度
    • 创意:素材、落地页、行业类别
    • 地点:场所、经纬度、国家、城市、IP、省份、商圈

第八章 总结与展望

需求方(买方)广告投放的本质需求是有效地传播广告,实现 ROI 最大化

行业英语词汇(只挑选我不熟悉的)

  • Ad Tracking 广告监测
  • Ad Verification Platform 广告验证平台
  • DCO Dynamic Creative Optimization 动态创意优化
  • Default Ad 默认广告、打底广告
  • Guaranteed 保量
  • Header Bidding 头部竞价
  • Nagative Retargeting 否定重定向
  • PCP Programmatic Creative Platform 程序化创意平台
  • Viewability 广告可视度
  • Vieable Impression 可见曝光