漫谈DSP自动化购买概念与可能的成效关係

时间:2020-07-22 作者:

 

漫谈DSP自动化购买概念与可能的成效关係

研究过几间不同的 DSP 厂商,特别是强调「自动化购买」机制的国际大厂。在研究前,我一直认为广告操作必须建立在一半工人智慧、一半人工智慧上,不然有些变数并非纯粹用电脑计算,很难做到维持成效与转换的成果。

因为,左右广告能不能被点击,有两大要素,分别是「图像素材」与「文案沟通」,这两点必须看操作者本身对于素材的敏锐度来左右转换优化好坏。

再继续谈下去前,先介绍一下「自动化购买」到底是一个什幺概念。从流程来介绍的话,DSP 业者会提供厂商一段 Code,请厂商在自家的全站上,安装该 Code,装下去之后,业者会进行几件事情:

  1. 内容分析
  2. 行为分析
  3. 素材分析
  4. 受众分析
  5. 策略分析

这五件事情,全都是自动化的进行。怎幺做?内容分析就是用机器人去爬全站的内容,抓下来之后建立各种索引,并比对使用者在各个页面的行为。特别说明一下行 为这件事情。行为分析的脉络,通常是建立在几种「假设」的状态下,例如:假设「使用者看了 A 商品后,又看了 B 商品,同时看了 C 商品,此时把 A 商品加到购物 车的比例会提高。」假设能否成立,全看使用者的行为脉络而定。

使用者行为在分析时,一开始是很模糊的,假设也会非常混乱。好比我们从各种行为中,先定义出一种假设,然后从众多的使用者之中,开始逐一比对行为是否接 近。如果接近,这时再来针对该假设之后的变数去计算。计算使用者产生的行为有无符合预测的前往结帐,另外,没有结帐的理由是什幺?光这边,又是一种假设。

因此,在行为分析的过程中,会存在无数种假设与猜想。每个假设与猜想,都会在各种行为资料被记录下来之后,逐一去比对与验证。我们先预设某种转换成效高的 行为假设为 100%,然后来看看有多少人完全符合 100%,再从这 100% 里面去找出那些接近 90%、80%、70% 的人,其行为又产生了多少变异。从变异中,推出另外一种假设模型。反覆进行此事,透过电脑不断去猜测与分析,也就是所谓机器学习的核心要素。

这背后要计算的资料之庞大,一般人难以想像。一天存 1TB 的资料都不算多了,更何况还得把这资料清理、筛选、分类、存入、解读、置入模型之中。而这后面搭配的则是无数个建立出来,因应不同网站、不同型态服务所生的使用者行为分析猜想。从假设猜想到变成具有精準度的模型,通常旷日费时,很吃运算效能,也非常 考验资料库人员在设计资料结构时的思维。当然,运用什幺更有效的演算法来运算,这也是一大挑战。

再来则是素材分析。脉络是这样,这些大型 DSP 业者过去不外乎就是所谓的网路广告代操公司,他们可能有丰富的数位广告操作经验,知道哪些广告素材比较容易 引起转换,知道哪类型的沟通文案比较容易引起点击,在这之中,找到素材製作的公约数。也就是我们常讲的「素材製作範本」,从素材製作範本中,去做各种交互 的组合。例如 A 图+A 文变成 A 图+B 文,这种组合,大量重複的自动在服务平台端生成,再实际投入应用之中。

素材左右广告是不是能被点的关键,因此机器学习会有分两种面向,刚刚讲的使用者行为是一个面向,另一个面向则是图像辨识技术。用图像来比对各种过去做过比 较有效的素材範本,然后将该图像重置为指定範本的样态,再进行投放。投放后,学习该素材的各种表现效果是否如预期目标,不是的话,则重新套用不同的範本, 直到各种範本被用完,再来找更有效的方法,例如电脑没办法提昇该广告成效,那就只能让人来解决问题,这过程,又一次给予电脑新的学习样本。

每个点击,伴随而来的是「谁点击?什幺样的人点击了?他们可能是谁?他们曾经在哪些网站做过哪些事情?他们做的那些事情得到什幺效果?他们正在哪边?」各类堆砌出来的问题,其实都是在反覆不停的「定义受众」。网路上的受众相对模糊,因为透过 cookie 的取得,用各种交差分析,以及运用不同假设模型,逐步 地去定义出该人的轮廓与面貌,从中反推回去贴标籤 。

因为受众资料的取得来自于 Cookie,因此我们无法清楚理解受众本身到底具体的真实面貌,要勾勒出受众,得透过众多不同的网站,依照其浏览行为与习惯, 从中推测出该受众的兴趣、好恶与样态。这是所有分析机制中最为负责又难精準定义之处,可却影响着广告成效好与不好的关键要素。毕竟现在广告主买的是「受 众」而非「版位」,受众要能被定义出来,全靠各种不同的假设定义出来。

策略分析则是因应内容、使用者行为。广告素材、受众轮廓等,开始在数十、数百种广大的投放机制之中,自动让广告散播到所有联播的平台上,因应各类不同的广 告回馈成效,即时反馈回到系统之中,再从系统自动决定不同的策略,让广告可以逐渐的往成效最好的区块集中。这过程中,会有反覆无数次的尝试,尝试哪些人在 哪些网站看到广告比较会有效过,透过演算法不停地去调整与修正广告呈现的时机与内容。

理解上述所说的,这才是那段 Code 背后所做的事情。因此,广告主可以不需要準备素材、不需挑选受众、不需去想媒体规划、不需去做策略制定、不需管理各种 参数,只需要做好:「设定清楚 KPI、设定出价、设定预算」即可完成大部分广告投放的工作。听起来似乎对广告主非常有利,让广告的投放变得简单直觉,只要 出钱就好,但问题也在这边。

电脑能算的有其极限。大部分「自动化购买」会有效,主要都是透过学习广告主网站上的各种分析资料后,尝试着去自动化投放广告、自动化产生素材、自动化调整 素材、自动化改善受众,这些自动化,没有办法针对「广大无边无际的受众去做优化」,换个角度讲,因为分母变大,分子太小,很难去精算优化的依据,因此大部 分自动化购买的投放策略都是採取「小众、分众」的方式进行。

预算太高,或是出价过高时,自动化购买本来能够到达广告主的 KPI,有可能就会无法达到。不是自动化购买变烂,而是同时面对过大的使用者族群时,分母瞬间 变太大,变数变太多,广告的变数又更多,而这一切全部都要靠即时演算与即时出价在各个不同 AD Exchange 之间快速交换,事实上有其限制与难度在。

不论如何,自动化购买之于广告技术的发展与应用,已经到了相对成熟度,特别是对于一些向性较高的广告主,可为其带来的成效,多多少少能维持一定水平,取代掉不少人工操作的成本与困扰,至于针对大预算、大範围广告投放的广告主而言,短时间内还是得仰赖专业操作人员才有办法确保成效之间的好坏不会差异太大。

什幺是 DSP 需求方平台/ SSP 供应方平台/DMP 数据管理平台?什幺是 Ad Exchange

 

围观: 727次 | 责任编辑:

延伸阅读