ZTouchCEO长风:AI技术在信息流广告投放领域的价值化落地( 三 )


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 。
ZTouchCEO长风:AI技术在信息流广告投放领域的价值化落地
本文插图
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 。