博客首页|TW首页| 同事录|业界社区

多Campaign的PDB是很多大集团的广告主的宏大理想,但是之前也多次强调由于其涉及面众多,且复杂度巨大,例如:预算、排期、职责分工等等。所以目前市面上仅有少数几个大型的国际集团广告主客户有实际的案例,而且整体的案例规模超过十几亿的预算规模的管理。大体的执行流程如下图所示。

PDB执行流程示意图

1.优化机制

PDB的优化一切都是由程序算法自动计算完成的。通过智能预测模型,多维度优化、智能优化。如下图所示,基本的优化流程逻辑如下:

1) 用户访问广告主采买包段的广告位,PDB系统会收到多维度用户行为及广告位信息;

2) PDB系统将这些数据积累训练模型,并根据前期测试,智能学习多维度如何影响广告点击及各种效果指标;

3) 然后PDB系统根据训练模型,选取能取得最佳广告效果的品牌及创意物料返回;

4) 收集广告展示后的相关数据也一并积累训练模型。

就这样不断地循环持续闭环优化。

PDB优化逻辑示意图

2.主要算法逻辑

如下图所示的PDB大体的判断流程示意,大家会比较关心主要的PDB算法逻辑:根据用户行为属性及人群匹配不同产品广告。

PDB大体判断流程示意图

(一)千人千面:

如下图所示的PDB对各种各样的人群,在广告主自采的广告位上,依据不同人群的特点为其推动各品牌各产品的广告。这是PDB十分重要的千人千面的特性。

PDB千人千面特性示意图

(二)多种指标综合智能决策:

PDB会按照多种运算逻辑进行智能算法判别,以整体效果最优为目标,来选取投放哪个产品的广告。例如:

a) 点击率高的物料优先投放

b) 曝光次数少的物料优先投放

c) 项目剩余预算大的物料优先投放

d) KPI达成概率高的物料优先投放

等等,其实指标项不仅限于以上的这些指标,实际业务中的指标项很多很多,而且这些指标项都需要综合考量,平衡处理。这正是PDB有意思的地方。(按实际执行的经验、预算是优先级较高的一个因素。)

(三)无法识别用户标签的处理机制:

在对于无法识别用户标签,PDB算法的处理机制如下:

1) 先按照域名、地域、时段、人群标签等推测相似性规则模型,自动匹配投放物料。

2) 若未匹配到相似性,再以随机方式曝光各款物料(当然遵守预算等等约束限制)。

3.多campaign PDB案例

下面选取几个典型的实际案例为大家展示一些PDB是如何优化广告效果的,帮助大家建立一些感性认识。

某国际知名汽车集团

l 项目背景:某大型汽车广告主自采的数亿广告资源流量,由PDB进行整合优化,提升广告投放效率。

l 优化目标:CPUV、CPL等

l 优化时间:2014-2016

l 广告主自采年约媒体投放项目的固定位优化:

a) CPD方式媒体采买

b) 流量全部使用,无退回

c) 多Campaign同在一个CPD媒体池中投放优化(流量共用)

l  执行效果:主要优化各Campaign KPI:

ü CPUV下降

通过PDB的优化:各Campaign投放的CPUV,均远低于相关点位前一年同期及当年同期CPUV。

ü CPL下降

在媒体广告位CPM涨幅高达3倍的情况下,通过PDB优化将CPL降低30%。

新品上市用户每天第一眼轰炸

如下图所示,PDB对接该集团的年约广告资源,为新品上市推广配备最优的资源组合。让新品广告成为用户每天第一个看到。在所有采购的媒体资源中,用户每天看到的第一个广告均为该新品广告。

新品上市用户每天第一眼轰炸机制示意图

l 用户每天第一眼的价值:

a) 更容易注意到广告内容:用户眼睛不疲劳、注意力未定型

b) 点击行为更活跃:用户打开页面较少、浏览时间较富余

c) 印象更深刻:比竞争产品更早根植于用户记忆

d) 尤其适合新品上市推广:激发用户好奇心及兴趣,提升广告效果

l  项目实际执行情况:

新品价格公布后,立即启动用户“每天第一眼”单品轰炸计划,快速高效地影响大规模人群。投放节奏如下图所示。

新品上市的特殊投放节奏示例图

“每天第一眼”投放优化在常规PDB优化40%+的基础上更进一步优化,效果对比如下二图所示。

新品上市特殊投放CPL表现优于常规PDB投放示例图

新品上市特殊投放CPUV表现优于常规PDB投放示例图

最终的销售拉动成绩是:自新品宣布价格后的销售10天,新品销量激增(所属品线销量同比增长77.1%),有效刺激新品销量快速提升。

4.注意事项及挑战

其实固定位PDB不论从广告主甲方内部推动阻力,及项目执行难度,算法难度都很大。所以导致目前业内广告主大规模,对大部分固定位数字预算都通过PDB来管理的案例还是很少,有的都是一些少量点位的尝试。固定位PDB最复杂的点在于各媒体的流量是波动的,而CPD采买的总价是固定的,这就意味着各媒体点位每日CPM单价是波动的。而如何在波动的流量及CPM单价的前提下,做好多Campaign的预算控制和进度控制是首要挑战。可见也肯定不能仅仅简单地通过Campaign曝光数进度来控制投放节奏了。这种复杂度已经非常的高了,另外加上还要通过算法来完成千人千面,根据不同Campaign的KPI来执行不同Campaign的投放策略。同时由于CPD是不能退量的,项目执行投放设置及算法上都需要考虑打底的问题,以及打底同各Campaign预算及KPI的处理技巧。如果简单粗暴地把所有Campaign挑剩的流量给那个预算最多的Campaign,这样对预算最多的Campaign是很不公平的,所以适当的需要通过平衡,将部分“大家挑剩”的流量均分到那些KPI完成的较好的Campaign。当然这些整体平衡的策略及规则,都需要PDB执行方同广告主客户方一起来制定。也许有的广告主会需要KPI完成的好的Campaign希望更好,差的Campaign可以更差,这样至少能保住明星产品的营销。等等诸如此类的问题及挑战在固定位PDB的项目中太多了,这里仅仅让大家通过几个关键点,认识到PDB同DSP+RTB的巨大差异。

(转载请注明出处:微信订阅号:ad_automation)

本系列文章部分摘自作者新书《程序化广告实战》,网上文章较零散,可参考书籍系统学习,各大电商网站(如:《程序化广告实战》(吴俊)【摘要 书评 试读】- 京东图书)均有售。

近期活动通知(点击链接报名):

12月2日14点绝版流水课通知:“PDB三”–亿级多Campaign PDB+移动设备ID专题


上一篇: PDB执行流程及PDB+RTB【业务类】
下一篇:邀请函:1月6日答谢宴盛情邀请

评论

Good.Be the first to comment on this entry.

发表评论