博客首页|TW首页| 同事录|业界社区
2017-09-22

2017年9月16日(下午)3点至6点,在机械工业出版社十层举办了大数据程序化广告一线实战分享会暨《程序化广告实战》新书发布会,活动邀请了4位营销专家到现场分享——

刘勇军,小米商业化广告平台 运营总监

分享主题:程序化广告中媒体的思考

一线广告投放运营经验极为丰富的操盘手,此处不便于透露真实姓名。

分享主题:千万级程序化广告投放优化实战经验分享

管延放,德勤管理公司合伙人

分享主题:大数据的核心实战要点分享

吴俊《程序化广告实战》作者

分享主题:程序化行业现状、IAB对程序化广告的相关规范、行业各方的利益诉求、大数据实战常见坑及对策

另外我们还特邀了微博广告交易平台负责人吴歆等嘉宾参加互动环节:“程序化广告行业的泪与火”,讨论精彩纷呈,同学们的问题非常犀利,而嘉宾的回答放出重磅炸弹内容。

我们把嘉宾分享的内容整理出来,分为4篇分享给没有来现场参加活动的同学,第一篇:来自刘勇军的分享《程序化广告中媒体的思考》,以下为正文:

我叫刘勇军,过去十几年一直在做广告,目前在小米负责整个商业化的运营。因为大家都对程序化、竞价广告业务都非常关心。所以,我从一个媒体的角度给大家分享一下媒体这个角色对程序化、竞价广告这件事情怎么看。

这张图应该大家看的比较多,这是在整个竞价广告这个市场当中,或者说程序化广告市场当中很多公司的一些角色:很多是DSP,也有做广告交易市场服务的,做监测服务的等等角色。小米其实在这里头算是一个媒体方的角色,因为我们更多是把自己的流量售卖给ADX或DSP,或者通过DSP后卖给最终的广告主,我们是一个这样的角色。

基于这个,我会再给大家分享一些我们看到的一些情况。相信这张图大家也不太陌生,就是在2015年的时候,很多机构都在讲,我能做程序化,我有多少流量,我有什么样的特点等等。到2016年所有人都讲自己有大数据,无论谁的数据都是叫大数据。到2017年很多人又在讲AI,说所有的东西都是人工智能。我其实不喜欢这样的时代,为什么呢?我其实特别怀念七八年前,甚至十年前,因为在那个时候大家百花齐放。那个时候四大门户也好,五大门户也好,都活的很好,大家都在做自己的事情,那时候类似于网易这样的公司在做游戏,游戏公司当年市场上有一大批,阿里那个时候还在专注于做电商,京东也在做电商,百度、360还在做搜索等等。市值过几十亿的公司有一大批。

但是,随着这个市场的发展,我们发现大家都殊途同归,所有人做的事情现在都一样了。我经常和一些行业的朋友讨论说,现在你们怎么界定淘宝,怎么界定京东,它本质是什么?我觉得它的本质现在其实是广告公司。淘宝现在的核心不是电商了,电商只是后续为了广告变现,在做的一个过程和场景而已,现在核心淘宝最大的收入来源全部都是通过广告主,整个阿里集团加起来,应该已经算是中国第一大的广告公司,去年的广告营收大概是700多亿。

京东也一样,你会发现其实现在京东也是一个广告公司,因为它的核心也是在通过不同的模式的广告,让大家达成交易。

当然这里也包括像我们这样的企业,小米、华为、OPPO、VIVO,大家以前都是纯粹做硬件,这几年大家也涉足了广告这个市场,甚至在广告这个市场当中拿到的份额都还不小,今年厂商加起来应该是200多亿-300亿的市场,其实也很大了。另外,所有的人做广告做到最后都在做信息流,过去大家可能做搜索,做展示广告,都还做的不错,但是所有人做到最后,都做信息流了,包括现在淘宝从上而下拉下来的广告。所以,到最后大家首先把很多业务都做向了广告业务,广告业务又有很多人都聚焦在了信息流业务这个上面,我觉得这个时代到来了,大家好像没有再琢磨,再做创新了,而是所有的人都把眼睛盯在一起了,这是我觉得这个时代不好的原因之一。

另外,我觉得很多公司也太会借势了,去年出来大数据以后,很多公司都说自己是大数据,我首先不讨论它是否真的有没有大数据。但是,我觉得大数据这个词已经被用的泛滥了。第二是大数据真的能给你带来大效果吗?我觉得这个未必。大家可以看看最近有一些观点,在大数据底下的归因分析做的好给你带来的结果一定是你的生意能做得好,我觉得未必。

当然,去年开始,陆续有些公司在讲AI人工智能,包括我以前的公司百度,我也很害怕AI这个词,因为动不动就AI,听起来所有人做的事情都一模一样。

因为大家对整个广告市场的情况比较了解,接下来简单说一下,我们在做广告的过程当中,我作为一个媒体方广告业务的运营负责人,我在管理我们的资源、定价收入,我怎么样通过有限的流量能够卖出更多的钱,这是我的KPI。过去有很多人会说,最简单的办法就是卖CPT,按天卖,按天卖一定是最高效果吗?其实不一定。所以,接下来有很多人开始说,视频网站是按照CPM卖的,我们拆成M以后收益也不一定是最大的。但我觉得这个过程当中,程序化广告要发挥很大的作用,这里当然要感谢吴俊老师率先提出了PDB和PD这样的概念,所以他也在不遗余力的为程序化广告的推广做了很多教育市场,传播的工作。

接下来讲一下RTB这个市场,RTB这个市场我们能看到的是几种情况,因为有的媒体自己也有自动化的投放系统,比如说小米、头条、UC等等都有自己的自动化投放系统。所以流量肯定两边同时给,就是流量会同时发给外部的DSP和自己的广告系统。当然,很多人也会关心说,自己有一套,外面有一套,定价是否会客观和公平,这个我不敢说每家都会很客观、公平,但是至少我觉得几家大厂还是比较公平,就是只要你在DSP上面出的价格是超过了我自己的这套自助系统的价格,展现的时候我肯定会把这个让给你。当然,某些小一点的媒体,我也没法做保证,因为我也不清楚它是不是一定没有做任何处理,就直接拿出来排序。

另外,程序化广告其实国内还是要比国外发展的慢一点,或者差一点。这个过程当中,最核心的问题我觉得还是信任带来的,其中信任是分为两个层面,一个是客户的信任,另外一个是媒体的信任。其实这两个信任还原到最后其实是一件事情,“就是我不太相信这个DSP是不是真的把我的广告投到了我想投的,或者有效的人群面前”。

甲方的信任,如果你是某商家通过DSP的系统投广告,DSP服务商告诉你通过DSP投可能有很多很多的流量。但是,你经常会发现一个问题,她说她有头条的资源,有小米的资源,有UC的资源,但我却看不到。因为现在确确实实发展的流量比较大,但是大流量底下,要保证自己刷到广告,其实是比较难的,不一定完全能实现这个过程,或者说目的,如果甲方强烈要求我的广告一定要在某时某刻出在某个媒体上,最可靠的方式还是买CPT和CPM。

你的广告究竟展示在哪里了?有的时候我会说,展示在了某某信息流里面。但事实上我看到一些广告信息是,在新闻当中有多张图片,刷到最后一张广告还给好几张轮播,但是有CPM吗?肯定有,但是有效吗?我不敢保证,因为这个广告曝光是不是真的能帮你形成转化,我会对它存有一定的疑虑。

另外,媒体的信任就是我会担心这个DSP跟我对接以后,他是不是把大量广告费用都给了我这个媒体。这是我作为媒体非常想知道的。DSP也是公司,公司的目的是以盈利为目的,不排除的是,客户出了十块钱,最后竞价给我的时候只出了八块,赚取一些利润,我觉得这个是合理的。它的利润我是支持的,我只是担心它会不会跟我讲80%的广告费都给我媒体,但是事实上它只把20%的预算给了我媒体。

另外一个我们经常会考虑的问题就是说,因为DSP跟我合作,我首先要想到的是他跟我合作,我希望对我的生意是加权,而不是降权,加权的意思是,至少我能做一千万,你给我投了以后,至少能做1200万,或者1800万,就是给我的流量带来溢价的增加。我经常发现市面上十个DSP告诉客户说的,基本上有八个是如何的:我也在做苏宁,我也在做京东,我也在做谁谁谁,听完以后,他的TOP前几名的客户都一样。

所以,这里我作为媒体方的时候我会反思,所有的DSP都是跟这个客户关系最好,预算都是她的,我们会想,这是不是我原有的客户,如果这个预算本身就能从我的这里面完成合作,我为什么还要再跟更多的DSP方去合作。因为我的合作且不说收入是不是增加,哪怕一分钱不涨,但是在这个过程当中流量折损多少对我来说也是成本。所以,我更希望和我们的客户结构有差异化的这种需求方,或者说DSP去合作。为什么呢?举个例子来说,小米现在流量当中,可能有大半的广告主是来自于APP分发的,如果说DSP你来告诉我说,广告基本上全是H5或在线交易类,我觉得我的客户是互补的,我可能会更优先对接,因为我觉得你可能会丰富我的客户结构,因为我的流量很大,很大难免有一些人不愿意下载APP。但是,如果同样来了三四家,所有客户都非常重合,我们会反思我们要不要这样去做,或者客户既然这么组合,我就只接其中一家用户,没有必要接四五家,接完了以后,也许有一些DSP跟我谈的时候,我聊完一圈发现,原来他背后套的一个DSP,那个DSP背后可能又套一个,我就没必要跟前面这个接了,直接和最后一个接就可以了,这样也少了对接成本。

因为干货太多,我们把勇军老师的分享分为上下篇,此为上篇,(下篇点我)。

(转载请注明出处:微信订阅号:ad_automation)

本系列文章摘自作者刚出版的新书《程序化广告实战》,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。

文字表现力有限,欢迎参加《10月14日“PDB一”专题【线下大课堂】》面对面为您答疑解惑讲透您关心的问题。现场福利:可以为您的新书定制个性的签名题词。

近期活动通知(直接点击链接报名参加):

923一线实战经验分享-暨《程序化广告实战》新书发布会通知(上海站)

通知:10月21号大数据程序化广告一线实战分享会(广州站)

通知:10月14日“PDB一”专题【北京流水课绝版】

2017-09-18

程序化广告随着这几年的高速发展,分工越来越细致,参与其中的玩家也越来越多。下面我们将介绍程序化广告购买这个生态圈中的各种角色,以及每个角色国内的典型代表。我们主要从流量卖方、广告交易平台、程序化买方、监测方、数据方这几个大的环节来进行展开。(围绕程序化广告交易,程序化广告流量的卖方、买方是交易的两个关键方,广告交易平台是重要的交易场所。而第三方监测方是广告主同广告投放方结算的重要依据方,是交易中的重要环节。还有就是在上节中介绍程序化定义时已强调过的“大数据是程序化广告的重要核心”,数据方也是程序化广告中必不可少的环节。)

1. 流量卖方

流量卖方(简称:流量方)即广告流量的卖方(SSP主要是指的给流量卖方使用(接入)的平台,英文Sell Side Platform或Supply-Side Platform的首字母缩写。(第6章中我们将会为大家详细介绍SSP的主要功能。)),常见的卖方类型包括:

l 首先是单一媒体,自己手握流量的:典型代表例如:传统门户网站;大的垂直媒体;视频类媒体等等;

l 然后就是流量的聚合方:中小流量的聚合方,典型代表例如:baidu联盟、google联盟等等。

流量卖方是程序化广告生态上下游中十分重要的一方,若没有卖方,没有广告流量,根本无法开展广告买卖交易,更无法进行程序化交易业务模式的升级及优化。所以卖方是程序化广告中十分重要的环节。而且随着时间的发展,交易模式的创新始终需要围绕可供售卖的资源及类型而展开,卖方的诉求对程序化广告交易中的售卖模式有决定性的影响力。例如:有的时候流量卖方希望能将更多的剩余广告库存变现售卖,这是卖方就会积极开放并主动对接买方,期望接入更多买家;有的时候卖方希望能提升广告售卖的利润,这时卖方可能会期望接入一些更有购买力的买家;而有的时候流量卖方会出于自身品牌及形象建设的考虑会期望接入更多高大上的买家,这是卖方就会接入那些高大上的买家为主。诸如此类的场景还有很多,我们就不再一一展开,所以由此可见流量卖方在程序化广告中的位置极其重要。

2. 广告交易平台

如前所述程序化广告交易中广告交易平台(ADX(Ad Exchange))是衔接流量卖方、买方的重要交易场所,上节在介绍RTB交易模式中已经介绍了ADX的主要成因,此处不在赘述。目前市面上的广告交易平台有很多,典型代表例如:以baidu、google、TANX(阿里的ADX)为代表的公共综合类的ADX(PC、移动、视频资源均有);门户及视频媒体自有的ADX(PC、移动、视频资源均有);纯移动类的adview、inmobi等等的ADX。我们也会在第6章中为大家详细展开介绍。

广告交易平台是程序化广告交易得以进行的重要交易场所,所以如果没有广告交易平台,则无法进行程序化广告交易。可见广告交易平台在程序化广告中的特殊地位。很多时候她起到了润滑剂。连接卖方及买方双方,充分撮合买卖双方需求。创新变革、减小信息不对称的十分关键的中间环节的角色。

3. 程序化买方

从程序化买方角度看首先是程序化买家DSP,即Demand-Side Platform需求方平台:

上节中已将RTB整体流程剖析过了,这里简单介绍一下目前常见的DSP,主要有几类:独立DSP、依附于流量方(媒体、ADX、Adnetwork)的DSP、独有DMP数据的DSP。

l 独立的DSP:独立DSP因不拥有资源,只有不断地给广告主证明“程序化购买”这个持续优化工具本身的效率才是立足之本。有点像炒股软件。所以他们对流量程序化购买上是一个相对公立的立场。典型代表例如:品友互动、舜飞、壁合等等。

l 依附于流量(媒体、ADX、Adnetwork)的DSP,这类因对流量资源的特点,在市场上有一定的竞争力,但当广告主想对多种媒体流量资源做跨媒体联合频控时,就会有点困难。典型代表例如:腾讯的智汇推、sina的扶翼、google的DBM(DoubleClick Bid Manager的缩写)等等。

l 独有DMP数据的DSP,这些公司流量上相对公立,并将独有的数据为广告主创造价值才是核心动力。典型代表例如:银联智惠握有POS交易数据结合DSP变现、掌慧纵盈握有线下大交通等场景数据DSP变现。

还有一种典型的程序化买方的模式就是程序化交易台(TradingDesk):随着分工不断精细化及专业化,刚刚就已经讲了一堆堆的角色了,大大增加了程序化广告下单执行及监控数据的复杂度,广告主及代理公司希望能一站式操控。就出现了程序化购买下单执行的一站式交易台:Trading Desk。典型代表例如:宏盟集团的Accuen、WPP集团的Xaxis、安吉斯集团的amnet、阳狮集团的AOD、IPG集团的CADREON、昌荣集团的ATD等等。

程序化买方是程序化广告交易中的买方角色。在整个程序化行业发展进程中买方往往表现为主要推动力的一方。程序化买方作为广告主的精准营销的工具,同广告主是利益一致。一方面她代表着大型头部广告主的利益诉求。头部广告主通过程序化买家运用预算及行业中的影响力,对广告交易平台及流量卖方开展持续不断地谈判及合作,推动着程序化广告的升级及各种模式变化创新。另一方面对于中小广告主市场,程序化买家也发挥着市场教育,启动增量市场及创新模式的作用。

4. 第三方监测

一般广告主的广告投放不太可能以广告投放方的数据作为依据进行结算的,这样自然就需要一个相对独立的第三方的监测数据分析方来提供结算依据参考。此类服务在国内行业内常见的类型有:

l 国内市场份额较大的第三方监测公司,典型代表例如:秒针、admaster等等;

l 新兴的广告环境验证公司,主要通过技术手段监测广告曝光时的媒体内容页的品牌安全环境、广告可见性等;目前因技术成熟度、网络环境等等问题,还不是很稳定,且大部分只能监测PC上的部分媒体环境;

l 在线网站分析工具有:baidu统计、googleGA等等;

l 专注移动监测的公司:talkingdata、友盟等等。

此处就不在对注意各类型的特点及注意事项进行展开,我们也会在第4章中为大家展开介绍。

第三方监测一直在数字营销领域扮演着裁判员的角色,帮助广告主对流量卖方及程序化买家这些运动员起到监督的作用。然而随着程序化广告的高速发展,第三方监测也需要不断跟随行业的发展,也不断升级并更新监测技术及方法。才能更好的起到裁判员的作用。

5. 数据方

在我们发现“程序化广告”的工具属性后,就自然会意识到数据的重要性,只有有效的数据才能帮助我们精准的触达目标受众,才能及时根据数据反馈调整我们的营销计划。

一般从广告主甲方的角度看,我们会将数据分为三类:第一方数据(到达广告主官网或者线下店的用户浏览及购买等行为数据)、第二方数据(同广告主广告投放相关的,用户在线上媒体或线下渠道中同广告主广告互动的相关数据)、第三方数据就是同广告主没有任何关系的第三方的数据。

先来讲讲第三方数据:

l 首当其冲的典型代表当然是BAT:阿里的电商数据、腾讯的社交数据、百度的搜索数据。一般来说这些数据相对门槛较高。

l 然后就是手握大量宝贵线下数据的公司,为什么要重点提一下线下数据,因为我们毕竟生活在真实的世界中,我们的线下行动往往比线上行为要付出更高的代价,我们去机场不是为了送人就一定是要坐飞机出行的。线上的行为并不一定能真实体现我们的真实意图;比如说:用户上网浏览汽车,不一定真的要买车,但是用户去4S店看车,八成是有买车的打算了,不太可能把4S店当成公园去逛。典型代表例如:掌慧纵盈就握有机场高铁线下以及汽车产业车前车后的线下区域的真实的用户活动数据、银联智惠握有POS机线下交易的数据。最近这些手握数据宝藏的公司也在纷纷开启数据变现模式,通过自建DSP+自有独色DMP为广告主提供更优的程序化广告解决方案。

l 再有就是第三方监测,也是因为其业务特点手握大量广告投放数据:典型代表例如:秒针、admaster;移动端的主要有talkingdata、友盟等等。

l 还有一大块手头有数据的就是媒体了,例如:某些视频媒体也在提供人口属性性别年龄、兴趣相关的数据服务,不过单一媒体毕竟覆盖的人群规模还是有一定的局限性。

l 还有就是传统的一直在做CRM的技术服务公司,但CRM数据如何打通线上一直是十分困扰的问题。

l 当然DSP公司也都有一些数据,DSP的数据主要来源于广告流量,广告交易平台为了让DSP更好地根据用户行为决策出价,所以大都会提供用户当前广告曝光机会的所在媒体、位置、IP(InternetProtocol互联网协议)地址等等用户及媒体信息,所以DSP基于这些广告流量中携带的数据 以及 DSP以往投放广告的表现数据,积累了大量数据。但这些数据由于是广告流量中携带的,因RTB的广告流量大量是“剩余流量”,具有一定的碎片性,不一定能体现用户全部的线上行为,尤其在移动端ADX无法像PC(Personal Computer个人电脑)那样提供每个广告展示的内容页的URL(Uniform Resource Locator统一资源定位器),能获取到的仅仅是用户广告展示在哪个APP(手机应用程序)中,获取到的经纬度也仅仅是用户打开APP展示广告时用户当时的线下位置,不一定能体现出用户全部的移动轨迹。这样破碎的数据很难像PC端那样更规模连续精准地分析用户的行为并给用户打标签。

而对于广告主方的第一方数据、第二方数据等等数据的管理运用,就需要广告主自己搭建DMP(Data-ManagementPlatform)系统(或使用免费的第三方统计分析工具)来管理。第一方DMP系统搭建的供应商也特别的多,上述具备大数据处理能力的公司都有这种类似的能力输出服务(不过由于这些公司资源及定位有所不同所提供服务的特点也各不相同),典型代表例如上述的:监测公司、DSP公司、纯DMP技术服务公司、第三方统计分析工具等等。

近年来随着各行业大型广告主纷纷开建自有DMP,广告主搭建自有DMP累积营销数据资产已成一大趋势。同时我基于掌慧纵盈服务一汽丰田全国4S店、中石化加油站、瑞表、SaSa等等线下DMP迅速建设的速度来看,线下DMP也是未来的一大重点趋势之一。

我们反复强调过大数据是程序化广告的重要核心。程序化广告其实就是自动化工具加上数据这个大脑。所以可见数据方及数据管理系统都十分的重要。如果没有了数据这个大脑,程序化广告就失去了意义。随着基础设施及交易模式的不断完善,行业中未来更多的创新及投入将会主要在数据这个方向上。为不同的业务运用目标,从不同的场景去采集,运用不同的新兴技术完善数据的体系以及数据系统的处理运用能力。

(转载请注明出处:微信订阅号:ad_automation)
本系列文章摘自作者刚出版的原版新书《程序化广告实战》,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。
文字表现力有限,欢迎参加《10月14日“PDB一”专题【线下大课堂】》面对面为您答疑解惑讲透您关心的问题。现场福利:可以为您的新书定制个性的签名题词。

近期活动通知(直接点击链接报名参加):


2017-09-13
从去年的10月份的程序化广告第1期活动,已经累计举办12期了,在这12期虽然一直是我在分享给大家知识,但一边付出的同时,其实我也收获良多。感谢大家不畏寒暑来参加我们每月一期的固定课程,感谢大家在聚餐时畅所欲言让我收获了很多快乐和笑声。有大家的陪伴,让我们的2017年与众不同。

但随着10月份的到来,北京线下流水课也将走向谢幕,最后4次课,绝版进行时,以后就不打算再安排了。

最后的互动机会!

活动时间:2017年10月14日 周六下午 15:00——17:30

活动详细安排:
14:50-15:00 签到与自我介绍
15:00-17:00 吴俊老师分享PDB专题一
17:00-17:30 全体同学自由social时间

在讲解过程中,如果你有任何问题,可随时提问。

活动地点:北京 西城区 百万庄大街22号机械工业出版社3号楼10层会议室

乘车路线:地铁6号线 车公庄西站 D西南口出。

报名方式:
第一步:添加微信号:13121124046(伍刀刀);
第二步:填写报名表,并缴纳200元报名费(单次体验票¥200,欢迎大家选购超实惠的¥1920年包套餐、或¥4188VIP年包套餐);
第三步:活动当天来到活动现场签到参与。

另外,为了满足无法亲临现场同学的需求,此次活动我们增加了线上同步直播及视频回看。

如何参加线上直播及视频回看?
第一步:添加微信号:13121124046(伍刀刀);
第二步:填写报名表,并缴纳200元报名费;(单次体验票¥200,欢迎大家选购超实惠的¥1920年包套餐、或¥4188VIP年包套餐);

移动端、PC直播地址(可点击文末“阅读原文”进入):
http://mudu.tv/watch/1220264

第三步:我们会将以您手机号作为唯一识别码加入直播间,给您可以在线直播互动及视频回看的课程地址参与活动。

直播将以视频形式进行,而且能够进行互动,我们将回答您在直播间提出的每个有价值的问题。而且若您时间上冲突,依然可以等有空的时候回看即可。

如您在报名中遇到任何问题,请拨打电话或添加微信:13121124046(伍刀刀)随时联系我们。

以下为《广告交易实战-PDB》讲解提纲 :
——76页 ppt,分4次课讲解

主要内容:
PDB特点及原理
PDB执行流程
单campaign
视频PDB
视频PDB主要投放模式
视频PDB案例
某国际知名汽车集团
某国际知名食品品牌
多campaign
优化逻辑
主要投放模式及效果
多campaign PDB案例
某国际知名汽车集团
新车上市“轰天雷”计划
PDB+RTB
PDB+RTB特点
PDB案例
某国际知名汽车集团
新车上市“轰天雷”计划
某国际知名奶粉品牌
PDB执行流程细节指导示范

(转载请注明出处:微信订阅号:ad_automation)
现场福利:可以为您的新书定制个性的签名题词。
网上文章较零散,若想系统化学习,可考虑考虑作者刚出版的原版新书《程序化广告实战》,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(直接点击链接报名参加):

2017-09-11
9月5号受某大数据研究院邀请给某银消费金融的同学们进行了一整天题为《金融行业大数据用户画像与精准营销》的培训。

下面摘录部分课上互动问答及部分要点摘要分享给大家:
部分要点:
  1. 互联网红利已消失,转化成本势必增加、不稳定
a. 目前网民数量已经无法像前几年那样高速增长,用户每天使用数字触媒总时长也是有限的(不可能不吃饭不睡觉,除非使用类似“得到App”这样获取被咀嚼过的信息来压缩时间才可能多出时间);
b. 数字营销的预算虽然没有前几年几倍的速度增长,但每年还在以30%左右的速度在增长,买方的预算在增长,但是被购买的用户数字触媒“注意时间片”流量已没法跟上预算的增长,能产生转化的用户就那些,大家都在抢,自然会导致转化成本增加,或因为对流量的争抢,导致效果表现不稳定(这是很多同学经常找我诉苦的);
c. 用户的“审美疲劳”,新奇的媒介形式才能抓住用户注意力进而刺激互动转化。抢红包、信息流这些都已经不新鲜了。

2.数据很重要,但要注重ROI的评估,要从结果来评估数据体系的投入和建设
a) 单纯的通过数据画像的功能乍看很美,但是运用的点是什么?如何评估ROI?这个需要慎重思考的;
b) 任何的投入都需要评估ROI
c) 一些数据可视化及数据融合的需求也很重要

3.数据融合和打通要基于业务和功能的,而不能为了融合打通而打通
a) 现在大家都十分重视数据的融合和打通,很多客户手上都有大量的沉睡会员数据,那么我们就需要通过一些业务和功能手段来打通、融合并激活这些数据;
b) 举个例子:有的超市为了让传统会员与设备ID绑定,故意关闭一些收银台通道,促使用户使用App绑定会员卡进行结算,借由这样的业务过程将用户的会员ID同设备ID打通了,这样进而可以在CRM及订单系统汇总数据分析导出会员模型和数据,并结合匹配上的设备ID可以进行广告推送。或者通过让用户关注微信公众号绑定会员ID等等行为赠送用户小礼品,这样会员消费记录就可以同微信openid融合,就很容易可以根据消费行为划分出不同级别的openid包,然后再通过对这些openid的微信号推送相应的产品及促销活动等等内容信息,这样既能通过业务完成数据融合,又能融合运用好原本各自隔离封闭系统中的数据。
c) 机械、单一的为了打通数据而打通数据的做法已经行不通了(例如找第三方购买数据的做法是最low的做法,自己的数据用好盘活好才是最最重要的,关于这部分可参见我之前的一篇文章《DMP应立足内部步步为营【业务类】》)。

4.数据采集的技术手段已不是问题,重点是如何基于业务梳理清楚那些用户触点场景可做数据打通和采集
a) 现在人脸识别、声纹识别、指纹识别等等生物特征识别技术已经十分的成熟;(据传闻iphone8将会开放人脸识别的API)
b) WIFI探针扫描技术、RFID无源卡感应技术(无人零售店的关键技术之一)也发展了很多年;
c) 现在大数据IT信息化技术、物联网技术也已成熟;
d) 关键是对自身业务功能、用户接触点场景、整体业务流转的梳理。

5.数据固然很重要,但是没有适合场景有互动的用户触媒和触点同样很难有转化和ROI
a) 这点是大家特别要注意的,例如就算是要买车的用户,在打游戏的时候看到车广告也没那功夫去点广告做后续转化的;
b) 目前移动端媒体上下文数据的开放和标准化还需要很多年才能完成;
c) 经过2013年至今,整个互联网媒体行业程序化设施升级基本完成,主流的门户及视频媒体相关基础设施均已具备(2014年因上海通用项目我有幸参与其中,花了近1年的时间推动并见证了整个行业的基础设施建设历程。),可理解为高速公路已经具备,就差高速公路上面跑的汽车了,这些汽车即数据即业务应用,然而这仅仅是效率的提升,至于营销效果的提升需要找到适合场景有互动的用户触媒和触点才行,程序化广告仅仅是优化工具,影响最终转化效果的大因素还是找到适合场景有互动的用户触媒和触点,这里就不展开了,细节分析大家可参见《程序化广告的前世今生及趋势》这篇文章中的深度解析。

6.用户运营很重要
a) 若想提升复购率,对用户的分析和依据不同的贡献建模分层十分重要,同时针对不同层别的用户进行相应的用户互动;
b) 用户运营实质是产品、内容、服务的核心载体和平台;
c) 用户行为数据的分析也是关键,《DSP机器学习及算法机制_上》《DSP机器学习及算法机制_下》《样本训练》《回归验证》这几篇文章可供大家参考。

7.定位同样很重要,对已有的转化及重度用户调研调研调研
a) 没有定位和内容的营销那是耍流氓,而且定位是要依据市场、依据受众需求点痛点来定位;
b) 问重度用户:哪些点你最看中我的?,哪些点是你最讨厌我的?
c) 如果一个重度用户都没有,就需要先去发展种子用户,那个发展种子用户的阶段就是MVP,最好自己是重度用户。

8.消费升级及信息沟通便捷的发展趋势下,内容信息即产品即服务
a) 传统B2C,先规划设计生产再推销的模式,未来很可能因个性需求及消费升级,信息沟通便捷的发展动力推动下,会出现C2B模式,众筹、团购等等都是未来的预示;
b) 未来内容信息即产品即服务,营销、运营、产品、服务的界限越来越模糊,但“定位”必不可少,一切同用户接触的触点都必须依照“定位”的策略来塑造。

问答摘录:
  1. 目前互联网红利消失的时点,还有哪些传化好的红利渠道可考虑的?
答:其实课程中我也反复强调传统线上互联网触媒的红利消失,1.有创意的品牌广告(例如爱钱进这3个月来在网络大局中的中插植入式创意广告就为其带来千万真实活跃用户。)、2.除开线上互联网触媒的线下场景触媒(现在很多银行信用卡开卡业务开始转向线下地推,线上的羊毛党太多严重质量太差。还有很多线下场景触媒)、3.消费类场景渠道合作商(电商类、餐饮、连锁商业等等)。正是因为红利的消失,所以现在各种效果渠道中充斥着大量水份。要不就是睁只眼闭只眼,追求数据上KPI的达成,羊毛党什么数据KPI都可以实现,仅仅是成本问题。要不就是有十分强烈的责任心,看中真实的流量,如果看中真实的流量目前看只有我说的3种渠道,而且随着竞争的加剧以及用户的“审美疲劳”、新鲜度消失。几年后没准可能还需要去寻找新的红利渠道,这就是营销这个行业不断升级,不断“喜新厌旧”的特点。

2.定位及营销中是否重点强调自身产品优势?
答:其实营销就是一对多、一对海量的沟通,既然是沟通就要用受众能听懂和能接受的语言进行沟通。如果对方只能听懂阿拉伯语,我们说汉语是没有用的,我们也只能用阿拉伯语沟通才行的。

3.Imei、mac可以重置吗?
答:不可以,除非黑客刷硬件,所以这部分属于用户个人隐私数据(PII),建议以后使用时尽量MD5加密。更多关于ID的细节可以参见文章《IOS体系ID知多少?》《Android体系ID知多少?》

4.如何设置可以关掉iphone的idfa以及重置?
答:iphone中:“设置->隐私->广告->限制广告跟踪”关闭,“设置->隐私->广告->还原广告标示符…”重置。

5.吴老师啥时候会来上海呀?
答:9.20号左右,因为21号要在上海参加2017全球航空旅客大会做嘉宾专题演讲,9.23号下午在上海会安排新书发布会,新书发布会的具体安排及报名地址:大数据程序化广告一线实战分享 暨《程序化广告实战》新书发布会

(转载请注明出处:微信订阅号:ad_automation)
文字表现力有限,欢迎参加《916免费线下实战分享会》面对面为您答疑解惑讲透您关心的问题。现场福利:可以为您的新书定制个性的签名题词。
网上文章较零散,若想系统化学习,可考虑考虑作者刚出版的原版新书《程序化广告实战》,各大电商网站(如:京东)均有售。

近期活动通知(直接点击链接报名参加):

2017-09-06
前面基本已经将DSP的典型模式、主要机制及要点都介绍了。可能有些同学会好奇DSP系统内部的技术架构。下面截取部分DSP系统的技术架构图供大家参考,同样对于非技术的同学对此有个感性认识即可。也不做大篇幅的展开了。

1. 技术架构概要
如图7-22所示,DSP系统从技术架构上涉及:投放平台、投放设置用户交互模块(setup UI)、报表(Report)、算法引擎等等模块。算法引擎模块主要是大数据及算法的机器学习大量采用分布式技术(例如hadoop),对用户日志、人群数据进行建模及机器智能处理。算法引擎模块处理好的人群数据、算法模型等等数据通过海量内存技术(例如redis)暂存在内存中,便于Bid投放引擎快速查询使用,全部暂存在内存中的目的是为了在100ms完成竞价过程,确保在DSP方<30ms处理完成,为网络通讯流出时间。Bid投放引擎是典型的大集群模式用于响应大并发的请求,且确保每个请求<30ms处理完成。Bid投放引擎的投放规则(预算、频次、投放策略设置等等数据)也都是存在内存中的便于快速查询。投放策略设置的数据内容都是用户通过投放设置用户交互模块中的界面完成的。另外还有一些十分重要的辅助模块,例如:广告曝光点击数据回收模块、idmapping模块、大数据报表模块、内置DMP模块等等。

图7-22 技术架构概要示例

2. DSP内部技术处理流程概要
DSP内部技术处理主要依赖一些关键技术处理设施,主要的包括:原始海量log系统、海量消息并行处理队列(例如采用spark技术)、海量内存系统(例如采用redis技术)、业务系统关系型数据数据库等等。如图7-23所示,一条技术处理线路是广告请求处理线:广告竞价Bidder海量的实时广告请求处理会产生海量的原始log、同时Bidder也频繁的同海量内存系统交互读写广告请求相关的频次、消耗等等数据,然后广告请求log经过过并行处理队列处理灌入报表数据库及相应的大数据人群及模型数据库。另一条技术处理线路是广告曝光、点击等等监测数据的回收,开始也是产生大量的原始log、同时数据回收引擎同海量内存系统交互写如广告曝光、点击相关的频次、消耗等等数据。然后广告曝光、点击log经过过并行处理队列处理灌入相应报表数据库及相应的大数据人群及模型数据库,同时并行处理队列进行大量的机器智能分析更新部分人群数据及模型数据,同时同步更新到Bidder数据库及内容系统中供Bidder实时竞价时使用。

图7-23 DSP内部技术处理流程概要示例

3. DSP竞价核心处理流程概要(<30ms)
如图7-24所示,DSP的Bidder竞价模块设计约束核心处理时间极短,<30ms。为了解决适配不同ADX流量的不同接口。在接受广告请求,及输出返回时,会针对不同ADX平台接口使用适配器设计模式采用不同适配器予以处理。但整体处理流程不变。中间业务处理部分也使用过滤器的设计模式,增加新业务时根据业务需要增加过滤器实现即可。这样做的好处是整体的Bidder竞价核心模块处理流程框架相对稳定,不会随这业务的变化而变化。具备十分强大的业务灵活性和应对高性能的水平扩充性。

图7-24 DSP竞价核心处理流程概要示例

4. 竞价程序处理过程概要
如图7-25所示,Bidder竞价处理器内部也会依据业务处理依次分为:索引器快速过滤广告(采用索引器的好处是检索效率极高,当然索引器仅能用户简单的过滤条件,例如:尺寸索引、平台及广告位索引、浏览器索引、操作系统索引、地域索引等等)。广告过滤(投放策略相关规则需计算的过滤条件是无法使用索引器,例如:预算、曝光、日期、频次、人群定向、创意类型等等)。上述这两层过滤都是为了广告请求过滤可供投放的候选广告列表,然后通过出价算法的处理给出该广告列表中各广告的出价(这里可能会用到动态出价算法,也可能使用的固定出价策略(采用何种出价策略及是否使用算法都是在投放设置界面中有人工设设置的))。然后会进行低价过滤(根据广告请求中的底价过滤掉出价低于底价的那些候选广告)。最后排序并决策胜出(根据各候选广告的出价及算法附带给出的优先级权重综合排序,排名第一的胜出,即将以该广告内容准备竞价返回)。曝光点击动态代码生成(以上一步胜出的广告内容生成曝光点击动态代码,生成动态曝光点击代码有很多目的,例如防作弊,全程携带投放参数追踪等等)。Bid/Unbid日志记录(结束处理时异步启动)。

图7-25竞价程序处理过程概要示例

5. 分布式集群概要
如图7-26所示,为了应对海量的广告竞价业务需要,及大数据的分布式计算基础设施的需要。DSP在系统架构设计上需要支持分布式支持水平扩容,架构支持大并发、大数据、高可用、高容错等等特征。

图7-26 分布式集群概要示例


(转载请注明出处:微信订阅号:ad_automation)
文字表现力有限,欢迎参加《9月9日“DSP上”专题【线下大课堂】》面对面为您答疑解惑讲透您关心的问题。现场福利:可以为您的新书定制个性的签名题词。
网上文章较零散,若想系统化学习,可考虑考虑作者刚出版的原版新书《程序化广告实战》,各大电商网站(如:京东)均有售。

近期活动通知(直接点击链接报名参加):


2017-08-28


2. 智能推荐引擎

通过各种训练及机器学习,我们可以在竞价前(离线)对历史的广告请求、广告投放、点击后到站及转化等等大量历史数据,进行训练离线模型。当有广告曝光机会竞价请求,DSP被邀请参与竞价的时候,DSP方的智能推荐引擎根据广告请求的人群标签、浏览器、时间、地域、广告位尺寸等等多维度特征,并结合广告创意的特征,依据离线已事先训练好的,对不同特征效果预测的数据模型,预测该次广告展现可能产生的价值,包括到达率、点击率、点击转化率等,并根据预测来评估进行合理的出价,从而实现对目标人群的竞价购买。大体处理流程示意图如图7-12所示:

图7‑12离线模型指导竞价决策引擎流程示意
常见的推荐出价引擎策略(这些策略很多时候会交叉并用)有很多,下面罗列一些常用的算法简单介绍一下。同样也是帮助大家有一些感性认识,在日常工作实践中能知道什么场景下该选用什么算法即可。对于算法内部的详细机制也不做大篇幅的展开。
  • 流量探测:这种算法就是简单在广告请求的底价之上,加一定比例或固定的数进行出价。因为是流量探测为目的,基本是打底广告投放,这样可以训练出大量的有价值的数据(如最低成交价、成交价同胜率的分布等等)。还有一些需要大曝光的广告投放也会采用这种算法。
  • 稳定目标CPM:这是最基础的一种策略,算法会依据预测成交价、及目标CPM设定、及历史胜率来计算出价。
  • 目标CPM+CTR:这个算法是在达成目标CPM的基础上,达成CTR目标的方式类筛选流量及计算出价。
  • 稳定目标CPC:这个算法主要是通过CPC目标,依据CTR预测、及出价、及胜率模型数据反推CPM出价。
  • 目标CPC+CTR:这个算法是在达成目标CPC的基础上,并以CTR目标筛选流量及计算出价。
  • 目标CPA:这个算法会预估转化率,根据历史投放计算该点位在该广告主、该行业的转化率,过滤掉转化率较低的流量,最终以CPA期望计算出价。
  • 目标CPA+老客:这个算法会提取多维度的feature及其交叉维度,通过机器学习获取 feature权重,根据feature权重对老客进行打分排序,取top进行投放,并以CPA期望计算出价。
  • 目标CPA+新客:这个算法会根据转化数据为正样本,提取feature,根据feature得到对应广告的扩展人群,打上相应的标签然后对相似标签进行投放,并以CPA期望计算出价。
  • PDB退量控制:这个算法主要在PDB视频退量模式使用。会实时动态记录,并计算每Deal退量比,确保退量小于阀值。当然还会兼顾TA筛选及频次控制等等因素。
  • 投放速度控制:这个算法主要基于PID(比例Proportion、积分Integral、导数微分Derivative)反馈回路闭环控制。(PID控制的基础是比例控制;积分控制可消除稳态误差,但可能会增加超调;微分控制可加快大惯性系统响应速度及减弱超调趋势。运用“傅立叶变换”将流量波动波形及投放进度波形进行数学拟合的基础上来做预测。)来控制投放速度,确保均匀投放,或快速消耗等等。大体的处理逻辑示意如图7-13所示实时依据投放反馈数据,来动态运用比例、积分、微分手段及胜率的预测,控制投放速度的均匀稳定。

图7‑13均匀投放算法逻辑示意
  • AB测试:这个常用于新算法策略上线,或寻找合适的算法时,会使用该策略在真实投放中观测效果,找出最优的算法。
  • Ranking排名:这个主要是综合上述策略算法的整体调度算法,并从宏观提升整体流量利用率,及整体ROI来对各策略的得分在进行加权计算,排名得出最合适的出价者。一般权重:访客>转化>点击。



实操中通过历史数据建立数学模型过程中,不可避免地要注意到,数据中会存在一些噪音。所以常常还会加入一些人工干预,设置补偿因子及系数的方式。一方面这样做可以一定程度简化算法及模型,另一方面也大大降低对计算资源的消耗,从而降低成本、提升效率。(这也是典型的二八原则的做法:大部分80%的问题仅需要20%的投入即可解决。)

3. 防作弊

由于RTB长尾流量中的流量质量参差不齐,所以防作弊是DSP的一个十分重要的模块。一般采用通过规则引擎设置(监督学习)或关联挖掘(非监督学习)非人类流量特征,并实时进行过滤。嫌疑特征流量会被放入观察室,不可竞价,待嫌疑特征消失才可使用。如图7-14所示,那些分布较为特征集中的广告流量其很有可能存在问题。(常见的一些特征例如:单用户ID或IP地址请求间隔时长多短、某些用户请求集中在某些媒体或页面,而不是全网使用等等。)

图7‑14流量嫌疑特征示例
还有一种观点是,若从转化漏斗、结果导向来做流量价值评估的角度来看,不存在评估作弊流量或非人类流量的必要,只有对转化漏斗无效的流量。那么只要能合理运用转化漏斗模型作为广告投放的衡量目标,来设置投放算法。自然也能合理过滤掉无效的流量。

(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刚出版的书籍《程序化广告实战》,网上的文章都比较零散,若您想系统化学习,可考虑考虑看看正版书系统化学习,各大电商网站(如:京东)均有售卖。

文字表现力有限,欢迎参加《9月9日“DSP上”专题【线下大课堂】》面对面为您答疑解惑讲透您关心的问题。线场福利:可以为您的新书定制个性的签名题词。

2017-08-22

互联网流量红利消失,数字营销该如何破局?如何数据融合才能放大数据价值?

如下是20170818《数据价值-融合应用818》受Admaster邀请对华南客户分享的PPT(可点击文末“阅读原文”):

链接: pan.baidu.com/s/1sl4Wj6

密码: k9b3

更多活动PPT课件,可给公众号发消息 “ppt” 获取

(转载请注明出处:微信订阅号:ad_automation)

文字表现力有限,欢迎参加《9月9日“DSP上”专题【线下大课堂】》面对面为您答疑解惑讲透您关心的问题。同时可以签名售书题词

欢迎购买作者刚出版的《程序化广告实战》正版书系统化学习

2017-08-21
通过上述优化要点《上》《下》《常见定向优化设置》的介绍,我们会发现有很多很多的因素会影响到广告投放的效果,而且这些因素之间也常常是互相干扰的。这样一来我们就会发现单纯靠人脑、人工模式,已经很难持续地、7X24小时的、不吃饭不睡觉地、不间断地进行相应的分析比对,调整优化,并进而根据调整反馈的结果闭环持续优化的工作。这就需要使用技术手段、机器学习、模拟人工智能的方式,用机器、程序代替人完成那些重复性的逻辑判断工作。下面我们将对DSP的这些自动化程序化的模块,例如:内置DMP人群标签算法、智能推荐引擎、防作弊等进行介绍。

1. 内置DMP人群标签算法

DSP为了完成复杂的投放逻辑及大数据的处理,并运用大数据机器学习的手段,通过计算机自动化地去完成广告投放,首先就需要建设自己的大数据DMP系统来支持后续的智能算法推荐引擎。如图7-11所示,DSP建立内置DMP来对广告竞价做辅助决策支持。DMP是DSP的大脑,指导DSP根据历史的广告数据及闭环回收的用户数据给用户打上标签,并结合实时广告请求中的数据,对广告曝光机会进行价值预测及出价指导。

图7‑11 DSP内置DMP辅助竞价决策示意
那么大家会很好奇,DSP的大数据DMP系统,是如何根据用户行为给每个个体打上人群标签的。我们一般把机器学习的方式分为两大类:监督式学习(supervised Learning)和非监督式学习(unsupervisedLearning)。要区分两者很简单,也非常的重要。

  • 监督式学习(也有称为“回归或分类算法”的):
什么是监督式学习呢?用分类算法为例打个比方。这就好比事前我们已经知道人群标签该有哪些(如上文中按商业营销诉求对受众人群属性的划分),但是每个个体身上的标签是什么那还是未知的。而我们有的是这些个体在网络上的各种行为:例如:浏览过内容的URL、点击过的广告、留过信息的表单、购物车中的商品、购买的商品等等。在监督式学习中,我们可以将已规划好的人群标签,先打到各种不同的行为数据中。例如:浏览女性化妆品URL的行为打上“女性”、“时尚”等等这些标签、购买刮胡刀产品的行为打上“男性”、“个人护理用品”等等这些标签。然后再让计算机,通过将行为上的标签,同时也打到产生该行为的个体身上去。到这里大家可能会问啦,刚刚举的那两个例子中的标签具有一定的互斥性(“男性”Vs“女性”),那么如何确定最终该打上哪些类的标签呢?实际操作中往往是以权重的方式,来处理这些互斥性的标签。我们收集到的每个个体的行为数据是海量的,那么个体被打上标签的次数自然也是海量的。虽然被无数次的打上标签,但总有一些标签被打的次数是重复的,这样我们就可以在这些标签上进行计数(即:加权重)。从而我们可以按每个个体身上的标签按“计数量(权重)”从大到小排序,这样就能找出这个用户身上典型行为特征(即权重较大)的那些标签族。然后就可以使用这些人群标签去定向这些人群做广告投放,或根据这些标签来进行进一步的数据比对分析和学习。

  • 非监督式学习(也有称为“聚类算法”的):
什么是非监督学习呢?同“监督式学习”比对来说的话,就是事前不知道特征分类的答案,无法在事前就规划好标签分类。只能通过将相似的行为特征聚合在一起。找出这类受众或访客最典型的行为特征族(我们有的时候也会使用离线模型来存储这些特征族的数据,离线是先对在线而言的,离线即事前已存储好备用的,而在线即每次广告请求来的时候实时动态计算得出的。)。然后可以直接运用这些离线模型的特征,指导竞价及智能推荐。或者还有一种做法就是,给这类行为特征族定义一些标签,再运用上述的监督式学习的方式给更多的用户打上这类标签,甚至通过Look-alike的方式去寻找潜客。

当然还有一些介于上述两种模式中间的变种模式的学习方式,例如:
  • 半监督式学习:即输入数据部分类别有部分事前已知,而仍有部分没有被事前已知,介于监督式学习与非监督式学习之间。常见的半监督式学习算法有支持向量机等等。
  • 强化学习:在这种学习模式下,输入数据作为对模型的反馈,不像监督模型那样,输入数据仅仅是作为一个检查模型对错的方式,在强化学习下,输入数据直接反馈到模型,模型必须对此立刻作出调整。常见的强化学习算法有时间差学习等等。
更多关于各种机器学习算法的原理、特点,适用场景等等,以及《样本训练》《回归验证》等等的实操流程已曾经介绍过了。这里就不再展开。

(转载请注明出处:微信订阅号:ad_automation)
文字表现力有限,欢迎参加《8月12日“DSP上”专题【线下大课堂】》面对面为您答疑解惑讲透您关心的问题。
欢迎购买作者刚出版的《程序化广告实战》正版书系统化学习
2017-08-17
大概半年前就有同学在问《程序化广告实战》什么时候出版,什么时候能买到?在哪些渠道购买?大家已经饥渴难耐了。我们听完后只能去不断的催出版社,催他们快点排版、快点印刷、快点上架。
而终于在今天下午,出版社告诉我们书籍已经印刷完毕,而且在京东等销售渠道已经上架了。听完这个消息我们奔走相告,很多同学居然订购数本,而且连价格都没问,就直接打钱过来购买。感动ing~

+图书介绍(详细摘录附在文末):如需了解图书书目等介绍,可参见(华章)china-pub上的图书介绍:

如何购买《程序化广告实战》书籍?
若您不需要购买签名版,
在china-pub.com(华章)上购买:

或在各大线上电商平台(如:京东)搜索《程序化广告实战》,直接下单就可以啦!
若你想购买作者签名版:
第一步:联系伍刀刀 13121124046 (微信电话同)
第二步:告知您的邮寄地址,并付款
第三步:收到书籍开始阅读
如果您在北京、广州,上海也可以自取哦。
北京自取地址:北京朝阳区西坝河金泰大厦 1105 伍刀刀 13121124046
广州自取地址:广州市中山大道89号(天河软件园华景园区)A栋14层南16号 赵小姐13602466336
上海自取地址:上海市建国西路56弄4号一楼 Miki潘小姐 13817588890

自取只限工作日。而且请先找伍刀刀付款完再去自取。

关于签名版价格:
如果您在线上商城购买,直接按照上面的价格即可。
如果您购买签名版,我们会按照原价的6折给您:79元*0.6+邮费,这个是作者直销价,名额有限,如果您以这个价格购买到作者签名版,请多多帮我们宣传。

同时我们正在策划作者签名售书会,活动内容会在此公众号发布,敬请期待!

以下为各位程序化广告圈的朋友对书籍的期盼截图:

+附图书介绍:

中国程序化广告领域领袖级专家

私有化程序购买领域的布道者的一线实战笔记

宋星等近20位专家联袂推荐

从业务和技术双重视角系统讲解程序化广告的理论知识、实践方法和关键要点

推荐语:

吴俊老师在程序化广告和大数据营销领域建树颇深,作为最早将PDB广告模式落地到中国的专家,无论在品牌营销还是效果营销领域,都拥有深刻的见解和广博的经验。他的第一本书,是自己多年从业经验的结晶,值得仔细品读。

—— 宋星 “网站分析在中国”创始人

吴俊结合他在掌慧纵盈的研究和实践的卓越成果,抽丝剥茧般把互联网广告涉及的知识进行了系统梳理,本书不仅是整个行业的“白皮书”式实战手册,更是对中国程序化广告和数字营销发展的阶段总结。

—— 章苏 北京掌慧纵盈科技股份有限公司董事长

这些年来,吴俊一直专注于广告领域,是我遇到广告相关问题时的首选咨询对象,受益良多。希望这本书能让更多人像我一样受益。

—— 耿新跃 豆瓣用户产品副总

本书倾注吴俊老师多年实战经验,从基本原理到最佳实践,庖丁解牛般呈现了程序化广告,不管对广告主还是代理商,本书都具有极强的实际指导意义。

—— 冯全春 尚美生活集团数字营销与CRM总经理

吴俊凭借自己在业内近20年的实践经验,对程序化广告进行了系统的梳理和总结,是一本可以落地的指导性手册,具有很强的实用价值,对整个行业的发展将具有重大的意义。

—— 余兰 搜狐集团精准销售部总经理

吴俊在品友互动时,带领团队打造了中国首例PDB的产品,帮助巨型客户购买常规广告进行智能优化,也让程序化从单一的实时竞价拓展为全方位广告管理。我很高兴看到他把自己的宝贵经验和实践沉淀下来,希望此书能为中国程序化广告的健康发展做出贡献。

—— 黄晓南 品友互动CEO

吴俊老师是中国程序化广告领域的先锋,拥有丰富的理论和实践经验。更加难能可贵的是,他能够把实践的经验推而广之,避免营销人在程序化的道路上再走弯路。相信这本书能够成为营销人在程序化广告实践中的好伴侣。

—— 王旭华 Head of Accuen

有幸在乐视的多屏程序化合作中结识吴俊老师,在大数据营销和程序化广告领域可是大名鼎鼎,对中国程序化广告非常有影响力的专家,开启PDB中国落地的推动引擎。吴老师写的内容总是充满干货,他的书强烈推荐大家阅读和收藏!

——梅娟 乐视程序化总经理

随着大数据技术的发展,通过程序化营销方式进行个性化广告投放成为互联网广告行业的发展趋势。程序化营销是一个复杂度很高的行业,吴俊老师在此行业深耕多年,实践经验非常丰富,相信此书对互联网广告从业者将有很强的指导意义。

——新数网络CEO 赵士路

程序化,是数字广告的必然趋势,但是随着行业的发展,业务和产业链也越来越复杂,这对所有的从业者都是一个严峻的挑战。吴俊老师行业背景深厚,可以说是伴随行业一起成长,有人说“所谓核心竞争力,就是曾经趟过的坑。”,此书的发行,一定会给大家带来非常多参考价值和指导意义,帮助您不“趟坑”,也可以建筑自己的核心竞争力。

——美数科技创始人范昂

这是一本可以让了解整个程序化广告生态的客户和广告同仁的一本实战好书。清楚的解释各种广告交易模式、技术手段、程序化手段运用的场景、原因及各方核心诉求。无论你是刚刚入门,还是业内高手,这都是一本可读性高,可分享的好书。

——IDGDigital Media(中国)首席市场官高务修

16年多互联网行业营销经验,尤其程序化广告领域颇有研究,吴俊了解算法、技术、产品及运营并有着多年实战经验。本书将这些精彩内容呈现给了读者,是程序化广告从业人员的必读书目,如果你刚刚踏入程序化广告行业,哪能错过?你一定可以学到真正与你相关的。

——群邑中国透明程序化(PBU)全国运营负责人  赵静

作为国内程序化广告领域的专家,吴俊老师将十多年的经验转化为文字分享给读者,内容深入浅出,实战性强,非常适合互联网广告从业者研读。

——佳投科技CEO 张富

吴俊老师在程序化领域非常资深,每次见面在业务方向上的探讨都让我获益良多,非常期待这本书的面世,是一本程序化领域的实战宝典,能够帮助更多人深入了解程序化领域,希望大家共同努力打造良性程序化生态圈。

——程序化公司之行传媒创始人 Kitty

作为国内最早的PDB广告模式专家、程序化广告与大数据营销行业高速发展的先锋,吴俊老师见证了程序化广告从蛮荒时代到众媒时代的变迁,《程序化广告实战》这本书,是观点、经验、技巧的悉心之作,相信每位营销从业者读完之后都会意犹未尽。

——Deepleaper创始人王冉

吴俊老师在这本书里面表现出对PDB深入的经验。如果想了解中国的PDB, 我强烈推荐!

——Envisionx技术运营管理 Matthew Earley

吴俊老师在程序化广告和大数据营销领域非常资深,目前市面上还没有一本把程序化购买系统讲述完整的书籍,吴老师讲课深入浅出,易学易懂,不过仍然需要细细品酌书中的思维,如果你还沉浸在传统投放领域怡然自得,那么此书就是广告投放高阶从业路经必读。

——京东商城搜索推广刘璐

作者吴俊简介:

中国广告PDB(Programmatic Direct Buy ,私有程序化购买)推动落实第一人。现任掌慧纵盈产品VP,专注于打造线下数据线上打通的营销解决方案,推动数字营销新升级。 原品友互动负责PDB/移动/流量的产品总监,拥有近20年IT/互联网行业从业经验和超过5年的程序化广告工作经验。2014年负责推动并落实了中国首个大型PDB广告投放项目(2014中国国际广告节“长城奖”金奖“上海通用汽车私有程序化广告投放”案例),通过PDB帮助广告主管理了数亿广告预算投放,在广告主包段的黄金广告位(门户及垂直媒体,PC和移动端)以及视频媒体贴片广告位等黄金资源,实现了广告投放的跨媒体联合频控、千人千面;最终有效提升了广告主广告预算的ROI。 2014年开始在市场反响十分热烈的视频广告PDB领域持续发力,推动行业内视频广告PDB业务大规模迅速发展,目前市场上已有上海通用汽车、玛氏、欧莱雅、人头马、Burberry、高露洁、黑人、雅士利等不同行业,近百广告主近千视频OTV项目通过PDB方式进行了投放。 主讲的“大数据营销与程序化广告实战”系列课程先后举办了十余期,数千学员,数万粉丝。

书目概览:

本书从业务和技术双重视角系统讲解了程序化广告的理论知识、实践方法和关键要点,不仅能帮助从业者对程序化广告建立全面的、体系化的认知,而且还会告诉他们实践中的各种注意事项,以及如何有效地规避和处理业务中的各种“坑”。

作者是中国程序化广告领域的领袖级专家,是国内PDB(私有化程序购买)领域的布道者,推动落实了国内首个大型的PDB项目,曾帮助数百广告主运用程序化手段管理数十亿人民币的广告预算。

本书以实战为宗旨,从业务和技术两个维度,由浅入深地讲解了程序化广告的流程、产业上下游、各种广告交易模式、技术手段、程序化购买的运用场景,以及广告主、代理公司、媒体、DSP等各方的核心诉求。书中包含大量案例,素材都来自于作者近5年来的亲身实践。

全书在逻辑上分为四大部分:

基础篇(1~3章):主要介绍程序化广告的基本概念和基础知识,以及程序化广告中需要掌握的大数据知识,即便是没有基础的读者,也能迅速了解并进入这个行业。

实战篇(4~7章):从业务和技术角度介绍了程序化广告的核心内容,如监测、移动广告、DSP、ADX等,这部分内容十分有针对性,可帮助从业者有效解决日常工作中遇到的各种问题和坑。

进阶篇(8~9章):讲解了PDB、DMP等高级内容,仍然比较注重实战性,适合广告预算较多的头部广告主和相关上下游从业者。

展望篇(第10章):从行业上下游分工、竞争策略、个人职业规划等角度进行了一些梳理,希望能帮助读者做好相应的规划和积累。

为什么要写这本书:

很多同学关注我的微信订阅号,阅读我撰写的程序化广告方面的文章,参加我的程序化广告系列课程,希望能从业务实战的视角更为全面体系地认清整个行业。

虽然这几年程序化广告在数字营销领域高速发展,但是大家对于程序化广告的演变、行业现状等方面的认知仍然不够深入。这一方面是因为程序化广告相对于其他推广方式,涉及的概念、方法论、参与方更为复杂;另一方面,目前市面上没有一本面向营销从业者的主讲程序化广告业务实践类的书籍问世,大家只能从网上的一些文章中零散地了解程序化广告。但是,由此得出的很多信息已被多方渲染加工过了,很可能混杂了一定的水分。

而未来程序化广告这个行业一定是以业务化、技术化(自动化)、数据化为重点发展方向的,更加强调“业务+技术+数据”的跨界融合。这就对从业者提出了更高的要求,也只有这样从业者们才能创造更大的价值,并提升个人的价值。

对于相关从业者来说,他们迫切希望学习到与程序化广告相关的知识,但可惜的是,这些内容大多都分布在网上,内容零散,且很难收集全面,所以他们希望能有一本书可以系统地介绍相关知识,降低学习成本。

在众多同学的强烈要求下,我撰写了本书。本书是一本从业务实践视角全面介绍程序化广告的书籍。本书的目的是希望通过体系化、实战性的剖析,让读完本书的同学们不仅能对程序化广告建立全面的业务体系认知,更加能掌握程序化广告在实践中的各种注意事项,并且知道实际业务中的一些坑该如何规避,以及如何有效处理。

读者对象:

本书面向的主要受众是整个互联网行业中的媒体方、中间方、广告主等程序化广告行业上下游执行及决策层面的各类人群,以及对互联网商业变现感兴趣的人。根据工作特性可以划分为如下群体:

互联网媒体方与商业变现相关的产品、技术、销售、运营等环节的从业者;

广告主方市场部、产品部营销的从业者;

广告交易平台方、DSP(Demand-Side Platform需求方平台)方、数据方、监测方等,程序化广告行业上下游各环节的从业者;

对数字营销未来发展趋势感兴趣,并正致力于打造新兴解决方案的推动者、从业者、投资者;

互联网行业商业变现领域的投资者、关注者、爱好者及打算进入这个行业的人;

开设相关课程的大专院校师生。

本书特色:

本书内容安排及介绍由浅至深,专注于剖析“程序化广告实战”业务,深入浅出地介绍了从流程到产业上下游的所有相关知识;重点从业务角度分析了各种广告交易模式、技术手段,以及程序化手段运用的场景、原因和各方核心诉求。

本书主要实战素材源于我同广告主、代理公司、媒体方、DSP一起推动程序化广告实际业务时被大家经常咨询到的问题点,并同时融合了我近20年的技术经验。为了让大家深刻理解这些内容,本书对问题的剖析均从基础到业务再到技术层面展开。

如何阅读本书:

本书共分10章:

第1~3章主要集中于对基本概念及基础知识的阐述,目的是帮助没有任何基础的读者快速入门,为大家后续的学习及工作夯实基础。

第4~7章开始进入对实战有指导价值的业务点的介绍,包括监测、移动广告、DSP、ADX等内容,适合所有数字营销上下游的从业者。 第8~9章主要介绍PDB、DMP实战等内容,这部分面向的是偏高端(广告预算较多的)的头部广告主及相关上下游从业者。目的是帮广告主减少投入或找到适合自己的方法。

第10章对行业未来发展趋势进行了预测和分析,并从整体行业上下游分工、竞争策略及个人职业规划等角度为读者进行了梳理,从而帮助读者做好相应的规划和积累。

此外,本书附录收集了程序化广告领域方面的常用术语及缩写,特别适合那些刚刚接触程序化广告的读者。

希望大家能根据自己的情况来选取相应的章节进行学习。

勘误和支持:

由于作者的水平有限,编写时间仓促,书中难免会出现一些错误或者不准确的地方,恳请读者批评指正。为此,我们开设了名为“程序化广告实战”的微信订阅号(ad_automation)。如果你有更多的宝贵意见,也欢迎通过该订阅号来与我互动。期待能够得到你们的真挚反馈。

致谢:

首先,感谢一路陪我走来的同学及粉丝们的大力支持。正是在你们的“簇拥”下,我才有源源不断的动力,从而能坚持不懈地整理、传播、分享程序化广告实战系列的内容。

其次,感谢宋星老师。若没有宋星老师的邀请,我也不会打开干货分享的闸门。当然,还要感谢伍刀刀同学在背后对我的大力支持和鼓励。 再次,感谢机械工业出版社华章公司的杨福川和孙海亮两位老师,在这半年多的时间中,他们不厌其烦地始终支持和指导我写作,是他们的鼓励和帮助引导我顺利完成全部书稿。 最后,感谢我的爸爸、妈妈,以及其他家人,感谢你们的爱护,并时时刻刻为我注入信心和力量,让我能在不惑之年开启一扇全新的人生大门。 谨以此书献给我最亲爱的家人,以及众多致力于程序化广告事业的朋友们!

对一直关注“程序化广告实战”微信订阅号及系列课程的同学们,致以诚挚的谢意!

图书详细目录:

推荐

前言

第1章 程序化广告的前世今生

1.1 常见的广告形式及业态002

1.1.1 常见的网络广告形式002

1.1.2 结算方式015

1.1.3 广告行业上下游大体分布015

1.2 程序化广告的概念及发展历程017 1.2.1 程序化广告的定义017

1.2.2 程序化广告出现的主要动因017

1.2.3 程序化广告的发展历程及模式019

1.3 业内主要玩家028

第2章 程序化广告基础

2.1 IAB关于程序化的定义及接口规范034

2.1.1 程序化广告4种典型模式035

2.1.2 接口规范038 2.2 程序化购买/投放的关键特征045

2.2.1 流量按优先级管理045

2.2.2 交易管理046

2.2.3 卖方诉求049

2.2.4 目标人群投放050

2.3 流量卖方同买方常见技术对接模式055

2.3.1 PC/移动Web媒体055

2.3.1 移动App媒体056

2.3.2 视频057 第3章 程序化广告中的大数据基础

3.1 人的唯一性标识068

3.1.1 人唯一性标识的方式068

3.1.2 PC端识别技术070

3.1.3 移动端识别技术076

3.1.4 跨屏识别方法与挑战097

3.2 受众数据及来源097

3.2.1 线上数据、线下数据098

3.2.2 线下VS线上的行为数据特点099

3.2.3 数据的来源100 3.3 大数据管理平台101

3.3.1 DMP价值意义101

3.3.2 大数据管理处理流程105

3.3.3 DMP系统的层次及架构107

第4章 监测注意要点

4.1 视频广告投放TA浓度KPI注意事项111

4.2 广告可见性 IAB规范11****.2.1 定义116

4.2.2 测量方法116

4.2.3 影响因素118

4.2.4 注意事项119

4.3 品牌安全119

4.3.1 推动力动因119

4.3.2 常见模式120

4.3.3 机制及现状121 4.4 程序化广告中监测GAP注意事项122

4.4.1 地域GAP122

4.4.2 结算方式的坑125

4.4.3 PDB中的损耗问题126

4.4.4 移动App端Banner投放的坑126

4.5 市面上供应商简单分析128

第5章 移动广告的关键知识

5.1 移动端特有的一些问题130

5.2 Deep Link & Universal Link132

5.2.1 什么是Deep Link132

5.2.2 App没安装怎么办132 5.2.3 Universal Link133

5.3 移动端MRAID 富媒体技术136

5.3.1 什么是MRAID136

5.3.2 MRAID协议简介137

5.4 移动端原生广告143

第6章 广告交易平台ADX要点

6.1 什么是RTB147

6.1.1 竞价整体流程148

6.1.2 成交价的相关规则149 6.2 市面上常见的ADX151

6.3 DSP对接ADX流程155

6.4 ADX创意渲染机制注意事项159

6.5 ADX系统基础操作功能介绍160

6.5.1 ADX中SSP卖方基础操作功能介绍161

6.5.2 ADX中DSP买方自助基础操作功能介绍165

6.6 ADX竞价及流量使用效率相关指标169

第7章 程序化买方DSP要点

7.1 国内DSP典型模式介绍176

7.2 DSP主要优化手段及原理177

7.2.1 转化漏斗178

7.2.2 主要考核指标180

7.2.3 主要优化要点183

7.2.4 常见的定向及优化设置191

7.2.5 人工智能、机器学习194 7.3 DSP投放流程及注意事项201

7.3.1 投放前积极准备201

7.3.2 投放中有节奏地优化205

7.3.3 DSP投放实战示例206

7.4 DSP系统技术架构参考210

第8章 程序化广告高级模式PDB要点

8.1 PDB广告处理流程218

8.2 PDB主要优化KPI及注意事项219

8.3 PDB执行流程221

8.3.1 单Campaign视频PDB222 8.3.2 多Campaign的PDB232

8.3.3 PDB+RTB模式238

8.4 PDB业务特点242

8.4.1 媒体方的担心及阻力242

8.4.2 PDB对预算倾斜的影响不大244

8.4.3 PDB业务门槛较高245

第9章 DMP实战案例

9.1 常见DMP盘点248

9.1.1 常见的第三方数据248

9.1.2 常见的DMP系统服务提供商249 9.2 基本功能及数据样本学习核心流程250

9.2.1 基本功能250

9.2.2 样本训练及回归验证核心流程251

9.3 DMP系统案例264

9.3.1 Trading Desk & DMP & PDB(PMP)案例264

9.3.2 线下DMP系统案例267

9.3.3 专有线下DMP+DSP实战案例270

9.4 DMP系统技术架构272 9.4.1 应用架构272

9.4.2 数据架构274

9.4.3 技术架构275

第10章 行业发展趋势预测及分析

10.1 DSP行业发展及趋势预测277

10.2 ADX的发展趋势及策略282

10.3 从业者职业规划策略286

附录 常用词及缩写

免费试读地址:

 http://www.china-pub.com/computers/commo…

如果您想加入吴俊老师的[程序化广告社群],与大咖面对面交流,欢迎添加13121124046 伍刀刀的微信,并备注姓名-公司-职位,我们拉您入群。

(转载请注明出处:微信订阅号:ad_automation)

文字表现力有限,欢迎参加《9月9日“DSP上”专题【线下大课堂】》面对面为您答疑解惑讲透您关心的问题。

2017-08-14
其实除了前两篇文章《DSP主要优化要点_上【业务类】》《DSP主要优化要点_下【业务类】》重点介绍的时间、地点、媒体、谁、素材这5大主要优化重点,实际广告投放执行中,可供我们定向及优化的手段还有很多,下面我们列举DSP中一些常见的定向及优化设置项目,便于大家形成一些感性的认知,以便在后续实践中可以尝试去使用。限于篇幅具体每一项的内容就不再逐一展开介绍了。
(广告请求中可能携带的广告位及用户数据的相关介绍请参见:《卖方诉求及数据开放-IAB程序化定义系列【基础类】》

  • 投放控制类:
  • 投放周期:投放开始、结束时间设置。
  • 总预算:总预算是整体的预算,因为投放优化一般会分为多个子计划来优化,这样子计划有子计划的预算,总的有总预算。
  • 曝光总上限:类同于总预算、可以对总曝光进行上限控制。
  • 点击总上限:类同于总预算、可以对总点击进行上限控制。
  • 每日预算:投放进度一般广告主都是有严格要求的,不能太快也不能太慢,所以经常需要限制每日的投放预算上限。
  • 每日曝光上限:类同于每日预算、可以对每日曝光进行上限控制。
  • 每日点击上限:类同于每日预算、可以对每日点击进行上限控制。
  • 单人曝光频次:对每人的曝光频次进行上限控制。
  • 单人点击频次:对每人的点击频次进行上限控制。
  • 交易方式:如RTB、PD/PA、PDB及相应的Deal设定。
  • 防作弊设置:防作弊及防作弊等级等等设置。帮助优化设置按什么程度封杀可疑流量。
  • 均匀投放:可设置是快速消耗,还是按时间均匀投放。大部分有经验的广告主都会要求均匀投放。
  • 流量打底:很多时候有一些广告主希望广告投放能更多的曝光和覆盖,当然这就需要所有流量都去竞价,这就需要开启该设置。(新流量刚接入DSP系统时,经常要所有新流量都去竞价,来积累相关数据作,为后续优化的重要模型和依据。)
  • 竞价算法:使用程序化投放广告,最大的好处就是可以运用机器算法来自动优化,例如:CPC算法(优化CPC目标)、CTR算法(优化CTR目标)、流量探测算法、PDB算法(退量及预算管理)等等。
  • 最高出价:使用算法自动优化投放时,算法会依据效果预测来决定出价。为了防止机器出价,超出了成本约束,故需设定最高出价。
  • 创意轮播设置:可以设置不同创意轮播的策略。例如设置这样的轮播规则:A、B、C、D四版素材,用户一般的广告素材曝光顺序AA->BB->CC->DD,若用户点击过广告,再有该用户的广告曝光机会,则直接展示D版素材。

  • 投放定向类:
  • 平台:选择哪些ADX平台可投放。
  • 位置:选择哪些位置可投放:第一屏、第二屏等等
  • 终端类型:选择投放的终端类型:PC Web、App、Mobile Web
  • 广告形式:Banner、OTV视频贴片、视频暂停、原生(信息流)、音频等等广告形式的定向设置(关于关于相关内容参见:《网络广告形式【基础类】》
  • 地域定向/地域排除:地域定向/排除设置
  • 日期/时段定向:设定广告投放的日期及时段
  • 媒体(APP)分类定向/排除:对广告位所在媒体及App的分类进行定向及排除。
  • 频道定向:视频、门户、垂直媒体都有一定的频道设置,通过频道定向可以针对性投放。例如:很多广告主投OTV时不希望投小视频,希望投长视频,我们可以通过定向电视剧、电影等频道来进行投放。
  • 媒体(APP)黑白名单:对于某些特定的媒体(APP)进行定向或排除。
  • 广告位黑白名单:对于某些特定的广告位进行定向或排除。
  • 品牌安全定向:可以对接品牌安全服务,设定相关规则,Pre-Bid的方式去挑选流量。(关于品牌安全相关内容参见:《品牌安全【基础类】》
  • 广告可见性定向:部分ADX(例如google)会发送广告位的可见性历史统计的数据,这样可通过设定该定向,来对相应的点位做筛选。
  • 页面关键词定向:对于PC流量,有些ADX会传递广告所在页面的关键词,ADX也会发送广告所在页面的URL,所以也可以对这些URL的内容做全文分词标记关键词。就可以根据页面关键词进行定向投放了。

  • 人群定向类:
  • 第三方人群定向:一些ADX及第三方提供人群标签,可以做相应设置,例如:百度、灵集等等。
  • 人群标签定向/排除:可以设定基本人口属性、个人关注、兴趣爱好、消费倾向等等人群标签进行定向或排除
  • 访客找回/排除:选定一定周期、某些监测点及规则的访客进行找回或排除
  • 点击找回/排除:选定一定周期、某些点击的用户进行找回或排除
  • 人群包定向/排除:cookie包、移动设备ID包定向(对于一些特殊规则或第三方提供的人群包做找回或排除:例如:其他投放渠道曝光人群的排除或追投、传统采买+RTB联合控频等等,这些较复杂的业务场景都会使用到这些功能。)
  • 操作系统定向:对用户设备使用的操作系统及版本做定向,例如:PC端windows、OSX;移动端:Android、IOS等等。
  • 浏览器定向:对用户设备使用的浏览器及版本做定向,例如:IE、chrome等等。
  • 网络类型定向:对用户设备的上网类型做定向,例如:WIFI、2G、3G、4G等等。
  • 移动运营商定向:对用户移动设备使用的运营商做定向,例如:电信、联通等等。
  • 移动设备定向:可对用户移动设备的机型、屏幕尺寸等等进行定向。
  • LBS定向:可以对某地理位置或商圈附近,某一范围内的人群进行定向等等。
  • 天气定向:通过天气的空气质量、温度、紫外线、湿度及温度变化趋势做定向投放,例如:防晒霜、空气净化器、感冒药等等天气相关性高的快消品。
  • 场景定向:可以选定线下或一些特定场景人群进行定向,例如:机场高铁、驾校、医院、宾馆、高档社区等等场景进行定向。

(转载请注明出处:微信订阅号:ad_automation)
文字表现力有限,欢迎参加《8月12日“DSP上”专题【线下大课堂】》面对面为您答疑解惑讲透您关心的问题。