AdBright资讯动态
AdBright广告效果咨询
QQ客服咨询
AdBright电话
400 008 2908
AdBright> 资讯动态>程序化广告中的数据应用-lookalike

程序化广告中的数据应用-lookalike

AdBright广告 | 2019-07-30

在传统广告中,受众只能被动接受广告,无法量化和跟踪广告效果,而在程序化广告中,广告主和受众之间能够实现双向互动,广告主能通过曝光、互动、点击等多个维度量化和评估广告效果。与广告主推广的产品和服务相契合的受众,往往有着不错的广告的效果。随之而来的,广告主对于受众定向也产生了越来越强烈的需求。



在广告投放过程中,绝大部分DSP平台都支持通过标签选取(用户兴趣定向)或LBS(地域定向)等方式为广告主筛选目标受众群,但筛选出来的人群规模不易控制,需要广告优化师进行反复的尝试寻找最优的目标受众群。


那么,如何更数字化自动化选取目标受众呢?本期技术专栏,AdBright广告带大家解读DMP中依赖大数据和机器学习进行目标用户拓展的Lookalike算法。


一、定义


Lookalike,即相似人群扩展,是基于广告主的现有用户,通过一定的算法评估模型,找到更多拥有潜在关联性的相似人群的技术。值得注意是,lookalike不是某一种特定的算法,而是一类方法的统称,这类方法综合运用多种技术,比如协同过滤、node2vec等,最终达到用户拓展目的。


二、算法原理


对于特征和模型算法,不同的广告技术公司各有差异,特征取决于其DMP有哪些数据,主要方式有以下三种:



这里以分类模型为例,人群拓展过程如下:


首先,提交数据。广告主需向DMP提交一系列客群范围,一般以设备码、电话号码等形式存在,我们称之为种子用户。


然后,进行建模。种子用户在和DMP平台所拥有的用户数据进行匹配,排除非DMP用户,将剩下的种子用户作为机器学习的正样本。负样本会从平台的非种子用户进行选取,将其转化为一个二分类的模型,由正负样本组成学习的样本,训练模型。



最后,输出拓展用户。根据广告主所需要的目标用户量级,按模型机制输出数据。根据扩散量级需求,量级越小,包含的用户群体相似程度越近。广告主可使用拓展后的用户数据包进行广告投放。


三、总结


就中国市场而言,人口结构的变化带来消费升级,促进了消费者个性化和对品质的追求,传播媒介去中心化信息传递,在分散用户的注意力的同时也增加了广告主捕捉消费者的难度。如何在合适的时间把合适的内容推送到合适的受众面前,也已成为广告主对广告技术公司的普遍要求。


因此,作为辅助广告主和广告优化师获取精准目标人群的有力工具,Lookalike算法几乎成为了所有提供广告DMP数据服务的公司的标配,并随着近些年算法和模型研究的深入,不断的优化和完善。


延伸阅读:

2019年必懂的41个程序化广告专业术语

程序化广告生态中的流量接入

浅析程序化广告中的RTB竞价原理

数据如何在程序化广告中发挥作用

程序化广告中的数据应用-oCPM

程序化广告中的数据应用-lookalike

简析程序化广告中的第三方监测

浅析程序化创意原理

程序化广告归因模型知多少

上一篇:程序化广告中的数据应用-oCPM
下一篇:简析程序化广告中的第三方监测
查看更多资讯动态 >

广告专家为您服务

留下您的联系方式,我们将快速与您联系

请选择您的了解途径
请输入正确的公司名称
请填写公司名称
请输入正确的所在城市
请填写所在城市
请输入正确的姓名
请填写姓名
请输入正确的手机号码
请填写手机号码
请输入正确的邮箱
请填写邮箱