運營商數據在DSP廣告中的使用方法

2022-06-14 分類：網站建設

創新互聯為你提供DSP廣告最新資訊：運營商數據在DSP廣告中的使用方法。

現在業界正在熱烈討論運營商如何去電信化、避免淪為管道商。運營商通過數據挖掘來開展增值業務的實踐也早已開始。不過現在情況有了新的發展，美國的電信運營商的步子邁得更大了。據華爾街日報報道，國外運營商開始將自己手握的海量用戶數據變現，將用戶的位置、旅行、上網流量**慣等信息出售給包括廣告公司在內的第三方。

那么在國內運營商數據如何使用才能發揮大價值呢?本篇文章會介紹到

1.實時競價算法(RTB)與Ad Exchange/DSP知識簡介
2.DSP中的實時競價算法的主要功能及關鍵問題
3.運營商數據如何在算法各個環節上使用形成閉環的機器學習

一、實時競價算法(RTB)與Ad Exchange/DSP知識簡介

首先簡單介紹下實時競價的應用典型場景：

實時競價會發生在Ad Exchange、SSP、DSP這些參與媒體流量售賣與購買的各個系統上(現在一個更廣泛的概念叫做程序化購買/售賣)，本次交流主要關注在DSP側的實時競價的主要問題及我們的解決方法。

DSP的最簡模型如上圖所描述。簡單的說就是根據廣告主的用戶定向條件通過實時競價的形式完成交易。

接下來就參考文獻和個人的理解，對目前DSP市場發展的現狀分析：DSP作為一個產品形態，出現在中國已經近3、4年的時間了。隨著大數據的火熱，有數據資源的公司都開始想著數據變現的方法或者說商業模式，而基于RTB的廣告是互聯網數據變現的最直接有效的途徑。目前國內的DSP廠商應該也在百家左右(也有大于50家的說法)，可是真正有規模有口碑的DSP依然是屈指可數。中等規模的DSP局限于自己的客戶規模，目前也發展遇到了不可避免的瓶頸期。下圖是目前國內程序化廣告技術生態圖。

DSP在這個市場中的占比也會不斷的提高，這是市場趨勢和技術進步的不可逆轉的方向。谷歌，淘寶，百度，騰訊都擁有自己的AdExchange和DSP，雖然目前的AdExchange和DSP真正盈利的并不多，但大家都沒有放棄這個市場反而大張旗鼓的挺進這個市場，正是因為大家都看到了這個趨勢。基于RTB的程序化購買和售賣已經浸入到媒體(Private/Public SSP)、交易平臺(AdExchange)、廣告主(Private/Public DSP)三個主體之中。同時也促進了第三方檢測技術的廠商，如秒針和AdMaster等。

二、DSP中的實時競價算法的主要功能及關鍵問題

DSP是對廣告主的需求負責的系統，他的基本功能包括：人群/媒體/地域/時間等定向，曝光頻次控制，價格優化，預算控制等等，最終目標是完成廣告主的目標，包括：曝光，點擊，注冊，收藏，訂單等等。通常的用戶定向描述如下圖所示：

一個廣告主入駐DSP需要銷售合同的簽訂，運營策略的制定和實施，運營數據的支持與分析，運營日/周報，運營結項報告等等運營支持，當然背后也需要產品技術的響應支持與改造。下面創新互聯分享一下我們團隊對DSP系統的思維導圖：

上述思維導圖可能看不清楚，將算法系統放大如下：

基于上述思維導圖，形成我們的算法整體架構，方便大家理解算法整體架構簡單描述如下：

算法整體由四大部分構成：在線投放模塊、算法平臺、算法評估與可視化、數據收集模塊。在線投放模塊負責在線投放、算法與策略實施，并給每次投放打上算法標簽方便跟蹤分析。算法平臺完成模型訓練與離線評估優化，基于Hadoop Spark MLLib技術及自有算法包開發，模型以PMML標準語言描述，方便與在線投放模塊交互。數據收集模塊負責投放與效果收集。算法評估根據算法標簽及數據收集，利用典型指標進行可視化評估。

上面介紹4個基本模塊的功能，下面介紹下關鍵模塊的架構方法。在線投放模塊基本架構采用分層模塊化的方式，將競價流程按照漏斗模型分成幾個典型層次，對流量進行逐步篩選，每層的算法模塊可以做到熱插拔和并行分流。算法平臺的基本架構如下：

多算法組合示意圖如下：

數據適配器，用來適應多變的業務數據。通過相對通用的算法包，結合適配器，適應多種形式的數據源與算法業務需求。通過前面提到的適應熱插拔和多算法并行的投放系統做到多算法并行投放。并結合算法評估和可視化系統做到多算法評估。多算法組合與評估，主要的評估手段為典型指標可視化支持下的A/B測試。

數據的閉環控制和自優化及適當的特殊廣告主的策略支持架構是算法架構的另一個關鍵問題，需要做到平臺整體優化與廣告主優化的有機結合才能滿足廣告主千變萬化的需求指標。隨著市場的成熟，廣告主越來越不滿足于初期的曝光和點擊，更多的關注進站后的有效行為。

如何做好DSP的算法是從本質上提升DSP效果的技術手段，也是困擾DSP廠商的核心技術問題。如何利用數據進行算法優化。就是利用這些數據處理協調好用戶、媒體、廣告三者的關系。在合適的環境給合適的人以合適的價格投放合適的廣告。

要解決DSP的效果問題就需要對上面提到的三個關鍵因素及其相關關系進行徹底的分析和基于機器學習(數據自循環)的使用。

(1) 用戶的分析：用戶的人口統計學屬性、興趣愛好、消費偏好;廣告主站內行為分析;廣告偏好(如是否點擊)等。

(2) 媒體的分析：廣告位信息、內容(特別是頁面關鍵詞)、分類

(3) 廣告的分析：廣告主分類，廣告活動分類，廣告目標，創意類型

(4) 環境的分析：地域、時間、瀏覽器、設備、操作系統

上述四個方面及典型特征僅僅是舉例，不是所有。基于算上述四個方面特征的分析及相互的關聯關系分析可以幫助大家更全面的分析流量特性及價值，有利于在DSP購買過程中進行決策。

目前我們實現的算法模塊及方法供大家參考：

點擊率預測：(1)+(2)+(4)+(3) 核心算法：統計/邏輯回歸/其它

競價價格預測：(2)+(4):統計/對數正態分布/其它

基于目標的效果預測：(1)+(3)+(4)+(2):稀疏事件/類目/統計

三、運營商數據如何在算法各個環節上使用形成閉環的機器學習

1、運營商數據的優缺點

運營商發展大數據具有其他行業無可比擬的優勢，主要體現在：

1)運營商掌握數據全面充足。電信的領域之中，數以億計的通信用戶基數保證了數據的海量和多元性;

2)數據提供的可持續性。通信網絡的時時存在為數據的持續和速度提供了保證;

3)運營商對數據可以有效利用。運營商可以通過對海量數據的有效分析，更加精準、更加高效地把握用戶需求，為廣大用戶和社會各界提供他們需要的產品和服務。

運營商數據也有其缺點:

1)數據地域不同格式和字段差異

2)敏感信息風險

3)處理分析的難度較高

2、運營商數據在DSP算法上的應用

運營商數據可以有效給DSP算法提供人群標簽信息(這個在周一的介紹中已經詳細闡述，在此不再詳細闡述)，可以對DSP的投放效果進行收集和分析，從而建立有效的機器學習機制，有利于算法不斷優化。目前我們已經形成了運營商數據利用的方法論，跟大家分享如下：

運營商作為數據的管道，用戶的行為數據均可以在其中采集和利用，如何有效的利用并閉環到DSP算法中，形成機器學習鏈路是DSP算法利用運營商數據必須解決的問題。經過DMP團隊與DSP團隊的緊密合作，在投放時植入投放特征代碼，在分析數據時根據特征代碼進行分析，結合統一用戶識別技術，可是分析出用戶經投放引領進站前、后的行為及動作，對投放的效果進行分析，并對投放人群進行優化，整體提高投放效果。

本文題目：運營商數據在DSP廣告中的使用方法
文章起源：http://m.newbst.com/news31/167231.html

成都網站建設公司_創新互聯，為您提供品牌網站建設、網站策劃、面包屑導航、動態網站、網站導航、定制開發