广告投放对现代企业来说是业务增长的重要一环 , 投放效果对企业的短期影响是推广成本的高低 , 长期对企业市场地位有决定性的影响。广告投放的核心目标是通过合理的成本获取目标用户 , 从而实现商业价值。在实际操作中 , 平衡投放成本和客户生命周期价值 ( LTV ) 是最为关键的环节。

　　落地场景

　　AI 技术本身内涵丰富 , 准确地说 , 在本文中讨论的是机器学习技术在广告行业中的应用。在广告投放领域 ,AI 技术的价值落地点可以归结为如下几个方面 :

　　用户洞察

　　在用户洞察方向上 ,AI 技术的落地点主要在 DMP 系统构建、用户定向分析、用户聚类、用户相似度扩展等方向。具体而言 , 通过机器学习技术 , 企业可以基于用户行为等业务数据建立复杂的标签系统描述用户的兴趣爱好。实际应用中基于 AI 算法生成的不可解释的标签体系往往对用户的兴趣描述能力更强。

　　通过 AI 机器学习打通多源数据 , 可以更好地进行跨屏用户识别与定向。同时 , 用户属性可能会随着时间推移快速变化 , 因此可以用 AI 算法来自我跟进变化。基于对潜在人群的洞察 , 通过支持人群扩展、相似度计算 , 达到更好地理解用户、洞察用户的效果。

　　【ZTouch 科技触达人心】

　　创意的生成

　　创意是广告的核心组成部分之一 , 创意的好坏极大地影响广告的投放效果和转化成本。在广告创意领域 , 通过应用 AI 算法 , 企业将获得创意优化及自动生成、综合调优等能力 : 通过对已有素材的训练和学习 , 能够自动生成创意 , 降低人工成本 , 提升生产效率 ; 通过智能投放 , 进行多组素材的测试 , 针对不同用户投放最优素材。

　　智能投放

　　在智能投放方向上 , 基于 AI 技术可以完成点击率预估、转化率预估、在线实时用户广告行为预测 , 通过机器学习系统设定的目标达成平台收益最大化或者广告主收益最大化。

　　直投媒体平台广告引擎的各种智能竞价系统都是 AI 技术的典型应用。基于 OCPX 出价的模式预估用户对每个广告的点击率、转化率和个性化出价已经变成目前信息流直投广告的主要竞价模式。广告主 / 广告代理使用 AI 技术可以更精准的刻画用户画像 , 实现精准人群细分 , 寻找创意投放组合 ; 同时 , 基于机器学习算法去优化点击率、转化率预估模型和智能出价模型等。

　　效果跟踪和归因分析

　　在广告投放的效果分析和归因方面 , 应用 AI 技术可以做到智能优化 , 并给出效果分析结论和预测。在不合理流量的过滤、反作弊、风险控制、投放转化的归因等多个领域 ,AI 技术均有实际价值场景。

　　2. 现实中的痛点

　　只有拥有了准确的用户画像、合理高效的创意生成技术 , 渠道本身触达精准 , 并且投放过程中可以精确识别虚假流量、作弊信息 , 广告投放效率才能够令人满意。然而 , 即使把以上这些方面都做到位了 , 仍然不足以完全克服现实投放中会遇到的所有问题 :

　　买不到想要的流量

　　同一个客户往往会在不同媒体进行广告投放 , 而各个平台的广告系统差异巨大。实际上 , 即使是简单的广告计划、广告组等基础广告组织结构在现实中也不存在统一的行业标准。此外 , 即使同一个媒体方 , 其内部也存在不同广告投放平台之间分裂、合并、又分裂的情况。复杂的广告投放环境对于广告优化师提出了极高的要求 , 优化师必须要有各种平台的使用经验。

　　虽然媒体方会基于 AI 技术建立各种词包、人群包、丰富的定向条件帮助客户进行人群定向 , 然而在现实中广告主往往还是经常获取不到真正优质的流量。比如在联盟流量当中 , 媒体核心产品的流量差异巨大。面对这种情况 , 有经验的优化师往往会先在优质流量上磨练成熟的创意 , 待得到稳定转化之后才敢于在联盟流量上进行下一步投放。

　　不可控的投放成本

　　尽管现在的广告系统在诸如广告召回、意图触发、意图识别、创意优化精选、点击率预估、转化率预估等几乎每一个环节都引入了 AI 技术进行优化 , 但是对于客户而言 , 在如此复杂的广告系统当中 , 每一个引入了机器学习的环节都需要数据的喂养。然而 , 广告系统的数据都是用真金白银竞价获得的。让广告系统学习到广告的特征 , 都需要依赖广告投放的前期消耗 , 这往往造成转化成本不可控 , 甚至是转化成本不可接受的情况。

　　此外 , 更重要的是 , 因为广告投放系统每个环节同时存在 AI 的逻辑控制和优化师的人工操作痕迹 , 因此 , 必须保证人工条件、素材 , 还有 AI 系统三者的 trade off 达到平衡才能获得理想的结果。

　　无处安放的创意

　　广告主和优化师每天除了关注预算和 ROI 之外 , 最关心的就是广告计划本身的素材细节 : 文案标题要足够劲爆 , 解压产品的图文视频要足够解压 , 文娱的图文视频要有足够娱乐性。同时 , 创意或者说更底层的广告物料也是广告主最切实的烦恼 : 如果没有足够的信息提示 , 创新性的素材、抓眼球又足够专业的广告素材从何而来 ?

　　3.AI 技术能够带来的三大变革

　　首先 , 准确描述目标人群。

　　" 追求最大化投放效率 , 只为目标人群付费 " 永远是广告主的终极诉求。相比于平台或代理 , 越来越多的广告主开始关注自身的数据能力 , 着手最大化自身数据的价值。其中常见做法包括建立自己的用户画像体系、标签体系、兴趣偏好、转化偏好等等。但是从行业角度看 , 企业内部数据受到平台方生态的限制 , 比如平台提供不同应用程序的 Open ID, 多为互相独立无法打通 , 即使使用联合 ID, 也局限于企业内部。不管是游戏行业、美妆行业 , 还是金融行业 , 对全网用户画像的渴求都溢于言表。用户细粒度数据 , 尤其是可以全网打通的用户数据是这个时代最重要的资产。

　　随着用户隐私的保护机制越来越严格 , 端上可直接采集的用户信息越来越少 , 全网用户画像数据的建立正在变得越来越困难 , 远如 "IMEI 值禁止采集 ", 近如 IOS IDFA 的 " 默认不开启 "。

　　国内亿级用户的超级 APP 诸如抖音、快手、微信 , 未来将以类似于基础设施一般的作用出现在越来越多的场景中。越是大企业 , 数据能力越强 , 积累的数据将越多。但是这并不表示普通企业将束手无策 , 因为广告主拥有媒体大平台所缺少的深度转化数据。这当中就包括了常见画像字段的三种基本分类属性 :

　　1. 天然属性。天然属性通常也可以叫做元数据、meta 数据 , 比如人的年龄、性别、昵称等等 , 是画像字段中最基础的数据 , 也是最通用的字段。对于很多行业来说 , 这些基础字段就是他们理解的画像数据 90% 的内涵。

　　2. 统计属性。统计类的属性字段 , 通常与业务有相关性 , 比如用户过去 3 个月购买的 10 个头部商品类别、最近 7 天搜索词的倒排截断列表、用户 3 个月内观看次数最多的主播 ID 列表。统计类属性通常与用户兴趣相关 , 可以连接用户和业务场景。

　　3. 机器学习属性 , 或者叫做机器学习的预测属性、特征列表。此类属性可解释性最差 , 却是对于具体的业务场景理解最深刻的部分 , 比如基于机器学习技术给用户单独建立的特征向量、用户的搜索词的向量化表示。此类特征是机器学习技术的中间结果 , 将直接支持模型执行在线预测和计算。相比较于前两者 , 基于机器学习技术构造的画像字段正在日益丰富 , 仅仅是向量化技术便层出不穷 , 从 Deepwalk、LINE 再到浅层网络、深层网络等均以输出向量为目标。

　　实践中 ,ZTouch 常使用前两者作为业务规则和干预条件 , 使用每个用户特有的向量化表示进行在线机器学习的预测。

　　【ZTouch 数智实力地图】

　　其次 , 优化投放成本。

　　使用机器学习精确描述目标人群 , 这是一项耗费资源很大的、长期而且持续的工作 , 但是仅凭这一项工作还不能支持商业逻辑。有了模型数据基础和目标人群的向量化表示 , 还需要有实际模型生效的场景 , 机器学习的 " 预测 " 步骤必须嵌入到广告投放的核心流程中才可以保证投放成本。这里就不得不提到最近才出现的广告投放技术 RTA。

　　传统 RTB 模式 , 和 RTA 技术本质上都是给广告主决策权。相比于程序化广告 RTB+ADX 模式中的媒体方画像数据基本不起作用 ,RTA 兼顾广告主和媒体方的决策能力 , 在直投广告的基础上允许广告主自行决定是否参与竞价 , 并可以基于用户价值的判断做到每次曝光的个性化出价。

　　广告主使用 RTA 投放 , 自身数据越全面 , 则机器学习能力越强、判断越精准、投放成本越低。在这种情况下 , 广告主在具体决策时 , 由浅入深可以运用几种决策方式 ::

　　基于规则基于业务逻辑和行业知识基于机器学习模型预测

　　第一种决策方式很容易理解。广告主如果自己收集了历史用户列表 , 可以依据当前设备 ( 用户 ) 是否有安装过 APP、是否属于活跃用户的规则来决定是否参与竞价 , 进行基础的分层拉新拉活操作。依赖于广告主侧的业务数据 , 即使是简单规则干预仍然可创造可观的投放成本优化空间。

　　第二种决策方式则是在第一种方式上引入了三方数据和自身业务逻辑数据。对于金融广告主 , 第三方数据包括征信信息、该用户 / 设备是否经常在 " 薅羊毛 " 黑名单上、是否是虚拟设备等等。对于电商广告主 , 则需要知道该用户上个月是否刚买了新电脑 , 如果答案为 " 是 ", 那么目前的电脑相关广告就没有曝光的价值了。相对来说 , 第二种决策逻辑比第一种要求的数据更多 , 而且难度大 , 要求广告主有数据能力。

　　第三种方式依赖机器学习模型及业务数据进行决策 , 对 RTA 客户的自身能力要求最高 , 不但要有完整的大数据能力 , 还要具备高 QPS 压力下快速模型预测的能力。ZTouch 团队曾创立并服务过多款日活用户千万级的短视频产品 , 具备日处理 10P 级样本训练模型、秒级实时更新模型的实力 , 有能力帮助客户对接各主流广告平台。

　　总体来说 , 优化投放成本必须使用广告主自身的数据。广告主有 AI 模型能力针对每一次曝光竞价进行逐一甄别将是未来的发展趋势 , 机器学习技术必将在其中大放异彩。

　　第三 , 持续产出优质广告。

　　广告主面对的最后一个现实层面的问题就是 : 如何持续产出优质广告。这涉及的影响因素太多 ,AI 技术在其中可以支撑的价值点有 :

　　1. 技术门槛突破 , 让广告更加原生、用户体验更好 , 图像技术、语音技术均有用武之地。

　　2. 过程指标预测 , 基于现有广告素材进行打分或点击预测。

　　3. 基于数据挖掘技术进行优质创意的预测和甄选。

　　【ZTouch 广告数智投放平台达尔文 ( Darwin ) 的六大特性】

　　AI 技术已应用于热门创意的快速发现 , 以及通过组合现有元素生成更加新颖的创意。ZTouch 结合自身的 AI 模型能力 , 赋能广告代理商和广告主 , 帮助他们实现高效且精准的智能广告投放。ZTouch 自研的广告智能投放平台 " 达尔文 ( Darwin ) " 提供统一的 TD 界面、自动化阶梯出价、快速的批量创建 , 综合了所有可以提升优质创意的发现技术 , 实现机器学习和大数据能力在信息流广告直投领域的价值落地。本文作者 :ZTouch CEO 长风

　　2021 年是 ZTouch 高速发展的一年 , 备受客户认可的同时业务也在大幅增长 , 急需大量想创业的小伙伴加入 , 一起打造全球化 AI 人工智能尖端品牌 , 做企业数智化挚爱伙伴 , 智领创新 , 共创未来 ! 目前招聘职位有 : 推荐算法工程师、NLP 算法工程师、推荐系统工程师、后端开发工程师、Web 前端开发工程师、广告产品经理等职位。

　　关于新生代数智伙伴 ZTouch

　　ZTouch 是北京中量质子网络信息科技有限公司为新生代企业打造的数智化服务平台 , 以洞见人性的 AI 科技与应需而变的灵活服务 , 协助企业构建企业数智中枢 , 到达企业末梢神经 ; 以最低成本、最高效率 , 实现企业以数据驱动、智能决策达成企业战略目标。帮助企业触达用户的心 , 更深更广运营用户的消费体验 , 提升满意度、增加忠诚度 ,ZTouch 是可以与企业并肩作战 , 值得信赖的数智伙伴 !