数据科学是如何变革Advertisement 广告行业的？

随着移动互联网的发展得到长足的发展，广告行业也发生了很大的变革。以前的广告形式可能是广告产品册类似的形式，但现在的广告大部分是以数据的形式来呈现，也就是所谓的数字广告。

今天我们的话题是：数据科学给广告行业如何带来哪些新的机会？如果你想了解更多数据科学相关内容，可以阅读以下这些文章：
广告行业(Advertising)都有哪些数据科学应用？
广告行业转行数据分析——Data Science在Digital Ads行业的求职与应用有哪些？
手游vs网游！游戏行业如何通过数据分析让你上头？
互联网大厂分析岗面试宝书精益分析——Lean Analytics案例分析

本期话题主要有以下几个内容：

• 什么是数字广告？
• 在这个领域的技术细节
• 数据科学在这个行业是如何应用的？
• 这个行业有哪些工作机会？

数字广告具体呈现的形式比较多，比如打开手机APP会有植入的广告，打开互联网搜索引擎搜索信息，也会看到一些购买了广告的产品/服务/公司出现在搜索结果里，还有一些基于内容的东西，像Blag这种，上面和侧面栏可能都会出现广告，这些都是我们平时比较熟悉的广告形式。

让我们来看看这些广告是如何被播放出来的：首先是Demand，它其实是需求方，比如打开一个APP，里面有一个置顶的广告，这个APP就是一个可以投放广告的地方；Supply是媒体或者平台能够提供一个打广告的地方；还有一个是Audience，也就是广告的观看者。之所以这样分析，是因为以后去分析整个广告的效果，不同的角度不同的观点。

比如从看广告人的角度，可能就会更关心这个广告和我们的（用户体验）是否相关。举个例子，一个用户需要查一篇论文资料，但出现的都是一些不相关的广告，用户体验就会很差。

从平台或者传媒方的角度来看，它提供了一个播放广告的位置，当然更愿意给用户提供有价值的信息，也就是说，用户会点击浏览，这样这个广告才会产生价值。

从投放广告的人来想，肯定想让自己的广告投放在目标用户可以看到的平台上。

其实，这里面有一些数据驱动的方法是重合的，但又稍有不同，所以我们在分析任何数据项目的时候，第一个要思考的问题就是你在这个项目里的商业角色是从哪个角度出发的，这个是必须要清晰化的。

比如，你是某一家品牌服装的广告数据分析师，这时候你需要关心在有限的预算里让你的广告效果最大化和多样化，这样你就做到了面对不同的用户展示不同的产品和服务的特色。如果你是平台方，你的第一任务就是广告的收入，你要关心广告的各种优化，是非常重要的。总之，每个角色代表的商业目标并不相同，所采用的的数据方法和策略也会不同。

接下来，我们来了解一下广告目标，也是非常重要的一点。比如，一个广告的投放方，希望在不同的平台推广自己的产品和服务，也需要考虑广告的目标是什么。首先告知用户我们有这样的产品和服务，然后说明自己产品的特色和优点来说服客户，以及提醒、品牌介绍等等。

再来看看广告形式，其实每个人每天都被广告所环绕，首先视频类型的广告，在开始看视频之前会有一些广告，然后才可以看内容，是非常常见的广告类型。

第二个是社交网站广告，比如Snapchat、Instagram、Facebook等等，这种广告会出现在每个人的社交网站上。

第三个Banner广告，以我个人的linkedin主页为例，可以看到上面放了一行广告，这也是种广告形式。

第四个搜索引擎广告，比如在Google上面搜索一些关键词，前面的都是一些广告内容的展示，下面才是真正搜索到的内容。

如果你是一家公司的广告分析师，你有两千万的预算，应该怎样有效的运营这笔钱呢？

这时候，你首先要思考这个广告的有效性。从图中这个转换漏斗上看，这个广告效果是从容易到难的，如果你只是透露一个信息，使用衡量指标考察广告发布一周后的效果。

其实，大部分人看了广告后都会有一个浅显的印象，比如数据应用学院是最早进行数据科学培训的机构，它是一个培训机构，但是对于一些细节的印象并不是那么深，它是什么样的机构？能帮你找到什么样的工作？培训的内容是什么？

下面是对品牌的认知、对产品的认知、接受传递的概念和信息，比如接受并认可WIFI提供商提供的高质量高带宽服务，这个难度是比较大的。

Retention想要一个客户变成忠诚客户，也需要下很大功夫。最后是推动用户行动起来，比如推动WIFI和服务器从现在的厂家转到新的厂家。所以商业目标和达到广告效果的难易程度有很大关系的。

接下来，我们来看衡量广告有效性的指标，最重要的衡量指标就是ROI，比如在YouTube中一天1000$的费用放了一个广告，一个月3w美金左右，它的利润是多少？利润是在你的网站、产品服务、销售方面进行衡量的，但是成本是在广告平台上收费的，成本取决于投放广告的几种形式。

第一个计算成本的方法是CPM(Cost per Mile)，每一千个广告曝光次数。

比如在手机的Facebook放了一个广告，实际上可能进入上传个人照片和看朋友评论的页面，根本没有看到这条广告，但是用户的印象中已经有了这个广告，这就是一次广告曝光。作为一个广告公司，在推广服务和产品时就已经开始计费了。这是一种最直接的最简单的计费方式，保障投递1000个，但是看不看得见没人知道，然后费用是多少，比如1000个收费50$，还有更贵的1个50/60$。当然也取决于是随机投放还是feature推荐的特别用户，这个付费也会稍有不同。

另一种计费方法是CPC(Cost per Click)，比如和Facebook平台签约，向用户投放广告后，用户如果点击广告就跳转到公司的网页，一个跳转到鞋子页面，一个跳转到运动服页面，另一个跳转到别的服装页面。

无论如何，点击一次收费一次，费用有各种各样的不同，但是如果用CPC，广告平台需要大量的数据驱动的优化算法。如果能够找到目标客户，相当于传递一个广告几乎有80%会点击，广告平台的收益也会增加。广告的优化不仅仅是广告分析师提升产品性能和服务时会用到它，广告平台本身也有大量数据分析岗位的需求，帮助你找到更好的目标客户。

CPS(Cost per Sale)由于不方便跟踪销售并不常用。因为销售有几个转化的步骤，不像广告曝光次数、点击量在广告平台上就可以跟踪，比如Facebook的广告平台，它可以跟踪到广告投放给某个人后是否有点击。

• CPA(Cost per Action/Acquisition) 是获得新用户，和CPS一样都不好跟踪。
• ROI从投放角度来看，通过这个广告可以产生多少销售和新用户。
• CPT(Cost per Time)一次广告多少钱，在数据博客上投放一次所有用户都可以看到，不太适合平台投放。

以上的收费部分主要是为了计算ROI，是最终的广告效果。

在我们优化广告策略时，可能会关注某一个转换环节中的变化，用什么样的优化方式更好地完成转换，还包含一些A/B Testing的方法策略。

前面讲了行业背景知识，还有一个背景知识是需要理解—— 广告在后台是如何投放到用户的页面中的？这里讲一个例子Ads Exchange。Ads Exchange是一个广告交易平台，市场中有DoubelClick、AppNexus、OpenX等这些公司做这些行业。

先看一下交易是如何完成的，有一种交易是实时竞价(Real-time Bidding，RTB)。

比如我们手机中的应用有一个可以放置广告内容的区域，有一个小应用是收集数据科学相关文章的，前面是文章的索引后面是广告。这些信息会以request的形式到达RTB平台，包括应用名称、位置、字数，还有存储在cookie中关于用户的信息，比如浏览记录。

当然这需要清洗掉包含用户隐私的敏感数据，传递用户一些重要的label。RTB平台处理label后，增加它对用户的判断，也就是说增加或优化label，然后把这些信息又传送到DSPs上。DSPs上有Nike、DAL、USC等供应商，看完这些信息后分析label，这些label中有很多时间序列、数据科学等，Nike就觉得这个位置对它没用就不投了，而DAL和USC开始出价竞争这个位置。

接着，把竞价信息传回到RTB平台，RTB平台理论上会选择竞价最高的，但实际上可能会选择众多竞价者的第二个，然后成功地把DAL或USC的广告投递到这个应用上。用户恰好对时间序列有需求，就可以通过文章后面的广告链接查看，这就是RTB的过程。整个过程听起来复杂，但是实际上比较快，不会超过1s，这就是我们广告是如何到你的手机上的，别的广告也是如此，所以不同的人在同样的页面看到的内容会不一样。

当然，Facebook平台本身也做一些过滤，主要产生的不同是根据Facebook对用户增加label，在cookie中存储过往的搜索。根据Facebook在cookie里面加了很多标签，存储了一些过往搜索或者相关的信息，这些是指导广告交换系统把你感兴趣的广告投送过来。

我们大概知道了后台是怎样工作的，也分析了作为公司的广告分析师日常要做哪些工作，下面我们来看一看数据科学怎样让这些工作做的更好。

首先是Save time and budget than trial-and-error strategy（比试错策略，节省时间和预算），数据科学家的工作能够帮我们节省时间和预算。传统的策略是做了广告之后看一看效果，效果好就投，效果不好就换一个方向，trial-and-error这种策略成本是很高的。但是作为数据科学家来说，比如寻找目标客户，那么要对于现在的客户进行分类分析，至少能够提取现在的客户的features，这些feature是将来找到相应的目标客户的一个重要的线索。这种分析方法就比去投然后看效果不行就再换这种效率高很多，数据科学家在做用户行为分析、用户分类分析的时候有各种各样成熟的办法。

然后Target only the most valuable customers（只针对最有价值的客户）。首先，数据科学可以帮助识别最有价值的用户，接下来会有一系列的分析方法能让你瞄准到你想要的目标客户。怎么找到最有价值的客户？举个例子，比如用RFM模型，最有价值的用户可能会有两种极端的情况，一种是购物的频率不高但是每次购物的额度很高，另外一种是购物频率很高，那么这两种可以做一个模型去看带来的整体收益是多少，这是第一部分怎么去找到最有价值的用户的规律；第二个是通过这个规律怎么真正reach到这都是数据科学家应该做的事情。

然后是Increase a customer’ s lifetime value（增加客户的生命周期价值）,一个是如何能延长客户的生命周期价值，另一个增长方法是在有限的客户的生命周期价值里怎么达到更多的促销。针对第一种现象，“如何延长客户的生命周期价值一个重要的话题，就是churn analysis（用户流失分析）。

接着是Quickly learn from customer feedback（从客户反馈中快速学习），这个也有各种各样的方法，第一个就是调查，收集用户的反馈；也可以用更系统的方法比如用户对产品的评价，给我们的用户发送各种各样的一些信息，然后通过自然语言处理（NLP ）的方法去从海量的文字信息里提取用户反馈。

下面是Predict which products and services will be popular（预测哪些产品和服务会受欢迎），如果我们能预估到某个产品会很流行，依然产品的需求在，那么广告的投入是不是就会带来很好的收益，这就是我们平时说的供给分析。

然后Refine your digital advertising（优化你的数字广告），这就是数据广告的内容，我们希望同样的产品和服务在针对不同用户的时候，对不同的用户发送不同的内容。

然后Turn more leads into conversions（将更多潜在客户转化），这里的leads可以理解为customer、user、candidate都可以，然后把他们转换为用户，或者是有多个步骤的转换把他们转换到下一个步骤。

最后Increase revenue with cross- and up-selling（通过交叉销售和向上销售增加收入），就是通过cross-sell and up-sell增加收入。

下面我们来看技术方面，首先Channel optimization（渠道优化），前面提到广告行业为什么需要数据科学，具体来说一个是优化渠道，我们可以选择的广告渠道是非常多的像Facebook是社交平台，YouTube是视频平台，还可以选择谷歌的搜索引擎，搜索之后投放付费的广告。可以在效果好的渠道增大投入，这样的话ROI会更好。

Content strategy，内容策略就是判断什么样的内容可以让用户形成转换，可以做一些调查了解用户对哪些内容是有正面的反馈或者是具体实施上可以用一些AB 测试的方法改一些内容看看效果如何。

Customer segmentation就是用户的细化，这个是经常用到的技术手段。segmentation包括两种大的策略。一种是可以把它作为非监督学习的一种问题，使用聚类的方法进行分类；另一种是用用户现有的信息像人文、地理、行为、心理学等信息进行分类，比如人文就可以通过年龄、文化背景、种族等进行分类。

Budget allocation（预算分配） 其实就是attribution analysis归因分析，也就是说可以根据不同渠道的效果做budget模型。

Lead targeting and lead scoring（潜在客户定位和潜在客户评分），Lead targeting就可以理解为如何target用户，scoring是一种评分，比如有一万个潜在客户,可以用一种数据评分的方法把他们进行排序，然后从最后价值的潜在客户入手。

Real-time interaction and analytics（实时交互和分析），这个需要借助技术的手段NLP，无论是语音或者是文字，自然语言处理技术都可以让我们理解用户想表达的意思，后面就全都是计算机在和用户进行实时的交互分析。

Sentiment analysis也是NLP的一个应用，也就是语义分析，比如说用户给了一个反馈我们怎么通过语义分析来理解用户，至少要理解是positive正面的，还是negative负面的。

最后我们来看看工作机会。任何一个公司需要销售产品和服务的公司都有可能会通过广告做marketing。如果需要做广告就需要广告效果的数据分析师或者商业分析师甚至于数据科学家去帮助做广告分析。

所以，在搜索这种工作机会的时候不一定只搜索广告平台比如Facebook、Google这些，也不一定去搜索Advertising analysis，其实只要这个岗位描述里面包含有广告的分析以及广告的优化这些都应该是我们所乐见的工作机会。

以上就是关于数字广告行业的数据科学应用，你所处的行业是否有应用这些技术？欢迎在文章下方探讨！你还可以订阅我们的YouTube频道，观看大量数据科学相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/

Recap 作者：数据应用学院
美工编辑：过儿
校对审稿：佟佟
公开课回放链接：https://www.youtube.com/watch?v=tWw-qHQoyn0&t=145s