[市场营销精品课]“算法和数据”如何在DSP中发挥效力.doc

【tips】本文是由梁老师精心收编整理，值得借鉴学习！

“算法和数据”如何在DSP中发挥效力

随着规模的快速增长，已经从概念化阶段发展成为具有考核的标配。然而，目前的DSP市场鱼龙混杂，在各家DSP都可以对接流量平台（），进行的情况下，算法和即成为DSP最核心的，它们从本质上构成了在相同下DSP达成更优的支撑点。

事实上，算法和数据是DSP看不到的底层，它们的主要体现在三个方面：一是为精准识别和触达，二是对用户的价值进行的预估，三是按其阶段选择好打动的。解决了这三个问题，就能让进行合理，从而达到优化广告投放的效果。

算法和数据的场景应用

通常，DSP中算法和数据发挥效力主要体现在一下几个场景：

首先，要在浩瀚的市场中找到目标用户（TA）。以母婴为例，过程中有两个难点待解决，一是用可信逻辑确认你找到的“母婴”用户的确是“母婴”人群，二是“母婴”人群在不同不同媒介之间的统一识别。情况下，每个人群集是DSP算法根据用户的互联网建立，然后通过可信Panel库进行验证迭代优化模型的持续过程。所以基于完整的用户行为和可信panel库，建立可信的需求判断模型，是构建“可信”标签用户关键点。

最实用的Panel库就是的第一方，包括线下或投放的收集到的转化信息（理论上客户在各平台的购买用户群均为自身）。例如，YOYI标签体系中分为兴趣标签和两种不同需求层级的，对应地，我们会参考在官网行为特征，判定出用户的不同需求层级，以此作为建模之一。

同时，YOYI一方面接入了国内上几乎全部平台和的流量，大面积覆盖用户互联网行为；另一方面，我们融合用户的自然行为和，从用户角度来分析，只要发生实际的浏览和点击行为，就是用户对信息感兴趣的一种体现，并不严格区分信息是自然信息还是。以上两点让YOYI能够全面还原用户的行为轨迹。

完整用户行为轨迹模型可用特征完备、特征取值；丰富的第一方Panel数据，为模型训练提供真实有效的训练和验证集合，这两点了用户判断模型的有效性。实际操作中，根据用户的所在场景、媒介、时间、、浏览时长、搜索、点击、浏览广告等所有行为进行特征分类和特征抽取，训练用户阶段性行为，以进行建模。这样我们能对用户的需求和需求层级做出更为准确的判断。

同时，对用户进行统一识别是解决的另一个问题，目前有机会大规模完成互联网和移动端统一识别的只有同时拥有大体量移动和PC用户的巨头，让可以较容易地跨越这个问题。但是在国内目前尚未有大体量的统一跨屏ID，所以需要DSP构建自己的多屏统一ID体系。YOYI的做法是自己构建跨屏识别算法，再以上比较的第三方跨屏ID作为训练集进行优化验证。例如，同一个人在PC和移动上，接入、地理位置、行为轨迹、触媒习惯都会有一些相似性，这些是构建统一ID算法的基础。大规模的算法和人工规则结合起来，可以从很多维度去解构数据和数据，从而解决规律不明显和行为不连贯的问题。对用户在PC、移动、以及PC和移动的交叉维度进行特征抽取和建模，训练出统一ID模型，以标准第三方的跨屏ID作为评测标准，率达到了可用的程度。

其次，要分析目标用户的强弱，并不是每个绝对准确的“母婴”人群在每个场景下遇到时都“正好”急于购买奶粉。用户级别的预估和点击率预估问题，是效果的关键问题。预估特定广告在特置特定用户下的点击率和转化率是一个典型的大规模数据的机器学习问题。我们构建了用户特征体系、广告反馈特征体系、流量特征体系，以及各个维度的交叉特征体系，用经典LR作为预估，GBDT作为高维特征抽取模型，进行了点击率预估和转化率预估，评测和在线效果都有不错的表现。预估了点击率和转化率以后，根据，我们就可以就行为导向的计算了。以Leads为例，Ecpm＝＊转化率，根据不同和不同流量进行CPM的出价，以达到在有限内，效果最好。

此外，还有一个常常被忽略但至关重要的策略是防作弊，如何对输入模型的进行有效性识别，排除虚假流量、点击，甚至转化，是单独文章专门展开的一个核心课题，这里先做记录，以提示其重要性。进行数据提纯后的转化率至关重要，一方面是投放中进行广告筛选的重要因子，了给用户在当前场景下看到的最广告是哪个，另一方面，在情况下，算法可以针对用户进行，以适当范围跳出CPA的出价限制去追踪核心用户群，避免被“抢去”展现机会。

最后，找到了人，知道了所在场景下的关注点及对应的阶段，就要考虑用合适的方式去打动TA。目前受限于目前广告主的丰富度、制作能力和审核周期的限制，我们在智能创意上的算法应用还在发展初期，创意的爆发还有很大空间。不过已经看到上已经有一些第三方创意在这个方向上努力推进，一场的创意指日可待。

算法和数据的定制化应用

以行业的算法和数据应用为例，来说明下算法和数据框架需要通过行业定制化优化才可以发挥最佳效力。在汽车实际中，我们发现一个有趣的现象：汽车相关的是对最后Leads