本文主要承接上文，跟大家聊聊在廣告商戶數(shù)、預算和流量情況穩(wěn)定的前提條件下，流量變現(xiàn)效率的提高，主要通過點擊率和點擊單價兩個關鍵指標驅動，而這兩個指標的良性提高依賴于廣告投放的機制設計和投放算法。

一、廣告、推薦、搜索、畫像

1. 業(yè)務簡單看

搜索從業(yè)務來上，這三者肯定是解決不同的事情，因為利益點不同，用戶心理也不同。

• 廣告主要是為了變現(xiàn)，講求ROI，廣告主&用戶%平臺運營，人貨場策略原理；
• 推薦主要是為了轉化提升、長尾內(nèi)容需求、個性化推薦為主流等；
• 搜索主要是為了搜必得，索必中，除了轉化率還有內(nèi)容相關性等；
• 畫像主要是為了給上面幾個大佬提供一個用戶數(shù)據(jù)基礎支持，沒有了它就玩不了上面的個性推薦、搜索推薦、廣告定投、計算廣告乃至一切AI……

一般從廣告業(yè)務來看，常常是談兩種形式比較多。一個是搜索廣告、一個是推送廣告（也可以是推薦廣告），這2個會在后面重點探討。

2. 從技術看

廣告在技術上與搜索和推薦十分相似。

相似是什么呢？

如重要的“召回”。

所謂召回，簡單來說就是“找一堆認為在XX場景滿足XX用戶群偏好”的內(nèi)容/商品的池子。

搜索場景廣告會使用用戶的查詢詞去廣告商戶索引中去尋找匹配的商戶，推薦場景廣告會根據(jù)用戶的意圖、位置等場景信息去匹配合適的商戶。

搜索廣告匹配中，一項重要技術是查詢改寫。

• 一方面，使用傳統(tǒng)的自然語言處理方法，對查詢進行有效分析（例如：成分分析），完成同義和近義改寫；
• 另一方面，使用深度語義相似度神經(jīng)網(wǎng)絡模型（DSSM）和序列到序列模型（Sequence to Sequence）進行查詢的改寫，進一步提升廣告匹配的覆蓋率和準確性。

3. 針對O2O的廣告是怎樣呢？

針對O2O商業(yè)模式的特點和廣告業(yè)務各方的利益，廣告召回機制在傳統(tǒng)搜索推薦召回機制基礎上進行了優(yōu)化改進。

• 在召回中引入了逐層召回的理念，各層依次設置由緊到松的相關性水準（Match Level）控制召回廣告的質量。
• 在當前相關性水準已經(jīng)召回足夠數(shù)量廣告候選的情況下，不再進行后續(xù)召回。
• 相關性水準考慮多種相關性因素：查詢匹配模式、距離和星級等。

例如針對Query匹配模式，廣告召回時會優(yōu)先使用Query精確匹配模式召回，其次選擇模糊匹配模式，最后才嘗試采用語義匹配模式。針對距離因素，廣告召回會優(yōu)先召回距離3公里內(nèi)的商戶，其次選擇5公里內(nèi)的商戶，最后嘗試全城召回。

相關性水準的設置，應該充分考慮到不同O2O業(yè)務的特點。

例如：距離的設置上，對于餐飲類流量，系統(tǒng)會優(yōu)先召回3公里內(nèi)的商戶，而對于距離相對不敏感的婚紗攝影類流量，系統(tǒng)則會放寬限制，優(yōu)先召回10公里內(nèi)的商戶，或者直接采用全城召回策略。

二、推送+搜索廣告原理&受眾用戶定向策略

我以O2O-美團為例（相信PM看了后也能發(fā)散到其他產(chǎn)品場景的廣告）：

這部分，我推薦大家重點看，經(jīng)常出現(xiàn)廣告PM面試、用戶畫像、搜索推薦廣告等PM面試。一般面試官會以某個場景問你如何尋找“用戶”，即受眾定向分析。這部分是要結合用戶研究、策略產(chǎn)品的結合，是否有料和亂說一聽就知道了。

首先說一個廣告實踐定理：在O2O場景下，除了搜索推薦廣告，推送廣告也非常重要。

類似的，推送廣告就是媒體在合適的時機將合適的廣告以消息的形式推送給合適的人群。推送廣告的主要目標是：提升用戶活躍度、實現(xiàn)人群精準觸達。

1. 從實踐原理看關系（大白話）

以美團為例：

【場景1】：目前美團用戶有3.5億，從內(nèi)部數(shù)據(jù)來看日活躍用戶只有3000萬，年活躍用戶也只有1億，還有很大一部分用戶平時不登錄美團App，或者登錄次數(shù)很少。

那么怎么提升那剩下2億多用戶的活躍度呢？

1. 一種有效的方法，就是給這部分用戶推送廣告，引導用戶打開App，有助于提高用戶活躍度。
2. 另一方面，推送廣告通過豐富的人群定向，實現(xiàn)精準投放。

然而，要實現(xiàn)精準觸達，需要做到兩點：

• 有完整的用戶畫像，用戶畫像包含屬性標簽、偏好標簽和行為標簽，以此來判斷用戶對廣告的興趣；
• 智能匹配技術，將廣告精準定位到合適的用戶上。

推送廣告的特點是：主動觸達、用戶意圖不明確。

• 理論上來說，推送廣告可以在任意時間給任意用戶推送任意廣告。
• 而搜索廣告只能在用戶搜索或者篩選的時候給用戶展示廣告。
• 但推送廣告的劣勢是用戶意圖不明確，而搜索廣告具有搜索詞或者明確的篩選條件，這些都是明確的用戶意圖。

所以相比搜索廣告，推送廣告更需要精準的受眾定向。

2. 受眾定向策略分析

一般來說，歸納常用的定向方式有下面幾種：

要mark下，這個面試常常問！冷不丁的在面試回答穿插其中相關的點，大大加分！

（1）時間定向

策略：時間定向能夠讓品牌根據(jù)消費者行為、營業(yè)時間，甚至是季節(jié)性活動或特殊事件來進行廣告投放。

舉個例子：美發(fā)沙龍只有白天營業(yè)，如果定向時間包括了晚上非營業(yè)時段，那么用戶在晚上非營業(yè)時間看到廣告后，無法通過打電話來預約，這樣就沒有轉化。

（2）重定向

策略：它指根據(jù)用戶的歷史行為，將曾在商家發(fā)生過瀏覽、收藏、購買等行為的用戶作為商家的精準定向人群，進行廣告推送，拉回用戶完成轉化。

通常情況下，消費者不會看過就能記住，你需要重定向。根據(jù)重定向推送廣告，是通過視覺方式提醒消費者有關商家產(chǎn)品信息的好方式。

舉個例子：如消費者看到后可能會想：“啊，我忘了要買這雙鞋……”而這種面包屑式的提醒方式往往能夠誘使他們點擊并購買。重定向方式是所有定向方式中最精準、投資回報率最高的。

（3）地理位置類定向

策略：它指的是根據(jù)用戶實時地理位置（一般是蜂窩信息或者GPS經(jīng)緯度）做一些定向，有助于幫助商家觸達那些正在前往商家所在區(qū)域的消費者，包括距離定向、商圈定向等。

這種定向方式在移動設備上投放廣告時，有著非常重要的作用。

比如：本地的一家美發(fā)沙龍，想要招攬本地生意，那么就可以使用地理位置定向技術在特定半徑內(nèi)進行宣傳。如果這家店在三角區(qū)內(nèi)有發(fā)廊的特許經(jīng)營權，那么它就可以使用該技術進行一個以上定位。當然針對各區(qū)域進行定向的時候，商家可以根據(jù)區(qū)域內(nèi)業(yè)務發(fā)展狀況調整出價。

（4）人口屬性定向

策略：人口屬性標簽包括性別、年齡、收入水平、婚姻狀況、是否有車、是否有小孩等。

通過人口屬性標簽，可以將廣告推送給相關消費者，就是可能購買的人群，具體選擇什么標簽主要取決于商家銷售的是什么產(chǎn)品。

例如：婚紗攝影類商家會選擇婚姻狀況標簽為“未婚”的人群進行廣告投放，美甲美睫類商家會選擇性別標簽為“女性”的人群進行廣告投放。

這些標簽里面，性別、年齡這種標簽比較容易得到，因為用戶注冊的時候就提供了相關信息，而收入水平這種標簽需要通過預估得到。

使用人口屬性定向的時候，標簽既不能過于籠統(tǒng)，也不能太過細分。例如：美甲美睫商家選擇年齡標簽的時候，一方面，不能選擇0~60歲，這種人群太泛了，低年齡段和高年齡段人群可能沒有很強烈的美甲美睫需求。

另一方面，也要防止對人群太過細分。例如：盡管最終可能需要選擇一個更細化的年齡標簽，但卻不能僅僅定位為一個具體年齡，若只選擇22歲的人群，這可能導致人群覆蓋不完整。

時刻記住目標受眾，但在定位的時候得找到一個折中的辦法。

（5）行為定向

策略：它是從用戶的行為數(shù)據(jù)中挖掘用戶興趣偏好，從而推送相應的廣告。

行為數(shù)據(jù)包括頻道、商家詳情頁、團單詳情頁的瀏覽和點擊，用戶評論和打分等，興趣偏好一般分為長期、短期和實時偏好。

當挖掘用戶長期偏好的時候，使用的是“一段時間內(nèi)的行為”，需要對不同時間的行為計算不同的權重。因為用戶的興趣是動態(tài)變化的，三個月前用戶商圈偏好是A，可能現(xiàn)在搬家了商圈偏好變成了B。

為了衡量不同時間行為權重，將行為累計控制在一段時間內(nèi)。(一般使用滑動窗口法和時間衰減法。)

興趣偏好包括品類偏好、價格偏好、商圈偏好等。

品類偏好指的是用戶偏好的商品和服務的品類，例如：用戶喜歡吃川湘菜還是江浙菜，喜歡火鍋還是自助餐；價格偏好指的是用戶的消費水平，例如：用戶點外賣價格區(qū)間是偏好0~20元價位還是偏好20~40元價位。

（6）新客推薦

核心即Look-alike，以廣告主的老顧客作為種子信息，結合廣告平臺的大數(shù)據(jù)，尋找出老顧客具有的某種特征或規(guī)律，為廣告主找到具有相同特征或規(guī)律的潛在顧客。

這種方式可在保證精準定向效果的同時，擴大用戶覆蓋面。例如：一個川菜館廣告主想投放廣告，目標人群除了在本店消費過的顧客外，還可以選擇在別的川菜館或者湘菜館消費過的顧客，因為他們可能口味差不多。

（7）小結

所以說，簡單總結下幾個部分的環(huán)節(jié)流程：

用戶在平臺上的搜索、瀏覽、收藏、購買等行為會被記錄下來，形成用戶日志。通過對用戶日志的分析和挖掘得到用戶畫像，包括用戶基本屬性、興趣偏好、行為標簽等。

廣告定向是廣告和用戶匹配的過程，為每個廣告找到適合的受眾群體。廣告投放后，需要統(tǒng)計定向效果，包括定向精準程度和覆蓋率。

精準定向廣告的運作流程，如圖3所示：

圖3　精準定向廣告流程

三、廣告與用戶匹配的實踐策略分析

為了實現(xiàn)廣告和用戶的匹配，需要從幾個思維流程去反推。

1. 首先需要為廣告的受眾人群進行初步假設，即確定廣告感興趣的人群，并將其與用戶畫像標簽映射起來，這一步要靠產(chǎn)品調研和分析得到。
2. 然后根據(jù)這個初步假設確定廣告投放的定向條件，匹配到符合條件的人群。

【匹配實踐分析】：

• 單個定向條件的表示：每一個定向條件都用一個<Key, Value>對來表達。（比如：職業(yè)分為學生和白領兩種，定向條件為學生時表示為 <“Professional”, “Student”>。
• 組合定向條件的表示：廣告主設定的定向條件組合往往非常復雜，是各種不同定向條件的組合，涉及交、并、取反等操作。

一般采用析取范式（Disjunctive Normal Form，DNF）的形式來存儲廣告的定向條件。這個可以百度下，如果懶，就可以簡單理解是如同用戶畫像。DMP這些，例如各種標簽條件+邏輯關系組合。

下面以幾個例子來說明DNF的表達方式：

• DNF1: （30歲 男性）∪（25歲 女性）
• DNF2: （廣東人 廣東男性）∪（北京人 北京品牌新客）
• DNF3: （非男性）∪（男性 實時位置在店鋪周圍2公里范圍）∪（喜歡美食的）

在這樣的表達形式中，有兩點需要說明：

• 第一，每個DNF可以分解成一個或者多個合取范式（Conjunction Normal Form，CNF），DNF1 ＝ C1∪ C2，其中，C1 ＝（30歲 男性）， C2 ＝（25歲 女性）；
• 第二，每個CNF可以分解成一個或者多個條件的交。上例中的C1 ＝ A1 ∩ A2，其中A1 ＝ 30歲，A2 ＝男性。

定向條件匹配，定向匹配過程如圖4所示。

一個定向請求包括用戶ID和廣告投放ID，首先根據(jù)用戶ID去取用戶標簽，根據(jù)廣告投放ID取定向包，將定向包解析表達成DNF的形式，然后與用戶標簽進行匹配。

定向效果評價：定向效果一般從質和量兩個方面進行評估。質指的是精準程度，主要指標是點擊率和轉化率。量指的是覆蓋程度，主要指標是用戶覆蓋率、廣告主使用率以及定向方式對應的流量占比。

圖4　定向匹配過程

觀察美團推送廣告中，內(nèi)部數(shù)據(jù)顯示指向：重定向方式點擊率和轉化率最好，但覆蓋率最低。

地理位置定向和人口屬性標簽擁有更廣泛的人群，效果相對較差。實際采用哪種定向，需要看廣告主的推廣需求，廣告主需要綜合考慮精準程度和覆蓋率的平衡。

以上，適用很多廣告平臺產(chǎn)品的一般邏輯。

四、淺析（O2O）廣告系統(tǒng)面向角色的工具

【開發(fā)&廣告主&運營】

“工欲善其事必先利其器”，有效的工具是一個優(yōu)秀高效的廣告生態(tài)的重要組成部分。所以，淺析從面向開發(fā)人員、面向廣告主和運營人員兩個角度進行工具產(chǎn)品的分析，分析的維度一般是看工具的作用是什么、產(chǎn)品設計核心策略是什么、有什么注意的關鍵點、案例舉例等。

這些往往穿插到面試挖坑的各個環(huán)節(jié)，也是需求談資和面試拉升高度的技巧。

1. 面向開發(fā)人員的系統(tǒng)工具

面向開發(fā)者的工具主要包含三個方面：離線數(shù)據(jù)分析工具、實時數(shù)據(jù)分析工具以及在線廣告系統(tǒng)調試工具。

（1）離線數(shù)據(jù)分析工具

產(chǎn)品設計核心策略：支持從各個維度（廣告位、廣告類型、時間、區(qū)域、算法策略等）統(tǒng)計廣告業(yè)務的各項關鍵指標（召回率、點擊率、轉化率、RPS/RPM、CPC等），檢視廣告系統(tǒng)的短板和漏洞，幫助廣告算法和工程團隊發(fā)現(xiàn)問題和尋找潛力。

（2）實時數(shù)據(jù)分析工具

從時效性角度彌補離線數(shù)據(jù)分析的缺點，幫助開發(fā)者盡早發(fā)現(xiàn)數(shù)據(jù)異常，更快地響應和修復問題。

產(chǎn)品設計核心策略：在背后支撐這些分析方法的是Hive、Spark、Elasticsearch和Druid等大數(shù)據(jù)處理工具。

如圖5所示是實時消耗數(shù)據(jù)分析工具的界面：

圖5　實時消耗數(shù)據(jù)分析工具

（3）在線廣告系統(tǒng)調試工具

作用：這個如名字一樣，就是調試排查，一般是針對單個廣告主或單個查詢等具體問題的排查。

產(chǎn)品設計核心策略：

通過調試工具可方便構造模擬請求并查看單個服務處理詳細信息，收集各個廣告流程步驟（召回、排序和創(chuàng)意優(yōu)選等）的信息，跟蹤和定位線上實時環(huán)境中各步驟的問題。

除了線上問題排查之外，調試工具也是開發(fā)階段用于驗證策略效果和算法正確性不可或缺的手段。如圖6所示是在線廣告調試工具的基本界面。

圖6　在線廣告調試工具界面

2. 面向廣告主和運營人員的工具

面向廣告主和運營人員的工具包括：廣告主出價預估和排名預估、商戶效果漏斗分析、賬戶診斷等相關工具。

產(chǎn)品設計核心策略：

• 面向廣告主的工具幫助廣告主更好地衡量和感知廣告效果，讓其了解市場競爭情況，協(xié)助其有效主動地優(yōu)化廣告投放效果。
• 面向運營人員的工具能讓運營人員對廣告主的投放情況有更清晰的了解，進而幫助其更好地指導和服務廣告主。

（1）效果漏斗分析工具

作用：可以看到O2O廣告從在線展示到用戶進店消費需要經(jīng)過點擊和轉化多個流程，（為了幫助廣告主優(yōu)化整體投放效果，在推廣后臺提供了效果漏斗分析工具）。

產(chǎn)品設計核心策略：效果漏斗分析工具主要包括曝光/訪問量/感興趣/到店三層漏斗，同時給出相應的問題診斷和優(yōu)化建議。

如圖7所示的界面：

圖7　效果漏斗分析工具

（2）推廣實況工具

【重要觀點，面試常挖坑】：感知廣告展示位置以及競價實況，是投放中的廣告主核心需求之一。

核心場景：

因為個性化智能排序技術體系和帶有地理位置限制屬性的O2O廣告場景下，加之由于用戶個性標簽、地理位置等原因會導致廣告主看不到自己投放中的廣告在客戶端曝光，廣告主難以分析原因，也不知道如何優(yōu)化現(xiàn)有的廣告投放。

所以，這個推廣實況工具作用是：提供查看排名、模擬出價和診斷優(yōu)化功能。

產(chǎn)品設計核心策略：

廣告主可以查看選定商圈、類目、地理位置等特定條件下的實時排名，也可以查看去個性化后一般情況下的平均排名。同時工具對于廣告展現(xiàn)位次過低或得不到展示的情況會給出具體的原因和相應提示。那么，廣告主可根據(jù)提示調整投放設置。

比如：對出價過低導致排名靠后情況建議調高出價，通過工具可以實時查看調整后的新排名情況。

如圖8所示：

圖8　推廣實況工具

（3）流失訂單分析工具

流失訂單分析工具：基于門店流失訂單記錄提供對比分析功能。

產(chǎn)品設計核心策略：

流失訂單是指最近一周內(nèi)用戶對商家A進行了點擊，但實際去B、C商家下單的流量算作A的流失訂單。分析工具根據(jù)用戶的點擊下單行為，數(shù)據(jù)幫商家分析自身與用戶最終下單商家之間的差距在哪里?！据o助分析】

比如：對酒店商家，工具會提供商家平均房價、平均評分、商家首圖等信息對比，廣告主從中可以分析出訂單流失原因，如圖9所示：

圖9 流失訂單分析工具

（4）廣告收益模擬器

作用：為吸引潛在新廣告客戶入駐，廣告收益模擬器為商家提供廣告收益預估功能。

產(chǎn)品設計核心策略：該工具基于門店的歷史非廣告時期點擊轉化率、門店所在商圈流量以及競爭對手狀態(tài)等信息，預估門店投放廣告后能夠帶來的新增流量和訂單量，幫助新客戶快速了解廣告產(chǎn)品，建立投資回報預期。

同時通過該工具，商戶可以方便地跳轉到推廣通平臺進行注冊和投放。比如：模擬器也可協(xié)助銷售人員對商圈流量以及商圈可承載廣告數(shù)進行預估，讓銷售人員更有針對性地開拓市場，提升新簽成功率。

如圖10所示：

圖10 廣告收益模擬器

五、總結

PS1：以O2O類型的美團廣告做契合點。

為什么選美團的廣告呢？從他們內(nèi)部來看，O2O廣告是美團的核心問題之一。

著重介紹了如何應用機器學習方法提升廣告投放的效果和效率，以及本地場景化的推送廣告。

• 什么是O2O廣告？
• 這類廣告有什么特點？
• 這類廣告平臺的生態(tài)鏈是怎樣？角色如何平衡利益？
• 搞不懂推薦、搜索和廣告是什么關系？ 為什么在這些類型的內(nèi)容都能有一些“相似的身影”，它們是有什么邏輯關聯(lián)嗎？
• 廣告平臺所推送的廣告，這些受眾用戶是怎樣的？什么心理？（我以美團O2O為例。關于資訊內(nèi)容類的feed流廣告相對簡單，百度今日頭條廣告分成一堆，在這里不說了。爛大街沒意義）
• 廣告平臺的廣告，如何和用戶進行匹配？有無一些實踐操作的案例、可復用的？
• 對于廣告平臺的另外3個角色：開發(fā)、廣告主、產(chǎn)品運營人員，又是怎樣一回事？ 他們用的廣告產(chǎn)品是什么樣的工具？

以上，謝謝，希望對你有幫助~

相關閱讀

以美團為例：剖析O2O廣告場景策略

#專欄作家#

鳳城狂客，公眾號：鳳城狂客（chanpin007），人人都是產(chǎn)品經(jīng)理專欄作家。AI方向高級策略產(chǎn)品經(jīng)理，期間搗鼓過C/B/端、電商、大數(shù)據(jù)、AI等產(chǎn)品。關注人工智能、電商、內(nèi)容分發(fā)領域。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉載

題圖來自?Unsplash，基于 CC0 協(xié)議