2017年程序化廣告總結及趨勢展望

本文是智子云CEO朱建秋博士在GDMS的演講內容,總結了2017年程序化的現狀,解讀多元化的趨勢,提出用AI提升人工運營效率、聯接互不相通的“圍墻花園”式媒體平臺、變革數據售賣模式的觀點。

國內程序化廣告市場發展趨勢

2017年即將過去,國內程序化廣告市場已歷經了五年的風風雨雨,朱博士首先總結了國內程序化廣告市場逐漸呈現的幾個明顯趨勢:

1) 從宣傳方面來看,單純的DSP和RTB已不再是市場宣傳的熱點,程序化廣告市場開始回歸理性;

2) 在數據層面,獨立的第三方數據供應商 (DMP) 日漸增多,第三方數據的規模在快速增長;

3) 大媒體紛紛自建程序化交易市場和私有的廣告投放平臺,形成各類圍墻花園市場;

4) 從廣告形式來看,信息流、短視頻、OTT等各類新型廣告形式快速增多;

5) 隨著線上和線下融合的帷幕開啟,如何打通線下和線上用戶數據,突破并拓展數字營銷邊界,成為市場和技術的關注熱點。

總的來說,整個程序化廣告生態已經從單一的“DSP+公共RTB市場”向多元化方面發展, 一方面,廣告主們在數據采購、媒體購買、廣告形式和用戶觸達等各方面擁有了更為豐富的規劃選項,另一方面,多元化也對廣告主的規劃和統籌優化能力提出了更大的挑戰。

迎接多元化的機遇和挑戰

在多元化生態的背景下,廣告主和廣告代理公司在投放規劃方面不再局限于僅有的幾個途徑,而擁有了更多的靈活性,但與此同此,朱博士提醒大家,多元化也帶來了人人各自為政的“圍墻花園”。

挑戰分為兩個方面,在用戶數據方面,雖然供應商數量眾多,但質量卻良莠不齊,價格體系尚不夠透明和規范,數據的篩選和應用成為一個很大的挑戰;在廣告資源方面,各大媒體紛紛自建交易市場和投放平臺,并與幾大公共交易市場一起,形成群雄割據的局面。廣告主必須在協調、集成和優化方面投入可觀的成本。


如何幫助廣告主應對這些挑戰,進一步提高程序化廣告購買的效率,是程序化廣告購買技術下一步的發展方向。智子云認為一個基于AI的泛程序化廣告購買的技術框架是解決這個問題的良好方法。泛程序化廣告購買包括了原先的程序化購買,但把程序化技術應用于更大的廣告購買流程,如數據采購、多平臺集成和自動化運營等。泛程序化購買與程序化購買在本質上是一致的:自動化。

挖掘多元化大數據的價值

程序化廣告的數據環境中效率最高的數據是第一方數據,應用是再營銷或重定向(Remarketing & Retargeting ),但第一方數據有兩個缺陷,一是數據量不大,二是維度比較少。第二方數據是手工選擇和組合標簽的線上廣告投放的數據,總的來說,依靠手工選擇和組合標簽來選擇人群的效果并不夠理想。數據環境隨著移動互聯網的發展出現變化,一些獨立的數據提供商逐漸增多,這些數據可能來自于第三方DMP,或某個APP或者運營商等,眾多的數據供應商希望數據能產生應有的價值。

2017年下半年,利用探針獲取線下人群的數據,再通過大數據打通線上行為的方式,開始引起廣告主的注意。這種方式能夠對線下訪客做再營銷,朱博士表示,其本質可類比線上的第一方數據,并且利用場景對人群做了精確的劃分,實現了對線下人群進行線上營銷的無縫結合。

面對日趨多元化的數據環境,需要廣告主建立DMP平臺,打通和共享各個渠道和各種來源的數據,然后充分利用AI建模,提升營銷效率。


朱博士介紹了智子云對于多元化數據的利用的一些經驗:

1) 合理利用第一方數據建模,能提高轉化率,效果優于不使用數據;

2) 合理拼接某個第三方數據建模,效果優于只用第一方數據;

3) 有效融合多個第三方數據源,效果優于只用單個第三方數據;

4) 當沒有第一方數據時,利用第三方數據建模,效果優于僅利用媒體的第二方數據進行優化。

對于多元數據環境所面臨的挑戰,智子云在數據建模中發現三個與數據相關的經驗:

1) 標簽精度過低,對于建模有所損害,有時效率不僅沒有提升反而降低;

2) 很多獨立DMP的數據覆蓋度有偏差。從實踐中可以發現,很多DMP中的數據對大城市人群覆蓋度比較高,但三四線城市人群相對稀疏,在針對三四線城市做營銷時,投放數據很難匹配;

3) 每一個DMP樣本有自身特點,有些偏重游戲人群,有些偏重電商人群,這些數據的覆蓋面不同,重疊度都很低。

對于這些問題,朱博士的觀點是:AI要起到甄別和評估的作用,能夠自動篩選對建模有正向幫助的數據。AI對多元化數據起到的另外一個重要的作用是改變了現有的數據售賣模式。

數據的模型服務模式

在數據提供方越來越復雜的環境中,如何選擇、使用和評估外部數據,在第三方DMP的購買中讓有限的預算花到刀刃上?這是讓不少營銷人員頭疼的問題。

朱博士總結了當下數據交易中兩種常見的模式的弊端:

第一,采用人工組合選擇數據標簽的方式,效率和效果都不理想。

第二,獨立的第三方DMP「按條售賣」的數據銷售方式,這種方式難以在程序化領域落地。

數據資源和媒體資源有本質不同,媒體廣告具有獨占性,而數據則可以無限重復使用,所以不應跟媒體資源一樣“按條售賣”,而應該按數據價值,即Data ROI(數據投資回報率)來衡量。

Data ROI=產能提升/數據成本,數據對模型的提升必須要覆蓋數據購買的成本。這是智子云提出并強調的觀點。

在按條售賣的機制中,通過一個設備號盡量把數據標簽拼全,所花的成本通常達到1-2元 RMB。這種情況下,要達到成本符合程序化廣告典型的CPM采購的方式,數據建模帶來的效率必須要有數百倍的提升。但這顯然很不現實。

如何在大數據采購中,將高昂的數據成本降下來?AI能起到關鍵的作用。


智子云采用了「模型服務Model Service」的間接采購方式。這種方式在數據提供商之間開展了更深入的AI合作,各方數據供應商通過對接AI平臺上的模型服務接口,向數據買方提供數據服務,而不是直接售賣數據,只要提供的數據服務真正能為對方帶來價值,就能被無限次的循環利用。對廣告主來說,這種「模型服務Model Service」的間接采購方式,才是最經濟有效也最合理的數據交易方式。

程序化廣告和大數據密不可分,對于如何能更好發揮“多元化”大數據價值的問題,朱博士的觀點是:利用AI改變目前大數據以“手工選擇和組合標簽”為主的使用形式和以“按條售賣”的服務模式,用AI選擇數據,以模型服務的方式提升程序化廣告中大數據的價值。

自動化平臺運營

多元化的交易市場和投放平臺,系統之間相對獨立和封閉,不能打通和共享,需要大量的人工進行運營、協調、配置和優化工作。當前大平臺信息流廣告的運營服務人員能力差異巨大,效率不穩定;并且平臺與平臺間的操作和優化方法同樣差異較大,能夠同時熟練運營多平臺的運營人員十分匱乏,這就要求廣告和代理公司培訓和招聘一批素質過硬的運營服務人員,程序化廣告投放在實際操作上變成了一個十分重運營的過程。


朱博士認為,AI至少可以從兩個方面解決運營成本問題。首先, AI可以讓單個平臺的操作和調優工作更加自動化,提升人工運營效率。從系統角度來看,“圍墻花園”的廣告平臺的自動化程度依舊停留在低水平狀態,還有很大的潛力可挖。AI能夠輔助運營人員自動下載數據和制定優化的決策,讓運營人員去從事更有創意的以及和人溝通的工作,從而提升整個運營的效率。其次,AI可以輔助廣告主規劃多平臺投放策略,甚至可以根據投放情況,自動調整一些策略元素,實現跨平臺的自動化。

展望

未來,國內程序化廣告購買生態將繼續保持多元化。只要賣方市場的勢態沒有變化,這個趨勢將一直發展下去,在數據和媒體方面,會出現更多的“圍墻花園”。 在此期間,AI的作用會日漸顯現,圍繞程序廣告購買的流程在AI技術的推動下,最終會走上自動化的道路,進一步提升程序化廣告購買的效率。在大數據的背景下,AI將成為構造高效率程序化廣告購買生態的關鍵元素。