广告公司都在说人工智能,真正做事的应该是啥样?

广告公司都在说人工智能,真正做事的应该是啥样?

Molly 网站编辑 2017-06-16 265

人工智能正处在大规模应用的前夜,目前能够实际落地的场景屈指可数。 

在已经成功的例子中,百度的搜索、今日头条的推荐阅读、助理机器人和如今火热的语音识别设备恐怕是为数不多做出结果的产品。 

在广告领域,人工智能可去覆盖的东西很广,从用户认知,智能创意到机器学习、自然语言的理解都能说通。但对于行业中大多数非巨头的公司来说,人工智能的计算能力要求过高,带来的硬件和人才成本往往与产出无法相比。 

所以除了BAT之外,谁和你说“我们的广告产品用的是人工智能”,要抱着谨慎的态度来听。 

但这并不妨碍“人工智能”参与到广告,特别是广告技术当中。事实上,在计算广告的实践里,譬如广告点击预测、转化率预测等算法模型的优化工作,机器学习是必需的方法。 

站在广告公司的角度,去开发一款人工智能的底层算法是需要巨大的投入和恒心的,那是大公司的玩法;另一种思路是从场景出发,解决客户的某个实际问题,搭建适合自身的工具。

我们不妨从巨头企业和第三方公司分别来看“人工智能”是如何服务于广告营销的。

大公司:全链条的人工智能应用 

在2016年的云栖大会上,阿里妈妈把“人工智能”视为了“营销技术的未来”。数据积累和云计算是阿里在人工智能发展上的两大优势。 

凭借阿里系诸如天猫、淘宝等产品的积累,阿里妈妈在当时已经有了超过6.3亿的用户真实数据,每日PV次数达200亿,触达98%的互联网用户。

阿里巴巴的云计算业务成为解决人工智能算力要求的“开门钥匙”,在阿里云上有着完善的数据基础服务,并将数据应用和数据分析融合在其中。

在有了云计算和大数据两个重要的先决条件后,阿里妈妈的人工智能发展就显得“理所当然,顺风顺水”,将营销的每个步骤全面推向“智能化”。

微信图片_20170616093646.jpg

首当其冲的是智能营销引擎:OCPX。阿里妈妈搜索直通车研发总监的吴波说:在淘宝上,很多人都买过直通车或者钻展,但买的词和人群真正与产品受众匹配的比例有多大,很多人都掌控不好。 

在海量的数据和流量面前,人力很难准确地预测某一关键词地触达情况和决定怎样出价。而机器学习则可以利用海量用户数据,理解用户意图,进行智能流量匹配和智能出价。

OCPX的流量匹配不再基于“固定标签”,而是根据用户搜索行为、消费数据来判断用户当下所需要的产品;根据流量价值,实时动态出价:高质量流量出高价,低质量流量出低价。

要实现OCPX的目标,就必须利用超大规模机器学习,通过运算判断流量价值。阿里妈妈使用的是阿里集团最大规模的机器学习模型——只有这样才能根据用户、场景、用户对广告的喜好程度、购买意愿等,对每个流量的价值实时、精准的判断。

实际上围绕着OCPX,阿里在广告的智能化定向、应用在展示广告中的智能图像识别、以及广告创意的个性化选择上,都开始利用人工智能。

这种全链条的人工智能应用,是技术和综合硬实力的体现。

产品派:从解决具体问题出发

Cloudmobi是数字营销公司Yeahmobi推出的出海变现平台。随着移动互联网出海逐渐进入以“社交、直播、内容分发”为主的新阶段,早中期的出海产品开始加速自身的流量变现过程。 

出海产品的流量变现诉求很直接:获得更多的广告收入,更高的eCPM。但也有一些客观存在的难点,比如海外用户数据的稀疏问题。 

Cloudmobi产品负责人Tommy告诉Morketing记者,在国内用户数据相对充足,根据用户行为,以及第三方数据源支持,可以做出相对完整的用户标签和画像,用于广告投放和变现。

但是在海外,一款产品DAU的主要人群,与其收入贡献人群常常是割裂的。譬如茄子快传等工具app,主要用户群体在印度,美国市场的DAU可能占总体的5%都不到,但却贡献了绝大多数的收入。 

一个需要解决的问题就此浮出:收入占大头的地区, DAU有限、数据稀疏,无法提供足够的样本供算法进行分析,开发者该如何接入流量? 

在这样的情况下,依靠少量的用户数据优化变现算法无异于“买彩票”。 

Cloudmobi提出的解决办法叫做“动态整合策略”。Tommy说这一方法的理论基础来自Google的分层实验模型。 

所谓分层实验是将同一份流量,导入不同的独立的实验层中,每层实验的流量正交,流量进入每个实验层后都会被随机打散,并得出各自效果。反馈的结果可以帮助算法按照指定的方向不断优化。

微信图片_20170616093639.jpg

在实际的广告变现中,由于单个产品的用户数据稀疏,针对这个情况,就需要降低用户标签在流量分配中的权重。Cloudmobi的办法是将流量切层,分别投入到实验环境中。 

实验中的不同变量,包含了投放的地区、时间、广告来源,以及诸如文字,图片,字号,动画等创意元素。交叉实验会通过更改变量,如字体,颜色,接Facebook还是admob,引导用语的选择,图片大小等,得出不同的组合。 

根据广告投放后得出的结果,eCPM最好的前五个组合将获得80%的流量,而剩下的20%流量则继续跑在随机的组合中。 

Tommy说整个实验过程是动态实时调节的,以结果为导向是这一方法的特点。用户样本稀疏是很多开发者面临的问题,即便是很多过亿DAU的产品也不能保证变现效果。实验模型则从结果出发,让算法能够不断优化组合找到效果最好的,提升eCPM。 

除了用户样本外,在实际的广告中投放中,应用本身所处的环境,创意的体现和广告形式也是都是影响eCPM的原因,这些是仅靠用户标签无法分析得出的。Tommy认为对技术的无限推崇,导致的结果就是顾此失彼,讲好一个故事仍是广告成功的要素之一。 

Cloudmobi的方法随着实验层越分越细,计算量和优化的压力也越来越大。在这个过程中,辅以一定的策略去约束机器算法是保证成本和项目达成平衡的办法之一。Tommy谈到随着系统不断运行,数据通过SDK回收反哺算法,效率和精度也会越来越高。 

Cloudmobi支持目前主流的变现广告形式,如原生、视频、信息流等,广告源来自Facebook、AdMob和数十个海外广告网络,广告量达11万,填充率超过90%。

总结

在人工智能是未来必然的方向,在实际落地到各行各业之前,广告营销是人工智能、机器学习等领域最好的实践场,尽管不会像“自动驾驶”、“智能管家”等故事听上去那么性感,但却是支撑互联网的一块基石——Google、百度、Facebook都是靠广告发家的。

大公司是人工智能时代的巨人,他们从底层入手,在数据和算力的共同支撑下,构建了这个“智能时代”的基础。不过对于其他产品来说,依旧可以从具体的垂直项目和产品出发,由一个问题作为突破口,做到“与众不同”。广告行业很大,痛点很多,永远存在机会。

在一个技术从新兴到热门的过程中,总会出现低估了“中长期的潜力”,却高估了“短期内影响”的问题。保持理性,理解问题,提出方案,顺应市场需求是AI发展的务实思路。

网站底部配图.png

发表评论

浅谈数据在效果营销中的重要性 进去看看