搜广推策略产品必知系列:黑盒“智能定向”策略

5 评论 3647 浏览 18 收藏 11 分钟

作为策略产品经理,智能定向策略是其日常工作中可能接触的策略方向之一,通过“智能定向”,策略产品经理可以一定程度上保证大盘平均的整体效果最优。那么,智能定向策略的具体内涵与实际应用是怎么样的?一起来看看作者的分析和总结。

讲完白盒、灰盒定向策略,我们接下来讲讲广告定向领域近两年比较热衷于推广的黑盒“智能定向”策略。

之所以说智能定向“黑”,是因为智能定向相对来说可解释性最差,但却能保证大盘平均的整体效果最优,CTR、CVR、ROI等投放效果都要明显的优于DMP白盒定向,因为智能定向人群选择、关键词优选的权利托管到平台手中,平台可以利用自己的样本、数据等优势做到主体item与人user的“优中选优”,充分发挥系统智能化的优势。话不多说,今天来给大家展开分享一下智能定向策略。

本文目录:

  1. 智能定向诞生背景&定义
  2. 智能定向在大厂中的具体实现
  3. 智能定向策略总结与思考

一、智能定向诞生背景&定义

1. 诞生背景

智能定向诞生背景

1)白盒DMP定向非常依赖于广告主(代理商、商家)的人群标签圈选和分析的能力,如果圈选人群标签范围有偏差(人群生效范围、人群的活跃程度以及人群相关性等问题),会导致广告计划无法拿展现或者是点击/转化效果差。

2)DMP人群包是一个非常粗粒度的UV人群集合,并不是每一个人群包中消费者用户user都能与广告投放主体Item产生相关性匹配,并且DMP投放人群解析需要考验运营的操作提高客户的分析成本,并不适合入门级别的广告主投放。

因此,广告主希望实现广告主计划主体item和用户user营销匹配最大化的托管定向策略,来解决广告主投放拿量与效果的难题,类似自然搜推一样实现最优效果匹配的效果,广告主只需要为流量进行付费,基于这样的一个背景下就诞生了“智能定向”策略。

2. 定义

京东-购物触点智能定向功能

阿里引力魔方智能定向功能

图1和图2分别为“京准通-购物触点”和“阿里妈妈-引力魔方”的智能定向操作界面,可以看出,智能定向在各大平台的设置方式都是一个极简的开关,无需广告主添加任何种子DMP人群,完全托管交由平台基于广告主的投放商品和店铺的样本信息来匹配最合适的用户进行广告投放。

定义:智能定向是一款基于广告主投放主体item出发,考虑用户历史浏览、搜索、加购、购买转化等行为帮助广告主依托算法模型智能、精准圈选人群的定向策略工具。

3. DMP人群与定向人群的优劣对比

智能定向与DMP定向优劣对比

优点:智能定向在投放效率CTR、ROI要明显强于DMP定向类型,并且对于客户的平均点击成本CPC也要低于DMP定向类型。

缺点:相比较DMP定向,智能定向在可解释性要弱于DMP定向类型。

二、智能定向在大厂中的具体实现策略

其实大厂中的智能定向策略非常类似于前文<推荐系统召回策略>中的DSSM双塔模型,分别是User Embedding和 Item Embedding建立相关性计算相似度距离。基于算法完成用户和商品的智能匹配策略核心分为三步走:用户兴趣建模-> 商品建模 ->用户商品匹配,算法实现链路如下:

智能定向模型架构

1. 用户兴趣建模

用户兴趣建模部分

可以看到User部分主要是基于是用户的各种Atrribute属性(例如消费者用户的年龄、地理位置所处信息、性别等)以及用户的Behavior(在京东平台APP里的商品点击、加购以及直播间观看、短视频互动等行为信息),通过embeding lookup 然后再pooling。

同时还会基于用户协同的向量化召回(UCM),即通过前文关于推荐系统中召回策略一文说道的用户协同过滤思想,通过行为的用户兴趣品类item集合去计算用户之间的相似性质。

最后把所有的特征做融合,过一个全连接层就输出了User emedding。

2. 商品建模

商品建模说明

商品item Emebbeding和User是独立向量化过程,除了通过one-hot编码使得商品的Attribution属性Embedding向量化(主要针对类目、功能、评价、使用场景、价格等等信息)低维稠密向量化。

京东还引入了弹性粒度的Node体系,即不受商品固定categories类目限制与客户兴趣带来的影响,防止因为行为相关带来的商品相似的马太效应,通过用户兴趣来行为构建弹性、动态的Node,提升召回率(预测为正类的样本数/所有正类样本数)

3. 用户&商品兴趣匹配

用户&商品兴趣建模说明

在模型表示层User Embedding和item Embedding计算完cos相似度存储在redis当中之后,选择距离最近的 N 个人群子集作为广告投放人群,这样就完成了广告推荐任务。模型训练过程中将 cos 函数得到的结果进入 sigmoid 函数和真实标签计算 logloss,查看网络是否收敛。模型评估主要使用 auc 指标。

同时在LSBM Ranking Model层会考虑,基于Self-attetention建模用户的全局兴趣,以及在推荐位实时反馈的短时用户行为兴趣,通过注意力机制来建立用户和商品的相似性。

总结:最后通过智能定向同投商品下与DMP定向在单一变量实验下,点击率和广告收入都有一定明显的提升,基本上都在10%以上。

三、智能定向策略总结与思考

大家看完对于智能定向策略一文,是不是发现其实和之前讲到的关于自然推荐系统召回策略比较相似,都是在全集的商品集合里面去最优匹配全集的人群,做到“优中选优”,只不过最大的差异就在于这个商品集合池是广告的商品集合,而不是平台自然结果的商品集合,所以广告平台全使用智能定向,也没有办法做到自然推荐结果的CTR水平,但是智能定向的效果(CTR点击率、ROI等)会明显优于DMP定向类型。

智能定向在广告平台中一般都是中小广告主使用偏多,因为缺乏对独有的人群经营资产的沉淀和广告优化师的人力成本(DMP定向需要付出大量的时间和人力成本去做用户画像和效果数据的分析,沉淀出一套投放广告的固定人群和投放方法论,并且这个是时刻发生变化的),所以智能定向一般都会为平台所主要推崇,能够帮助客户稳定拿量&拿优质的流量(pCVR更高的流量)。

长期来看黑白灰盒定向的能力都会在各大广告平台所共存,既然客户能够使用白盒精细化人群运营场景,同时也能够托管平台达成择优圈选人群的能力。

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. 如果智能定向能力越来越强,白盒和灰盒能力未来会被黑盒完全替代吗?

    来自浙江 回复
  2. 有一个感觉比较矛盾的地方,为什么说以广告为item进行推荐的时候,他的ctr水平会低于正常内容型item呢,因为从文中来看,推荐逻辑似乎不变,基于user和item特征以规则和模型进行精排推送,难道是因为在前端展现时广告会被打上标记吗?

    来自北京 回复
    1. 我之前文章有提及,非常多的因素导致,首先广告的物料是自然结果物料的子集,可能只有十分之一,这是召回“巧妇难为无米之炊的地方”,其次广告业务目标建模是eCPM最大化,与纯自然推荐以CTR/CVR最大化建模的思路就完全不一样,最后就是前端样式展现会有广告特殊标识亦或其他,但是广告有丰富的创意策略弥补,加之现在都是原生广告,我认为第三者影响最小。

      来自北京 回复
    2. 受教了,再请教个问题,部分广告计费规则里有按照点击量计费的准则,如果广告投放以ctr最大化为目标时,ctr水平和正常内容还会有偏差吗?

      来自北京 回复
    3. 有点没太明白你表达的意思

      来自北京 回复