计算广告(6): 广告交易市场

Shentao
943 阅读13分钟

本文为课程笔记，课程地址：计算广告学

参考资料：《计算广告 互联网商业变现的市场与技术》

广告交易市场

对应书中14章，广告交易市场和广告交易平台指向同一个实体

广告交易平台的特点：用实时竞价（RTB）方式连接广告和（上下文，用户）；按照展示上的竞价收取广告主费用。

在所有在线广告产品中，需求方平台（DSP）是算法挑战相对较大的。首先，在实时竞价环境下，DSP需要提供重定向、新客推荐等定制化用户标签，而这既需要与第一方数据和商品库打通等繁杂的工程接口，又产生了一些新的建模问题，特别是像look-alike（新客推荐）这种第一方数据和第三方数据兼用的受众定向问题。其次，需求方平台需要像广告网络那样估计点击率，并且会遇到比广告网络更高的准确性要求，另外还需要在面向效果类广告主时同时估计点击价值。另外，实时竞价中的出价是存在优化空间的，这是 DSP特有的出价策略问题，也对 DSP 的收益影响很大。

程序化交易市场还有供给方平台（SSP）这一产品，其核心优化问题是面向多个广告网络时的收入优化问题，可以看成是与广告交易市场中的询价优化相类似的问题。

实时竞价

竞价广告网络中的受众定向虽然可以很精准，但是还是会有一些完成不了的场景。例如，某广告主希望对自己的流失用户进行一次广告促销，或某广告主希望广告平台帮助找到与其用户类似的潜在用户。很显然，无论怎样选择在广告网络中的人群标签，都不可能直接完成上述的任务。实际上，这两个任务有一个共同的特点，即我们在加工人群标签的过程中需要利用到广告主的数据。这样的标签称为定制化用户标签（customized audience segmentation）

利用定制化标签的投放在广告网络中并非完全无法解决：对于最常见的重定向标签，采用由广告网络在广告主网站布设代码的方式也可以收集人群和投放广告；而对于一般的定制化标签，也可以采用由广告主上传用户 ID（cookie 或移动设备 ID）集合的方案，由广告网络来决策和投放，如 Facebook 的广告网络就提供这样的功能。不过，这样的方案仍然存在着很多问题。

  1. 定制化标签可能的选择是与广告主的量级成正比的，将这些标签集中地由广告平台加工使用，显然是一个低效的解决方案。
  2. 除了定制化的人群库，需求方往往还对频次、时间、地域等诸多因素有综合决策的需求，而简单地上传用户 ID 集合显然无法达到这样的目的。
  3. 简单的人群库交互无法做到精细的出价和预算控制。

采用广告网络这样的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。什么样的解决方案才能够规模化呢？其实很简单，只要把竞价过程开放，在广告展示时由需求方来判断是否需要并出价，就可以解决上面的问题，这样的思路就产生了实时竞价。因此，我们认为：用定制化标签指导广告投放是实时竞价的关键产品目标。

实时竞价的交易方式不仅仅解放了相关的效果类广告需求，也为品牌广告创造了全新的机会。我们知道，品牌广告的核心在于其人群触及策略，但无论在展示量合约广告还是竞价广告网络中，人群的定义方式都是由广告平台决定，需求方基本没有加工的自由。然而，在实时竞价交易中，服务于品牌广告主的DSP可以根据市场上采买的各种数据为某个特定的广告主加工特有的人群，完成更加符合其市场策略的人群触及。

实时竞价为多方参与的过程，可以分为：预先将ADX与DSP的用户标识对应起来的cookie映射过程和线上广告请求是的竞价与投放过程。

流程

预先做cookie映射

  1.  从广告主网站向 DSP 服务器发起 cookie 映射请求
  2.  DSP 与 ADX 服务器之间通信完成 cookie 映射

广告请求

  1.  用户浏览媒体网站
  2.  媒体网站通过 JavaScript 或 SDK 向 ADX 发起广告请求
  3.  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。在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
  4.  媒体网站从胜出的 DSP 拿到广告创意并展示

主要技术点

  • Adx与DSP之间的用户身份同步（cookie mapping）
  • DSP数量较多时的服务和带宽成本优化

潜在问题

  • 存在浏览数据的泄漏风险：DSP 可以以极低的出价参与竞价，这样虽不能获得流量，却可以低成本得到在媒体网站上的用户行为数据
  • 多一次round trip，对latency有较大影响： 在询价过程中，ADX 要等待一个约定好的时间片（一般情况下为 100 ms），这使得用户看到的广告延迟增加，对 CTR 有负面影响

广告交易平台按照展示收费而不是点击收费，将点击率和点击价值预估放在demand端。

Cookie Mapping

三个核心问题

  • 谁发起
  • 在哪里发起
  • 谁存mapping

DSP 与 Ad Exchange 间 cookie 映射

由 DSP 在广告主页面上发动映射，并由DSP保存映射关系。DSP主要需要广告主的人群做深入加工并对这部分人群在ADX中出价，因此从广告主页面发动；而RTB是cookie 的对应，由各DSP分别自行完成比在ADX中集中时完成显然更加合理，因此这一映射表保存在DSP方。

  1.  用户访问广告主页面
  2.  选择性加载一个 DSP 域名下的 iframe
  3.  DSP 判断需要映射的话，返回包括多个beacon的动态HTML，此处多个beacon的目的是为了同时与多个ADX交换cookie
  4.   通过其中的某个beacon向对应的ADX发送cookie映射请求，并带有ADX标（xid）、DSP 标识（did）和DSP cookie（dck）三个参数
  5.  ADX通过302重定向向DSP返回ADX标识（xid）及其域名下的cookie（xck）
  6.   DSP返回一个1×1的 beacon，并记录下ADX方cookie（xid）与己方cookie（dck）的对应关系

媒体与 DMP 间 cookie 映射

由媒体方在媒体的页面上发动，并由DMP方保存映射关系。媒体需要从DMP获得标签的人群是自己的访问人群，因此从媒体页面发动；而DMP保存映射，可以比较方便地将自己的用户标签与媒体cookie对应，并传回给媒体。

  1. 用户到达媒体页面
  2. 向媒体的 cookie 映射服务请求一段负责此功能的 JavaScript 代码
  3. 媒体的 cookie 映射服务返回该段 JavaScript 代码
  4. 该JavaScript代码判断需要映射的话（如果最近已经做过则可以不做），向 DMP发起 cookie 映射请求，并传送两个参数：媒体的标识（mid）以及媒体方的cookie（mck）
  5.  DMP返回一个1×1 的beacon，并记录下媒体方cookie（mck）与己方cookie（dck）的对应关系

供应方平台

供应方平台（Supply Side Platform）是彻底代表媒体利益的产品，它将广告网络、广告交易市场和 DSP 等都视为提供预算的需求方，并通过统一的网络优化功能来管理收入和确保媒体的用户体验。

广告市场中，媒体变现流量方式一般有三种方式。合约广告：与广告主签订合约进行投放（CPM 结算）。竞价广告：将广告位托管给广告网络，广告网络根据人群售卖给广告主（CPC 结算）。实时竞价（按展示结算）。SSP通过组合上述方式进行吗媒体流量的售卖，使得最终媒体的收益最大化。

关键特征

  • 提供媒体端的用户划分和售卖能力
  • 可以灵活接入多种变现方式
  • 收益管理：统一的Network optimization与RTB

需求方平台

需求方平台（Demand Side Platform）： A demand-side platform (DSP) is a system that allows buyers of digital advertising inventory to manage multiple ad exchange and data exchange accounts through one interface.

关键特征

  • 定制化用户划分（customized audience segmentation）
  • 跨媒体流量采购
  • 通过ROI估计来支持RTB

DSP架构如下所示

按照eCPM出价，需要估计eCPM=CTR×clickValueeCPM = CTR \times clickValue，需要同时估计CTR和clickValue。

DSP流量预测

问题

  • DSP需要预测流量以决定采买策略
  • DSP拿到流量是bid的函数，这一函数称为bid landscape

思路

  • 由于DSP无法拿到所有流量情况，因此无法像供给方那样进行流量预测（在竞价广告系统中，流量预测是可以获取页面上下文c、页面流量、页面的eCPM分布）
  • 如何利用历史投放数据仍然是关键

DSP点击价值估计

根据eCPM=CTR×clickValueeCPM = CTR \times clickValue，假设转化单价固定，点击价值的估计主要是转化率的估计。

应用场景

  • DSP的实时出价
  • 广告网络中的出价工具
  • 智能定价（smart pricing）

挑战

  • 非常稀疏的训练数据（转化数据较少）
  • 与广告主类型强烈相关的行为模式（电商广告和游戏广告不一致）

点击价值估计若干原则

  • 模型估计时，用较大的bias换较小的variance，以达到稳健估计的目的
  • 充分利用广告商类型的层级结构，以及转化流程上的特征

DSP重定向

重定向广告（retargeting）简单地说就是一种网页广告的定向技术，即针对广告受众（Audience）的某个属性，在同一个广告位，推送为他定制的广告到他的页面。重定向广告在我看来是定向广告的一种，而之所以有一个“重（Re-）”，是指的它的定向方式和其它定向广告有所不同。重定向广告是依据你之前的某个行为（Action，往往被记录在你的cookie中，也可能不是），把这个行为所触发的特定的广告，重新推送到你面前。这个行为往往是你访问了他的网页/或者店铺/搜索的了他的产品等。参考知乎回答： 重定向广告是什么？

重定向主要有两种目的

  1.  用于品牌广告。当用户已经选择过某品牌的服务或产品后，如果在比较高质量的媒体上看到该品牌的广告，他会进一步肯定自己决策的正确性，从而对该品牌的认知度也大大加强。这种用途下，应当以宣传品牌而不是具体产品为主要诉求。
  2.  用于效果广告。当用户曾经考虑过某种产品，但没有完成最终转化，通过在线广告将这个用户找回，点击率和转化率都会明显高于平均水平。如果用户已经选择了该产品，那么可以利用推荐技术为他推送相关的产品广告。

重定向分类

  • 网站重定向：根据用户在广告主网站山的行为进行重定向
  • 搜索重定向：根据用户与广告主相关的搜索行为进行重定向
  • 个性化重定向：根据用户在广告主网站上关注的具体产品和购买阶段，推送商品粒度的广告；不在推送已购买产品，而是相关产品；对广告主而言，可以视为一个站外推荐引擎

推荐算法

简单介绍推荐算法，推荐算法分为两大类：基于协同过滤的算法和基于内容的算法。

基于协同过滤的算法： 1）内存方法（非参数方法）：neighbor-based methods、User-based/Item-based top-N 2）模型方法（参数方法）：matrix factorization、bayesian belief nets

基于内容的推荐算法指的是从 user 和 item 提取出相同的特征向量，或者说将两者映射到相同的向量空间中再比较两者的相似性。推荐算法的本质是对 user-item 这一系数矩阵的参数化或非参数化的描述；推荐算法选择的关键也是探索合适的 bias 与 variance 的平衡，以适应问题的数据的稀疏性。

新客推荐（Look-alike）

问题

  • 对于中小电商，仅仅对老用户定向营销远远不够
  • 对于某些类型的广告商，大多数用户无法通过重定向渠道捕捉（这类用户线上没有行为）

新客推荐

  • 由广告商提供一部分种子用户，DSP通过网络行为的相似性为其找到潜在的用户
  • 是一种广告商自定义标签，可以视为扩展的重定向
  • 在同样reach水平下，效果应好于通用标签
  • 尽量利用非demand数据，注意避免在竞争对手之间倒卖用户

广告流量交易方式

优先销售

  1. CPT结算，即传统广告的销售方式，技术要求低
  2. GD：CPM 结算 + 人群定向

程序交易包括竞价广告（ADN）和实时竞价广告（ADX），分别对应的 supply 端和 demand 端负责的任务不同，其目的均是如何将自身的资源或需求分发到多个点（网络）上从而获取最大的利益，不同优化目标如下

  1. demad：network optimization + RTBD
  2. supply：portfolio selection + RTBS
avatar
文章
阅读
粉丝