隨著程序化購買規(guī)模的快速增長，DSP已經(jīng)從概念化階段發(fā)展成為具有規(guī)范化考核目標的市場標配產(chǎn)品服務。然而，目前的DSP市場魚龍混雜，在各家DSP都可以標準化對接流量交易平臺(Exchange)，進行廣告投放的情況下，算法和數(shù)據(jù)即成為DSP最核心的競爭力，它們從本質(zhì)上構(gòu)成了在相同資源約束下DSP達成更優(yōu)KPI的邏輯支撐點。

事實上，算法和數(shù)據(jù)是DSP看不到的底層結(jié)構(gòu)，它們的價值主要體現(xiàn)在三個方面：一是為廣告主精準識別和觸達用戶，二是需要對用戶的價值進行準確的預估，三是按其需求認知階段選擇好打動TA的營銷信息。解決了這三個問題，就能讓廣告預算進行合理分配，從而達到優(yōu)化廣告投放的效果。

算法和數(shù)據(jù)的場景應用

通常，DSP中算法和數(shù)據(jù)發(fā)揮效力主要體現(xiàn)在一下幾個場景：

首先，要在浩瀚的互聯(lián)網(wǎng)資源市場中找到目標用戶(TA)。以母嬰行業(yè)為例，營銷過程中有兩個難點待解決，一是用可信邏輯確認你找到的“母嬰”用戶的確是“母嬰”人群，二是“母嬰”人群在不同渠道不同媒介之間的統(tǒng)一識別能力。理想情況下，每個標簽人群集是DSP算法根據(jù)用戶的互聯(lián)網(wǎng)行為建立模型，然后通過可信Panel庫進行驗證迭代優(yōu)化模型的持續(xù)過程。所以DSP基于完整的用戶行為和可信panel庫，建立可信的需求判斷模型，是構(gòu)建“可信”標簽用戶關(guān)鍵點。

最實用的Panel庫就是客戶的第一方數(shù)據(jù)，包括線下會員信息或線上廣告投放的收集到的轉(zhuǎn)化信息(理論上客戶在各電商平臺的購買用戶群均應該為自身資產(chǎn))。例如，YOYI標簽體系中分為興趣標簽和購買意向兩種不同需求層級的受眾，對應地，我們會參考用戶在官網(wǎng)行為特征，判定出用戶的不同需求層級，以此作為建模檢驗標準之一。

同時，YOYI一方面接入了國內(nèi)市場上幾乎全部交易平臺和主流媒體的流量，大面積覆蓋用戶互聯(lián)網(wǎng)行為;另一方面，我們?nèi)诤嫌脩舻淖匀恍袨楹蛷V告行為，從用戶角度來分析，只要發(fā)生實際的瀏覽和點擊行為，就是用戶對信息感興趣的一種體現(xiàn)，并不嚴格區(qū)分信息是自然信息還是廣告信息。以上兩點讓YOYI能夠全面還原用戶的互聯(lián)網(wǎng)行為軌跡。

完整用戶行為軌跡保證模型可用特征完備、特征取值準確;豐富的第一方Panel數(shù)據(jù)，為模型訓練提供真實有效的訓練和驗證集合，這兩點共同保證了用戶判斷模型的有效性。實際操作中，根據(jù)用戶行為的所在場景、媒介、時間、頻次、瀏覽時長、搜索、點擊廣告、瀏覽廣告等所有行為進行特征分類和特征抽取，訓練用戶需求階段性行為模型，以進行標簽建模。這樣我們能對用戶的需求和需求層級做出更為準確的判斷。

同時，對目標用戶進行多渠道統(tǒng)一識別是技術(shù)需要解決的另一個問題，目前有機會大規(guī)模完成互聯(lián)網(wǎng)PC和移動端統(tǒng)一ID識別的只有同時擁有大體量移動和PC用戶的巨頭公司，讓DSP可以較容易地跨越這個問題。但是在國內(nèi)目前尚未有大體量的統(tǒng)一跨屏ID標準化服務，所以需要DSP構(gòu)建自己的多屏統(tǒng)一ID體系。YOYI的做法是自己構(gòu)建跨屏用戶識別算法，再以市場上比較標準的第三方跨屏ID作為訓練集進行優(yōu)化驗證。例如，同一個人在PC和移動上，wifi接入、地理位置、行為軌跡、觸媒習慣都會有一些相似性，這些是構(gòu)建統(tǒng)一ID算法的基礎(chǔ)。大規(guī)模數(shù)據(jù)的機器學習算法和人工規(guī)則結(jié)合起來，可以從很多維度去解構(gòu)數(shù)據(jù)和認識數(shù)據(jù)，從而解決規(guī)律不明顯和行為不連貫的問題。對用戶在PC、移動、以及PC和移動的交叉維度進行特征抽取和建模，訓練出統(tǒng)一ID模型，以標準第三方的跨屏ID作為評測標準，準確率達到了可用的程度。

其次，要分析目標用戶的價值強弱，并不是每個絕對準確的“母嬰”人群在每個場景下遇到時都“正好”急于購買奶粉。用戶級別的轉(zhuǎn)化率預估和點擊率預估問題，是效果廣告的關(guān)鍵問題。預估特定廣告在特定位置特定用戶下的點擊率和轉(zhuǎn)化率是一個典型的大規(guī)模數(shù)據(jù)的機器學習問題。我們構(gòu)建了用戶特征體系、廣告反饋特征體系、流量特征體系，以及各個維度的交叉特征體系，用經(jīng)典LR作為預估模型，GBDT作為高維特征抽取模型，進行了點擊率預估和轉(zhuǎn)化率預估，離線評測和在線效果都有不錯的表現(xiàn)。預估了點擊率和轉(zhuǎn)化率以后，根據(jù)營銷目標，我們就可以就行KPI為導向的CPM計算了。以汽車Leads為例，Ecpm=CPA*轉(zhuǎn)化率，根據(jù)不同用戶和不同流量進行CPM的出價，以達到在有限預算內(nèi)，效果最好。

此外，還有一個常常被忽略但至關(guān)重要的策略是防作弊能力，如何對輸入模型的數(shù)據(jù)進行有效性識別，排除虛假流量、點擊，甚至轉(zhuǎn)化，是需要單獨文章專門展開的一個核心課題，這里先做記錄，以提示其重要性。進行數(shù)據(jù)提純后的轉(zhuǎn)化率至關(guān)重要，一方面是投放中進行廣告篩選排序的重要因子，決定了給用戶在當前場景下看到的最相關(guān)廣告是哪個，另一方面，在廣告主授權(quán)情況下，算法可以針對目標用戶進行自動競價，以保證適當范圍跳出CPA的出價限制去追蹤核心用戶群，避免被競爭對手“搶去”展現(xiàn)機會。

最后，找到了人，知道了TA所在場景下的關(guān)注點及對應的需求階段，就要考慮用合適的溝通方式去打動TA。目前受限于目前廣告主創(chuàng)意的豐富度、制作能力和媒體審核周期的限制，我們在智能創(chuàng)意上的算法應用還在發(fā)展初期，創(chuàng)意組合效用的爆發(fā)還有很大空間。不過已經(jīng)看到市場上已經(jīng)有一些第三方創(chuàng)意公司在這個方向上努力推進，一場互聯(lián)網(wǎng)廣告的創(chuàng)意革命指日可待。

算法和數(shù)據(jù)的行業(yè)定制化應用

以汽車行業(yè)的算法和數(shù)據(jù)應用為例，來說明下通用算法和數(shù)據(jù)框架需要通過行業(yè)定制化優(yōu)化才可以發(fā)揮最佳效力。在汽車實際廣告投放中，我們發(fā)現(xiàn)一個有趣的現(xiàn)象：用戶汽車相關(guān)行為的時間維度是對最后銷售Leads非常有用的一個特征。我們分析，有些汽車愛好人群，雖然長期關(guān)注汽車論壇或者瀏覽汽車知識，但是他們短期內(nèi)沒有購車需求，所以對于銷售Leads并沒有太多作用。但是對于短期內(nèi)有購車需求的人，他們的行為時效性會非常明顯。所以我們在通用模型基礎(chǔ)上對重點行業(yè)的建模因子進行了差異化處理，讓一些行業(yè)中特定的顯性特征在用戶需求識別中發(fā)揮獨特效力，成為滿足廣告主不同營銷目標的有效武器。

總結(jié)下，DSP中算法和數(shù)據(jù)核心應用就三個方面，一個對用戶各種興趣不同階段的識別，一個對用戶在不同媒介場景下價值的判定，一個是對用戶展示有效信息的選擇。圍繞這些問題，用戶興趣和效果價值算法體系構(gòu)成了YOYI的核心算法體系，在實踐中不斷改善，幫助廣告主完成營銷目標。[!--empirenews.page--]