Skip to main content

本文作者为 Galia Lahav,@Persona.ly 的市场经理

要想运营好一个 APP,用户获取是其中重要一环。用户获取策略从自然渠道(ASO)、自媒体,延伸到了付费渠道(社交平台、网络以及程序化广告)。

作为一名移动营销从业者,你肯定已经尝试过各种推广渠道和平台。选择付费大媒体似乎是最简单的解题思路,但是将鸡蛋都放在一个篮子量可不是一个好主意,因为这会导致对某一流量来源的过度依赖。程序化广告渠道的出现使流量来源多样化,让营销人员可以从各种广告供应方处购买流量,全程是完全透明且程序化的。

什么是程序化广告?

广告技术中的程序化是指利用技术实现广告买卖的自动化。其中的程序化平台需求方平台(Demand Side Platform,简称 DSP)负责实时竞价,针对特定的人群细分,并且分析数据以优化广告表现。 

程序化广告为广告主提供了更高效的广告,以及更大规模的目标定位。由于多种因素组合的复杂性和变化的速度,凭人力根本无法达到这种效率。

实时竞价(RTB)系统和流程

广告主可以在一个基于公开拍卖的市场,也就是需求方平台(DSP),实时竞价(RTB)购买程序化流量。

在程序化广告生态链中,有几个关键参与者:开发者、广告主、SSP 和 DSP。

  • 开发者 是数字资产(如网站或应用程序)的所有者,他们提供广告位以将其产品盈利。 
  • SSP(供应方平台)充当开发者和买家之间的桥梁,为开发者出售广告位库存提供平台。
  • DSP(需求方平台) 连接多家 SSP 和其他互联网广告交易平台,让广告主可以在平台上通过实时竞价购买流量。
  • 广告主 是那些寻找可用广告位来发布广告,触及目标受众的人。

Programmatic-Ecosystem-程序化广告为何出众?

SSP 起源自广告平台通过接入多家开发者(网站或应用)获取广告位库存,然后向用户展示广告以变现的公司。

广告网络提供对大量广告位库存的访问;然而,这需要大量手动操作,并且在某些情况下缺乏透明性。 广告平台大多为成效导向的收费方案,如 CPI (每安装成本)以及 CPA (每转化成本)。(我们将在下一个段落介绍这方面的问题)。SSP 提供程序化的( “自动化的”)库存,仅使用 CPM(每千次展示成本) 结算模型,并且在用户定位的实践中具备更大的通用性。

基于 CPA 结算(广告主按每安装/目标事件付费)的用户获取策略似乎很划算,有时候效果好得不太真实。缺乏透明度为人为操纵留下了空间,因为广告平台不会披露流量来源,以避免与广告主的直接竞争。因此,广告主最终可能会为欺诈安装或事件付费。有多种 反欺诈方案 为广告主提供保障,但是欺诈造成的损害不仅仅体现在金钱上,潜在的还包括影响 ASO 成效以及 蚕食自然量

有了程序化广告,广告主通过可信的 SSP 从开发者那里购买广告展示。此外,DSP 的机器学习算法通过事件概率预测来精准的定位受众。虽然 KPI 是基于成效(eCPI、eCPA 或 ROAS)设置的,但广告主是为广告展示次数付费。

程序化广告的“秘密武器”是找到最完美的受众特征以及筛选不相关的受众群体。这种方法确保在正确的时间,向真正对产品感兴趣,并更有可能执行目标动作的受众显示广告。因此,程序化 DSP 没有理由隐藏其流量来源和开发者。

一方面,广告主的获客成本降低。另一方面,消除了任何欺诈活动的风险,因为 SSP 和 DSP 都采取了多种反欺诈方法。

DSP 有哪些不同类型?

程序化广告是一种更明智的买量方式,广告主可以在 DSP 上设置一定的 KPI 要求来实现目标。DSP 可以分为 rule-based DSP(基于规则的 DSP) 以及 ML-based DSP(基于机器学习的 DSP)。 

基于规则的 DSP

对于此类 DSP,bidding 是基于平台遵循的简单规则(主要由专业人士设置)进行的。虽然这是一种买量的可行方式,但它缺乏效率,需要大量手动调整。

大多数自助式的 DSP 都是基于规则的,因为机器学习算法需要大量的平台和算法知识(以及大量的数据科学)。

以下是基于规则的 DSP 的设置示例:

商店类型 广告位 设备类型 竞价
RPG 横幅 桌面端 $0.24
Casual 视频 移动端 $3.50
Puzzle 原生 移动端 $1.10

基于机器学习的 DSP

基于机器学习的 DSP 通过算法研究大数据得出精准的定位受众。此类平台综合考虑多种因素,处理数百万个组合,以预测特定受众群体发生特定事件的概率。

一旦 SSP 发出新拍卖信号,DSP 只有大约 200 毫秒的时间来处理是否出价以及根据预期结果出价多少。

点击、安装和基于以往用户行为的事件预测几乎同时发生,紧接在 SSP 发送新可用广告位的竞拍数据之后。然后算法决定是否出价,如果出价,价格是多少。

竞价遮蔽是基于机器学习的 DSP 的另一个显著特征。基于预测的用户价值和过去的竞价数据(每秒处理数百万次的广告拍卖),该算法预测拍卖价格并进行出价。这允许广告主获得更均衡的出价,并确保广告主不会在第一价拍卖领域里多付费。 

以下是竞价过程的一个简单示意:

Programmatic-Process

基于规则的 DSP 和基于 ML 的 DSP 之间的主要区别如下:

基于规则 基于机器学习
实时竞价 ✔️ ✔️
高质量广告库存 ✔️ ✔️
可拓展性 ✔️
基本的用户定位 ✔️ ✔️(在学习的早期阶段)
基于成效预测的用户定位调整 ✔️
自助式服务 ✔️
管理服务 ✔️ ✔️

 

程序化广告的数据共享——冷启动问题

数据共享涉及向 UA 伙伴提供对受众数据的访问。 

基于机器学习的 DSP 可以访问大型数据集,然后生成类似用户(Lookalike),以解决冷启动问题(显著降低学习成本)。这种方法使广告从一开始就瞄准正确的受众。与此同时,受众名单可以作为排除列表,防止定向到任何已有用户。 

基于 ML 的 DSP 的另一个特点是,能够识别不同受众的行为模式,对群体进行分类,甚至可以根据不同细分展示不同创意。通过这种方式,广告计划专注于高效获新,而不是将预算浪费在已有用户或那些不会转换的用户上。

如何开始在程序化广告渠道上推广?

1)市场调研

请记住,程序化广告需要技术和高品质广告库存为基础。一些平台可能会将自己定位为一个 DSP,同时又是一个广告渠道。为了避免混淆,请务必查看成功案例,调研公司,并就流量来源和竞价方法提出正确的问题。  

2)设置目标和 KPI

为了让机器学习算法实现精准定位,需要一个非常具体的广告设置,包括目标和 KPI。 

3)设置数据回传

如前所述,数据共享是移动广告的关键一步。有多种安全且符合数据隐私的方式来共享数据(而且不是通过 .csv 文件)。 

4)保持耐心和谨慎

根据应用的垂直方向,DSP 可能需要不同的时间和预算来建立强大的深层事件漏斗模型。请与平台的客户成功经理保持联系,以便进行进度评估。

关于作者

Galia Lahav 是 Persona.ly 的市场经理。作为全球首个移动 DSP,Persona.ly 每秒处理超过 250 万次广告拍卖,使用专有的机器学习算法,大规模地提供透明的、基于性能的、高精准的用户获取和访客找回解决方案。受到 Rapido,Games24x7,Papaya Gaming,Ubisoft 以及 Tilting Point 等公司的信赖。

Take your first step

to hyper-growth

    通过点击“提交”按钮,我在此同意 Tenjin 按照隐私政策的规定收集和处理个人数据。

    Close Menu

    Wow look at this!

    This is an optional, highly
    customizable off canvas area.

    About Salient

    The Castle
    Unit 345
    2500 Castle Dr
    Manhattan, NY

    T: +216 (0)40 3629 4753
    E: hello@themenectar.com

    zh_CNZH