第七章：数据加工与交易

要提高定向的精确程度和人群覆盖率，最重要的不是技术而是数据。对数据进行整理加工并支持变现过程的产品，称为数据管理平台（DMP）。

7.1有价值的数据来源

对广告业务有贡献的数据包括：

（1）用户标识。确定哪些行为来自同一用户。浏览器的用户标识为cookie，虽然由于使用多个浏览器或清除cookie等情况，cookie的长期一致性不算太好，但是由于广告看重用户的近期行为，所以影响并不大。对于移动端，IOS的用户标识是苹果公司设计的IDFA，安卓的用户标识是Android ID或IMEI。

（2）用户行为。包括决策行为、主动行为、半主动行为和被动行为。

决策行为包括转化和预转化。在电商网站上，转化对应下单，预转化对应下单前的搜索浏览加入购物车等。这类行为价值最高。

主动行为包括广告点击、搜索和搜索点击。这些都是用户在明确意图支配下的行为，其中的搜索行为价值最高。

半主动行为包括分享和网页浏览。指导意义有限，数据量最大。

被动行为指广告浏览，其频次与相应类别的广告点击负相关，因此可以使用于建模。

（3）人口属性。一般来说只有与用户实名绑定的服务才能拿到信息。某些人口属性可由信息判断，如通过声音信号判断性别。

（4）地理位置。根据IP进行映射可以得到城市级别的地理位置，而移动端可根据GPS精确到几百米的范围欸，使餐饮等定向投放成为可能。

（5）社交关系。根据社交关系可平滑用户的兴趣，类似于图卷积对于图节点标签的平滑。

（6）设备信息。移动设备的应用、机型、陀螺仪、电量等可用于确定场景。

行为数据遵循两条基本原则：1.用户的主动意图越高，数据价值越大。2.越接近转化，对广告指导越大。但是由于广告的目的是“低成本地接触潜在用户”，过于接近转化则的用户已经不是潜在用户，因此要根据目标具体平衡。

7.2数据管理平台

7.2.1三方数据划分

用户数据可分为第一方数据（广告主数据）、第二方数据（广告平台数据）和第三方数据（其他来源数据）。在实时竞价环境下，第一方数据与大量第三方数据都可以利用起来。

7.2.2第一方数据管理平台

第一方数据平台是为广告主管理此业务的产品：
（1）为网站提供受众定向功能，根据网站定义的标签来加工人群。
（2）与广告采买渠道进行更方便的数据对接。

DMP应数据源（DP）的要求，搜集第一方数据并加工标签，DMP利用这些标签指导DSP进行广告投放，DSP再利用这些标签以RTB方式在ADX中投放广告。DP需要同时向DMP和DSP支付费用，但是DMP不能把数据看成自己财产进行二次变现。

7.2.3第三方数据平台

主要功能为聚合各种来源的数据，加工标签，并在广告市场出售。其一般按照自己的逻辑而非媒体的需求来定制标签。DMP向DP付款购买数据，然后通过ADX向DSP进行出售，是一种数据变现产品。

7.3数据交易的基本过程

DMP的用户标签批量传输给ADX，在竞价中如果DSP选择购买某种标签，则ADX在广告询价过程中将本次请求的用户标签传给DSP，并以CPM结算。

相比于在DMP和DSP之间直接进行交易，以广告为载体进行数据交易的好处：

（1）由于数据量大，直接交易时数据传输的成本高，而在广告请求上附加用户标签不会带来额外开销。

（2）DSP和DMP只需与ADX进行cookie映射，比所有DSP与DMP进行映射简单得多。

（3）实现数据的部分交易：DSP可以自由选择数据范围，如在ADX中选择只接受上海地区的数据。

（4）ADX起到数据使用量检测和计费的作用。

但是现在的交易方式存在某种问题。数据的特点是可以重复售卖，并且售卖的使用者之间存在博弈关系。

假如某个DMP知道某个用户是高尔夫爱好者，该数据卖给某个DSP，DSP可以利用此信息获得较高回报，当然就会出价更高。但是如果多个DSP都购买了此信息，则在竞价的时候会抬高成本（第二高价高了），因为数据获得的回报就变小了，就会间接影响数据的变现价格。总的来说：数据的重复售卖会引起数据价格向流量价格的转移。

另外一个问题是无法按竞价的方式售卖。我们希望数据能够探索竞价的交易模式，如果数据限量销售，则有可能在竞价的情况下保证数据提供方的利益。不过限制的数量以及交易的方式还有待探讨。

7.4隐私保护和数据安全

7.4.1隐私保护问题

隐私问题指用户信息的安全性，除了用户资料泄露外，更大的挑战是针对熟人的隐私窥探。

1.隐私保护基本原则
（1）要严格避免使用个人可辨识信息（PII）。包括身份证号、电话、地址等。cookie、IMEI等由于不能辨识个人，不属于PII。
（2）用户有权要求系统停止跟踪和使用自己的行为数据。
（3）不应长期保留和使用用户行为数据。长期数据对用户定向用处不大，但是增加泄露的风险。
（4）工程上还需要特别注意权限的严格分配和最小数据访问的原则。即应使用匿名化的数据集，不应直接接触数据。

2.准标识符与K匿名
即使是非PII数据，如果很多信息（如年龄、职业、工作地点等）结合起来，还是能被熟人辨识出来，存在数据泄露风险。这些单独不能辨识但是组合起来可能被熟人辨识的信息称为“准标识符”。
解决办法是将信息进行一定程度的泛化，如年龄变成范围，工作地点选取更大的区域，使得数据集中每一个准标识符都有K个相同的数据（如统一年龄范围的有K个人），这样就实现了K匿名。

3.稀疏行为数据的挑战
用户数据除了个人信息以外，还有行为数据。行为数据本身就是稀疏的，任何两个用户的行为都几乎不可能相同，因此很难实现K匿名。但是熟人同样有可能通过大量行为数据来确定是自己认识的某个人，并且从行为数据中获取他的其他信息，造成数据泄露。然而，稀疏行为数据带来的隐私问题目前还没有成熟的解决方案。

7.4.2程序化交易中的数据安全

在RTB过程中，供给方和需求方都存在数据的安全性问题。

1.供给方的数据安全
在RTB过程中，供给方展示URL和cookie后，如果有某个DSP，每次以最低价竞价，只是为了搜集媒体上的用户行为而不是赢得流量，这就会造成供给方的数据安全问题。解决方法是每次询价只向最可能赢得竞价的DSP发送请求，阻挡恶意的DSP。

2.需求方的数据安全
在定制化标签下，广告主的数据也存在安全问题。假设有两个广告主进行重定向获取用户，DSP、ADX和媒体都可以在RTB过程获得这些用户集合，则可以将这两个集合合并在一起，并根据两个广告主的信息（名字）来生成相应的人群标签，从而吸引双方来对此集合竞价。这种行为相当于利用了广告主的第一方数据进行标签并出售，侵犯了广告主的利润。需求方的数据安全性是很重要的，但是目前还没有很好的解决方案。

第八章：信息流与原生广告

目前的广告倾向于使用第一方数据和第三方数据指导完成投放，忽略了广告与媒体的关系，这种方式必定会在效果和用户体验方面碰到天花板。原生广告则是一种将内容与广告相融合的产品。

原生广告最重要的是信息流广告，而信息流广告最早见于社交网络。实际上，从软文、搜索广告到信息流广告，都有一些原生广告的意味，这些产品方向，称为“内容即广告”。在移动互联网时代到来以后，原生广告得到充分的重视和发展。

8.1移动广告的现状和发展

由于移动互联网的快速发展，到2016年，中美两国移动广告的份额都超过了市场的一半。在线广告的大多数交易机制都可以应用于移动广告中，但是移动广告存在鲜明的特点，存在着原生化的巨大动力。

8.1.1移动广告的特点

（1）场景广告的可能性。移动设备可以从地理位置、生活状态等分析用户的行为模式，从场景出发推送商品，比如根据地理位置获知用户在上班还是在家。

（2）大量潜在的本地化广告主。移动设备可以对用户进行精确的定位，基于精确地理位置的本地化广告变得可行。

8.1.2移动广告的传统创意模式

移动广告比较传统的创意形式有横幅与插屏、开屏与锁屏、推荐墙与积分墙等。

1.横幅与插屏
横幅是从PC传承下来的形式，但是在移动设备上的问题是容易误点击，中断用户当前任务，对用户体验伤害大。插屏为应用暂停时展示的广告，同样误点击率高。虽然横幅与插屏存在问题，但是由于标准化程度高容易形成规模，因此是目前的主要形式。

2.开屏与锁屏
开屏是打开应用是在加载页面的全屏广告，锁屏则是在移动设备被锁定时展示的广告，由于此时用户没有明确的任务，对用户体验伤害不大。

3.推荐墙与积分墙
针对应用下载需求的广告，推荐墙是直接的体现，积分墙则是在用户下载应用后给予积分，从而刺激用户下载，属于激励型广告。它们在应用冲榜和游戏开服时有重要的作用。

8.1.3移动广告的挑战

（1）应用生态造成的行为数据割裂。各应用之间相对独立，数据的整合较为困难。

（2）许多PC时代广告主移动化程度还不够。如果将PC端的落地页直接搬到移动设备中，交互体验会非常差。因此，广告活动的移动化是对于广告主的一个工程，目前移动端交互完善的中小广告主仍不多。

（3）移动广告的产品形态需要一次革命。移动设备的屏幕尺寸有限，广告位对空间的占据会严重影响用户体验。原生广告是移动广告值得探索的方向，因为它解决的就是内容与广告共存的问题。

8.2信息流广告

信息流广告即在信息流中插入商业化的内容。由于信息流中各条相关性并不强，在此中插入商业信息并不会太突兀。如果在垂直媒体的信息流中提供广告，则需要考虑上下文的影响。

8.2.1信息流广告的定义

对信息流广告的描述：
信息流广告指的是这样一种广告：首先，广告以与内容联动的方式进行交互；其次，被广告区隔开的各部分内容之间没有直接的关联。

定义的两个关键点：
（1）广告与内容联动，即用户在滑动内容进行浏览时，嵌入内容的广告以同样方式随着内容一起滑动。传统的横幅广告在交互时悬浮于上方或者下方不动，即不属于原生广告。
（2）被广告隔开的内容相对独立，这是为了避免如果内容相关性很强，会产生广告打断用户阅读任务的感觉。

8.2.2信息流广告产品关键

（1）广告位适配问题
信息流广告需要根据媒体的上下文布局和风格来确定样式，需要自动化方案来解决同一个广告在不同广告位下的适配问题。

（2）广告竞价与放置
一个信息流插入的若干广告位构成一个竞价队列。在哪里插入广告取决于两个参数：S，首条广告出现在第几条内容之后；K，两条广告之间间隔几条内容。参数值越大，广告获得的用户关注越少。解决思路为在平均广告条数的约束下，通过调整每个用户的S和K，优化总体广告的点击率。其中平均广告条数的约束就是对用户体验的约束。

8.3其他原生广告相关产品

8.3.1搜索广告

搜索广告的形式与自然搜索内容基本一致，因此算是原生广告，它由于根据关键词触发，可以和内容保证很大程度上的相似，这也说明原生广告的一个重点是要匹配用户当前的任务。搜索广告与内容的混合方式包括固定广告位置和将广告与内容混合排序。如果从内容即广告的思路前进，应该向内容与广告按照统一标准排序的方向发展。

8.3.2软文广告

软文本身就是为了委婉地宣传产品而产生的，是一种广告，又由于高质量的软文可以让读者像接受普通文章一样接受，因此也属于原生广告。

8.3.3联盟

联盟就是媒体从广告库中自由选择要推广的对象并按照自己控制的方式来推广。由于媒体拥有一定程度上选择广告的权限，因此可以做到广告和内容上的统一。

8.4原生广告平台

8.4.1表现原生与场景原生

原生广告包括表现上的原生与场景上的原生。前者是将广告的展示风格和样式与内容一致，后者是将广告的投放决策逻辑与内容一致。

表现上的原生需要媒体控制广告展示形式。除了嵌入与模板相近的广告以外，还可以通过在插屏广告外面套上媒体风格的对话框来实现。场景上的原生需要媒体明确提供场景和需求，需要利用媒体提供的广告需求来筛选广告。

在原生广告中，信息流广告侧重于表现原生，而搜索广告在表现和场景两个方面都是原生的。一般来说，对于用户意图比较模糊的产品，做到表现原生就足够，而对于用户意图明确的产品，则最好做到场景原生。

8.4.2场景的感知与应用

移动设备通过丰富的用户行为、地理位置和传感器信息，可以分析用户的场景，从而做到更加精确的广告投放。举个例子，统计用户每天上午10点的地理位置，发现一个月中有一定天数以上都在同一个地点，则可以推断这是工作地点，以后用户出现在该地点时，可以认为用户处于上班的场景。对于复杂的数据和场景，则需要利用深度学习的思路来进行。

8.4.3植入式原生广告

植入式的原生广告，即由媒体来判断用户的的意图，广告平台提供结构化的付费内容，由媒体拼装控制广告展示。它的逻辑是在内容的行文中自然地植入付费内容。举个例子，如图用户在浏览一篇旅游博客，媒体可以很容易判断用户的旅游意图，并植入酒店广告。

广告投放的过程如下：
（1）媒体判断用户意图，用结构化查询“类型=酒店；地点=拉萨”来表示。
（2）广告投放机收到查询后，去广告库中检索符合的广告，并根据eCPM排序。
（3）排序完成后，将结构化的酒店信息交与媒体，媒体根据页面风格等进行加工投放。

但是这种广告体系目前面临一些挑战：
（1）媒体的参与让广告多了一个自由度，运营难度大大增加，特别是中小型媒体，需要较长的培养过程。
（2）大量分行业、结构化的广告信息的建立需要时间。

8.5原生广告和程序化交易

在原生广告中，搜索广告并没有与RTB结合的先例，而信息流广告却有根据广告主的人群库投放的类似RTB的方式。这是因为在明确用户意图的原生广告中（搜索广告），完全开放RTB很难保证结果的相关性，而在只要求表现原生的原生广告中（信息流），不要求考虑用户的意图，完全可以按照RTB方式运营。

《计算广告》学习笔记（四）相关推荐

1. 你也能看得懂的python算法书pdf_你也能看得懂的Python算法书最新章节_王硕著_掌阅小说网...

   1.2 三大结构 Python语言中有三大结构:循序.分支和循环.这三种结构分别适用于不同的情况,一个复杂的程序中常常同时包含这三种结构. 1.2.1 循序结构 说到"循序"这个词 ...

2. 《你也能看得懂的Python算法书》学习笔记（四）

   在学习完哈希算法之后,我们开始学习深度优先遍历算法.深度优先遍历算法是经典的图论算法,从某个节点v出发开始搜索,不断搜索直到该节点的所有边都被遍历完.当节点v的所有边都被遍历以后,深度优先遍历算法需要 ...

3. 《假如编程是魔法之零基础看得懂的Python入门教程 》——（四）了解魔法百宝箱列表、字典及基本数据类型

   学习目标 了解魔法世界中可更改容器--变量 了解魔法世界的基本数值类型--字符串.整数 了解魔法百宝箱--字典.列表 了解列表如何添加值 了解字典如何添加值 了解字典与列表定义的不同符号 目录 第一篇 ...

4. 【Python 跟书学习笔记】

   本文为个人从<Head First Python>中的学习笔记 目录 1. 基础知识 Python 数据结构 了解IDLE窗口 函数.模块.标准库 代码组 根据条件生成结果--if els ...

5. python算法书籍-你也能看得懂的Python算法书

   第1章 编程基础1 1.1 变量1 1.1.1 输出和输入2 1.1.2 简单变量类型3 1.1.3 数学计算6 1.1.4 位运算7 1.1.5 使用字符串11 1.2 三大结构15 1.2.1 循 ...

6. python算法书推荐-你也能看得懂的Python算法书

   第1章 编程基础1 1.1 变量1 1.1.1 输出和输入2 1.1.2 简单变量类型3 1.1.3 数学计算6 1.1.4 位运算7 1.1.5 使用字符串11 1.2 三大结构15 1.2.1 循 ...

7. Python计算机视觉编程学习笔记 四 照相机模型与增强现实

   照相机模型与增强现实 (一)针孔照相机模型 1.1 照相机模型 1.2 三维点的投影 1.3照相机矩阵的分解 1.4 计算照相机中心 (二)照相机标定 (三)以平面和标记物进行姿态估计 (四)增强现实 ...

8. 编程小白的第一本Python入门书学习笔记 Charper6: 数据结构

   目录 数据与结构 列表(`list`) 列表的增改删查 字典(`Dictionary`) 字典中的增改删查 元组(`Tuple`) 集合(`Set`) 数据结构中的一些技巧 多重循环 列表推导式 循环 ...

9. Acwing算法基础课学习笔记(四)--数据结构之单链表双链表模拟栈模拟队列单调栈单调队列KMP

   单链表 算法题中最常考的单链表就是邻接表(用来存储图和数),比如最短路问题,最小生成树问题,最大流问题.双链表用于优化某些问题. 利用数组来表达单链表:存储值和指针的两个数组利用下标进行关联. 需要注 ...

10. 编程小白的第一本Python入门书学习笔记 Chapter4: 函数

    目录 函数的创建 练习题 位置参数与关键词参数 易混淆点:参数名与变量名 默认参数 设计自己的函数 # 伪代码 def function (arg1, arg2):return result def ...

最新文章

1. Ubuntu14.04 64bit 编译安装nginx1.7+php5.4+mysql5.6
2. NLP重要模型详解，换个方式学（内附资源）
3. 公共基因表达数据分析系统genevestigator，再也不愁表达数据的查询和比较了
4. 2021年突破人类想象力的6大科学纪录
5. 如何判断照片是否ps
6. C语言程序设计50例(三）(经典收藏)
7. HttpClien GetPost
8. matlab subplot同时显示多幅图像
9. C#中的interface
10. Hash魔法：一致性 hash 算法
11. 卷积神经网络训练准确率突然下降_详解卷积神经网络：手把手教你训练一个新项目...
12. Swagger入参为List
13. 万稞pw80线切割编程软件_线切割的老司机们，你们知道绘图编程软件AUTOP是怎么来的吗？...
14. 孪生网络 应用_数字孪生在航空发动机制造工艺中的应用探索
15. 支持html签名的邮箱app,在iPhone和iPad上创建使用丰富的HTML电子邮件签名 | MOS86
16. STM32键盘扫描程序
17. Unity笔记-31-UI框架（思路）
18. php网页无法显示图片,XP系统中，网页图片无法显示怎么解决？
19. [小o地图-数据] - 地址文字转为经纬度坐标（地理编码）
20. VirtualBox虚拟机下载

热门文章

1. 我要去长沙啦！1024程序员节活动征集！
2. django-simple-captcha的使用
3. 【Hive】常用日期格式转换和计算
4. 【FFMpeg 命令行】基本应用
5. 选择模型 _ 审查回归算法
6. 建立桌面文件管理格子_让你的电脑桌面井井有条，3款桌面整理工具推荐
7. 微信号码开通状态检测
8. 下载网页上的视频—Flash Video Downloader插件
9. vue实现点击按钮调用摄像头扫码
10. Mac快速创建文件、文件夹