5分钟，带你了解程序化广告的运作流程

如今，广告行业呈现出向移动互联网靠拢的趋势，先是广告学中的千人千面”的概念提出，再到如今的程序化广告进程，精准度成为了如今广告行业衡量投放效果的一大指标。

本文将从程序化广告说起，通过介绍程序化广告，一览如今广告行业发展的总体趋势。

一、什么是程序化广告？

程序化广告（Programmatic Advertising）是指广告主通过数字平台，从受众匹配的角度由程序自动化完成展示类广告的采买和投放，并实时反馈投放分析的一种广告投放方式，实现了整个数字广告的自动化。

举个例子：

A，一名互联网公司的男程序员，30岁。当他打开今日头条时，他发现广告页中显示的是一个跟脱发、增发”的广告。

B，一名职场女性，24岁。同样在打开今日头条时，她发现给她推荐的则是一款刚刚出新品的SK-II神仙水”广告。

所谓的精准投放”，便是针对用户的基本信息进行相关的广告推送。正如上面例子一样，一名30岁的男程序员在高压的工作下很有可能会面临脱发的风险，因此他便是是脱发广告主的首选投放对象。而相比之下，24岁的职场女性更加在意自己的外貌打扮，SK-II神仙水的广告主或许认为推荐护肤品给她是一个不错的选择。

从定义中，我们可以分解出几个具体的词进行讨论：

1. 数字平台

通过DSP和AD Exchange撮合广告。

DSP又称需求方平台, 该平台汇集了各种广告交易平台、广告网络、供应方平台，甚至媒体的库存。有了这一平台，就不需要再出现另一个繁琐的购买步骤——购买请求。

而AD Exchange则是一个开放的、能够将媒体主和广告商联系在一起的在线广告市场（类似于股票交易所）。

DSP与AD Exchange的关系，如同买菜的人（DSP）在菜市场（AD Exchange）里寻找摆摊的菜贩子一样。

2. 受众角度

购买的是受众，而不是广告位，广告的策略是从受众匹配的角度出发。

千人千面”的精准投放要求需要广告主以用户为中心，定位目标人群。广告位对于精准投放来说只是一个次要条件，广告主所关心的是自己的广告是否能投给对”的人。

3. 程序自动化

程序自动化，根据媒体主提供的信息，依据广告策略和算法自动完成出价，返回都是毫秒级别。

就像你突然点开一个APP弹出的广告一样，在你打开的那一瞬间，程序化广告的运作已经完成了。这中间包括了许多工序：用户将信息传给供应方平台（SSP），供应方平台再将信息迅速发给需求方平台（DSP），需求方平台做出竞价选择，最后通过竞价结果将广告返回给用户。这些过程一共不超过1s。

为了让大家更好地理解，以下便是程序化广告运作的一个基本流程图：

二、程序化广告的优势

精准是程序化广告投放的一个大优势。

在先前传统的互联网广告中，广告主购买的是广告位，而现在程序化广告购买的是人”，是被贴上了各种定向标签的目标人群。这些标签可能是用户的设备型号、使用时间、兴趣爱好等不同的组合。

精准度的提升意味着更接近广告的目标人群，向这些目标人群投放广告，避免了广告主将资金花费在非目标用户上，从而造成不必要的成本浪费。

三、品牌方如何投放程序化广告？

品牌方在程序化广告投放中最关注的话题有：

品牌广告考核指标有哪些？如何保障品牌安全？如何实现透明程序化？品牌广告第三方技术服务供应商都有哪些？RTB+PDB与传统投放相比有什么优势？ 1. 品牌广告考核指标

品牌广告的KPI评估主要围绕广告效果、成本收益和投放保障三大方面。

（1）广告效果：衡量用户活跃度和对广告的接受度。从广告效果的层次来说，传播效果可以用广告曝光维度衡量；心理效果一般很难直接评估，但是可以通过用户的行为效果进行衡量；行为效果可以从落地页/网站/APP访问以及用户互动角度进行考核。

（2）成本收益：衡量广告投放整体消耗、各渠道等维度的性价比。

（3）投放保障：一般是衡量广告投放的真实性和安全性，用于保障广告效果以及成本收益。

2. 品牌安全

由于品牌广告宣传的是品牌的美誉度，因此对投放环境的要求非常高。比如品牌广告不允许出现在色情网站、敏感时事新闻等媒体上，否则用户可能会对此品牌产生负面印象，严重时还会影响品牌形象。

3. 透明程序化

这是目前品牌广告主最关心的一点，透明度跟需求方对供应商的信任度紧密联系着。

例如：宝洁全球宣布给数字营销费用加以限制条件——采用MRC广告可见性标准。这要求着平台必须支持第三方验证，并向透明的代理合同”迈进，加之合作伙伴必须获得TAG（Trustworthy Accountability Group）认可。

由此可见，透明程序化将成为品牌程序化广告购买的大趋势。进行程序化广告投放时，应在不同环节采取相应的透明措施。

4. 第三方技术服务供应商

常见的广告服务和数据管理的供应商表格如下。其中，秒针、AdMaster、Adobe属于专业监测服务公司；艾瑞、DCCI、尼尔森属于第三方调研公司。

（图片来自执牛耳传媒）

5. RTB+PDB与传统投放相比有什么优势？

品牌广告主一般有排期购买优质流量和控制预算的需求，RTB和PDB各有优点和缺点：

RTB可以随时挑量，但是买的是库存流量，价格、质量以及能买到的展示量级都无法确保；PDB可以采购优先流量，确保排期，但是有限的订单流量可能无法满足投放KPI。

因此，很多时候需要RTB和PDB结合投放，保持优势的前提下，还可以互补不足。

综上所述，程序化广告的出现打破了以往传统广告的限制，真正实现了广告千人千面”的精准投放。

那么，如何继续地深入程序化广告生态，优化广告投放方案呢？

下一篇文章我将会给出答案。

本文由 @8823 原创发布于人人都是产品经理。未经许可，禁止转载

计算广告中常用的几种方法

1.CTR预估

CTR预估是计算广告中最核心的算法之一，那么CTR预估是指什么呢？简单来说，CTR预估是对每次广告的点击情况做出预测，预测用户是点击还是不点击。具体定义可以参考 CTR. CTR预估和很多因素相关，比如历史点击率、广告位置、时间、用户等。CTR预估模型就是综合考虑各种因素、特征，在大量历史数据上训练得到的模型。CTR预估的训练样本一般从历史log、离线特征库获得。样本标签相对容易，用户点击标记为1，没有点击标记为0. 特征则会考虑很多，例如用户的人口学特征、广告自身特征、广告展示特征等。这些特征中会用到很多类别特征，例如用户所属职业、广告展示的IP地址等。一般对于类别特征会采样One-Hot编码，例如职业有三种：学生、白领、工人，那么会会用一个长度为3的向量分别表示他们：[1, 0, 0]、[0, 1, 0]、[0, 0, 1]. 可以这样会使得特征维度扩展很大，同时特征会非常稀疏。目前很多公司的广告特征库都是上亿级别的。

2.DNN

深度神经网络(DNN)近年来在图像、语音、自然语言等领域大放异彩，特别是在图像分类、语音识别、机器翻译方面DNN已经超过人，精度已经达到商业应用程度。不过，DNN在CTR预估这种场景的应用却仍在摸索中。图像、语言、自然语言领域的数据一般是连续的，局部之间存在某些结构。比如，图像的局部与其周围存在着紧密的联系；语音和文字的前后存在强相关性。但是CTR预估的数据如前面介绍，是非常离散的，特征前后之间的关系很多是我们排列的结果，并非本身是相互联系的。

3.Embeding

Neural Network是典型的连续值模型，而CTR预估的输入更多时候是离散特征，因此一个自然的想法就是如何将将离散特征转换为连续特征。如果你对词向量模型熟悉的话，可以发现之间的共通点。在自然语言处理(NLP)中，为了将自然语言交给机器学习中的算法来处理，通常需要首先将语言数学化，词向量就是用来将语言中的词进行数学化的一种方式。

一种最简单的词向量方式是one-hot，但这么做不能很好的刻画词之间的关系(例如相似性)，另外数据规模会非常大，带来维度灾难。因此Embeding的方法被提出，基本思路是将词都映射成一个固定长度的向量(向量大小远小于one-hot编码向量大些)，向量中元素不再是只有一位是1，而是每一位都有值。将所有词向量放在一起就是一个词向量空间，这样就可以表达词之间的关系，同时达到降维的效果。

既然Embeding可以将离散的词表达成连续值的词向量，那么对于CTR中的类别特征也可以使用Embeding得到连续值向量，再和其他连续值特征构成NN的输入。下图就是这种思路的表达。

因此问题的关键就是采用何种Embeding技术将离线特征转换到离线空间。

3.1 FM Embeding

Factorization Machine是近年来在推荐、CTR预估中常用的一种算法，该算法在LR的基础上考虑交叉项，如下面公式所示：

FM在后半部分的交叉项中为每个特征都分配一个特征向量V，这其实可以看作是一种Embeding的方法。Dr.Zhang在文献[1]中提出一种利用FM得到特征的embeding向量并将其组合成dense real层作为DNN的输入的模型，FNN。FNN模型的具体设计如下：

Dr.Zhang在模型中做了一个假设，就是每个category field只有一个值为1，也就是每个field是个one-hot表达向量。field是指特征的种类，例如将特征occupation one-hot之后是三维向量，但这个向量都属于一个field，就是occupation。这样虽然离散化后的特征有几亿，但是category field一般是几十到几百。 模型得到每个特征的Embeding向量后，将特征归纳到其属于field，得到向量z，z的大小就是1+#fields * #embeding 。z是一个固定长度的向量之后再在上面加入多个隐藏层最终得到FNN模型。

Dr.Zhang在FNN模型的基础上又提出了下面的新模型PNN. PNN和FNN的主要不同在于除了得到z向量，还增加了一个p向量，即Product向量。Product向量由每个category field的feature vector做inner product 或则 outer product 得到，作者认为这样做有助于特征交叉。另外PNN中Embeding层不再由FM生成，可以在整个网络中训练得到。

3.2 NN Embeding

Google团队最近提出Wide and Deep Model。在他们的模型中，Wide Models其实就是LR模型，输入原始的特征和一些交叉组合特征；Deep Models通过Embeding层将稀疏的特征转换为稠密的特征，再使用DNN。最后将两个模型Join得到整个大模型，他们认为模型具有memorization and generalization特性。 Wide and Deep Model中原始特征既可以是category，也可以是continue，这样更符合一般的场景。另外Embeding层是将每个category特征分别映射到embeding size的向量，如他们在TensorFlow代码中所示：

deep_columns = [

tf.contrib.layers.embedding_column(workclass, dimension=8),

tf.contrib.layers.embedding_column(education, dimension=8),

tf.contrib.layers.embedding_column(gender, dimension=8),

tf.contrib.layers.embedding_column(relationship, dimension=8),

tf.contrib.layers.embedding_column(native_country, dimension=8),

tf.contrib.layers.embedding_column(occupation, dimension=8),

age, education_num, capital_gain, capital_loss, hours_per_week]

4.结合图像

目前很多在线广告都是图片形式的，文献[4]提出将图像也做为特征的输入。这样原始特征就分为两类，图像部分使用CNN，非图像部分使用NN处理。 其实这篇文章并没有太多新颖的方法，只能说多了一种特征。对于非图像特征，作者直接使用全连接神经网络，并没有使用Embeding。

5.CNN

CNN用于提取局部特征，在图像、NLP都取得不错的效果，如果在CTR预估中使用却是个难题。我认为最大的困难时如何构建对一个样本构建如图像那样的矩阵，能够具有局部联系和结构。如果不能构造这样的矩阵，使用CNN是没有什么意思的。 文献[5]是发表在CIKM2015的一篇短文，文章提出对使用CNN来进行CTR预估进行了尝试。 一条广告展示(single ad impression)包括：element = (user; query; ad, impression time, site category, device type, etc) 用户是否点击一个广告与用户的历史ad impression有关。这样，一个样本将会是(s, label) ，s由多条l组成(数目不定)

作者提出CCPM模型处理这样的数据。每个样本有n个element，对每个element使用embeding 得到定长为d的向量ei∈Rdei∈Rd，再构造成一个矩阵s∈Rd?ns∈Rd?n，得到s矩阵之后就可以套用CNN，后面的其实没有太多创新点。

6.RNN

考虑搜索场景下的CTR预估，如果考虑历史信息，如可以将一个用户的历史ad impression构成一个时间序列。RNN非常适合时间序列的场景，如语言建模等。这篇 发表在AAAI2014将RNN模型引入CTR预估。作者首先在数据集上验证了用户的点击行为与之前的ad impression历史有关联：

如果用户在之前的impression很快离开广告页面，那么将会在接下来一段时间内不会点击类似的广告。如果用户最近有过与广告相关的查询，那么接下来点击相关广告的可能性会大幅提升。

前面的两种行为还可能随着间隔时间的增加而不是那么相关。当前关联不止这些，而且人工难以刻画，需要模型来自动提取。RNN模型对此类问题非常适用，作者的主要工作是将数据集构造成适合RNN的输入（即对用户的历史ad impression根据时间排序），对模型本身并没有改进。

参考文献

1.Deep Learning over Multi-field Categorical Data – A Case Study on User Response Prediction

2.Product-based Neural Networks for User Response Prediction

3.Wide & Deep Learning for Recommender Systems

4.Deep CTR Prediction in Display Advertising

5.A Convolutional Click Prediction Model

最后，给大家推荐一个我平时在用的机器学习交流社区——八斗问答”(微信小程序搜索)。围绕深度学习、机器学习等主题展开，有很多高校教授、博士生、工程师入驻，免费在线解答疑惑。