漫談 DSP 自動化購買概念與可能的成效關係

研究過幾間不同的DSP廠商,特別是強調「自動化購買」機制的國際大廠。在研究前,我一直認為廣告操作必須建立在一半工人智慧、一半人工智慧上,不然有些變數並非純粹用電腦計算,很難做到維持成效與轉換的成果。
評論
評論

研究過幾間不同的 DSP 廠商,特別是強調「自動化購買」機制的國際大廠。在研究前,我一直認為廣告操作必須建立在一半工人智慧、一半人工智慧上,不然有些變數並非純粹用電腦計算,很難做到維持成效與轉換的成果。

因為,左右廣告能不能被點擊,有兩大要素,分別是「圖像素材」與「文案溝通」,這兩點必須看操作者本身對於素材的敏銳度來左右轉換優化好壞。

再繼續談下去前,先介紹一下「自動化購買」到底是一個什麼概念。從流程來介紹的話,DSP 業者會提供廠商一段 Code,請廠商在自家的全站上,安裝該 Code,裝下去之後,業者會進行幾件事情:

  1. 內容分析
  2. 行為分析
  3. 素材分析
  4. 受眾分析
  5. 策略分析

這五件事情,全都是自動化的進行。怎麼做?內容分析就是用機器人去爬全站的內容,抓下來之後建立各種索引,並比對使用者在各個頁面的行為。特別說明一下行 為這件事情。行為分析的脈絡,通常是建立在幾種「假設」的狀態下,例如:假設「使用者看了 A 商品後,又看了 B 商品,同時看了 C 商品,此時把 A 商品加到購物 車的比例會提高。」假設能否成立,全看使用者的行為脈絡而定。

使用者行為在分析時,一開始是很模糊的,假設也會非常混亂。好比我們從各種行為中,先定義出一種假設,然後從眾多的使用者之中,開始逐一比對行為是否接 近。如果接近,這時再來針對該假設之後的變數去計算。計算使用者產生的行為有無符合預測的前往結帳,另外,沒有結帳的理由是什麼?光這邊,又是一種假設。

因此,在行為分析的過程中,會存在無數種假設與猜想。每個假設與猜想,都會在各種行為資料被記錄下來之後,逐一去比對與驗證。我們先預設某種轉換成效高的 行為假設為 100%,然後來看看有多少人完全符合 100%,再從這 100% 裡面去找出那些接近 90%、80%、70% 的人,其行為又產生了多少變異。從變異中,推出另外一種假設模型。反覆進行此事,透過電腦不斷去猜測與分析,也就是所謂機器學習的核心要素。

這背後要計算的資料之龐大,一般人難以想像。一天存 1TB 的資料都不算多了,更何況還得把這資料清理、篩選、分類、存入、解讀、置入模型之中。而這後面搭配的則是無數個建立出來,因應不同網站、不同型態服務所生的使用者行為分析猜想。從假設猜想到變成具有精準度的模型,通常曠日費時,很吃運算效能,也非常 考驗資料庫人員在設計資料結構時的思維。當然,運用什麼更有效的演算法來運算,這也是一大挑戰。

再來則是素材分析。脈絡是這樣,這些大型 DSP 業者過去不外乎就是所謂的網路廣告代操公司,他們可能有豐富的數位廣告操作經驗,知道哪些廣告素材比較容易 引起轉換,知道哪類型的溝通文案比較容易引起點擊,在這之中,找到素材製作的公約數。也就是我們常講的「素材製作範本」,從素材製作範本中,去做各種交互 的組合。例如 A 圖+A 文變成 A 圖+B 文,這種組合,大量重複的自動在服務平台端生成,再實際投入應用之中。

素材左右廣告是不是能被點的關鍵,因此機器學習會有分兩種面向,剛剛講的使用者行為是一個面向,另一個面向則是圖像辨識技術。用圖像來比對各種過去做過比 較有效的素材範本,然後將該圖像重置為指定範本的樣態,再進行投放。投放後,學習該素材的各種表現效果是否如預期目標,不是的話,則重新套用不同的範本, 直到各種範本被用完,再來找更有效的方法,例如電腦沒辦法提昇該廣告成效,那就只能讓人來解決問題,這過程,又一次給予電腦新的學習樣本。

每個點擊,伴隨而來的是「誰點擊?什麼樣的人點擊了?他們可能是誰?他們曾經在哪些網站做過哪些事情?他們做的那些事情得到什麼效果?他們正在哪邊?」各類堆砌出來的問題,其實都是在反覆不停的「定義受眾」。網路上的受眾相對模糊,因為透過 cookie 的取得,用各種交差分析,以及運用不同假設模型,逐步 地去定義出該人的輪廓與面貌,從中反推回去貼標籤 (tagging)。

因為受眾資料的取得來自於 Cookie,因此我們無法清楚理解受眾本身到底具體的真實面貌,要勾勒出受眾,得透過眾多不同的網站,依照其瀏覽行為與習慣, 從中推測出該受眾的興趣、好惡與樣態。這是所有分析機制中最為負責又難精準定義之處,可卻影響著廣告成效好與不好的關鍵要素。畢竟現在廣告主買的是「受 眾」而非「版位」,受眾要能被定義出來,全靠各種不同的假設定義出來。

策略分析則是因應內容、使用者行為。廣告素材、受眾輪廓等,開始在數十、數百種廣大的投放機制之中,自動讓廣告散播到所有聯播的平台上,因應各類不同的廣 告回饋成效,即時反饋回到系統之中,再從系統自動決定不同的策略,讓廣告可以逐漸的往成效最好的區塊集中。這過程中,會有反覆無數次的嘗試,嘗試哪些人在 哪些網站看到廣告比較會有效過,透過演算法不停地去調整與修正廣告呈現的時機與內容。

理解上述所說的,這才是那段 Code 背後所做的事情。因此,廣告主可以不需要準備素材、不需挑選受眾、不需去想媒體規劃、不需去做策略制定、不需管理各種 參數,只需要做好:「設定清楚 KPI、設定出價、設定預算」即可完成大部分廣告投放的工作。聽起來似乎對廣告主非常有利,讓廣告的投放變得簡單直覺,只要 出錢就好,但問題也在這邊。

電腦能算的有其極限。大部分「自動化購買」會有效,主要都是透過學習廣告主網站上的各種分析資料後,嘗試著去自動化投放廣告、自動化產生素材、自動化調整 素材、自動化改善受眾,這些自動化,沒有辦法針對「廣大無邊無際的受眾去做優化」,換個角度講,因為分母變大,分子太小,很難去精算優化的依據,因此大部 分自動化購買的投放策略都是採取「小眾、分眾」的方式進行。

預算太高,或是出價過高時,自動化購買本來能夠到達廣告主的 KPI,有可能就會無法達到。不是自動化購買變爛,而是同時面對過大的使用者族群時,分母瞬間 變太大,變數變太多,廣告的變數又更多,而這一切全部都要靠即時演算與即時出價在各個不同 AD Exchange 之間快速交換,事實上有其限制與難度在。

不論如何,自動化購買之於廣告技術的發展與應用,已經到了相對成熟度,特別是對於一些向性較高的廣告主,可為其帶來的成效,多多少少能維持一定水平,取代掉不少人工操作的成本與困擾,至於針對大預算、大範圍廣告投放的廣告主而言,短時間內還是得仰賴專業操作人員才有辦法確保成效之間的好壞不會差異太大。

《延伸閱讀》

電通安吉斯積極佈局,Amnet 再添一強大 DSP,瞄準台灣程序化購買的未來!

大數據:談 DMP 與廣告聯播網間的關係

Yahoo 台灣前董事總經理領軍,adGeek 與矽谷 DSP 合作加入數位行銷大戰

【硬塞科技字典】什麼是 DSP 需求方平台/ SSP 供應方平台/DMP 數據管理平台?

【硬塞科技字典】什麼是 Ad Exchange


精選熱門好工作

客戶管理企劃 Key Account Management Planner

樂購蝦皮股份有限公司
臺北市.台灣

獎勵 NT$15,000

品類管理企劃 Category Management Planner

樂購蝦皮股份有限公司
臺北市.台灣

獎勵 NT$15,000

Brand Management

樂購蝦皮股份有限公司
臺北市.台灣

獎勵 NT$15,000

評論