计算广告学1
计算广告
标签（空格分隔）： 读书笔记
第一章 在线广告综述
在线广告：以人群为投放目标、产品为导向。开启了大规模、自动化利用数据改善产品和提高收入的先河。
计算广告是大数据应用中最成熟、市场规模最大的行业。
- 内涵
广告首先是一项商业活动，在互联网环境下需要技术优化的商业活动。三方考量在于广告主 媒体 用户三方利益的考量。
1.1大数据与广告的关系
Paste_Image.png
影响因素
折扣所付出的成本变高
互联网广告技术特点
- 技术和计算导向
受众定向成本低、竞价交易方式 - 效果的可衡量性
通过日志纪录广告效果并利用日志优化广告效果 - 创意和投放方式的标准化
由于受众定向、程序购买，创意尺寸统一化且关键借口标准化 - 媒体概念的多样性
广告的目的是潜在用户而非ROI - 数据驱动的投放决策
2.3广告收入的分解
eCPM＝r（a,u,c）=U(a,u,c)＊V（a,u,c） U为点击率 V为点击价值
Paste_Image.png
在线广告市场
Paste_Image.png
Paste_Image.png
计算广告核心计算问题
Paste_Image.png
对品牌广告而言 量重要性大于质
对于效果广告 质的重要性大于量
受限分配：质与量受限情况下的优化
强化学习：新广告的探索 根据探索制定的优化
计算广告存在的问题：
Paste_Image.png
搜索、广告、推荐的异同：
Paste_Image.png
关于ROI
Paste_Image.png
在线广告系统平台：
Paste_Image.png
1.在线的高并发投送系统
2.离线的受众定向平台
3.通过数据高速公路联系上述两部分
4.比hadoop快的流式计算平台 反作弊 计价
Paste_Image.png
1.Ad server 投放平台 用户访问产生AD code 到ADserver 通过交换得来 把符合的找出
2.Ranking过程 根据eCPM准则 选出10条更具eCPM选最好的投出
3.Session log gengration根据用户数据、行为做targeting 整理成一个用户做了什么事情 日志
4.BI系统 ——数据与人的系统，对过去日志分析后根据人的需求提供查询报表
受众定向——根据用户行为打标签
点击率预测的模型
5.使用爬虫爬有广告投放的页面
6.DSP自定义需求
合约广告系统
广告位合约
作为典型的线下广告投放模式，其结算方式为CPT（按时长付费）
优势：
在一些强曝光属性的广告位上采用独占式的广告投放可以有效的给用户带来品牌冲击；而在一些横幅位置上长期占有有利于形成“橱窗效应”，塑造不断攀升的品牌价值和转化效果.
变化：
受众定向的出现使得一个广告商可以根据自己产品按照人群分别投放广告以取得更好的效果；即使受众无法区分也可以离哟过频次控制的方式向统一用户递进式展示一系列创意以达到更好效果。
Paste_Image.png
Paste_Image.png
受众定向方法概览：
- 地域定向
- 人口属性定向（包括年龄、性别、教育程度、收入水平等，是可监测的数据）
- 频道定向
- 上下文定向（根据网页内容匹配相关广告，粒度可以是关键词、主题；其覆盖率高是优点）
- 行为定向（根据历史访问了解用户投放广告）
- 精准位置定位（使得大量区域性强的小广告主有机会投放）
- 重定向（根据广告主过去的访客投放广告）
- 新客推荐定向（根据广告主提供的种子访客信息找到行为相似的潜在客户）
- 团购
流量预测：
展示量合约售卖的是特定人群的广告曝光次数，因此合约中必然约定投放的量。在产品策略上产生了流量预测。
主要包括：售前指导、在线流量分配、出价指导
而流量预测的重要性也使得主动影响流量的策略流量塑形的产生
广告产品标签体系的过于复杂会导致精准标签在合约量的束缚下无法售卖，因此标签的人群规模更具有说服力
在线分配（在量的限制下优化质）
Paste_Image.png
上边是广告库存 下面是在线到达页面和用户
Adwords problem b下标ia impression分给广告产生的收益
x下标ia impression分给广告商没
Dispaly problem 优化每一个CPM的效果具体而言就是收获到的点击量——点击率＊x下标ia
- 外延
