搜广推策略产品干货课堂之创意展示优选策略

1 评论 2868 浏览 12 收藏 15 分钟

面对千人千面的C端用户,我们不能够一一去满足他们的需求,这时候创意优选策略就显得尤为重要,能够帮助我们更好地展示内容,满足用户需求。本文结合案例,从创意优选展示策略到优化进行分析,以期给你一些启发。

讲完创意怎么生成之后,接下来我们就需要围绕怎么选创意的策略展开,也就是所谓的创意展示策略,创意生成到优选的过程核心的逻辑其实与召回倒排序思想一致,都是围绕物料库对不同的C端消费者用户进行“千人千面”的展示,话不多说我们直接开始讲干货。

目录:

一、创意优选展示策略入门

二、创意优选策略详解-淘宝案例

2.1 完整创意优选的建模和求解

2.2 动态创意优化

一、创意展示策略入门

基于不同的创意生成策略规则,我们会对不同的商品主体生成大量围绕主体“人/货/场”相关的创意内容,拆分成单个元素可能有N个标题、M个主图、L个附加创意的展示信息,最后将会组合出N*M*L个创意组合,在广告创意中的存储单位就是-创意creative_id。

但是最终前端only 1个坑可供展示,就和我们出门只能穿一套衣服一样,从N*M*L里面选择出最合适的创意就是创意展示策略该做的事儿,核心就是要选择最适合展示到C端用户面前的1/N*M*L,是不是非常类似搜推系统当中的排序,所以排序策略产品和优选策略产品是可以互通转型的,其中,创意播放策略主要包含【创意优选策略】和【创意轮播策略】。

1.1 创意优选策略

一般大厂的仅提供的默认创意策略,这是因为通过选择最优的创意提升ctr点击率,是可以给点击计费的广告带来收入cost的直接增长;创意优选简单说就从多个创意组合挑选出用户最感兴趣,即pCTR最高的创意id组合进行展示,会考虑商品主体feature、ad广告的feature(地域、定向人群等)、用户的feature(用户的离线标签、在线行为)多模态等信息,并且考虑全局创意展示最优化,进行相同信息去重,根据每个人关注的创意的信息进行“千人千面”的展示最适合的创意。

1.2 创意轮播策略

创意轮播的核心在于广告播放系统需要对每个创意id进行流量强制均分,对于点击率预估pCTR效果较差的创意,也需要对其进行创意流量的分配,其中核心策略就是提高对于pCTR偏低创意的出价水平,使其eCPM达到较高的竞价排序水平;这个操作主要是服务于广告主测图、测标题等创意测验场景,广告主需要自主创意定义权,这种展示策略对于广告平台、客户都不是效果最优解,但是客户有特殊场景测试诉求,因此仅对部分客户开放对应的功能。

二、创意优选策略详解-淘宝案例

2.1 基础信息与问题大纲

2.1.1 基础信息输入

  • 主体维度:在图a示例中,我们可以看到在淘宝推荐当中主体item中包含商品、图文、短视频、直播等不同形式,从整体上构成了推荐的内容化和多元化,让用户能够愿意在推荐位持续“逛起来”;
  • 创意维度: 在图b细粒度的创意素材,包括商品的sku图、标题、利益点,帮助进行实时的组装和渲染。

2.1.2 问题建模概述

第一、对完整创意的优选:将创意优选建模成E&E问题((Exploitation & Exploration),在标准Bandit策略基础上增加视觉特征作为先验,优化创意冷启动过程中的投放效果,和前文冷启动一样,也就是对新创意/或者是长尾创意缺乏数据类型需要做探索,积累样本数据来进行优选;

第二、动态创意优化:系统接收各类创意素材,比如上图中右侧显示的模板集,图片元素,利益点等),算法会根据用户行为信息和投放结果“动态调整”元素的选择和优化制作的参数,使得最终的创意能够兼顾全局视觉和投放效果(点击率等)。

2.2 完整创意优选的建模和求解

2.2.1 策略总体思想

对多个创意id维度的优选,可以将其建模成为标准的E&E问题:

  • Exploration探索阶段:商品粗排截断后,给到固定排序的商品到精排,每个创意都会有机会曝光到用户面前,并获得对应的反馈信息;
  • Exploitation开发阶段:考虑到广告长期收益问题,系统会把更多的流量再次分配给到效果更好的创意id;上述探索和利用(E&E)之间的权衡策略可由Bandit模型进行求解。业务场景中常用的bandit模型包括Smoothed -Greedy,Thompson Sampling和LinUCB等。

2.2.2 核心解决的问题

创意冷启动问题非常复杂,冷启动场景主要包含:全新上传/生成创意、成熟场景下的长尾创意(出价偏低)、创意被频繁的更换,每种场景下需要用到的创意策略大相径庭,需要根据不同场景给出不同的策略解决方案,类似的解决思路可以参考Arthur写的关于item物品冷启动一文。

所以,如何利用成熟场景的数据或者是已经获得充分样本反馈的头部广告创意数据是非常重要的。

2.2.3 策略设计方案

图中是一个典型的视觉先验的Bandit模型框架,左侧多个候选创意通过感知排序模型(VAM)和混合Bandit(HBM)来找到有吸引力的创意,两个模型组成了基于视觉内容的创意效果预估模型;

第一部分:感知排序模型VAM:

从投放充分广告创意投放的数据当中学习和效果正相关(CTR/停留时长)的视觉特征(图片的颜色色彩、布局、视角等),利用卷积神经网络提取创意的高层特征,并且利用一层线性映射关系将其映射成为对应的分数。经过不断地实验,发现利用点估计(Point-wise AuxiliaryLoss)和排序学习(List-wise Ranking Loss) 两个损失函数加权求和的方式能使得卷积神经网络学习得最为充分,更加有利于第二个阶段HBM去充分利用先验信息;

如果只做感知排序模型VAM,会导致系统一直投放打分最高的创意(exploitation),从而失去发现其他潜在创意的机会;而且VAM是学习一种通用泛化的创意内容和CTR之间的关系,这样和每个创意之间的特性其实是存在冲突问题。

第二部分:混合Brandit模型HBM:

从学习到的视觉特征和模型参数做先验,根据实际投放的真实CTR/停留时长等信息进行后验的更新;假设创意的展示效果(曝光点击/曝光未点击)服从线性规律,基于不同于VAM的确定性的参数,上式中需要求解的分布,系统就利用对应的分布来完成E&E决策;

每个创意去自己维护权重分布,这个分布函数分布与展示数量相关的sigmoid函数;当投放数据充分的时候,系统更加相信每个创意维护的参数分布,当展示数量不足的时候,系统倾向使用一个ad广告下的参数分布,预测阶段可使用预估的分数作为每个创意的分数,并且用argmax获得最优创意进行投放。

2.3 动态创意优化

2.2.1 策略总体思想

如果说上文中,完整创意优选解决的是【如何高效学习场景数据,提高策略准确性对创意id组合维度的优选】的能力;

那么动态创意优化要解决的就是在创意制作过程中,增加对创意元素个性化优选,对“制作参数”进行实时优化,在物料池当中找到最吸引用户的元素来完成“千人千面”制作。

2.2.2 核心解决的问题

根据用户的短视兴趣、长时特征,能够实时在线生成更加具备吸引力的元素并得到展现,如果说前面的完整优选是有限集合选择,那么实时生成是在有限集合之外对某些具体元素实时生成完成“锦上添花”,目的也是为了扩充生成的集合,最终达到最优解。

2.2.3 策略设计方案

可以从上图中看到我们整个创意内容当中包含:

  • 图片素材:包含同一商品不同属性,比如颜色、模特 正背面视角等
  • 标题:广告主自定义标题、系统根据原始标题智能生成的标题内容
  • 利益点:店铺/商品促销信息,包括优惠券,推广折扣等;
  • 行动点:立即浏览、点击进入等。

为了完成对于用户和创意之间的pCTR预估,设计了如图中的DNN模型,特征包含用户特征、广告特征和创意特征(图片X模板,标题,词等)构建的多模态特征。对于创意元素,使用了多尺度的特征表达;

例如,模板当中有全局共享的向量,又有带图片叉乘后的独立向量表示,使得模型不但包含模板在全局投放的信息,还含有商品X模板组合后的结果。以此模型为预估,我们可以为每个用户选择最具备吸引力的图片,文案和模板元素,并利用实时制作的平台来实现千人千面的展示。

参数动态优化:

元素个性化的选择最终后才能显依赖于“制作参数”的控制,类似模板的背景颜色、图像尺寸、标题颜色、标题文职大小,需要有一个归类识别的过程;制作参数核心是为了建立匹配关系,例如图中的灰色背景需要与对比较强的白色字体进行搭配,而浅色背景需要与深色字体搭配,以免出现文字不清楚的badcase问题。

三、本文总结

关于创意优选的策略大概就介绍到这里,创意优选策略核心思想如同搜索推荐系统中的排序,核心是阶段选择每次曝光中点击率预估可能性最高的创意在前端进行展示,去吸引用户点击。

创意优选非常依赖于平台的创意物料和用户对创意行为样本量,这是【完整创意优选】和【动态创意优化】的来源,创意作为整个推荐系统当中架构最细粒度,也是展示的最末端策略也是纷繁复杂的,如果对创意策略产品感兴趣的同学建议大家选择阿里妈妈和巨量引擎两家比较头部的公司,目前也是市面上做创意策略最前列的公司。

作者:策略产品Arthur,5年大厂策略产品专家,全网最专业的搜广推策略产品干货博主,帮助你成就策略产品专家之路

本文由 @策略产品Arthur 原创发布于人人都是产品经理,未经许可,禁止转载

题图来自 Unsplash,基于 CC0 协议

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 策略产品交流&搜广推策略产品系统学习欢迎关注作者主页信息

    来自北京 回复