周冰倩:廣告主視角下的信息流廣告算法探索|DataFunTalk

廣告主不能像廣告平臺(tái)一樣,獲取到比較多的用戶維度的曝光數(shù)據(jù),并且在廣告主側(cè)獲取不到端外新用戶的特征。本次分享會(huì)著重講一下哈啰出行作為廣告主,是如何在這些挑戰(zhàn)下進(jìn)行信息流廣告算法建模探索的。

周冰倩:廣告主視角下的信息流廣告算法探索
分享嘉賓:周冰倩 哈啰出行 高級(jí)算法工程師

本次介紹會(huì)圍繞下面四點(diǎn)展開:

  • 信息流廣告投放現(xiàn)狀
  • 哈啰業(yè)務(wù)背景介紹
  • 廣告主側(cè)的算法優(yōu)化方案
  • 未來方向

01

信息流廣告投放現(xiàn)狀

1. 發(fā)展歷程

周冰倩:廣告主視角下的信息流廣告算法探索

我們?cè)谒⑴笥讶Α⒍兑?、頭條時(shí),應(yīng)該都看過信息流類型的廣告。它是一種嵌入在媒體內(nèi)容流中的廣告形式,內(nèi)容包括圖片、圖文、視頻等等。它的主要特性是內(nèi)容的價(jià)值性和原生性。對(duì)于受眾來說,信息流廣告能夠?yàn)橛脩籼峁└嘤袃?nèi)容,有價(jià)值的東西,而不是單純的廣告。所以它的內(nèi)容植入和呈現(xiàn)不會(huì)破壞頁面本身的和諧度,用戶角度體驗(yàn)感也是比較好的。

上圖左邊的圖展示了信息流廣告的發(fā)展史,信息流廣告最早在2006年出現(xiàn)在Facebook上,11年出現(xiàn)在Twitter上,12年應(yīng)用在微博,14年頭條,15年朋友圈。直到16年進(jìn)入了全面爆發(fā)階段,百度、快手、UC等都相應(yīng)地推出了信息流廣告。上圖右側(cè)的圖展示了搜索廣告、電商廣告、信息流廣告在整個(gè)市場(chǎng)上的占比??梢钥闯?,從2015年到2021年信息流廣告的占比逐年增加。到了2022年預(yù)計(jì)可以達(dá)到40.8%。目前信息流廣告被多數(shù)廣告主選用在拉新促活的用戶增長(zhǎng)手段,所以哈啰出行也選擇了信息流廣告作為站外拉新的主要方式。

2. 投放流程

周冰倩:廣告主視角下的信息流廣告算法探索

上圖是平臺(tái)視角和廣告主視角兩個(gè)角度下的廣告投放流程。

平臺(tái)視角,用戶在流量主側(cè)產(chǎn)生瀏覽行為,流量主會(huì)向ADX(ad exchange廣告實(shí)時(shí)競(jìng)價(jià)交易平臺(tái))發(fā)送廣告請(qǐng)求,廣告交易平臺(tái)在接收到廣告交易請(qǐng)求,接著會(huì)向DSP(demand side platform,廣告投放平臺(tái))發(fā)送請(qǐng)求。DSP在接受到這個(gè)競(jìng)價(jià)請(qǐng)求后,內(nèi)部會(huì)進(jìn)行一系列包括從流量篩選到廣告召回,然后排序、出價(jià)等操作。目前大家常說的廣告算法,更多的是嵌入在DSP內(nèi)部的召回,排序等算法,并且這種廣告算法在業(yè)界內(nèi)也比較成熟。

廣告主視角,這里指的是廣告主針對(duì)線上投放所能夠做的操作。一開始會(huì)經(jīng)過一個(gè)競(jìng)價(jià)機(jī)制。當(dāng)一個(gè)廣告請(qǐng)求過來,對(duì)于這個(gè)請(qǐng)求帶過來的用戶,我們來決定要不要參與對(duì)這個(gè)用戶的競(jìng)價(jià)。這個(gè)競(jìng)價(jià)機(jī)制在以下四個(gè)方面進(jìn)行了考量:轉(zhuǎn)化情況,用戶價(jià)值,曝光情況,還有其他的干擾策略等等。在競(jìng)價(jià)機(jī)制后就到了投放機(jī)制,投放機(jī)制更偏向于線上的實(shí)際投放,包含了賬戶設(shè)置、異常監(jiān)測(cè)、數(shù)據(jù)監(jiān)控和自動(dòng)投放等等。

02

哈啰業(yè)務(wù)背景介紹

下面介紹一下哈啰出行外投業(yè)務(wù)背景。

1. 哈啰外投發(fā)展階段

周冰倩:廣告主視角下的信息流廣告算法探索

廣告主投放能力的發(fā)展歷程會(huì)經(jīng)過以下四個(gè)階段:

  • 第一個(gè)階段是探索階段,在這個(gè)階段廣告主業(yè)務(wù)一般是剛剛起步,它需要通過投放廣告來摸索市場(chǎng)。此時(shí)廣告主所需要做的就是直接在平臺(tái)上面開戶。
  • 經(jīng)過前期的探索,驗(yàn)證了廣告的投放效果之后就進(jìn)入到第二階段,投放初步階段。這個(gè)階段的目的是迅速占領(lǐng)市場(chǎng),所以會(huì)在市場(chǎng)上投入大量的廣告,提升投放效率。在這個(gè)階段廣告主需要技術(shù)支持來進(jìn)行后續(xù)的轉(zhuǎn)化歸因,監(jiān)測(cè)體系,數(shù)據(jù)監(jiān)控等等。
  • 提效之后就到了以降本為目的的發(fā)展階段。經(jīng)過前期的大量的市場(chǎng)投放后,廣告的獲客成本會(huì)越來越高,這個(gè)時(shí)候需要對(duì)流量做精細(xì)化運(yùn)營(yíng),所以需要更多的技術(shù)能力來支撐和實(shí)現(xiàn)降本的目標(biāo)。現(xiàn)在發(fā)展比較成熟的有DMP,平臺(tái)提供的人群管理API,包括后面我要提到的marketing API。
  • 經(jīng)歷過以上三步之后,就到達(dá)了成熟階段,成熟期的目標(biāo)就是智能化,擁有全鏈路的算法和自動(dòng)化實(shí)現(xiàn),不再需要人工參與。

目前哈啰已經(jīng)在發(fā)展階段,技術(shù)能力和數(shù)據(jù)能力都已經(jīng)比較成熟。

2. 外投系統(tǒng)框架

周冰倩:廣告主視角下的信息流廣告算法探索

上圖是哈啰的外投系統(tǒng)框架。在業(yè)務(wù)上對(duì)接的比較大的三個(gè)渠道是巨量引擎,廣點(diǎn)通和快手。

因?yàn)樯婕暗揭恍┙涌趯?duì)接,所以在服務(wù)端要建立一個(gè)統(tǒng)一接口網(wǎng)關(guān),然后進(jìn)入到存儲(chǔ)層,存儲(chǔ)層使用了業(yè)界比較通用的組件包括:redis,MYSQL,HBASE,Elasticsearch等等。再經(jīng)過數(shù)據(jù)層后,到達(dá)應(yīng)用層。應(yīng)用層主要列了三點(diǎn),就是決策機(jī)制,自動(dòng)化運(yùn)營(yíng)和歸因機(jī)制。決策機(jī)制也是我后面主要介紹的重點(diǎn)。因?yàn)樗惴ǜ嗍亲饔迷跊Q策機(jī)制層。

03

廣告主側(cè)的算法優(yōu)化方案

第三部分具體講一下上面提到的決策機(jī)制里面的算法優(yōu)化方案。主要從三個(gè)方面進(jìn)行介紹:廣告計(jì)劃維度,創(chuàng)意維度,以及競(jìng)價(jià)前的預(yù)判機(jī)制。

1. 廣告計(jì)劃維度

周冰倩:廣告主視角下的信息流廣告算法探索

首先是廣告計(jì)劃維度, 上圖的上半部分圖列出了用戶從被廣告曝光到完單的整體鏈路。以哈啰車主拉新為例,一個(gè)新用戶需要經(jīng)過曝光、點(diǎn)擊/三秒曝光、注冊(cè)成為哈啰用戶、提交認(rèn)證成車主這幾步后,才能進(jìn)行完單行為。對(duì)于廣告主來說,完單才是最終能產(chǎn)生價(jià)值的行為。但目前對(duì)接的幾家比較大的渠道,都是以提交認(rèn)證成本來作為獲客成本?,F(xiàn)業(yè)務(wù)上一個(gè)痛點(diǎn)是提交認(rèn)證到完單的比例比較低,大概百分之二三十左右。這對(duì)廣告主是不利的,因?yàn)閺V告主花費(fèi)了錢來拉用戶,但用戶在端內(nèi)并沒有產(chǎn)生價(jià)值,這部分就是無效的預(yù)算。上圖中下半部分的圖,結(jié)合了廣告賬戶平臺(tái)結(jié)構(gòu)重新解釋了上面提到的業(yè)務(wù)痛點(diǎn)。平臺(tái)上面通用的廣告賬戶結(jié)構(gòu)是一個(gè)賬戶下包含著不同的廣告組,不同的廣告組又包含著不同的廣告計(jì)劃。

為了比較形象地表示從提交認(rèn)證到完單這部分比例比較低的情況,可以看一下上圖用紅框和藍(lán)框中的兩個(gè)廣告計(jì)劃。上面這個(gè)廣告計(jì)劃是質(zhì)量比較低的廣告計(jì)劃。下面的是質(zhì)量比較高的??梢钥吹竭@兩個(gè)計(jì)劃在提交認(rèn)證,也就是轉(zhuǎn)化這一步都假設(shè)有四個(gè)人轉(zhuǎn)化。但上面的這個(gè)計(jì)劃,只有一個(gè)人完單,完單率只有25%。而下面這個(gè)廣告計(jì)劃的完單率達(dá)到了75%。很明顯,下面這個(gè)廣告計(jì)劃的質(zhì)量比上面的質(zhì)量要高。針對(duì)這個(gè)問題,我們進(jìn)行了算法方案優(yōu)化的探索。

目前面臨的第一個(gè)挑戰(zhàn)是在線上起量的計(jì)劃的量級(jí)比較小。因?yàn)樗惴ńJ腔跀?shù)據(jù),如果能用的數(shù)據(jù)量少,就會(huì)直接影響到后續(xù)建模的精確度。第二個(gè)挑戰(zhàn)是我們不能獲得廣告平臺(tái)商的曝光點(diǎn)擊和競(jìng)價(jià)等明細(xì)數(shù)據(jù)。針對(duì)這兩個(gè)挑戰(zhàn),做了一個(gè)問題的轉(zhuǎn)化,從計(jì)劃質(zhì)量識(shí)別轉(zhuǎn)化為劣質(zhì)流量識(shí)別,再轉(zhuǎn)化為用戶完單率預(yù)估的問題。

因?yàn)槲覀兊挠脩舳际窃趶V告計(jì)劃下面轉(zhuǎn)化的,所以最初的目的是進(jìn)行計(jì)劃質(zhì)量識(shí)別。但因?yàn)閿?shù)據(jù)量等原因,將問題轉(zhuǎn)化成了劣質(zhì)流量識(shí)別。而對(duì)于廣告主來說劣質(zhì)流量可以定義成沒有產(chǎn)生價(jià)值的流量,所以問題就變成判斷用戶在提交認(rèn)證之后是否能夠完單。這樣問題會(huì)簡(jiǎn)單很多,且雖然他可能在端外是新用戶,但他在提交認(rèn)證之后,我們就可以取到他端內(nèi)的畫像數(shù)據(jù)特征,所以有足夠的數(shù)據(jù)來解決這個(gè)問題。

周冰倩:廣告主視角下的信息流廣告算法探索

上圖是完單模型的建模思路。由數(shù)據(jù)分析,樣本構(gòu)建,特征選取,模型訓(xùn)練四部分構(gòu)成。

在數(shù)據(jù)分析部分,我們通過分析發(fā)現(xiàn),大部分用戶從提交認(rèn)證到產(chǎn)生完單行為的時(shí)間間隔是在七天之內(nèi)的。如果超過七天他還沒有完單,那大概率上就不會(huì)完單了,就變成了剛剛提到的劣質(zhì)流量了。所以在樣本構(gòu)建部分,通過提交認(rèn)證之后,是否能在七天之內(nèi)完單這個(gè)邏輯來構(gòu)建正負(fù)樣本。上圖的submit_pt代表的是用戶提交認(rèn)證的時(shí)間。

但是車主能否完單,其實(shí)是受很多外部因素制約的。并且樣本的數(shù)據(jù)量也是比較小的,為了更貼合業(yè)務(wù)情況,進(jìn)行了數(shù)據(jù)增強(qiáng)操作。將原始的用戶維度采樣增強(qiáng)為以訂單維度采樣,具體為在用戶進(jìn)行提交認(rèn)證之后,將每次在發(fā)單頁面有過訪問或者點(diǎn)擊行為的日期作為基點(diǎn)來預(yù)測(cè)它之后七天內(nèi)完單的概率。

然后是特征選取部分。特征選取使用了用戶特征,環(huán)境特征,廣告特征,時(shí)間特征等特征。時(shí)間特征使用了用戶發(fā)生轉(zhuǎn)化到瀏覽的時(shí)間間隔作為特征。

模型選擇遵循了奧卡姆剃刀原理,選擇了簡(jiǎn)單高效的lightGBM。

2. 創(chuàng)意維度

周冰倩:廣告主視角下的信息流廣告算法探索

在實(shí)際的業(yè)務(wù)下,廣告優(yōu)化師會(huì)因?yàn)椴淮_定廣告投放效果,在不同的賬戶或者不同的計(jì)劃下面堆積大量相似創(chuàng)意,去測(cè)試其效果。這就導(dǎo)致線上會(huì)存在著大量的無效素材,他們并不能起量,但是會(huì)產(chǎn)生一些小額消耗,浪費(fèi)了預(yù)算。

并且相似的創(chuàng)意,因?yàn)椴煌馁~戶的歷史表現(xiàn)不一樣,所以廣告平臺(tái)的算法對(duì)相似創(chuàng)意預(yù)估出的分值可能會(huì)不一樣,針對(duì)這個(gè)問題這邊構(gòu)建了一個(gè)預(yù)估新創(chuàng)意能否起量的模型,來指導(dǎo)廣告優(yōu)化師后續(xù)的方案調(diào)整。決定創(chuàng)意能否起量的因素是質(zhì)量度。不同的渠道對(duì)質(zhì)量度有著不同的側(cè)重,從上方的表格可以看出,巨量引擎可能更側(cè)重于效果的反饋。廣點(diǎn)通更注重eCPM,百度則側(cè)重于定向方式。對(duì)于廣告主而言,定向方式和效果反饋是沒辦法干預(yù)的,所以更多的是干預(yù)eCPM。從上面列出的ecpm的公式可以看出,預(yù)估創(chuàng)意是否能夠起量,更多的是偏向于ctr方面。所以這邊列了三點(diǎn),定向,創(chuàng)意,“戶口”?!皯艨凇笔侵纲~戶的歷史表現(xiàn),比如說他在線上已經(jīng)投放了多少天,用戶的轉(zhuǎn)化和完單等數(shù)據(jù)。

周冰倩:廣告主視角下的信息流廣告算法探索

上圖展示了構(gòu)建模型的挑戰(zhàn),第一個(gè)挑戰(zhàn)點(diǎn)在最開始也介紹了,就是數(shù)據(jù)的制約,從左圖上的自定義列,可以看到廣告主能夠拿到的一些數(shù)據(jù),計(jì)劃的預(yù)算以及左圖上展現(xiàn)的數(shù)據(jù)都偏向于廣告計(jì)劃維度。對(duì)于一些數(shù)值信息,比如展現(xiàn)數(shù)據(jù),轉(zhuǎn)化數(shù)據(jù)等,廣告主所能夠拿到的數(shù)據(jù)也都是相對(duì)粗粒度的。由右圖所示,我們只能拿到這一條廣告計(jì)劃下面的消耗、展示量、點(diǎn)擊率等。針對(duì)用戶維度的詳細(xì)的數(shù)據(jù),比如曝光、參競(jìng)數(shù)據(jù)等,廣告主是拿不到的。

第二個(gè)挑戰(zhàn)是新創(chuàng)意只有剛配置完的配置信息,缺少后續(xù)投放的相關(guān)數(shù)據(jù)。

針對(duì)以上兩個(gè)問題,主要是在構(gòu)建樣本和特征工程兩個(gè)方面進(jìn)行解決的,針對(duì)新創(chuàng)意沒有相關(guān)投放數(shù)據(jù)的問題,解決方法是在樣本構(gòu)建時(shí)同時(shí)選取了新創(chuàng)意和老創(chuàng)意,新創(chuàng)意是能夠?qū)W習(xí)到配置特征的重要性。老創(chuàng)意可以學(xué)習(xí)到更偏向于右邊這張圖的投放特征。通過這個(gè)方式讓模型同時(shí)學(xué)到創(chuàng)意維度或者計(jì)劃維度的配置數(shù)據(jù)和一些投放的數(shù)值特征。

特征工程中主要應(yīng)用了特征交叉去獲取更多的數(shù)據(jù),由下圖所示:

周冰倩:廣告主視角下的信息流廣告算法探索

上圖就是特征工程,通過特征交叉解決了數(shù)值型數(shù)據(jù)比較少的問題。這張圖的左邊是創(chuàng)意ID,中間框出來的是特征工程比較核心的部分。主要是做了三部分內(nèi)容:

  • 第一部分是將ID特征使用word2vector產(chǎn)生ID特征序列。一個(gè)創(chuàng)意屬于一個(gè)計(jì)劃下。一個(gè)計(jì)劃則屬于一個(gè)廣告組下。所以從賬戶ID到廣告組ID到計(jì)劃ID,都是一對(duì)多的關(guān)系。而一個(gè)創(chuàng)意是由不同的素材構(gòu)成的,不同的素材包含著不同的視頻、封面、標(biāo)題等。針對(duì)這部分ID特征就是做了一個(gè)ID特征序列,將他們展成文本序列,然后使用word2vector轉(zhuǎn)化成向量。
  • 第二部分是針對(duì)投放的數(shù)值特征的處理方式。對(duì)于投放的數(shù)值特征部分以及配置參數(shù)特征部分,主要是進(jìn)行了不同維度的特征交叉,比如說一個(gè)創(chuàng)意ID和一個(gè)計(jì)劃ID交叉來拿到計(jì)劃ID下相應(yīng)的數(shù)值特征。在做了各種交叉之后,就拿到了不同的視頻、封面、標(biāo)題、計(jì)劃ID下面的數(shù)據(jù)特征。
  • 第三部分是針對(duì)廣告配置參數(shù)特征的處理方式。配置參數(shù)特征其實(shí)就是廣告在進(jìn)行投放時(shí)配置的定向參數(shù)的特征,比如說投放時(shí)間,用戶定向,投放城市等。處理方式與第二部分類似,也是經(jīng)過交叉拿到計(jì)劃的配置特征和創(chuàng)意的配置特征。

經(jīng)過這整個(gè)特征處理之后,會(huì)進(jìn)行模型訓(xùn)練,最后我們選擇了使用多分類模型。因?yàn)橐婚_始在解決這個(gè)問題時(shí),有嘗試過回歸,但回歸預(yù)測(cè)出來效果不是很好,MSE特別高,所以后面將問題轉(zhuǎn)化為多分類,相對(duì)來說多分類會(huì)比回歸效果好很多,準(zhǔn)確率也高很多。

周冰倩:廣告主視角下的信息流廣告算法探索

上圖是整體模型框架圖,從下至上展示了數(shù)據(jù)從輸入到輸出,下半部分就是前面特征工程的匯總,最下面是特征輸入,包括剛剛說過的數(shù)值特征,類別特征和ID特征。數(shù)值特征經(jīng)過歸一化,離散化后進(jìn)行embedding。類別特征也是進(jìn)行embedding。ID特征首先展成文本序列,然后經(jīng)過word2vector產(chǎn)生向量。然后embedding產(chǎn)生的向量和word2vector產(chǎn)生向量這兩部分同時(shí)輸?shù)侥P屠锩?,再?jīng)過一個(gè)concat層,最后使用softmax輸出不同類別的概率。

周冰倩:廣告主視角下的信息流廣告算法探索

上圖是人工賬戶與算法操作賬戶的效果數(shù)據(jù)對(duì)比。藍(lán)色的是人工賬戶,橙色的是算法操作賬戶。由圖所示,不管是在轉(zhuǎn)化成本或者首單成本,算法操作賬戶提升比較高的,大概能夠降低到10~20%左右,效果還是比較顯著的。

3. 競(jìng)價(jià)前預(yù)判機(jī)制

周冰倩:廣告主視角下的信息流廣告算法探索

這個(gè)機(jī)制更偏向于前置策略,也就是說一個(gè)用戶過來,我們能夠決定對(duì)這個(gè)用戶到底進(jìn)不進(jìn)行曝光,或者說有一些其他的干擾用戶質(zhì)量分。

從上方的左圖大家可以看到,現(xiàn)在業(yè)界比較主流的針對(duì)老客拉活的操作是RTB,RTB電商做的比較多。而對(duì)于新客主要是做RTA,因?yàn)镽TA更偏向于流量屏蔽。對(duì)于老客和新客都適用的就是中間的交叉部分增強(qiáng)RTA,現(xiàn)在比較主流的媒體,像騰訊,頭條等都有接口能夠支持的。針對(duì)中間交叉部分,我們使用了因果推斷的uplift模型構(gòu)建了促活模型。

在構(gòu)建樣本時(shí)考慮到了用戶意愿,選取選信息流廣告下轉(zhuǎn)化的用戶為正樣本,自然轉(zhuǎn)化的用戶為負(fù)樣本。uplift分值可以體現(xiàn)用戶的意愿度,它是有需要外部的廣告激勵(lì)才能轉(zhuǎn)化,還是它本身就有意愿轉(zhuǎn)化。公式里的T代表是否存在廣告干預(yù)。然后依據(jù)uplift的分值從0到5將用戶進(jìn)行分檔,0是已經(jīng)轉(zhuǎn)化的用戶,這部分用戶我們會(huì)直接屏蔽掉,不會(huì)對(duì)他們出價(jià)。1是自然轉(zhuǎn)化,2~4為營(yíng)銷敏感度低、中、高用戶,5是新用戶,因?yàn)槲覀儧]有辦法拿到新用戶的數(shù)據(jù),所以我們會(huì)返回最高的用戶質(zhì)量分。這個(gè)機(jī)制實(shí)現(xiàn)了用戶價(jià)值分層階梯出價(jià)買量,線上效果降本明顯。

04

未來方向

下面從前置策略和線上投放兩方面介紹我們的未來規(guī)劃。

周冰倩:廣告主視角下的信息流廣告算法探索

前置策略拉新場(chǎng)景下的后續(xù)目標(biāo),更偏重于精準(zhǔn)屏蔽的模型,目前我們只是針對(duì)端內(nèi)已經(jīng)轉(zhuǎn)化的用戶進(jìn)行屏蔽,當(dāng)我們接入曝光數(shù)據(jù)后,就可以深入挖掘曝光數(shù)據(jù)來制定策略,例如一個(gè)用戶最大曝光次數(shù)等,來進(jìn)行精準(zhǔn)屏蔽。拉活場(chǎng)景下的用戶投放更側(cè)重于RTB,因?yàn)槟壳肮脩趔w量比較大,也有足夠的數(shù)據(jù)支撐去做RTB。

規(guī)劃的第二個(gè)方向是全自動(dòng)線上投放,閉環(huán)管理。通過算法來選擇最優(yōu)方案構(gòu)建創(chuàng)意和計(jì)劃,減少人工手動(dòng)配置。進(jìn)行不同創(chuàng)意不同計(jì)劃之間的預(yù)算分配,以達(dá)到廣告計(jì)劃ROI最大為目的設(shè)置用戶定向。

右邊這張大圖可以看成是整個(gè)規(guī)劃的概覽圖。里面左下角的小圖是算法能力的建設(shè),包括出價(jià)管理,跨渠道管理,RTB預(yù)算分配,DPA等。右邊的小圖列出了算法能力的技術(shù)支撐,包括uplift,強(qiáng)化學(xué)習(xí),在業(yè)務(wù)場(chǎng)景內(nèi)融入業(yè)界比較成熟的ctr算法,以及使用CV相關(guān)算法實(shí)現(xiàn)素材的創(chuàng)新,針對(duì)不同的用戶展示不同的素材。

05

精彩問答

Q:如果存在多業(yè)務(wù)拉活,怎么去避免惡性競(jìng)爭(zhēng)抬價(jià)呢?

A:不同業(yè)務(wù)針對(duì)的人群大概率是不一樣的。比如做四輪車主拉新的人群一定是有車人群。如果是兩輪業(yè)務(wù)拉新,那么更偏向的是沒有車的人群。在不同的業(yè)務(wù)線針對(duì)的用戶不一樣的情況下,中間的交叉應(yīng)該不會(huì)特別嚴(yán)重。

Q:相似素材為什么在不同賬戶下的表現(xiàn)會(huì)不同呢?

A:因?yàn)槠脚_(tái)方會(huì)從很多方面來判斷是否要給一個(gè)計(jì)劃或者一個(gè)素材放量。舉個(gè)例子來說,一個(gè)在線上已經(jīng)跑得比較好的賬戶,它下面會(huì)有很多的用戶轉(zhuǎn)化,如果拿他跟一個(gè)剛起量的賬戶對(duì)比,那平臺(tái)的側(cè)重一定是不一樣的。所以相同的素材在線上跑得比較穩(wěn)定的計(jì)劃下和在線上剛跑的計(jì)劃下,肯定是在比較穩(wěn)定的計(jì)劃或者賬戶下更容易起量。

Q:在未來規(guī)劃的那頁P(yáng)PT中,拉活部分的潛客模型是準(zhǔn)備通過RTB而不是RTA來達(dá)到的?

A:RTB和RTA從本身的概念講是不可以互相替換的,RTB是一個(gè)實(shí)時(shí)競(jìng)價(jià)的框架,而RTA只是一個(gè)接口,這頁P(yáng)PT主要想表達(dá)的意思是將RTB的核心功能點(diǎn)集成到RTA里面,通過RTA的接口,來實(shí)現(xiàn)實(shí)時(shí)競(jìng)價(jià)。

今天的分享就到這里,謝謝大家。

本文經(jīng)授權(quán)發(fā)布,不代表增長(zhǎng)黑客立場(chǎng),如若轉(zhuǎn)載,請(qǐng)注明出處:http://gptmaths.com/cgo/market/62673.html

(0)
打賞 微信掃一掃 微信掃一掃 支付寶掃一掃 支付寶掃一掃
上一篇 2022-03-29 11:15
下一篇 2022-03-29 11:27

增長(zhǎng)黑客Growthhk.cn薦讀更多>>

發(fā)表回復(fù)

登錄后才能評(píng)論