广告这门生意卖的，就是屏幕前的每一个你，这里还给你起了个高大上的名字“流量”；广告的买家才是客户爸爸，爸爸们就是像Nike，H&M这样的各类广告主。
而这里真正牛逼的是，互联网广告的这一套流程是全自动的，专业术语叫“程序化交易”，而且广告是大数据应用商业化、规模化程度最高的行业。
“程序化交易”的互联网广告产品，完全是靠数据驱动和计算导向的。
今天我们就一起来学习下互联网广告的产品策略。
01、广告有效性原理互联网广告与传统线下广告的根本区别在于两点：
所以，互联网广告又叫计算广告。
计算广告最核心的量化指标之一叫做eCPM(expected Cost per Mille，千次展示收入)，按照广告的信息传达过程来分，eCPM又可以分解为点击率和点击价值的乘积。这也是我们计算优化的两个重点。
为了理解计算技术如何优化广告效果，我们先了解广告是如何对产生效果的。
广告从用户接触开始，到最终产生效果的过程，被称为广告的信息传播的有效性模型。
该模型把受众接受广告信息的过程分为选择（selection）、解释（interpretation）与态度（attitude） 三个大阶段，并可进一步分解为曝光（exposure）、关注（attention）、理解（comprehension）、接受（acceptence）、保持（retention）与决策（decision） 6个子阶段。
越靠前的阶段，其效果的改善对点击率的贡献越大。
而越靠后的阶段，其效果的改善对转化率的贡献越大。
图片来源：泰得制作
1. 曝光（exposure）阶段这一阶段是指广告物理上的展示过程，可能是线下，在地铁站；或者线上，在App里。
曝光阶段的广告效果，主要跟广告位的物理属性有关，比如位置、尺寸等，没有太多技术优化的空间。
曝光的有效性，对最终结果的影响，往往远高于其他技术性因素， 所以才会有传统广告中“位置为王”的说法，比如纽约时代广场的广告牌、各一线城市市中心高楼上的广告牌等。
在互联网广告中，位置的影响有时会更加显著，因此如何从算法上消除由此带来的点击率预估偏差，是一个非常重要的实际问题。
2. 关注（attention）阶段指受众从物理上，接触到广告；到意识上，注意到它的过程。
对广告而言，曝光并不一定意味着关注。
广告能否被关注，要遵循几个重要原则：
首先，尽可能不要打断用户的任务。
这一点是上下文（Context）相关的广告投送原理的基础，也是现在讨论原生广告产品的出发点之一。
当用户明确辨识出某个固定不变的广告位，并且不再认为其与自己当前浏览的任务有关联时，他会下意识地屏蔽其中的内容。
其次，明确向用户传达推送广告的原因，让客户和广告本身产生链接。
这一点是“受众定向广告”内容创意的重要方向。
第三，内容符合用户的兴趣或需求，如果推送的是客户不需要或不感兴趣的广告，只会用户的招致反感，这是“行为定向”的原理基础。
3. 理解（comprehension）阶段用户关注了广告内容，并不意味着一定能够理解广告传达的信息。
理解阶段要遵循哪些原则呢？
首先，广告内容要和用户兴趣相关，且能被用户所理解，这就需要精准的受众定向。
其次，要设定与关注程度相匹配的理解门槛。因为用户看广告的注意力，肯定不会像看电影那么集中，所以广告内容一定易于理解。 可以集中表现某一个点，来吸引用户的注意力
下图是慕思床垫在朋友圈投放的原生广告，考虑微信用户刷朋友圈大多都是一带而过，不会太集中注意力，所以广告内容就只集中在一个需求点“睡好一点”，简单易懂。
图片来源：泰得制作
4. 接受（acceptance）阶段用户理解了广告传达的信息，并不表示他也认可这些信息。
广告的上下文环境，对广告的被接受程度有着很大的影响。
同一个品牌的广告出现在某灌水论坛上和CCTV首页上，用户会倾向于认为CCTV更具说服力，这也就是优质媒体的品牌价值。
在定向广告越来越普遍的今天，如何让合适的广告出现在合适的媒体上，即广告安全（Ad Safety）问题，也是广告行业的一个重要研究方向。
5. 保持（retention）阶段对于不只是追求短期转化，而是看到品牌长尾效应的广告商，他们希望广告传达的信息能给用户留下长久的记忆，以影响其长时间的选择。
因此品牌广告商在广告创意上花了大量的精力提高此阶段效果。
比如，Nike的“JUST DO IT.”阿迪达斯的“Impossible is nothing.”史玉柱的“今年过节不送礼，送礼就送脑白金。”
我们听到这些品牌的广告词时，就很容易联想到品牌本身；同样我们听到该品牌，脑子里面就会想起它的广告词，就如同被写进了我们的潜意识。
这样在具体的消费场景下，我们就会自动想到该品牌，这样的品牌广告无疑是非常成功的。
6. 决策（decision） 阶段成功广告的最终作用是带来用户的转化行动，虽然转化已经离开了广告的业务范畴，但好的广告是能为提高转化率做好铺垫。
特别是以拼多多的为首的电商广告，之所以能以病毒式传播转化，也是因其广告创意充分利用了人性对便宜的期望，以及对损失的厌恶。
02、互联网广告的技术特点相对于传统广告行业，在线广告具有以下五个特点：
1. 以技术和计算为导向。在线广告的数字化特点，使其具有以下几方面的优势：
在线广告能以把广告的展示、客户的点击、以及客户的转化行为等各类数据，直接记录在系统中，并能通过数据分析不断优化投放策略。
3. 标准化的创意和投放方式。广告需求方关心的是接收广告的用户群，而不是广告位本身。
互联网上拥有着海量的媒体，如果媒体之间的广告位标准不统一，则广告主的同一份广告创意，就要制作成不同的尺寸、不同的格式，从而花费更多的成本。
同样，媒体、广告主都有各自的系统，如果系统之间的接口不统一，任意两个系统之间的通信都需要额外的开发，这样不仅增加系统复杂度 ，同时大幅增加开发运维成本。
得益于数字化带来的受众定向技术和程序化交易方式，广告创意尺寸的统一化和关键接口的标准化就显得格外的重要。
于是就有了IAB推出的视频广告VAST标准和实时竞价OpenRTB标准，大大降低了媒体、广告主、需求方、供给方系统的复杂性，加速了广告市场的流动性。
4. 多样化的媒体概念。随着Web2.0和移动互联网的发展，互联网的各种媒体，不断地拓展了媒体的概念。
从早期像新浪、搜狐这样的门户网站，到现在的搜索引擎、电商网站 、社交媒体、短视频、直播，再到5g时代的AR、VR等，媒体形式的不断发展，也会不断推动广告形式的变化。
5. 数据驱动的投放策略。互联网时代最根本的驱动力是数据的深加工和使用。
互联网在线广告发展所依赖的计算技术，本质是依赖于大数据技术的规模化应用。
可以认为在线广告系统，就是一个大数据处理平台。
在线广告的基本投放逻辑大致如下：
首次提出计算广告的美国工程院院士、前雅虎副总裁AndreiBroder认为，计算广告的核心问题是“Find the best match between a given user in a given context and a suitable advertisement.”
《计算广告》的作者刘鹏老师认为，计算广告的核心问题是：“为一系列用户(User)和上下文(Context)的组合，找到最合适的广告投放策略(Ad)，以优化整体广告活动的利润。”
刘鹏老师的调整，主要是强调了广告问题优化的是一组展示上的效果，而非某个单词展示的效果；此外去掉了“given”，因为某些广告产品中，系统并不能拿到确定的用户或上下文表示，但这并不意味着此情况下无法进行计算优化。
计算广告优化的目标是，在这T次展示上的总利润，即总收入和总成本的差。
但对于一个具体的广告主来说，其广告投放往往受到约束，如有时存在预算的限制，有时需要投放量的保证。我们称这种约束为需求方约束。
基于此约束的存在，根据ROI的考量，我们可以看出广告的成本或收入不仅与广告、用户、上下文有关，同时也和某个具体的广告主有关。
同时，因为除DSP以外的大多数广告产品，其成本也对应常数或与收入成正比，这样成本部分可以从下图的优化公式中去除，我们能主动优化的往往是收入部分，所以计算广告的主要关注的就是收入的优化。
当一次广告展示产生后，我们按其后续行为，进一步分解广告收入r的组成。
1.用户在媒体上看到广告后，产生了兴趣，于是点击了广告，于是就产生了我们第一个转化数据：点击率（CTR, Click Through Rate）即：广告点击与广告展现的比率。
2.点击后，会打开广告主的落地页，落地页成功的打开次数，除以点击次数，就得到第二个转化指标：到达率。
3.如果场景是电商，用户从落地页开始，进一步完成了下单等操作，则成为转化。转化次数与落地成功打开次数的比率，则成为转化率（CVR, Conversion Rate）。
我们可以将收入r分解为点击率和点击价值的乘积，这两部分的乘积定量地表示了某次展示的eCPM（expected Cost per Mille，千次展示收益估计） 这也是计算广告中最常被提及、最关键的定量评估收益的指标。
按照上述广告展示后的行为分解，点击价值函数v()也可进一步分解为：到达率*转化率*客单价。
图片制作: 泰得
对于大多数广告来说，需要计算 (a,u,c) 三元组的eCPM, 以进行决策。
根据eCPM的分解，决定哪部分由谁来估计，是广告市场各种计费模式产生的根本原因，也是广告市场中 ，商业逻辑与产品架构衔接的重要一环。
计费模式我在《你知道快手、抖音怎么通过广告赚钱的吗？》一文中有讲述过 ，这里不再赘述。
我们只需了解有两大类计费模式：
由于数据利用和变现需求的推动，在线广告的发展经过了四个阶段。
1.合约广告产品，主要分为按时间段售卖的CPT广告和按约定展示量售卖的CPM广告，主要用于品牌类广告的投放。
2.竞价广告产品，最重要的形式是搜索广告，其产品形式是对搜索关键字的竞价。
此类广告拓展到站外展示广告流量时，就演化成了对页面关键字、用户标签竞价的产品形式 ，即ADN。
竞价广告主要服务于效果类广告。
3.程序化交易广告。程序化交易的核心是实时竞价、机器决策。其核心发展动力是市场中广告主数据和第三方数据的使用和变现需求，同时也催生了数据交易产业的发展。
4.原生广告产品。随着移动互联网的发展，如何处理广告和非广告内容的关系，让广告不那么招用户烦，于是看起来和页面内容更相似的“原生广告”产生了。原生广告同时也对技术提出了新要求：“原生”要求更精确的上下文数据标签信息。
从在线广告的发展阶段，我们可以看出，其产品策略的优化，主要包括以下三方面：
1.关注商业本身。广告产品作为商业产品（B端产品）的一类，其核心如何设计竞价机制、冷启动时的数据搜索、如何定义受众定向标签体系，都需要产品经理对商业模式的深入理解，并根据实际业务不断的实践、优化。
2.要特别关注数据。数据是互联网是血液，产品功能、策略的优化迭代，要严格遵守“从数据分析开始，以数据反馈为终的产品设计、研发、运营闭环”。
3.尽量为用户提供高效、便捷的UI，而不用追求华而不实的酷炫设计。
05、计算广告系统的主要技术在计算广告中，无论是产品还是策略，都与技术关系密切，因为这个市场本质是计算驱动的。
计算广告是个典型的大数据驱动的个性化系统，即根据个体的用户、上下文的信息，动态投送个性化内容的系统，其本质为离线的分布式计算平台与在线的流计算平台的结合。
计算广告系统的四个主要部分：
1.实时响应请求，完成决策的在线投放引擎(online serving engine)，主要功能包括：检索、排序、整体收益的全局优化。
主要模块包括：
广告投放机（ad server），主要任务是把各个功能模块串起来，完成在线广告投放决策。
其最重要的指标为每秒数(QPS, Query per Second)和广告决策延迟（latency）。
广告检索（ad retrieval），主要任务是在线时根据用户标签（user attribute）与页面标签（page attribute），从广告索引（ad index）中查找符合条件的广告候选。主要技术是倒排索引。
广告排序（ad ranking），用于在线高效地计算广告的eCPM,并进行排序。eCPM的计算主要依赖于点击率估计，这就需要通过离线计算得到CTR模型和特征（CTR model and feature），有时还需通过流计算得到实时点击率特征（real-time feature）。在需估算点击 价值的广告产品 （如按效果结算的DSP）中 ，还需一个点击价值估计模型。
收益管理（yield mgmt），主要任务是以全局收益最优为目的的前提下，将局部广告排序 结果进一步调整，如GD系统中的在线分配、DSP中的出价策略等。这部分一般都要用到离线计算好的某种分配计划，来完成 在线时的决策。
广告请求接口（ad request interface），本质上就是http请求，用于不同系统之间的数据通信。
定制化用户划分（customized audience segmentation），由于广告是媒体替换广告主完成用户接触，那么有时需根据广告主的逻辑来划分用户群。此模块的功能为从广告主处收集用户信息的产品接口，而收集到的数据如需较复杂的加工，也将经过数据高速公路(data highway)导入受众定向模块来完成。
2.离线的分布式计算(distributed computing)数据处理平台。
计算广告最具挑战的算法问题都集中在线数据处理的部分。
离散数据处理的输出目标有两个：
一是统计日志得到报表、仪表板等，供人进行决策时作参考。
二是利用数据挖掘、机器学习技术，进行受众定向、点击率预估、分配策略规划等，为在线的机器决策提供支持。
为了对大规模的数据进行分布式的处理加工，一般选择Hadoop这样的分布式存储和MapReduce计算框架。
离线数据处理的主要模块有：
用户会话日志（session log）生成。从各个渠道收集来的日志，需要先整理成以用户ID为key的统一存储格式，这样的日志成为用户会话日志。整理的目的是为了让后续的受众定向过程更加简单高效。
行为（behavior）定向。功能是完成挖掘用户日志，根据日志的行为给用户打上结构化标签（structureal lab base）中的某些标签，并将结果存储在用户标签的在线缓存中，供广告投放机使用。
这部分是计算广告的原材料加工厂，因此在整个系统中具有非常关键的地位。
上下文（context）定向。包括在线页面抓取和页面标签的缓存，这部分与行为定向互相配合，负责给上下文页面打上标签，用于在线的广告投放中。
点击率建模。功能是在分布式计算平台上训练得到点击率的模型参数和相应特征，加载到缓存中，供线上投放系统决策时使用。
分配规划。为在线的收益管理模块服务，它根据广告系统全局优化的具体需求，利用离线日志数据进行规划，得到适合线上执行的分配方案（allocation plan）。
商业智能（BI）系统。包括ETL（extract-transform-load）过程、仪表板和Cube。这些是所有以人为终端接口的数据处理和分析流程的总括。
它负担着对外信息交流的任务，需要运营者根据数据反馈，人为地对一些系统设置做及时调整。
广告管理系统。这部分是面向用户的产品。这里的用户是指广告操作者，即客户执行（Accout Execute，AE）与广告系统的接口。
AE通过广告管理系统定制和调整广告投放，并与数据仓库交互，获得投放统计数据以支持决策。
3.用于在线实时反馈的流计算(stream computing)平台。
在线数据处理基本可认为是离线数据处理的镜像功能，它是为了满足广告系统对实时数据反馈的要求，解决那些离线分布式计算平台无法快速响应的计算问题，常用流式管理平台作为基础设施。
在线数据处理的主要模块包括：
在线反作弊。实时判断流量来源中是否有作弊流量，并将其从后续的计价和统计中去掉。
计费。计费功能除了实时结算广告费用，还需要管理扣费，在扣除了作弊流量的基础上，对于扣费预算耗尽的广告，系统需通知广告索引系统将其下线。
在线行为反馈。包括实时受众定向和实时点击反馈。将短时内发生的用户行为和广告日志及时地加工成实时用户标签，以及实时的点击率模型特征。此部分对效果提升的意义重大。
实时索引。实时接受广告投放数据，建立倒排索引。
4.链接和运转以上三部分数据流的数据高速公路(data highway)。
上述四部分相互配合，完成系统的数据挖掘和在线决策。
首先，在线投放系统的日志接入数据高速公路（DH），通过其，将日志传送到离线数据处理平台（DC）和在线流计算平台(SC)。
之后，离线数据处理平台（DC）周期性地，以批处理方式加工过去一段时间的数据，得到分群标签和其他模型参数，并放入缓存中，供在线投放系统决策时使用。
与此同时，在线流计算平台(SC)则负责处理最近一小段时间的数据，得到准实时的用户标签和其他模型参数，也放入缓存，供在线系统决策时使用，这些是对离线处理结果的及时补充和调整。
从而，整个系统形成了闭环的决策流程，而这个闭环在搭建完成后，基本依靠机器运算来运转，人的作用只是进行策略上的调整和控制。
这样的闭环系统是有效全量利用大数据的关键。
需要强调的是，由于个性化需要的是对用户尽可能准确的理解，因此除去个性化系统本身的日志，一般都还会用到其他的业务线数据或采买的数据，这些数据都会进入数据高速通路（DH）以及后续的加工流程中。
因此在同一个企业中，我们需要在不同业务中尽可能的共享离线和在线的两个计算平台，以及所有的用户行为数据。
下面我们从算法优化和系统架构的角度，看看计算广告系统的主要技术。
从算法优化的角度看，主要技术有：
从系统架构方面看，主要技术有：
图片来源：豆瓣读书(侵删)
06、小结最后做一点总结，今天泰得和大家分享的内容主要有五部分：
广告的有效性原理。
其中，第一阶段“曝光”的有效性，对最终结果的影响，远高于其他技术性因素。
计算广告核心的价值，体现在利用受众定向、行为定向、上下文定向，持续优化第二阶段“关注”的有效性。
其他的阶段如“理解”、“接受”、“保持”、“决策”的有效性，主要取决于广告创意的内容本身。
互联网广告的核心问题，是如何 为一系列用户和上下文的组合，找到最合适的广告投放策略，以优化整体广告活动的利润，即计算出 (a,u,c) 三元函数的最优eCPM。
互联网广告的产品策略 核心有三点：
对商业模式的深入理解；
数据驱动、数据运营、数据决策；
用户体验的核心是快捷而非酷炫。
计算广告的核心系统，主要有实时响应并决策的在线投放引擎，分布式计算数据处理平台，以及在线实时反馈的流计算平台。
计算广告的主要技术中，个人认为最核心的是受众定向的用户、广告、上下文特征提取技术，以及兼顾投放量约束和投放时及时决策的在线分配技术。
上述就是泰得对互联网广告行业管中窥豹的一点粗浅认识，希望对大家有所帮助，欢迎大家私信指正讨论！
作者：B端产品日常
来源：B端产品日常
