如何让广告模型更精准-InHouse广告技术中台实践（二）
点击上方「蓝字」关注我们
我们在进行广告买量优化时，经常会遇到以下和流量不够精准相关的问题：
1. 在广告素材和产品链路相近的情况下，转化率比竞品同行低
2. 广告冷启通过率低，起量难，空耗计划占比高
3. 跑量广告回收效果不稳定
流量怎么变精准不是玄学问题，是可以通过InHouse的技术中台能力和运营手段进行科学有效的优化的。
什么决定了广告买到的流量精准度？
从广告主视角，影响广告流量精准度的因素主要是四方面。
1. 计划的定向，特别是不可突破的定向。但是现在主流的平台都会有自动脱包的策略。所谓自动脱包就是，广告平台在认为模型数据积累充分的条件下，有信心在突破定向后，保持广告效果不会变差，而进行的定向和人群包突破。这里，越是头部的平台，策略越成熟，越敢于做此类突破，从而提高广告主的消耗量级，最大化流量的广告变现收益。
2. 素材，特别是视频素材，所谓素材即定向。视频素材本来就含有很强的面向不同流量特性的差异性效果。它们一般可以具象为：立意点（如游戏行业的门派介绍、特色玩法、画面风格等），代言人和音乐、形式等。这些素材要素的信息一方面被广告平台直接收集，另一方面也会体现在不同流量特性的点击率和转化率上，从而被广告平台间接收集。以上两方面素材提供的数据也决定了广告买量的精准度。
3. 广告主的oCPX出价和模型。广告系统的模型不是凭空产生的，而是基于机器学习和数据训练出来的。归因即是为广告模型提供学习和训练的样本。归因的策略将会直接影响模型学习和迭代的方向。
4. RTA和RTB等直接对接广告平台的流量筛选和精细化出价能力。这部分能力对接门槛高，对广告主数据能力要求强。后续再展开介绍。
广告投放以上四个方面决定了广告平台如何进行广告流量的分发。其中从上到下，在大盘情况下，对实际分发的影响权重大致是1:4:4:1。其中素材的分析和优化、自主归因和RTA、RTB的能力都是依赖于高水平的InHouse广告技术中台能力，也就是说，在提高流量精准性方面90%的买量优化都依赖InHouse广告技术中台。
流量分发的简化三元机制
围绕模型是如何决定广告流量分发的机制我们进行展开讨论
· 流量获取，也就是广告曝光。需要让广告平台的模型能够感知到，对于我们想要的那部分流量，点击率和转化率高。从而在有效转化出价不变的情况下，能够给出较高的曝光出价。因为曝光出价=转化出价*点击率*转化率。
· 效果衡量，也叫归因监测。需要广告主依赖InHouse的数据中台能力，量化分析不同流量的效果，将有效的流量标记为正样本，无效的流量标记为负样本，提供给广告平台。
· 模型学习。模型会分析不同流量属性和正负样本的相关性，优化根据流量属性预测点击率和转化的的准确程度。
如何从效果衡量角度提升模型学习效率？
Mapping引擎
Mapping引擎负责准确的用户身份识别和匹配。简单的说，就是能够将在刷抖音、看朋友圈、刷电视剧等不同场景下的同一个用户识别出来，并关联在一起。从而实现了用户从广告到转化的链路数据打通。
回传引擎
回传引擎负责面向广告平台进行最终的数据回传。它会解决诸如一个用户看过多个广告，应该分别如何计费，怎么通过提供不同样本引导模型向更准确方向学习和如何平衡样本的数量和质量的问题。
一个模型引导的实例
在休闲游戏买量时，我们经常会买到一些低活跃的用户，他们首次打开游戏后，什么都没做就流失了。如果我们在向平台回传有效用户时，将这部分用户筛选出来，不做回传，就会引导模型去学习识别低活跃用户，避免预算分配到这些用户身上。从而提升整款游戏的时长和留存指标。
可以看到，在采取了浅层用户屏蔽策略之后，闯关数为0的低活跃用户比例从33.4%下降到7.8%。而同期游戏本身并没有变化，我们通过给oCPX模型提供更准确的整样本，引导其将广告预算更多的花在了活跃流量的采买上，让买量更加精准。
更多应用，敬请期待
关于样本均衡等策略的应用，我们会用更大的篇幅在后续文章里为大家带来解读。
往期推荐
引力引擎
扫码关注 了解更多
点个在看 你最好看