IT瘾广告推荐

创业公司如何获取早期用户？

Mon, 02 Mar 2020 02:15:22 CST

草根创业的时代已经过去，现在的流量要不掌握在巨头手里，要不就是别人家的私域流量。总之，获取流量贵、获取用户难。让创业公司头疼的不是做出产品，而是获取用户。

为啥腾讯只要推出一个新产品，用户量就非常大呢？因为QQ长期积累的用户数非常大，随便为新产品带点量，就胜过普通创业者吭哧吭哧干好几年。这也是网红、大咖、头部IP的成功之道，他们自身积累了很多流量，只要产品不差，不愁用户。

获得早期用户，对创业公司的发展至关重要。一位叫做Frank Heijdenrijk的荷兰哥们，就创建了一个博客Early User Growth，专门探讨早期用户增长的问题，以帮助企业家、开发者为其产品找到合适的用户，帮助他们推出更好的产品。

Frank Heijdenrijk列出了好多创业公司获得早期用户的方法，这里选了一些翻译出来。当然，这些创业公司如今都成长为了行业巨擘，早已非当年的吴下阿蒙。

GitHub：
GitHub在2008年4月启动，在这之前其实已经启动了beta程序并收获了一些早期用户。到正式发布时，他们已经有了大约6000个用户。早期的策略是邀请他们的开发者朋友使用GitHub，并可以通过一个链接轻松地共享他们在GitHub上的代码。别人想要签出代码，就会增加网站的访问量。

ProductHunt：
Ryan Hoover在创建ProductHunt之前，就创建了发现最新科技产品的新闻通讯，慢慢的有很多人感兴趣，成了最初的用户。Ryan Hoover意识到可以将其变成一个在线社区，而不仅仅是通过电子邮件发送产品列表，于是ProductHunt诞生了，自带早期用户。

Zoom：
Zoom在2013年推出，当时的视频会议市场已经饱和。创始人袁征（Eric Yuan）可没有Ryan Hoover积累的早期用户，他决定在旧金山市中心的101号公路上租一个广告牌来做广告，在正确的时间和正确的位置以正确的方式让目标受众了解自己的产品。广告牌上包含Zoom域名和一个句子“不抽烟的视频会议”。最终，一些人访问了Zoom.us，注册成为了早期用户。

Slack：
Slack最初是视频游戏的副产品，游戏没成功，这个消息沟通工具反而做大了。在2013年4月发布时，创始人Stewart Butterfield他们请求10个不同公司的朋友使用Slack作为团队沟通工具。尽管有些公司刚开始将Slack用于较小的团队，但Slack很快就在整个公司范围内使用。Stewart Butterfield之前是Flickr的共同创始人（另一个是Caterina Fake），他在科技圈内已经相当知名，知名自然就会获得关注，通过TechCrunch、VentureBeat和其它技术博客的宣传，一下子产生了很多用户。

Early User Growth：
https://earlyusergrowth.com/

更多获取早期用户的公司：
https://earlyusergrowth.com/startups

广告产品的五个核心问题

Fri, 24 May 2019 17:20:47 CST

随着互联网的发展，产品经理岗位也出现了越来越细的分工，其中就出现了广告产品经理这一细分岗位。本文主要是结合笔者经验，从产品维度聊聊商业产品矩阵里的广告产品。

随着互联网的发展，曾经是万金油的产品经理岗位也出现了越来越细的分工，按职能定位划分有用户产品、平台产品、策略产品、增长产品，商业产品经理……通用能力的产品不再具备竞争力，基于专业和行业壁垒建立核心能力模型，才能在升级打怪路上继续通关和进阶。

本文重点聊商业产品矩阵里的广告产品。

问题一：广告不是独立的闭环业务模式

古典的商业变现模式有游戏、广告和电商。独立闭环业务模式是指企业掌握业务核心主流程，掌握关键资源进行商业化变现。区别于电商和游戏业务，广告很难成为独立的闭环业务模式，必须依赖媒体、搜索、信息流等业务场景才能完成闭环。

广告代理公司不是闭环的业务模式，因为本身不掌握最核心用户流量，必须依赖流量供应商才能存活。从广告收入来看，前几年最大的广告公司是做搜索的百度，现在最大的广告公司是阿里。

因此，广告产品经理要做的，不仅是围绕广告平台大谈DSP、ADX、DMP、CPC等专业词汇，不能局限在广告系统模块，要跳出广告本身，去了解广告上下游生态，理解不同行业客户的诉求差异，最大化客户价值。同时，要洞悉消费者需求变迁轨迹，具备商业思考能力，设计好的变现模式持续创造价值。

问题二：几乎所有主流互联网公司都有广告变现模式

广告几乎是所有互联网公司都有的变现模式，曾经的广告之王是央视，后来在广告收入上被互联网新贵超越，互联网广告市场一直处于高速增长态势。

电商卖家想要多卖货需要在淘宝直通车打广告，网站想要被搜索引擎检索到需要在百度买关键词做广告，APP创业者想要提升下载量需要在应用商店交广告费，房产中介想出租房屋提升曝光需要在58同城买置顶广告位……

可以说广告无处不在，作为普通消费者对广告大多是反感的，只有少量经典广告有用户喜欢看，比如乔布斯给苹果做的广告片：think different。作为产品经理，如果用专业视角来看待广告产品体系，也很有意思。

产品经理往上走，肯定会接触到自己负责产品条线的商业变现和收入，需要站在事业部甚至整个公司层面思考问题，站得更高才能看得更长远，做出更优的决策。

建议工作3年以上的产品，不管目前做的事情是否涉及商业产品，都要刻意练习商业化思考的角度，看看自己负责的模块对于广告商业变现体系是否有直接或间接的贡献，这样才能走得更远。

问题三：每个公司的广告变现模式各有千秋

差异化地方在于，不同公司的业务场景对于广告模式和架构的选择都有各自的考量。阿里电商业务有阿里妈妈广告联盟，百度有凤巢和百度联盟，腾讯有广点通，字节跳动有巨量引擎和穿山甲联盟。

2018互联网广告总体规模达3694亿，年增长率为24.2%，互联网广告市场竞争符合二八原则，阿里腾讯百度头条广告营收占据85%市场份额。

注：

1. 数据来源：各大公司2018年财报

2. 蚂蚁和滴滴在广告（在线营销）方面数据披露较少，但都是有广告收入的，蚂蚁给金融机构导流获取广告收入，滴滴给金融机构、车主服务商导流获取广告费。

问题四：广告产品经理未来发展如何

产品经理未来的职业路径，除了传统的管理路线和专家路线，在执行层面有两个进阶方向：行业壁垒和专业壁垒。

行业壁垒：主要指对某个有相当知识沉淀的传统行业有特别深的造诣，最核心能力是搭建业务系统的能力。比如金融行业产品经理、教育行业产品经理、医疗行业产品经理、房产行业产品经理，旅游行业产品经理等。

现在很多中高级产品岗位的社会招聘，越来越看重行业经验积累，只有深入了解行业的痛点和客户诉求，才能做出创新性的产品，为传统行业带来一点积极的影响和改变。

在职业规划上深耕某个行业才能在未来十年站稳脚跟，否则可能比较容易遭遇35岁失业危机。

专业壁垒：在广告、搜索、支付和风控等专业领域建立专业认知，争取做到细分专业领域topT00。

广告产品经理属于可以在专业壁垒上建立职业壁垒的类型。

商业的本质是通过分工协作进行利益分配，开公司本质就是为股东赚钱带来资本回报，凡是负责赚钱和带来收入的岗位都会变得越来越重要，所以广告产品经理肯定会一直存在且被公司需要的，认准这个方向且在正确的方向上持之以恒的努力，未来会活得很好。

做产品就是以用户为中心，把行业认知和专业认知进行变现。

问题五：广告产品的主线和平衡点

广告产品的一条主线和两个平衡点：核心主线是两个字：赚钱。商业化变现为公司带来收入增长，两个平衡点是商业收入目标和用户体验的平衡。

广告产品属于商业产品，最核心的考核指标是收入和利润，管着公司的钱袋子，得赚钱养活公司大大小小的部门。广告产品需要具备商业思维能力，不仅要找到赚钱的点，还要打造可持续可规模化的商业变现模式推动公司发展。

但是，广告产品不能唯赚钱论，否则就和最近财报亏损和市值掉队的某巨头差不多，医疗广告和竞价排名被过度商业化，销售导向而不重视用户体验，透支的是企业未来发展的潜力和根基。

广告产品需要建立基本的底线思维，有所为有所不为。

首先，绝对不能做伤天害人的事。

比如给虚假医院和旁氏骗局的理财平台打广告，即便是小概率事件也要保持谨慎，一旦发生很容易给用户造成巨大的损失。

这种底线思维不仅是从产品设计上需要考虑，更重要的是公司的价值观和文化导向，谷歌的不作恶就是很好的底线。

其次，打扰骚扰用户的广告要适可而止。

这些广告信息虽然不害人不会给用户带来生命或者财产损失，但是经常被骚扰也很烦，久而久之用户会选择用脚投票。

上图中，某手机厂商广告收入过百亿就很说明问题，手机系统充斥很多广告被广泛吐槽。本人曾经也是MIUI用户，刚开始那几年，MIUI确实是最好用的安卓系统，在发烧友群体中口碑很好。后来随着商业化节奏加快，系统里广告太多，不堪其扰就不再使用。

在用户体验上，大部分公司的产品都存在这个问题，各种营销信息不断打扰用户，目前只有微信豁免，伟大的产品一直在克制。

企业为了做好商业目标和用户目标的平衡，用户产品和商业产品在组织架构上通常分为2个独立的部门，各自为自己的KPI负责。

最后，用户对广告也不都是抵制的，还是能接受一些精准的优质广告。

比如微信朋友圈的广告，刚开始推出的时候引起用户的疯狂追捧，评论点赞很多。好的广告让用户觉得不是广告，好的广告用户即便知道是广告还愿意转发推荐和口碑传播。

除了在广告上的2个底线思维，产品经理还可以从另外一个角度思考问题，就是如何做出用户喜欢的广告，力争做到商业收入和用户体验双赢。精准可以从大数据分析入手，是商业产品本身可以完成的，优质的广告需要好的创意设计，需要发起协作，在广告产业链上挖掘接入号的供应商，建立好的广告生态圈。

精准和优质是广告产品的一个进化方向。

#专栏作家#

刘国宏，微信公众号：iwifi，人人都是产品经理专栏作家。

本文原创发布于人人都是产品经理，未经许可，禁止转载

题图来自Unsplash，基于CC0协议

计算广告入门概念

Sun, 12 May 2019 19:04:40 CST

最近开始研究计算广告相关的东西了，那么首先我们要弄懂计算广告中一些常见的概念，本文就让我们一起来整理下吧。

主要参考的两本书：《计算广告》和《互联网广告的市场设计》

1、广告市场的参与方

广告活动的两个主动的参与方是需求方和供给方，被动的参与方是受众。

需求方：这里的需求方包括广告主，代表广告主利益的代理商或其他技术形态的采买方，概括来说，就是想要投放广告的一方。

供给方：这里的供给方可以是媒体，也可以是其他技术形态的变现平台。在移动互联网时代，媒体指一切拥有流量的电视媒体、报纸、Web 网站、移动 APP、H5 页面等等。概括来说就是给想要投放广告的需求方提供广告位的一方。

受众：受众就是我们这群看广告的人啦，之所以说是被动的，因为给我们看什么广告并不是我们决定的，而是由需求方和供给方来决定的。

2、广告市场的常见收费方式

广告这一商业行为，对于需求方来说，其目的主要有两个：一是吸引用户消费，二是塑造品牌形象；对于供给方来说，那当然是赚钱了。需求方想要在供给方这里放广告，当然是要付钱的。那么本节所介绍的，就是需求方如何向供给方付钱的。

按千次展示计费 CPM(Cost per Mille)：即在供给方的广告位上，展示 1000 次需求方的广告，需求方需要支付给供给方的钱。假设约定是 1000 元，那么广告展示 5000 次的话，需求方需要支付供给方 5000 元。

按点击计费 CPC(Cost per Click):即在供给方的广告位上，广告每被受众点击一次，需求方需要支付给供给方的钱。假设约定的是一次 3 块，如果广告展示了 1000 次，共被点击 20 次，那么需求方需要支付给供给方 60 元。

按销售额付费 CPS(Cost per Sale)：这种计费方式跟广告展示或者点击多少次没太大关系了，主要按照需求方的收入来决定的。假设需求方通过广告展示获得了 1000 元的销售额，按照 20%的比例支付给供给方，那么供给方的收入便是 200 元。

按转化付费 CPA(Cost per Action)：这里的转化形式可以很多，比如我们推送了一个公众号的广告，用户点击并关注公众号算是一种转化，推送了一个商品广告，用户购买或者加入购物车算是一种转化。假设需求方通过广告展示获得了 200 个用户的关注，每一个关注支付给供给方 5 元，那么供给方的收入共 1000 元。

按时间付费 CPT(Cost per Time)：供给方将某个广告位以独占的方式给广告主，并按独占的时间段收取费用。

3、供给方的收益衡量

上一节介绍的是需求方如何向供给方进行付费，尽管有不同的收费方式，但供给方最终大都会转换为同样的标准来衡量自己的收益，最为常用的是千次展示期望收入 eCPM(Expected Cost per Mille)。本节主要来介绍 eCPM 和上述几种付费方式的关系。

对于 CPM 的付费方式，很简单，eCPM=CPM。

对于 CPC 的付费方式，eCPM = 1000 * CTR * V。此时供给方会对需求方给出的广告预估一个点击率 CTR，假设一个广告的 CTR 为 10%，每次点击广告主的付费是 V=5 元，那么 eCPM = 1000 * 0.1 * 5 = 500。

对于 CPS 或者 CPA 的付费方式，eCPM = 1000 * CTR * CVR * V。此时供给方不仅需要预估广告的点击率 CTR，还需要预估广告的转化率，以及每次转化所带来的收益 V。假设一个广告的 CTR 为 10%，CVR 为 20%，每次的销售分成或转化付费是 10 元，那么 eCPM = 1000 * 10% * 20% * 10 = 200。（这里的 CVR 是点击并转化的用户占所有点击用户的比例，而非转化的用户占曝光用户的比例）。

对于 CPT 的付费方式，我们可以预估一个每日的曝光量，比如需求方约定的是展示一天付给供给方 10000 元，预估的曝光量是 20000，那么 eCPM = 1000 * 10000 ／ 20000 = 500。

4、广告市场中的竞价机制

在广告市场中，如果需求方的数量大于供给方的数量，也可以理解为需要展示的广告数量大于广告位的数量，那么怎么样来确定展示哪个广告呢？这里就会牵扯到竞价机制。

最常见的竞价机制为广义第二高价 GSP(Generalized Second Price)。我们先来谈谈什么是第二高价。它源于拍卖市场。假设有四个花瓶爱好者竞拍一个花瓶，A 的出价为 200，B 的出价为 150，C 的出价为 180，D 的出价为 175。那么 A 成功竞拍得到花瓶，但他支付的价格并不是自己的出价 200，而是出价第二高的价格，即 A 需要支付 180。

再来谈谈广义第二高价，假设在按 CPM 付费的情景下，有四个广告主竞拍三个广告位（三个广告位是有差异的，越前面的越好），A 广告主的出价为 200，B 广告主出价 180，C 广告主出价 170，D 广告主出价 150。那么 A 广告主获得第一个广告位，其 CPM=180，B 广告主获得第二个广告位，其 CPM=170，C 广告主获得第三个广告位，其 CPM=150。

在竞价过程中，供给方是按照自身的 eCPM 来对广告进行排序的。在按 CPM 计费的情况下，eCPM = CPM，所以该过程和我们上面的解释是一致的。但在 CPC 计费时，情况就有所不同了，此时我们不仅要关心广告主的出价，还要关心各广告的点击率。假设我们还是有 4 个广告主 ABCD，竞拍三个广告位，供给方对于 4 个广告的点击率预估如下：

在上图的最后一列，我们将按照 CPC 竞价转换为了按照 CPM 竞价。好了，很

显然的方案是，A 获得第一个广告位，B 获得第二个广告位，C 获得第三个广告位。接下来的问题是，广告主 A、B 和 C 实际支付的 CPC 怎么确定呢？A 按照 CPM=8 来定价，即 A 广告主实际支付的 CPM=8，换算为 CPC 为 8 ／ 1000 ／ 1.6% = 0.5。所以，实际中，各广告主实际支付的 CPC 为：

在实际中，通常会给出一个市场保留价 MRP(Market Reserve Price)，即广告主出价的最低价格，假设上面例子中 MRP = 0.25 ,那么 C 广告主的实际出价也会变为 0.25，而非 0.2。

广东移动：终端行业分析报告

Thu, 09 Aug 2018 23:45:17 CST

报告结果总览：

1）相较于第一季度，第二季度市场略有缩小

2）华为表现不俗，市场占比，用户忠诚度均优于其他品牌

3）选择在6-12月内的换机用户比例有较大幅度增长

4）华为、苹果、OPPO、VIVO四大品牌中超50%的用户忠诚于原品牌

5）用户更爱换至安卓机，流向苹果用户数量减少

（一）手机市场总洞察：第二季度销量下滑，华为超过苹果，iPhone以及OPPO机型表现出色

2018年第二季度的三个月，用户新增手机数量相较于第一季度，减幅达到300多万台。

第二季度用户新增手机品牌中，华为销量超越苹果占第一，国产品牌占据了TOP5中的四席。

从用户换机前后的的市场份额占比看，OPPO及华为在第二季度的增长幅度最大，其中华为增长4.16%，OPPO增长4.62%

iPhone和OPPO机型表现出色，瓜分排名的前10。

（二）用户换机行为总洞察：超3成用户不到半年就换机，四大品牌用户忠诚度超50%

相比起第一季度，第二季度依然有34.59%的用户的换机周期是在半年内的，换机周期在6-12个月的用户大幅增长。

华为、苹果、OPPO及 VIVO的用户忠诚度均高于50%，即超过50%的用户还会换至原品牌。其中，华为的用户忠诚度高于其他品牌。

用户在手机品牌选择更换时有以下几个明显的转变：

1、华为用户更倾向于更换至苹果以及OPPO；

2、苹果用户更倾向于换至华为及OPPO；

3、OPPO用户更倾向于换至VIVO、苹果及华为；

4、VIVO用户更倾向于换至OPPO及华为。

* 数据来源：中国移动通信集团广东有限公司内部数据

* 数据对象：中国移动通信集团广东有限公司用户

* 取数时间：2018年4月-6月

* 备注：本报告结论均为取数时间段内广东地区移动客户新增手机市场，未包含其他区域及运营商。本数据通过客户使用服务过程中合法数据分析获得。

来自：广东移动

CTR 预估模型简介--非深度学习篇

Sun, 15 Jul 2018 21:53:19 CST

本文主要介绍 CTR 预估中常用的一些模型，主要是非深度学习模型，包括 LR、GBDT+LR、FM/FFM、MLR。每个模型会简单介绍其原理、论文出处以及其一些开源实现。

LR(Logistic Regerssion)

LR + 海量人工特征 是业界流传已久的做法，这个方法由于简单、可解释性强，因此在工业界得到广泛应用，但是这种做法依赖于特征工程的有效性，也就是需要对具体的业务场景有深刻的认识才能提取出好的特征。

原理

LR 是一个很简单的线性模型，其输出的值可认为是事件发生($y=1$)的概率，即输出值如下式所示

$$ h(x) = p(y=1|x) = \sigma(w^Tx+b)$$

其中$w$ 为模型参数，$x$ 为提取的样本特征，两者均为向量，$b$ 是偏置项。$\sigma$ 为 sigmoid 函数，即 $\sigma(x) = 1/(1+e^{-x})$

有了事件发生的概率，则事件不发生的概率为 $p(y=0|x) = 1-h(x)$,将这两个概率通过如下一条公式表示为

$$p(y|x) = h(x)^y(1-h(x))^{1-y}$$

有了这个概率值，则给定 $n$ 个样本，便可通过极大似然估计来估算模型参数，即目标函数为

$$\max \prod_{i=1}^np(y_i|x_i)$$

通常我们还会对概率取 log，同时添加负号将 max 改成min，则可将目标函数改写成如下的形式

$$\min -\sum_{i=1}^ny_i\log h(x_i)+(1-y_i)\log (1-h(x_i))$$

上面的损失函数也叫作 log loss，实际上多分类的 cross entropy 也同以通过极大似然估计推导出来。

有了损失函数，便可通过优化算法来求出最优的参数，由于这是个无约束的最优化问题，可选用的方法很多，最常用的就是 gradient descent，除此之外，另外还有基于二阶导数的牛顿法系列，适用于分布式中的 ADMM，以及由 Google 在论文 Ad Click Prediction: a View from the Trenches 中提出的 FTRL 算法，目前也是业界普遍采用的方法，该算法具有online learning 和稀疏性的良好特性，online learning 指的是其更新方式与 SGD(stochastic gradient descent) 相似，稀疏性指的是该算法能够解决带非光滑的L1正则项的优化问题。由于这里这篇文章主要讲述各种 CTR 预估模型，因此这里不对优化算法做展开了。

上面提到了 L1 正则项，就是在原来的损失函数基础上加上了 $C\sum_{i=1}^m |w_i|$ 这一项, 表示各个参数的绝对值的和乘上常数 $C$；加上这一项后能够使得最终的求解出来的参数中大部分的 $|w_i|$ 为0，这也是稀疏性的名称来源。稀疏性使得模型的复杂度下降，缓解了过拟合的问题，同时具有有特征筛选的能力。因为 LR 模型可以理解为对各个特征进行加权求和，如果某些特征的权重即 $w_i$ 为0，则可认为这些特征的重要性不高。在CTR预估中输入的是海量人工特征，因此添加 L1 正则化就更有必要了。

由于 L1 正则项不再是处处光滑可导的函数，因此在优化损失函数时。原来的 gradient descent 不能够直接使用，而是要通过 subgradient 的方法或前面提到的 FTRL 算法进行优化。

上面涵盖了 LR 模型的基本原理。而 在 CTR 预估中，应用 LR 模型的重点在于特征工程。LR 模型适用于高维稀疏特征。对于 categorical 特征，可以通过 one-hot 编码使其变得高纬且稀疏。而对于 continious 特征，可以先通过区间划分为 categorical 特征再进行 one-hot 编码。同时还需要进行特征的组合/交叉，以获取更有效的特征。

一些问题

上面介绍过程中有一些结论我们直接就使用了，下面对于上面提到的某些结论做出一些解释

1. LR 的输出为什么可以被当做是概率值？

这部分涉及到广义线性模型(GLM， Generalized linear model) 的知识，这里略过复杂的推导，直接给出结论。简单来说，LR 实际上是一个广义线性模型，其假设是二分类中 $(y|x,\theta)$ 服从伯努利分布(二项分布)，即给定输入样本 $x$ 和模型参数 $\theta$, 事件是否发生服从伯努利分布。假设伯努利分布的参数 $\phi$ ，则 $\phi$ 可作为点击率。通过广义线性模型的推导，能够推出 $\phi$ 的表示形式如下

$$\phi = 1/(1+e^{-\eta})$$

从上面的式子可知， LR 中的 sigmoid 函数并不是凭空来的，而式子中的 $\eta$ 也被称为连接函数（Link function), 是确定一个 GLM 的重要部分，在 LR 中为简单的线性加权。

另外，如果将输出值与真实值的误差的分布假设为高斯分布，那么从 GLM 可推导出 Linear Regression，关于 GLM 详细的推导可参考这篇文章广义线性模型（GLM）。

2. 为什么 L1 正则项能够带来稀疏性？

这里有个很直观的回答， l1 相比于 l2 为什么容易获得稀疏解？，简单来说，就是 当不带正则项的损失函数对于某个参数 $w_i$ 的导数的绝对值小于 l1 正则项中的常数 $C$ 时，这个参数 $w_i$ 的最优解就是0。

因为求解某个参数 $w_i$ 使得损失函数取极小值时可分两种情况讨论(下面的 $L$ 为不带正则项的损失函数)
1）$w_i<0$ 时, $L+C|w_i|$ 的导数为 $L’- C$
2) $w_i>0$时, $L+C|w_i|$ 的导数为 $L’+C$

当 $w_i<0$ 时，令="" $l'-="" c="" <="" 0$,="" 函数在递减；而当$w_i="">0$时, 令 $L'+C > 0$, 函数在递增，则 $w_i=0$ 便是使得损失函数最小的最优解，且结合 $L’- C < 0$ 和 $L’+C > 0$，可得 $C > |L’|$。这便是我们上面得到的结论，上面是针对某一个参数，实际上也可以推广到所有参数上。事实上，通过 subgradient descent 求解这个问题时也能够得到相同的结论。

3.连续特征为什么需要离散化？

参考这个问题：连续特征的离散化：在什么情况下将连续的特征离散化之后可以获得更好的效果？

离散化后有以下几个好处：

1) 稀疏向量内积乘法运算速度快，计算结果方便存储
2) 离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰；
3) 逻辑回归属于广义线性模型，表达能力受限；单变量离散化为N个后， 可以通过 one-hot 编码为每个变量设置单独的权重，相当于为模型引入了非线性，能够提升模型表达能力，加大拟合；
4) 离散化后可以进行 特征交叉，由M+N个变量变为M*N个变量，进一步引入非线性，提升表达能力；
5) 特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。当然处于区间相邻处的样本会刚好相反，所以怎么划分区间要取决于具体的场景

4.1 为什么要对 categorical 特征做 One-hot 编码后再输入 LR？

参考这篇文章 One-Hot编码与哑变量，简单来说，就是LR建模时，要求特征具有线性关系，而实际应用中很少有满足这个假设关系的，因此LR模型效果很难达到应用要求。但是通过对离散特征进行 one-hot 编码，LR 可以为某个特征中所有可能的值设置一个权重，这样就能够更准确的建模，也就能够获得更精准的模型。而 one-hot 编码后特征实际上也是做了一个 min-max 归一化，能够克服不同特征的量纲差异，同时使模型收敛更快。

开源实现

由于 LR 模型的广泛性，基本上每个机器学习库或者框架都有相关实现，如 sklearn 提供了单机版的实现，spark 提供了分布式版本的实现，腾讯开源的 Parameter Server Angel 中也提供了 LR+FTRL 的实现，Angel 支持 Spark，目前也还在开发中。除此之外，Github 上也有很多个人开源的实现，这里不再列举。

LS-PLM(Large Scale Piece-wise Linear Model)

LS-PLM(也叫作 MLR, Mixture of Logistics Regression)是阿里妈妈在 2017 年在论文 Learning Piece-wise Linear Models from Large Scale Data for Ad Click Prediction 中公开的，但是模型早在 2012 年就在阿里妈妈内部使用。这个模型在 LR 基础上进行了拓展，目的是为了解决单个 LR 无法进行非线性分割的问题。

原理

LR 是一个线性模型，模型会在数据空间中生成一个线性分割平面，但是对于非线性可分的数据，这一个线性分割面显然无法正确分割这些数据。以下图为例（摘自上面的论文），A）为一组非线性训练数据的正负样本分布；对于该问题，LR会生成 B）中的分割平面，C) 图展示的 LS-PLM 模型则取得了较好的效果。

在CTR问题中， 划分场景分别建模是一种常见的手法。例如，同一产品的PC/APP端，其用户的使用时间和习惯差异可能很大；比如PC可能更多是办公时间在看，而手机则是通勤时间或者临睡前使用更多。假设有hour作为特征，那么“hour=23”对于APP端更加有信息量，而对于PC可能意义不大。因此，区分PC/APP端分别建模可能提升效果。

LS-PLM 也是采用这个思想的，不够这里不是划分场景，而是划分数据，通过将数据划分不同的region、然后每个region分别建立 LR。

这里需要注意的是这里一个样本并不是被唯一分到了一个region，而是按权重分到了不同的region。其思想有点像 LDA(Latent Dirichlet allocation) 中一个单词会按照概率分到多个 topic 上。

论文中的公式如下

$$p(y=1|x) = g ( \sum_{j=1}^m \sigma(\mu_j^T x)\eta(w_j^Tx)) $$

公式中的符号定义如下：

参数定义如下：

$m$ : region 的个数(超参数：一般是10~100)
$\Theta={\mu_1,\dots,\mu_m, w_1,\dots,w_m }$: 表示模型的参数，需要训练
$g(\cdot)$：为了让模型符合概率定义(概率和为1)的函数
$\sigma(\cdot)$：将样本分到 region 的函数
$\eta(\cdot)$：在 region 中划分样本的函数

前面提出的公式更像个框架，在论文中，只讨论了 $g(x) = x$, $\sigma$ = softmax ，$\eta$ = sigmoid 的情形，而且因此，上面的公式可写成如下的形式

$$p(y=1|x) = \sum_{i=1}^m \frac{e^{\mu i^Tx}}{\sum{j=1}^m e^{\mu_j^Tx}}\frac{1}{1+e^{-w_i^Tx}}$$

这个公式其实已经变成了通过多个 LR 模型进行加权求和的 bagging 模式，只是这里每个模型的权重是学习出来而不是事先确定的。

写出了概率函数, 后面的推导跟前面的 LR 其实是一样的，也是先通过极大似然估计得到 $\max$ 问题，添加负号后转为损失函数求 $\min$ 问题。这里不做详细的推导了。

在 LS-PLM 中也是需要添加正则项的，除了在 LR 中提到的 L1 正则化，论文还提出了 $L_{2,1}$ 正则项，表示如下

$$||\Theta|| {2,1} = \sum{i=1}^d \sqrt {\sum {j=1}^m(\mu{ij}^2+w_{ij}^2)}$$

上式中的 $d$ 表示特征的维数，其中 $\sqrt {\sum {j=1}^m(\mu{ij}^2+w {ij}^2)}$ 表示对某一维特征的所有参数进行 L2 正则化，而外侧的 $\sum{i=1}^d$ 表示对所有的 feature 进行 L1 正则化，由于开方后的值必为正，因此这里也不用添加绝对值了。由于结合了 L1 和 L2 正则项，所以论文也将这个叫做$L_{2,1}$ 正则项。

由于损失函数和正则项都是光滑可导的，因此优化方面比带 L1 正则的 LR 更加简单，可选的优化方法也更多。

MLR 适用的场景跟 LR 一样，也是适用于高纬稀疏特征作为输入。

开源实现

前面提到的腾讯的 PS Angel 实现了这个算法，具体可参考这里；Angel 是用 Scala 开发的。也有一些个人开源的版本如 alphaPLM，这个版本是用 C++ 写的，如果需要实现可以参考以上资料。

GBDT+LR(Gradient Boost Decision Tree + Logistic Regression)

GBDT + LR 是 FaceBook 在这篇论文 Practical Lessons from Predicting Clicks on Ads at Facebook 中提出的，其思想是借助 GBDT 帮我们做部分特征工程，然后将 GBDT 的输出作为 LR 的输入。

原理

我们前面提到的无论 LR 还是 MLR，都避免不了要做大量的特征工程。比如说构思可能的特征，将连续特征离散化，并对离散化的特征进行 One-Hot 编码，最后对特征进行二阶或者三阶的特征组合/交叉，这样做的目的是为了得到非线性的特征。但是特征工程存在几个难题：

连续变量切分点如何选取？
离散化为多少份合理？
选择哪些特征交叉？
多少阶交叉，二阶，三阶或更多？

而 GBDT + LR 这个模型中，GBDT 担任了特征工程的工作，下面首先介绍一下 GBDT。

GBDT 最早在这篇论文 Greedy Function Approximation：A Gradient Boosting Machine 中提出；
GBDT 中主要有两个概念：GB( Gradient Boosting)和DT(Decision Tree)，Gradient Boosting 是集成学习中 boosting 的一种形式，Decision Tree 则是机器学习中的一类模型，这里不对这两者展开，只讲述在 GBDT 中用到的内容。关于决策树的介绍可参考这篇文章决策树模型 ID3/C4.5/CART算法比较。

在 GBDT 中采用的决策树是CART (Classification And Regression Tree)，将其当做回归树使用，这里的回归树是一棵在每个树节点进行分裂的时候，给节点设定其在某个特征的的值，若样本对应的特征的值大于这个给定的值的属于一个子树，小于这个给定的值的属于另一个子树。

那么，构建 CART 回归树是的关键问题就在于选择具体的特征还有这个特征上具体的值了。选择的指标是 平方误差最小化准则。对于任意一个切分，其平方误差计算方式如下

假设切分后左子树有 $m$ 个样本，右子树有 $n$ 个
计算左子树样本的目标值的均值为 $y m = \frac{1}{m}\sum{i=1}^{m}y_i$, 同样计算右子树样本的目标值的均值为 $y n = \frac{1}{n}\sum{j=1}^{n}y_j$
平方误差和为 $L = \sum_{i=1}^m(y_i - y m)^2 + \sum{j=1}^n(y_j - y_n)^2$
对于每一个可能的切分值，我们都可计算其平方误差和 $L$，选择使得 $L$ 最小的切分点即可。

上面便是 GBDT 中的 “DT” 部分，用于解决一个回归问题，也就是给定一组样本，我们可以通过上面的方式来构建出一棵 CART 来拟合这组样本。下面我们来讲一下 GBDT 中的 “GB” 部分。

简单来说， gradient boosting 就是将若干个模型的输出进行叠加作为最终模型的输出。如下图是一个简单的例子(图片来源于提出 xgb 的论文： XGBoost: A Scalable Tree Boosting System)

下式就是叠加了 $T$ 个 $f_t(x)$ 模型作为最终的模型，$f_t(x)$ 在 GBDT 中就是一棵 CART，当然 $f_t(x)$ 不限于树模型。

$$F(x) = \sum_{t=1}^Tf_t(x)$$

在构建每棵树的时候，输入的样本不同的地方在于每个样本的目标值 $y$；如构建第 $k$ 棵树，对于原始样本 $(x_i, y_i)$, 其目标值变为

$$y_{ik} = y i - \sum{t=1}^{k-1}f_t(x_i)$$

即输入第 $k$ 棵树的样本变为 $(x i, y{ik})$，所以在 构建第 $k$ 棵树的时候，实际上是在拟合前 $k-1$ 棵树的输出值的和与样本真实值的残差。

回到我们的 GBDT + LR 模型，首先通过前面提到的 GBDT 训练出一批树模型，然后样本输入每棵树后最终都会落到一个具体的叶子节点上，那我们就将这个节点标为 1，其他叶子节点标为 0， 这样每棵树输出的就相当于是一个 one-hot 编码的特征。如下图是摘自 FaceBook 原始论文的图，里面有两棵树，假如输入 $x$ 在第一棵树中落入第一个叶子节点，在第二棵树种落入第二个叶子节点，那么输入 LR 的特征为 [1, 0, 0, 0, 1].

GBDT+LR 方案中每棵决策树从根节点到叶节点的路径，会经过不同的特征，此路径就是特征组合，而且包含了二阶，三阶甚至更多，因此输出的 one-hot 特征是原始特征进行交叉后的结果。而且每一维的特征其实还是可以追溯出其含义的，因为从根节点到叶子节点的路径是唯一的，因此落入到某个叶子节点表示这个特征满足了这个路径中所有节点判断条件。

GBDT 适用的问题刚好与 LR 相反，GBDT 不适用于高纬稀疏特征，因为这样很容易导致训练出来的树的数量和深度都比较大从而导致过拟合。因此一般输入GBDT 的特征都是连续特征。

在 CTR 预估中，会存在大量的 id 特征，对于这种离散特征，一般有两种做法
1) 离散特征不直接输入到 GBDT 中进行编码，而是做 one-hot 编码后直接输入到 LR 中即可；对于连续特征，先通过 GBDT 进行离散化和特征组合输出 one-hot 编码的特征，最后结合这两种 one-hot 特征直接输入到 LR。大致框架如下所示

2) 将离散的特征也输入 GBDT 进行编码，但是只保留那些出现频率高的离散特征，这样输入 GBDT 中的 one-hot 特征的维度会遍地，同时通过 GBDT 也对原始的 one-hot 特征进行了组合和交叉。

一些问题

1. GBDT 中的 gradient 在哪里体现了？

推导到现在，好像也没有提及到 gradient，其实前面 拟合残差时已经用到了 gradient 的信息。

首先，我们要转换一下思维，我们一般在优化中使用的 gradient descent 都是对某个参数进行的，或者说是在参数空间中进行的，但是除了参数空间，还可以在函数空间中进行。如下图所示对比了两种方式(下面两张图均摘自 GBDT算法原理与系统设计简介)

在函数空间中，是对函数直接进行求导的，因此 GBDT 算法的流程如下

上图中的 $\tilde{y_i}$ 就是我们前面说的第 $i$ 个样本的残差，当损失函数为平方损失即 $$L(y,F(x)) = \frac{1}{2}(y-F(x))^2$$

对 $F(x)$ 求导得出的残差为

$$\tilde{y_i} = y_i - F(x_i)$$

这正是我们前面说的样本的真实值与前面建的树的输出和的差。 如果损失函数改变，这个残差值也会进行相应的改变。

2. GBDT 怎么处理分类问题？

上面我们讲的 GBDT 是处理回归问题的，但是对于 CTR 预估这一类问题，从大分类上其实还是一个分类问题。那 GBDT 是怎么处理这个问题？

在回归问题中，GBDT每一轮迭代都构建了一棵树，实质是构建了一个函数 $f$，当输入为x时，树的输出为 $f(x)$。

在多分类问题中，假设有 $k$ 个类别，那么每一轮迭代实质是构建了 $k$ 棵树，对某个样本 $x$ 的预测值为 $f {1}(x), f{2}(x), …, f_{k}(x)$,

在这里我们仿照多分类的逻辑回归，使用 softmax来产生概率，则属于某个类别 $j$ 的概率为

$$p {c} = \frac{\exp(f{j}(x))}{ \sum {i=1}^{k}{exp(f{k}(x))}}$$

通过上面的概率值，可以分别计算出样本在各个分类下的 log loss，根据上面 GBDT 在函数空间的求导，对 $f_1$ 到 $f_k$ 都可以算出一个梯度，也就是当前轮的残差，供下一轮迭代学习。也就是每一轮的迭代会同时产生 k 棵树。

最终做预测时，输入的 $x$ 会得到 $k$ 个输出值，然后通过softmax获得其属于各类别的概率即可。

更详细的推导可参考这篇文章：当我们在谈论GBDT：Gradient Boosting 用于分类与回归

开源实现

直接实现 GBDT + LR 的开源方案不多，但是由于两者的耦合关系并不强，因此可以先训练 GBDT，然后将原始特征通过 GBDT 转换后送入到 LR 中，GBDT 有多个高效的实现，如 xgboost， LightGBM。

FM(Factorization Machine)

FM（Factorization Machine）是于2010年在论文 Factorization Machines 中提出，旨在解决稀疏数据下的特征组合问题。其思想是对组合特征的参数所构成的参数矩阵进行矩阵分解，从而得到每个原始特征的隐向量表示，更新特征的隐向量对数据的稀疏性具有鲁棒性。关于 FM 和 FFM ，美团点评这篇文章：深入FFM原理与实践其实已经写得很详细了，本文主要参考该文章进行修改。

原理

FM 可以认为是在 LR 的基础上加入特征的二阶组合，即最多有两个特征相乘，则模型可表示成如下形式

$$y(\mathbf{x}) = w 0+ \sum{i=1}^n w_i x i + \sum{i=1}^n \sum {j=i+1}^n w{ij} x_i x_j $$

从模型也可以看出，其实 FM 是在 LR 基础上增加了最后的二阶交叉项。

从上面的公式可以看出，组合特征的参数一共有 $\frac{n(n−1)}{2}$ 个，任意两个参数都是独立的。然而，在数据稀疏性普遍存在的实际应用场景中， 二次项参数的训练是很困难的,原因是每个参数 $w_{ij}$ 的训练需要大量 $x_i$ 和 $x_j$ 都非零的样本；由于样本数据本来就比较稀疏，满足 $x_i$ 和 $x j$ 都非零的样本将会非常少。训练样本的不足，则会导致参数 $w{ij}$ 不准确，最终将严重影响模型的性能。

如何解决这个问题？FM 中借鉴了矩阵分解的思想，在推荐系统中，会对 user-item 矩阵进行矩阵分解，从而每个 user 和每个 item 都会得到一个隐向量。如下图所示

类似地，所有二次项参数 $w {ij}$ 可以组成一个对称阵 $W$，那么这个矩阵就可以分解为 $W=V^TV$，$V$ 的第 $j$ 列便是第 $j$ 维特征的隐向量。换句话说，每个参数可表示成两个隐向量的内积的形式。即 $w{ij}=$，$v_i$ 表示第 $i$ 维特征的隐向量，这就是FM模型的核心思想。因此，可以将上面的方程改写成如下形式

$$y(\mathbf{x}) = w 0+ \sum{i=1}^n w_i x i + \sum{i=1}^n \sum_{j=i+1}^n

x_i x_j $$

假设隐向量的长度为 $k(k<<n)$，二次项的参数数量减少为 $kn$个，远少于多项式模型的参数数量。另外，参数因子化使得 $x_hx_i$ 的参数和 $x_ix_j$ 的参数不再是相互独立的，因此我们可以在样本稀疏的情况下相对合理地估计FM的二次项参数。

具体来说，$x_hx_i$ 和 $x_ix_j$ 的系数分别为 $$ 和 $$，它们之间有共同项 $v_i$。也就是说， 所有包含 $x_i$ 的非零组合特征（即存在某个$j≠i$，使得 $x_ix_j≠0$）的样本都可以用来学习隐向量 $v_i$，这很大程度上避免了数据稀疏性造成的影响。而在多项式模型中，$w {hi}$ 和 $w{ij}$ 是相互独立的。

另外，原始论文还对特征交叉项计算的时间复杂度做了优化，具体见如下公式

$$\sum {i=1}^n \sum{j=i+1}^n \langle \mathbf{v}_i, \mathbf{v}_j \rangle x_i x j = \frac{1}{2} \sum{f=1}^k \left(\left( \sum {i=1}^n v{i, f} x i \right)^2 - \sum{i=1}^n v_{i, f}^2 x_i^2 \right)$$

从公式可知，原来的计算复杂度为 $O(kn^2)$，而改进后的时间复杂度为 $O(kn)$

在 CTR 预估中，对 FM 的输出进行 sigmoid 变换后与 Logistics Regression 是一致的，因此损失函数的求解方法以及优化算法都基本一致，这里不再详细展开。

由于 FM 可以看做是 LR 基础上加上二阶特征组合的模型，同时模型本身对稀疏性有较好的鲁棒性，因此 FM 适用范围跟LR一样，都 适用于输入的特征是高纬度稀疏特征。

开源实现

FM 在 github 上有单机版本的开源实现 fastFM和 pyFM， fastFM 是一个学术项目，发表了相关论文 fastFM: A Library for Factorization Machines, 对 FM 进行了拓展；同时我们前面提到的腾讯的PS Angel 中也实现了这个算法，可参考这里。

FFM(Field-aware Factorization Machine)

FFM 发表于论文 Field-aware Factorization Machines for CTR Prediction，是台大的学生在参加 2012 KDD Cup 时提出的，这个论文借鉴了论文 Ensemble of Collaborative Filtering and Feature Engineered Models for Click Through Rate Prediction 中的 field 的概念，从而提出了 FM 的升级版模型 FFM。

原理

通过引入field的概念，FFM把相同性质的特征归于同一个field。简单来说，同一个categorical特征经过One-Hot编码生成的数值特征都可以放到同一个field，包括用户性别、职业、品类偏好等。

在FFM中，每一维特征 $x_i$，针对其它特征的每一种 field $f j$，都会学习一个隐向量 $v{i,f_j}$。因此， 隐向量不仅与特征相关，也与field相关。也就是说，假设有 $f$ 个 field，那么每个特征就有 $f$ 个隐向量，与不同的 field 的特征组合时使用不同的隐向量，而原来的 FM 中每个特征只有一个隐向量。

实际上，FM 可以看作 FFM 的特例，是把所有特征都归属到一个 field 时的FFM模型。根据FFM的field敏感特性，同样可以导出其模型方程如下

$$y(\mathbf{x}) = w 0 + \sum{i=1}^n w_i x i + \sum{i=1}^n \sum {j=i+1}^n \langle \mathbf{v}{i, f j}, \mathbf{v}{j, f_i} \rangle x_i x_j $$

其中，$f_j$ 是第 $j$ 个特征所属的 field。如果隐向量的长度为 $k$，那么FFM的二次参数有 $nfk$ 个，远多于FM模型的 $nk$ 个。此外，由于隐向量与 field 相关，FFM二次项并不能够化简，其预测复杂度是 $O(kn^2)$。

其实，FFM 是在 FM 的基础上进行了更细致的分类，增加了参数的个数使得模型更复杂，能够拟合更复杂的数据分布。但是损失函数的推导以及优化的算法跟前面的 FM 还有 LR 都是一样的，因此这里不再赘述。

FFM 适用的场景跟 FM 和 LR 一样， 适用于输入的特征是高维稀疏特征。

开源实现

FFM 最早的开源实现是台大提供的 libffm，去年开源的 xlearn 中也提供了该算法的实现，提供的 api 比 libffm 更加友好。

另外，由于 FM/FFM 可以看做是 LR 加了特征交叉的增强版本，对输入的特征的特点要求一致，因此上面的 GBDT+LR 也可以直接套到 GBDT+FM/FFM 上，值得一提的是，还是台大的学生，在 2014 由 Criteo 举办的比赛上，通过 GBDT+FFM 的方案夺冠，其实现细节可参考 kaggle-2014-criteo。

小结

在非深度学习中，可以看到主流的几个模型基本都是基于 LR 进行的拓展或将 LR 与其他模型结合。原因是 LR 模型简单，具有良好的理论基础，可解释性强，能够获取各个特征的重要性，且能够直接输出概率值。但是应用 LR 过程中无法避免且最为重要的一点就是人工特征工程，特征决定了上限，虽然 FM/FMM 和 GBDT+LR 在一定程度上起到了自动特征工程的作用，但是需要人工特征还是占主要部分。

后面要讲的深度学习的方法在一定程度上能够缓解这个问题，因为深度学习能够通过模型自动学习出有效特征，因此，深度学习也被归类为表示学习( Representation Learning)的一种;但是，没有免费午餐的，特征工程的便利性带来的是特征的不可解释性，所以怎么选取还是要根据具体的需求和业务场景。

CTR 预估模型简介--深度学习篇

Mon, 16 Jul 2018 22:36:46 CST

本文主要介绍 CTR 预估中一些深度学习模型，包括 FNN、Wide&Deep、PNN、DIN、 Deep&Cross等。每个模型会简单介绍其原理、论文出处以及其一些开源实现。

FNN(Factorization-machine supported Neural Network)

模型结构

FNN 是伦敦大学于 2016 在一篇论文中发表的，模型的结构如下

FNN 假设输入数据的格式是离散的类别特征(表示为 one-hot 编码)，且每个特征属于一个 field，通过 embedding 层将高纬稀疏特征映射成低维稠密特征后，再作为多层感知机(MLP)的输入。

一般来说，embedding 层的参数可以随机初始化，但是在 FNN 中，初始化 embedding 是采用通过 FM 预训练得到的每个特征的隐向量，这样初始化的好处是将预训练的向量作为初始化参数时，能够让模型的参数在初始化的时候就处于较优的位置(训练的目的其实就是为了得到最优的模型参数)，能够加快收敛的过程，至于效果方面，则不一定会优于随机初始化的情况，因为随机初始化经过多轮的迭代也可能会收敛同样的效果。

开源实现

论文作者在 github 上的 deep-ctr 这个仓库中提供了 FNN 的代码，但是是 Theano 实现的；后来作者又将代码更新为 Tensorflow 框架实现的，详见 product-nets，这个仓库也包含了后面要介绍的 PNN 的实现代码。

Wide&Deep

模型结构

Wide & Deep 是 Google 在2016年6月中发布的。模型结合了传统的特征工程与深度模型：既有 Wide 的 LR 模型，也有 Deep 的 NN 模型。

其结构如下所示

wide 部分其实就是 LR，deep部分其实就是 FNN，只是 deep 部分中的 embedding 层不用 FM 训练得到的隐向量初始化。根据论文的描述，wide 部分主要负责memorization， deep 部分主要负责 generalization；memorization 主要指的是记住出现过的样本，可以理解为拟合训练数据的能力，generalization 则是泛化能力。

根据论文的实验，wide & deep 比起单纯的 wide 或 deep 都要好，但是根据我后面的实验以及网上的一些文章，wide 部分仍然需要人工设计特征，在特征设计不够好的情况下，wide&deep 整个模型的效果并不如单个的 deep 模型。

Wide&Deep 中还允许输入连续的特征，这点与 FNN 不同，连续特征可以直接作为 Wide 部分或 Deep 部分的输入而无需 embedding 的映射，具体如下图所示。

开源实现

由于 Wide&Deep 是 google 提出的，因此在自家的框架 Tensorflow 中提供了 Wide&Deep API，具体的使用方法可参考官方的文档 TensorFlow Wide & Deep Learning Tutorial。

PNN(Product-based Neural Networks)

模型结构

PNN 是上海交大在2016年发表的，FNN 是在 PNN 的基础上进行了改进，就是增加了特征的二阶交叉项。因此，FNN 和 PNN 的关系，类似于 LR 和 FM 的关系，只是 FNN 和 PNN 均是对原始特征进行了 embedding 映射。PNN 模型的结构如下所示

特征经过 embedding 层映射后，有两种乘积的操作，第一种是跟1做外积，实际上就是将映射后的特征进行拼接, 得到了上图中的 z 向量部分；第二种是与其他特征分别两两进行内积，得到了上图中的 p 向量部分，这个操作其实就相当于进行了特征交叉，只是这种交叉是在 embedding 映射后。再后面的结构其实又是一个多层感知机了。

开源实现

PNN 的作者在 github 上的 product-nets 上开源了其代码，通过 Tensorflow 实现，代码里面也包含了 FNN，DeepFM 等一些其他模型的实现。

DeepFM

模型结构

DeepFM 是华为诺亚方舟实验室在 2017 提出的用于 CTR 预估的模型，DeepFM 其实就是模仿 Wide&Deep，只是将 Wide 部分替换成了 FM，所以创新性并不算大。其结构如下所示，

开源实现

作者没有公开源码，上面提到的 product-nets 提供了这个模型的实现代码，同时 tensorflow-DeepFM 也提供了一个 tensorflow 实现的版本，star 数是 github 上较高的了。

DIN(Deep Interest Network)

模型结构

从之前提到的几个模型可知，CTR预估中的深度学习模型的基本思路是将原始的高维稀疏特征映射到一个低维空间中，也即对原始特征做了embedding操作，之后一起通过一个全连接网络学习到特征间的交互信息和最终与CTR之间的非线性关系。这里值得注意的一点是，在对用户历史行为数据进行处理时，每个用户的历史点击个数是不相等的，我们需要把它们编码成一个固定长的向量。以往的做法是，对每次历史点击做相同的embedding操作之后，将它们做一个求和或者求最大值的操作，类似经过了一个pooling层操作。提出 DIN 的论文认为这个操作损失了大量的信息，于是引入了 attention 机制(其实就是一种加权求和)。

DIN 是阿里妈妈在 2017 年提出的，其模型的结构如下所示

Activation Unit 的结构如下所示

DIN模型在对用户的表示计算上引入了attention network (也即图中的Activation Unit) 。DIN把用户特征、用户历史行为特征进行embedding操作，视为对用户兴趣的表示，之后通过attention network，对每个兴趣表示赋予不同的权值。 这个权值是由用户的兴趣和待估算的广告进行匹配计算得到的，如此模型结构符合了之前的两个观察——用户兴趣的多样性以及部分对应。attention network 的计算公式如下， $V_u$ 代表用户表示向量， $V_i$ 代表用户兴趣表示向量， $V_a$ 代表广告表示向量，$w_i$ 表示各个用户兴趣表示向量的权重，$g$ 是 Activation Unit 的逻辑，论文中提出了一种如上图的 Activation Unit 所示，当然也可自行设计新的 Activation 方法。

开源实现

论文作者在 github 上的仓库 DeepInterestNetwork 开源了其代码，通过 Tensorflow 实现。

Deep&Cross

模型结构

PNN 进行了特征的二阶交叉，目前是为了获得信息量更多的特征，除了二阶，三阶四阶甚至更高阶的特征会更加有区分度；Deep&Cross 就是一个能够进行任意高阶交叉的神经网络。

Deep&Cross 是 StandFord 和 Google 与 2017年提出的，类似于 Wide&Deep，模型也是由两部分组成，分别是 Deep network 和 Cross network，该模型结构如下所示

$x_i$ 表示可由如下公式确定

从上面两条公式可知，Cross network 中的第 $l+1$ 层的神经元由最原始的输入和第 $l$ 层的神经元共同决定，因此第 $l$ 层相当于对原始特征进行了 $l$ 阶交叉。

开源实现

论文没有公开代码， DeepCTR 中提供了 Deep&Cross 的 tensorflow 实现，可供参考。

总结

在CTR预估中，模型适用传统方法还是深度学习方法，其实是一个 海量离散特征+简单模型 和 少量连续特征+复杂模型 的权衡。既可以离散化用线性模型，也可以用连续特征加深度学习。特征与模型往往是对偶的，前者容易，而且可以n个人一起并行做，有成功经验；后者目前看很赞，能走多远还须拭目以待。

Wand 算法介绍与实现

Sun, 18 Mar 2018 12:00:37 CST

本文主要介绍 Wand(Weak And) 算法的原理和实现, Wand 算法是一个搜索算法，应用在 query 有多个关键词或标签，同时每个document 也有多个关键词或标签的情形（如搜索引擎）；尤其是在 query 中的关键词或标签较多的时候，通过 Wand 能够快速的选择出 Top n 个相关的 document，算法的原始论文见 Efficient Query Evaluation using a Two-Level Retrieval Process，本文主要讲述这个算法的原理以及通过 python 实现这个算法。

一般来说，检索往往会利用倒排索引，倒排索引能够根据 query 中的关键词快速检索到候选文档，然而当候选文档集合较大时，遍历整个候选文档所需要的时间也很大。

但是检索需要得到的往往只是 Top n 个结果，在遍历候选文档过程中能否跳过一些与 query 相关性较低的文档，从而加速检索的过程呢？Wand 算法就是干这个事的。

Wand 原理介绍

Wand 算法通过计算每个词的贡献上限来估计文档的相关性上限，并与预设的阈值比较，进而跳过一些相关性一定达不到要求的文档，从而得到提速的效果。

上面这句话涵盖了Wand 算法的思想，下面进行详细说明：

Wand 算法首先要估计 每个词对相关性贡献的上限（upper bound），最简单的相关性就是 TF-IDF，一般IDF是固定的，因此只需要估计一个词在各个文档中的词频TF上限(即这个词在各个文档中最大的TF)，该步骤通过线下计算即可完成。

线下计算出各个词的相关性上限，可以计算出 一个 query 和一个文档的相关性上限值，就是他们共同出现的词的相关性上限值的和，通过与预设的阈值比较，如果query 与文档的相关性大于阈值，则进行下一步的计算，否则丢弃。

在上面过程中，如果还是将 query 和一个一个文档分别计算相关性，并没有减少时间复杂度， Wand 算法通过一种巧妙的方式使用倒排索引，从而能够跳过一些相关性肯定达不到要求的文档。

Wand 算法步骤如下

建立倒排索引，记录每个单词所在的所有文档ID(DID)，ID 按照从小到大排序
初始化 posting 数组，使得 posting[pTerm] 为词 pTerm 倒排索引中第一个文档的 index
初始化 curDoc = 0（文档ID从1开始）

接着可以执行下面的 next 函数(摘自原始论文),

上面流程中用到的几个函数的含义如下

1. sort(terms, posting)：根据 posting 数组指向的当前文档 ID，对所有的 terms 从小到大排序。如下是三个 term 及其对应的索引文档的 ID，此时的 posting 数组为 [1, 0, 1], 则根据各个 term 当前文档 ID 排序的结果应该是 t1, t2, t3

t0: [3, 26]
t1: [ 4, 10, 100]
t2: [2, 5, 56]

2. findPivotTerm(terms, θ)：按照之前得到的排序，从第一个 term 开始累加各个 term 的相关性贡献的上限（upper bound，UB），这个在之前已经通过离线计算出来；直到累加和大于等于设定的阈值 θ, 返回当前的 term。这里应用这篇文章的一个例子，下面为通过 sort(terms, posting) 后的倒排索引，假设阈值 θ = 8

对于doc 2，其可能的最大得分为2<8 对于doc="" 4，其可能的最大得分为2+1="3<8" 5，其可能的最大得分为2+1+4="7<8" 23，其可能的最大得分为2+1+4+3="10">8
因此，t3 为pivotTerm，doc 23 为pivot

3. pickTerm(terms[0..pTerm])：在0到pTerm(不包含pTerm)中选择一个term，关于选择策略，当然是以 可以跳过最多的文档为原则，论文中选择了 IDF 最大的term。以上面的图为例子，此时可以选择 t2, t1 或 t4, 根据其 IDF 值选择最大的 term 即可

4. aterm.iterator.next(n)：返回 aterm 这个单词对应的倒排索引中的文档ID(DID)，这个DID要满足DID >= n。则 posting[aterm] ← aterm.iterator.next(n) 其实就是更新了 aterm 在 posting 数组中的当前文档，从而跳过 aterm 对应的索引中一些不必要计算的文档。

还是以上面的图为例子，假如选择的 aterm 为 t2, 则 t2 中指向 2 的指针要往后移动直至 DID >= 23 ,这样便跳过了部分不必计算文档。

实际上，t1, t4 也可以执行上面这个操作，因为在 doc 23 之前的 doc 的得分不可能达到阈值 θ(因为 DID 是经过排序的) ，所以t2、t1、t4对应的 posting 数组中的项都可以直接跳到大于等于doc23的位置，但是论文中每次只选择一个 term ，虽然多迭代几次也能达到同样效果，但是我认为这里可以三个 Term 可以一起跳。

介绍了上面过程中几个重要函数，下面来看一下上面的几个分支分别表示情况

if (pTerm = null) return (NoMoreDocs)表示当前所有 term 的 upper bound 和达不到阈值 θ ，结束算法
if (pivot = lastID) return (NoMoreDocs) 表示当前已经没有满足相关性大于阈值 θ 的文档，结束算法
if (pivot ≤ curDoc) 表示当前 pivot 指向的 DID 已经计算过相关性，需要跳过，这部分代码会在下面第4步执行后在进入循环时执行
if (posting[0].DID = pivot) 表示当前 pivot 对应的文档的相关性有可能满足大于阈值 θ ，返回这篇文档的 ID 并计算这篇文档和 query 的相关性； posting[0].DID = pivot 表示从第一个term到当前的term所指向的文档都是同一篇
if (posting[0].DID = pivot) 对应的else语句 表示前面遍历过的那些 term 的当前 DID 都不可能满足大于阈值 θ，因此需要跳过，也正是这里大大减少了需要计算相关性的文档数量

Wand 的实现代码

实现 Wand 算法的 Python 代码见这里，参考这篇文章的代码进行了修改，并增加了评估文档和query相似性的函数，代码中有以下几点需要注意

当一个 term 对应的所有 document 遍历完后，有两种处理方法。第一种方法是直接删除，这样会降低每次排序的时间复杂度和内存占用率，但是每次删除时候是要在一个有序列表内删除，时间复杂度为 $O(n)$, $n$ 为 terms 的个数；第二种方法是在每个 term 的 document list 最后增加一个比所有文档ID都要大的数(LastID)，这样被遍历完的term会自然被排序到最后，整个代码更加简洁。两种方法都尝试了一下，详细代码可见上面的代码连接的提交历史
pickTerm 方法原论文采用的是选择 idf 最大值的term，这里直接选择第一个，因为代码仅用于阐述算法的流程，各个 term 没有 idf 值。当然，如果有各个 term 的 idf 值，是可以根据 idf 选择的
上面伪代码的算法流程中最后的 else 语句是选择 pivotTerm 中的任意一个并跳过相关性低的文档，但是从前面的解释可知，可以 pivotTerm 前面的所有 term 都可进行这一操作，因此代码里面的这部分跟伪代码不同

这里还是给出完整代码，可以对照着上面的伪代码看，命名方法基本都保持了一致，如有错漏，欢迎指出

import heapq     
     
UB = {"t0":0.5,"t1":1,"t2":2,"t3":3,"t4":4} #upper bound of term's value     
LAST_ID = 999999999999 # a large number, larger than all the doc id in the inverted index     
THETA = 2 # theta, threshold for chechking whether to calculate the relevence between query and doc     
TOPN = 3 #max result number      
     
class WAND:     
    def __init__(self, InvertIndex):     
        """init inverted index and necessary variable"""     
        self.result_list = [] #result list     
        self.inverted_index = InvertIndex #InvertIndex: term -> docid1, docid2, docid3 ...     
        self.current_doc = 0     
        self.current_inverted_index = {} #posting     
        self.query_terms = []     
        self.sort_terms = []     
        self.threshold = THETA     
        self.last_id = LAST_ID     
     
    def __init_query(self, query_terms):     
        """init variable with query"""     
        self.current_doc = 0     
        self.current_inverted_index = {}     
        self.query_terms = []     
        self.sort_terms = []     
             
        for term in query_terms:     
            if term in self.inverted_index:  # terms may not appear in inverted_index     
                doc_id = self.inverted_index[term][0]     
                self.query_terms.append(term)     
                self.current_inverted_index[term] = [doc_id, 0] #[ docid, index ]     
                self.sort_terms.append([doc_id, term])     
     
    def __pick_term(self, pivot_index):     
        """select the term before pivot_index in sorted term list     
         paper recommends returning the term with max idf, here we just return the firt term,     
         also return the index of the term instead of the term itself for speeding up"""     
        return 0     
             
    def __find_pivot_term(self):     
        """find pivot term"""     
        score = 0     
        for i in range(len(self.sort_terms)):     
            score += UB[self.sort_terms[i][1]]     
            if score >= self.threshold:     
                return [self.sort_terms[i][1], i] #[term, index]     
        return [None, len(self.sort_terms)]     
     
    def __iterator_invert_index(self, change_term, docid, pos):     
        """find the new_doc_id in the doc list of change_term such that new_doc_id >= docid,     
        if no new_doc_id satisfy, the self.last_id"""     
        doc_list = self.inverted_index[change_term]     
        # new_doc_id, new_pos = self.last_id, len(doc_list)-1 # the case when new_doc_id not exists     
        for i in range(pos, len(doc_list)):     
            if doc_list[i] >= docid:   # since doc_list contains self.last_id, this inequation will always be satisfied     
                new_pos = i     
                new_doc_id = doc_list[i]     
                break     
        return [new_doc_id, new_pos]     
     
    def __advance_term(self, change_index, doc_id ):     
        """change the first doc of term self.sort_terms[change_index] in the current inverted index     
        return whether the action succeed or not"""     
        change_term = self.sort_terms[change_index][1]     
        pos = self.current_inverted_index[change_term][1]     
        new_doc_id, new_pos = self.__iterator_invert_index(change_term, doc_id, pos)     
        self.current_inverted_index[change_term] = [new_doc_id, new_pos]     
        self.sort_terms[change_index][0] = new_doc_id     
     
    def __next(self):     
        while True:     
            self.sort_terms.sort() #sort terms by doc id     
            pivot_term, pivot_index = self.__find_pivot_term() #find pivot term > threshold     
            if pivot_term == None: #no more candidate     
                return None     
            pivot_doc_id = self.current_inverted_index[pivot_term][0]     
            if pivot_doc_id == self.last_id: # no more candidate     
                return None     
            if pivot_doc_id <= self.current_doc:     
                change_index = self.__pick_term(pivot_index)     
                self.__advance_term(change_index, self.current_doc + 1)     
            else:     
                first_doc_id = self.sort_terms[0][0]     
                if pivot_doc_id == first_doc_id:     
                    self.current_doc = pivot_doc_id     
                    return self.current_doc # return the doc for fully calculating     
                else:     
                    # pick all preceding term instead of just one, then advance all of them to pivot     
                    change_index = 0     
                    while change_index < pivot_index:     
                        self.__advance_term(change_index, pivot_doc_id)     
                        change_index += 1     
            # print(self.sort_terms, self.current_doc, pivot_doc_id)     
     
    def __insert_heap(self, doc_id, score):     
        """store the Top N result"""     
        if len(self.result_list) < TOPN:     
            heapq.heappush(self.result_list, (score, doc_id))     
        else:     
            heapq.heappushpop(self.result_list, (score, doc_id))     
     
     
    def __calculate_doc_relevence(self, docid):     
        """fully calculate relevence between doc and query"""     
        score = 0     
        for term in self.query_terms:     
            if docid in self.inverted_index[term]:     
                score += UB[term]     
        return score     
     
     
    def perform_query(self, query_terms):     
        self.__init_query(query_terms)     
        while True:     
            candidate_docid = self.__next()     
            if candidate_docid == None:     
                break     
            #insert candidate_docid to heap     
            print('candidata doc', candidate_docid)     
            full_doc_score = self.__calculate_doc_relevence(candidate_docid)     
            self.__insert_heap(candidate_docid, full_doc_score)     
            print("result list ", self.result_list)     
        return self.result_list     
     
     
if __name__ == "__main__":     
    testIndex = {}     
    testIndex["t0"] = [1, 3, 26, LAST_ID]     
    testIndex["t1"] = [1, 2, 4, 10, 100, LAST_ID]     
    testIndex["t2"] = [2, 3, 6, 34, 56, LAST_ID]     
    testIndex["t3"] = [1, 4, 5, 23, 70, 200, LAST_ID]     
    testIndex["t4"] = [5, 14, 78, LAST_ID]     
         
    w = WAND(testIndex)     
    final_result = w.perform_query(["t0", "t1", "t2", "t3", "t4"])     
    print("=================final result=======================")     
    for i in reversed(range(len(final_result))):     
        print("doc {0}, relevence score {1}".format(final_result[i][1], final_result[i][0]))

参考资料

wand(weak and)算法基本思路
 WAND算法核心部分梳理

广告语（SLOGAN）的设计逻辑

Wed, 17 Jan 2018 18:44:42 CST

最近看了《那些全球强悍的广告语》，也看了《游戏化实战》，整理了一些自己感觉比较好的广告语，试着从游戏化实战中的八角分析法对一些广告词进行分析。

史诗意义与使命感

关键词：拯救

help people help themselves
protecing nature, pretecing life
save today,save tommorrow.
Building a better world
Built for living

关键词：未来

The furture is calling
Building Furture
Come invert the furture
Defining the furture
Tranceforming furture
Inspire the next
past present future
the world awaits
the world is ready, are you?

关键词：探索

keep discoving
keep expoloring
keep walking
never stop exploring
never stop thinking
relax & explore
deeper
taking you forward
Broaden your life
forever new frontiers
see more
the world at your feet.
step out of your world
exceed your vision
风尚立于独创
a new discovery,every time
Experience another world
发现更大的世界

关键词：改变

we are changing the world
Transform yourself.Yourself
driving the change
shake the world

关键词：使命

Choose your own destiny
the thing we make, make us

进步与成就感

关键词：挑战

challenge the limits
stay curious
be stupid
withour compromise
no half measures
Excellence through passion
Be unstoppable
we try harder
our challenge is life
all skills need practice

关键词：认同

be a traveler
Be a pioneer
why be a tourist when can be a traveler
your world your way
go out and be you
你本来就很美

关键词：创造

Go create
make believe
make a house a home
make love happen

创意、授权与反馈

关键词：号召

here and now
Be there
Go on, Give in
it’s grow time
let’s colour
adding colour to life
live like this
sponsor yourself
make a statement
be kind to your world
认真，你就赢了
embrace life

关键词：控制

you are in control
being in control
take charge

所有权与拥有感

关键词：获得

老乡，参加红军可以分到土地！
fuel for the soul
turn on the fun
Bright light to life
where holidays begins
where it all begins
the weekend starts here
Immerse yourself
enjoy every mile
espress yourself
rich as life
heve a happy period. always
soften your world
get it first,get it fast
getting you there

关键词：鼓励

love the present
feel the moment
relaxing moments
just do it
follow your vision
your turn
乐享生活
Because you can
lost at last
pleasure makes you beautiful
celebrating life
live the moment
your next vaction is closer than you think

关键词：满足

明白所需，满足所想
Quality worth every journey
Quality without compromise
Classic handmade quality
travel to a land of wonders
all your need to konw
Life made fabulous.
心之所属
衣美，人更美
汇仁牌肾宝，他好我也好。
人头马一开，好事自然来

关键词：发现

discover how good it can be
discover Nature’s Secret
find yourself here

关键词：值得

I’m worth it.

关键词：选定

love ice cream
i’m lovein it
or not
the best or nothing
Das auto
The one
一次体验，终生选定

关键词：有用

makes it work
news you can use
Because it works
the power of Yes
know where
know how
以不变，应万变
the useful art
just konwledge

关键词：明智

Stay smart
Travel smart
Better Things for Better Living.
the smart tool for smart inverstors
Sophisticated Food For Sophisticated Dogs.
make every journey better
a better way forward
a better way
making space more valuable
more colourful
forever better
Be first

关键词：优异

Beyond perfection
pure genius
pure and natural
luxury，pure and simple
naturally clear
based on reality
generation kitchen
Enduring Perfection,for today and tommorrow
with soul
Insight matters
Unlimited spirit

关键词：美梦成真

Imagination, Solutions.
Imagine it, Done
where dreams become reality

社交影响与关联性

关键词：分享

share the fun
机会需分享

稀缺性与渴望

关键词：与众不同

Discover the difference
Feel the difference
The difference
Think Different
Like nothing else
Escape the ordinary
out of ordinary
for a life less ordinary
like no other
a totally new vision
Source of unusual
unforgettable moments

关键词：重新定义

redefining business travel
luxury,redrfined
汽车发明者再次发明汽车

关键词：接地气

urban design

关键词：机会

one more time

关键词：稀有

Living history
钻石恒久远，一颗永流传。

未知性与好奇心

关键词：未来

Driving tomorow’s technology
sponsors of tomorrow
in touch with tommorrow

关键词：机会

New Thinking/New possibilities
rethink possible
Impossible is nothing

关键词：惊奇

58同程，一个神奇的网站
surprice yourself

关键词：疑问

where else?
what is sex?
What’s the next?
what matters?

关键词：对比

So easy to enjoy,So hard to Forget.
clear solutions in a complex world
the outside,inside.
simply prefect,perfectly simple
Motion and emotion
history begins every moring
身未动，心已远
我们不生产水，我们只是大自然的搬运工。

关键词：联想

Don’t take photos,take Finepix
think sofas,think DFS
饭后嚼两粒
买保险就是买平安。

亏顺与逃避心

关键词：失去

miss nothing
到户外去，呼吸新鲜的空气。看迷人的日落。孩子，那会让你老的很快。
don’t be disturb
Yestaday you said tommorrow
人类失去联想世界将会怎样
没有人能真正拥有百达翡丽，只不过是为下一代保管而已

关键词：信任

the value of trust

关键词：承诺

for all for ever
where ever,when ever.
what begins here never ends
where ever you go, here we are
unbreakable
part of your life
at your side
on your side
here for you
always there
分秒必争

关键词：逃避

Escape to reality
让好奇心不再孤单

来自薛蚊子的《广告金句，都是神逻辑！》，有删改：

虚假许诺型

学琴的孩子不会变坏（山叶钢琴）
人头马一开，好事自然来（人头马）
上天猫，就购了
今年二十，明年十八（白丽香皂）

乱拍胸脯型

全家就是你家（全家便利店）
多喝水没事，没事多喝水（味丹）
红牛给你翅膀
唯一的不同，是处处不同（6S）

善因恶果型

有药好的快一些（云南白药创可贴）
药材好，药才好（仲景六味地黄丸）
钻石恒久远，一颗永流传（DTC钻石）
万事皆可达，唯有情无价（万事达卡）

情怀泛滥型

世界上最重要的一部车是爸爸的肩膀（中华汽车）
我不认识你，但我谢谢你（中华血液基金会）
不在乎天成地久，只在乎曾经拥有（铁达时表）
以心情调味（小时光面馆）
为了下一代，我们决定拿起这一袋（全联）

以偏概全型

到服装店培养气质，到书店展示服装（中兴百货）
生命就该浪费在美好的事物上(统昂曼仕德咖啡)
喝孔府宴酒，做天下文章（孔府宴酒）
知识使你更有魅力（中国时报）

白马非马型

非可乐（七喜）
我们不生产水，我们只是大自然的搬运工（农夫山泉）
前所未有，因为之前所有（奔驰）
今年过节不收礼，收礼只收脑白金

美丽谎言型

你比你想象的更美丽（多芬）
你本来就很美（自然堂）
你值得拥有（欧莱雅）
认真的女人最美丽（台新银行）
你的能量超乎你想象（红牛）

恐吓吓唬型

怕上火，喝王老吉（加多宝）
要想皮肤好，天天用大宝（大宝）
别说你爬过的山，只有早高峰（MINI）
别赶路，去感受路（沃尔沃）

任性装逼型

敢为天下先（凯迪拉克）
我的地盘听我的（动感地带）
不走寻常路（美特斯邦威）
我就喜欢（M）
有空间就有可能（GL8）
一切皆有可能（李宁）
没有不可能（阿迪）
时间因我而存在（罗西尼）
将所有一言难尽，一饮而尽（二锅头）

绝对废话型

穿森马，就是森马（森马）
可怜的旧情人，看不到我的新内衣（思薇尔玩美女人）
滴滴香浓意犹未尽（麦斯威尔）
懂你说的，懂你没说的（英朗）
活，该快乐（3008）
世间所有的内向，都是聊错了对象（陌陌）
尼采已死——God(新加坡教会）

来自空手对知乎问题《一句优秀的广告词需要具备哪些特点？》的答案，有删改。

清晰表达产品价值或者品牌理念
尽量口语化，琅琅上口，易懂易记
能够反映目标用户的个性或者价值观
有生活洞察，对生活中的诸多事物有独到的见解，这样才能深入人心。
或许要用一点文字技巧。

价值主张/ 定位型

好空调，格力造
怕上火，喝王老吉
送礼就送脑白金
春节回家金六福
送长辈，黄金酒
清新口气，你我更亲近（绿箭）
关心牙齿，更关心你（益达）
头屑去无踪，秀发更出众（海飞丝）
中国白酒第一坊（水井坊）
不是所有牛奶，都叫特仑苏
不是所有的吉普，都叫jeep

企业理念型

Think different（苹果）
Life is for share（T-mobile）
精于心，简于形（飞利浦）
因您而变（招商银行）
The best or nothing（奔驰）
使命必达（联邦快递）
让建筑赞美生命（万科）
科技以人为本（NOKIA）
沟通从心开始（移动）

口语化

我能（全球通）
Yes，We Can（奥巴马竞选）
我就喜欢（麦当劳）
淘我喜欢（淘宝）
给你好看（玛丹摩莎化妆品）
味道好极了（雀巢）
要爽由自己（可口可乐）
不走寻常路（美特斯邦威）
你值得拥有（欧莱雅-台版因为你值得）
我有话要说（司迪麦口香糖）
给我小心点（统一小心点拉面丸）
就在你身边（CCTV-2）
神州行我看行（神州行）
我的地盘听我的（动感地带）
这种鬼地方都收得到（电讯）
多喝水没事，没事多喝水（味丹多喝水）
再忙，也要和你喝杯咖啡（雀巢咖啡）
我不认识你，但是我谢谢你（中华血液基金会）
什么都有，什么都卖，什么都不奇怪！（Yahoo!拍卖）

青春自我型

我就喜欢（麦当劳）
淘我喜欢（淘宝）
Go forth向前闯
活出棱角（JEEP）
We are animals（Wrangles）
爱噪音（CONVERSE）
要爽由自己（可口可乐）
我有话要说（司迪麦口香糖）
我的地盘听我的（动感地带）
I Can Play（匹克）
一切皆有可能（李宁）
放胆做Just do it、
Impossbie is nothing
无兄弟不篮球

成功励志型

Keep walking（尊尼获加）
敢为天下先（凯迪拉克出人头地的代价）
激扬人生路（宝马X3）
敢梦想，敢追寻（轩尼诗）
让思想更有力（THINK PAD）
创想改变未来（奥迪A6）
愈曲折，愈见大风景（途观）

洞察型

知识使你更有魅力（中国时报）
学琴的孩子不会变坏（功学社）
可怜的旧情人，看不到我的新内衣（思薇尔玩美女人）
生命就该浪费在美好的事物上（统昂曼仕德咖啡）
生活，从下班开始（芝华士）
回家，是给亲人最好的礼物（金六福）
越不繁，越不凡（三星）
山高人为峰（红塔山）
没有故事，不成人生（JEEP）
万事皆可达，唯有情无价（万事达）
不在乎天长地久，只在乎曾经拥有（铁达时）

反差对比型

精于心，简于形（飞利浦）
越不繁，越不凡（三星）
未来就是现在（安泰人寿）
离你最近的远见（中海金沙湾）
不在乎天长地久，只在乎曾经拥有（铁达时）

押字对仗型

未来，我来
专注您所关注（招行金葵花）
简约而不简单（利郎）
比你更关心你（别克服务）
比女人更了解女人（雅芳）
起步就与世界同步（广本）
自在则无所不在（鹿牌威士忌）
全家就是你家（全家便利店）
神州行，我看行（神州行）
有能量，无限量（红牛）
越不繁，越不凡（三星）
药材好，药才好（仲景牌六味地黄丸）
愈欣赏，愈懂欣赏（轩尼诗）
掀波澜，也能挽狂澜（雷克萨斯）
没有最好，只有更好（澳柯玛）
不见身家，只见家（山外山地产）
放下地位，只谈品位（水井坊）
心有多大，舞台就有多大（CCTV-2）
看到时代左右的人，也在左右这个时代（别克）
生活的理想，就是为了理想而生活（房地产）

自己觉得最好的广告词：

国家地理频道《IF》：

If you are, you breathe.

If you breathe, you talk.

If you talk, you ask.

If you ask, you think.

If you think, you search.

If you search, you experience.

If you experience, you learn.

If you learn, you grow.

If you grow, you wish.

If you wish, you find, and if you find, you doubt.

If you doubt, you question.

If you question, you understand, and if you understand, you know.

If you know, you want to know more.

If you want to know more, you are alive.

Apple 《Think different》:

Here’s to the crazy ones.

The misfits.

The rebels.

The troublemakers.

The round pegs in the square holes.

The ones who see things differently.

They’re not fond of rules

And they have no respect for the status quo.

You can praise them, quote them, disagree with them

disbelieve them, glorify or vilify them.

About the only thing that you can’t do is ignore them.

Because they change things.

They invent.They imagine.They heal.

They explore.They create.They inspire.

They push the human race forward.

Maybe they have to be crazy.

How else can you stare at an empty canvas and see a work of art?

Or sit in silence and hear a song that’s never been written?

Or gaze at a red planet and see a laboratory on wheels?

We make tools for these kinds of people.

While some may see them as the crazy ones, we see genius.

Because the people who are crazy enough to think that they can

change the world, are the ones who do.

最后的问题，如何写出优秀的广告词？

一些参考：好的创意应该满足六大原则

Simple 简约
Unexpected 意外
Concrete 具体
Creditable 可信
Emotional 有感情
Story 故事

优秀的文案都是在写普世的哲学。

The post 广告语（SLOGAN）的设计逻辑 appeared first on 标点符.

计算广告点击率预估算法总结

Mon, 04 Sep 2017 19:48:13 CST

前言

谈到CTR，都多多少少有些了解，尤其在互联网广告这块，简而言之，就是给某个网络服务使用者推送一个广告，该广告被点击的概率，这个问题难度简单到街边算命随口告诉你今天适不适合娶亲、适不适合搬迁一样，也可以复杂到拿到各种诸如龟壳、铜钱等等家伙事，在沐浴更衣、净手煴香后，最后一通预测，发现完全扯淡，被人暴打一顿，更有甚者，在以前关系国家危亡、异或争国本这种情况时，也通常会算上一卦，国家的兴衰、。其实CTR和这个一样，以前经常和小伙伴吐槽，其实做机器学习、无论是推荐还是计算广告，都和以前的算命先生没什么差别，做的好的官至国师，不好的吃不了饱饭也是有的。要想把你CTR模型做的好好的，必须要先了解那些前辈们都是怎么玩的。

CTR架构

一个典型的CTR流程如下图所示：

如上图，主要包括两大部分：离线部分、在线部分，其中离线部分目标主要是训练出可用模型，而在线部分则考虑模型上线后，性能可能随时间而出现下降，弱出现这种情况，可选择使用Online-Learning来在线更新模型：：

离线部分：
- 数据收集：主要收集和业务相关的数据，通常会有专门的同事在app位置进行埋点，拿到业务数据；
- 预处理：对埋点拿到的业务数据进行去脏去重；
- 构造数据集：经过预处理的业务数据，构造数据集，在切分训练、测试、验证集时应该合理根据业务逻辑来进行切分；
- 特征工程：对原始数据进行基本的特征处理，包括去除相关性大的特征，离散变量one-hot，连续特征离散化等等；
- 模型选择：选择合理的机器学习模型来完成相应工作，原则是先从简入深，先找到baseline，然后逐步优化；
- 超参选择：利用gridsearch、randomsearch或者hyperopt来进行超参选择，选择在离线数据集中性能最好的超参组合；
- 在线A/B Test：选择优化过后的模型和原先模型（如baseline）进行A/B Test，若性能有提升则替换原先模型；
在线部分
- Cache & Logic：设定简单过滤规则，过滤异常数据；
- 模型更新：当Cache & Logic收集到合适大小数据时，对模型进行pretrain+finetuning，若在测试集上比原始模型性能高，则更新model server的模型参数；
- Model Server：接受数据请求，返回预测结果；

Logistic Regression

最简单的模型也应该是工业界应用最广的方法，Logistic Regression算法简单易于调参，属于线性模型，原理如下图：

将CTR模型建模为一个分类问题，利用LR预测用户点击的概率；通常我们只需要离线收集好数据样本构造数据集，选择好合适的特征空间，离线训练好模型，测试在离线数据集上的性能之后，即可上线，也可以适应数据分布随时间突变严重的情况，采用online-learning的策略来对模型进行相对频繁的更新，模型的简单能够保证这部分的需求能够得到保障。

PLOY2

LR优点是简单高效，缺点也很明显，它太简单，视特征空间内特征之间彼此独立，没有任何交叉或者组合关系，这与实际不符合，比如在预测是否会点击某件t恤是否会点击，如果在夏天可能大部分地区的用户都会点击，但是综合季节比如在秋天，北方城市可能完全不需要，所以这是从数据特征维度不同特征之间才能体现出来的。因此，必须复杂到能够建模非线性关系才能够比较准确地建模复杂的内在关系，而PLOY2就是通过特征的二项式组合来建模这类特征的复杂的内在关系,二项式部分如下图公式：然而理想是美好的，现实却是残酷的，PLOY2有一个明显的问题，就是在实际场景中，大部分特征都是稀疏的，即大部分特征值为0，对这些稀疏的特征做二项式组合，会发现最后大部分特征值都是0，而在梯度更新时，当大部分feature为0时，其实梯度并不更新，所以PLOY2的方法在实际场景中并不能比较好地解决这类特征组合来建模更复杂线性关系的问题。

Factorization Machine

上面PLOY2虽然理论上能够建模二项式关系，但是在实际场景下稀疏数据时，无法使用，而FM就是为了解决这里PLOY2的短板的，FM的基本原理是将这些二项式矩阵做矩阵分解，将高维稀疏的特征向量映射到低维连续向量空间，然后根据内积表示二项式特征关系：复杂度为$O(kn^2)$，作者提出了一种简化的算法：将复杂度简化为$O(kn)$ 然后就是SGD来更新模型参数，使模型收敛（这里还有很多其他替代SGD的方法，在FFM中有提到）：训练时间复杂度也是$O(kn)$，也就是线性时间，FM通过对二项式稀疏进行低维连续空间的转换，能够有效地解决PLOY2中存在的二次项系数在大规模系数数据下不更新的问题，另外由于训练预测复杂度均为线性，PLOY2+SVM这样逻辑下由于要计算多项式核，复杂度是n^2，由于FM的这几个特征，在实际场景中，FM也大规模的应用在CTR中，尤其是在数据极其系数的场景下，FM效果相对于其他算法有很明星的改善。

Field-aware FM

FMM全程是 Field-aware Factorization Machine，相对于FM增加了Field信息，每个特征属于一个field，举个例子：而相对于FM，只有Feature_index相同个数的低维连续表示，而FFM则不同，每一个feature对不同的field有不同的表示，所以有#Field_index*#Feature_index个不同的表示：，通常由于每个低维隐变量表示只学习特定field的表示，所以FFM的隐变量长度相对于FM的隐变量维度要小的多。FFM的优化问题相对其比较简单，可以看看FFM这篇paper，里面比较详细地描述优化过程，还有相关的伪代码 https://www.andrew.cmu.edu/user/yongzhua/conferences/ffm.pdf。

FNN

从12年在ImageNet上深度学习超过经典模型之后，在计算机视觉、语音、NLP都有很多相关的工作，而在CTR上，深度学习的建模能力也有一些应用，FNN和SNN就是其中的一些尝试，来源于 Deep Learning over Multi-field Categorical Data – A Case Study on User Response Prediction，这里稍微描述下相关的做法：网络底层由FM来进行参数初始化，W的元素由FM中的低维连续空间向量表示来做初始化：而构成W的低维连续空间向量表示预先由FM在数据集上生成，模型在训练过程中，会通过BP来更新FM层参数，其他步骤和常见的MLP没有什么区别，这里重点就是底层如何介入FM层参数的问题；

CCPM

CCPM利用卷积网络来做点击率预测，看了文章，没有太明白其中的所以然，贴下网络结构的图吧：有弄清楚这篇文章的小伙伴可以讨论下。

PNN

PNN主要是在深度学习网络中增加了一个inner/outer product layer，用来建模特征之前的关系，如下图，Product layer部分Z是weight*feature，P部分weight*I(feature_i,feature_j)用来建模二项式关系： PNN按product层的功能分为inner product layer和outer product layer，区别如下：和FM类似，构造好网络之后，对输入数据做embedding处理之后得到低维的连续向量表示，经过任意两个feature的进行inner product or outer product（1也为feature的一部分，所以可以建模线性关系），这里很容易发现，这部分特征大小会变大很多（二次项数量级）,尤其是稀疏空间，和PLOY2遇到的问题类似，变得很难训练，受FM启发，可以把这个大矩阵转换矩阵分解为小矩阵和它的转置相乘，表征到低维度连续向量空间，来减少模型复杂度：

DeepFM

DeepFM更有意思的地方是WDL和FM结合了，其实就是把PNN和WDL结合了，PNN即将FM用神经网络的方式构造了一遍，作为wide的补充，原始的Wide and Deep，Wide的部分只是LR，构造线性关系，Deep部分建模更高阶的关系，所以在Wide and Deep中还需要做一些特征的东西，如Cross Column的工作，而我们知道FM是可以建模二阶关系达到Cross column的效果，DeepFM就是把FM和NN结合，无需再对特征做诸如Cross Column的工作了，这个是我感觉最吸引人的地方，其实FM的部分感觉就是PNN的一次描述，这里只描述下结构图，PNN的部分前面都描述, FM部分： Deep部分： DeepFM相对于FNN、PNN，能够利用其Deep部分建模更高阶信息（二阶以上），而相对于Wide and Deep能够减少特征工程的部分工作，wide部分类似FM建模一、二阶特征间关系，算是NN和FM的一个更完美的结合方向，另外不同的是如下图，DeepFM的wide和deep部分共享embedding向量空间，wide和deep均可以更新embedding部分，虽说wide部分纯是PNN的工作，但感觉还是蛮有意思的。

其他的一些方法

GBDT+LR：Facebook提出利用GBDT探索海量特征空间的特征组合，减少特征工程工作量，性能很好；
MLR：阿里妈妈前端时间提出的一种增强LR模型，将region的划分考虑进去来建模非线性关系，感觉类似于深度学习的Attention机制，据说在阿里妈妈相关业务提升很多；

总结

前面讨论了一些CTR常见的方法，重点介绍了Factorization Machine及其变种Field-Aware Factorizaååtion Machine，还有和深度学习的结合，个人感觉PNN的逻辑比较有意思，完全使用神经网络的思维模型重塑了FM，为后面DeepFM扩展wide and deep的工作打下基础，减少了wide and deep中需要的一些基本的特征工程工作（wide部分二次项工作），上面只是涉及到模型的算法部分，在实际中可以去探讨，并不能说明一定性能就好，另外由于架构的限制，综合考虑其他方面的因素，如请求时间、模型复杂度，也是最终是否采用相关算法的考虑因素，各位对此有兴趣讨论的小伙伴，欢迎回复讨论。

万字干货｜移动应用广告之商业变现的实现策略

Wed, 07 Jun 2017 17:37:50 CST

从事移动广告商业变现多年，总是觉得产品与商务的同事是一对“欢喜冤家”。站在开发者的角度，关注用户体验最优是无可厚非的，但“养家糊口”的问题关系着我们的生存。其实两者并没有那么根本地对立，只是缺乏一个统一的目标和相对协调的方法。

本文大纲如下：

01 概述

02 广告交易模式

03 参与者

04 广告样式设计

05 变现实验流程

06 技术对接流程

07 推广物料设计

08 相关的数据指标

09 去广告化

10 结语

01 概述

端午节期间，又有不少亲戚来向我询问那些每年他们都会问一次的问题：“其实你的工作是干啥的？”我曾经回答：我是做商务拓展的、商务运营的又或者是商务策略的，然后后面附上一大堆专业名词的解释。而今年，我做了一个自认为非常接地气的回答：“我就是帮你们手机里面安装的那些app赚钱的”，这样他们似乎立刻就懂了。

如果换在几年前，可能你说app这个词汇的时候，也只有40岁以下的人能立刻明白你在说移动应用，当时app开发者还是把所有的精力放在拉新和用户盘活的问题上。但在用户跟随市场不断被教育的大环境下，我90岁的外婆今年也用微信发出了人生第一个红包。这昭示着移动app时代已经从抢占入口向可持续发展完全转型了。随着后发app的准入门槛越来越高，单纯从拉新到用户盘活的阶段，就很有可能烧光了投资者的资金。所以，这明快的节奏要求开发者必须把用户盘活和用户变现，放在同一阶段进行。

移动应用变现的六大模式

能称之为模式的，必须能够符合“可持续发展”这个原则。例如，在手游开始爆发的2012~2013年，不少观点认为融资上市是一种最为便捷的变现模式。但近几年随着VC们越来越谨慎的投资态度，能够IPO的移动应用少之又少，而且就算得到一个良好的起点，也不代表能够支撑app的长远发展。因此，细挑一下，能够符合可持续原则的常用模式，有以下六个：

1、增值服务

免费应用+IAP（应用内购买）这个符合“中国特色”的变现潮流无可否认还是最受热捧。大部分的用户愿意花费更多的资金在喜欢的免费应用的增值服务上，而不倾向花费哪怕一元去购买一个未曾使用过的应用。游戏类应用的IAP更多是通过“加速”来促使用户付费，简单来说就是用金钱来买时间。而社交类应用有诸如表情商店这样的虚拟商品来促成消费。工具类应用则会给你提供更多更高级的功能和特权享受，诸如人工服务或者是更大的储存空间。

增值服务变现无疑是最为传统并且比较理想化的变现模式，但能促使用户产生付费行为的前提，是用户具备非常好的粘度，且增值功能具备很强的不可替代性。不少开发者会尝试把一些基础功能也放在增值服务当中促使用户付费，那么这所必然带来的是用户的大量流失。

2、广告服务

说到广告服务，必然又会触及开发者们的敏感神经。原因在于其与用户体验总是背道而驰。但原生广告的出现无疑是最大程度的降低了对用户体验的损害。原生广告不限形式，融入产品，不妨碍用户的正常使用体验，我们将会在后面铺开详叙。

而我认为广告服务是对比起IAP更具备可持续变现能力的模式，原因在于它并不需要用户为了使用你的app功能而买单。而对广告产生点击兴趣，并且最终形成购买的用户来说，广告并没有对其产生负面体验，反而是一种需求的满足。

3、电商导购

从严格意义上说，电商导购也属于广告服务的一种，但他的潜在价值却比起其他广告服务模式高出很多。最明显的例子就是在新浪微博大部分的流量都导入了天猫和淘宝之后，其广告收入就已经超过了新浪门户收入的一半。并且对比起其他的广告服务，电商导购似乎对于用户体验的破坏是最小的。原因在于购物俨然已经成为了用户的最基本需求，也似乎变成了移动app的基本功能板块。

但并非所有的移动app使用电商导购模式都能创造出可观的收入。它要求开发者具备良好的技术对用户进行个性化的商品推荐。并且在不具备大流量的前提基础下，做电商导购往往掷地无声。

4、应用分发

同样地，应用分发其实也属于广告服务变现模式的一个分支。但它更倾向于工具类的超级app使用。只要能让用户更为方便快速地获得想要的APP，那么应用分发的变现潜力无疑是巨大的。

但移动分发市场的争夺异常残酷，百度、豌豆荚、腾讯应用宝、360手机助手呈现出瓜分天下之势。正所谓“得入口者得天下”，不是“装机必备”类的超级app，通过应用分发来变现无论规模还是可持续性，都显得捉襟见肘。

5、硬件销售

易信的“青果摄像头”、墨迹天气的“空气果智能空气监测仪”，有小部分的app已经走上了“软硬结合”这条非常具备情怀的变现之路。他们依靠用户对于app某种功能极高的使用粘度，去进行硬件配套。又或者是在某个领域具备一定的用户权威，进而发布一系列的周边产品。就反响来说，这无疑是最受聚光灯关注的变现模式。

但移动app做硬件销售，最符合“雷声大雨点小”的特征。就变现程度本身而言可谓是少之又少。无可否认存在佼佼者，但大部分都是仅仅赢得一片掌声。

6、线下服务

从硬件销售转变成为提供线下服务，路子就立马宽了很多。这也是许多O2O类型的app能够持续变现的原因。照相应用推出证件照功能、养生应用上门看诊、美食社区应用提供外卖服务，出行导航类应用给你打车租车。最近几年，O2O在国内已经呈现出无所不能的态势。想必不少吃瓜群众也认为这些应用已经赚疯了。

但不难看出，在一波“烧钱”之后，能够存活下来的O2O移动应用都具备一些特点。要么能够重度垂直聚焦特色行业（美甲、医疗），要么触及了广大用户的高频刚需（打车、吃饭），要么是一些在互联网+上已经形成线上线下营销闭环的零售大佬（苏宁）。因此不得不说，线下服务的变现模式的确很美，但适用范围有限。

广告变现的必然性

在看完这“诸多”的变现模式之后，如果你产生了我的路子还很多的想法，那我必须说明白这残酷的现实。其实六大变现模式不外乎两类，广告变现（广告服务、电商导购、应用分发）与非广告变现（IAP、硬件销售、线下服务）。我相信还愿意花上一点时间看这篇文章的开发者，必定已经是对钱产生了紧急且迫切的欲望。那么你就几乎只剩下广告变现这一种选择。

就如我们开文的时候提到，在如今的移动应用市场，用户盘活与用户变现必须放在同一阶段进行，这其实说白了就是一个“以战养战”的思路。非广告变现的三种模式要么就是适用范围特别窄，要么就是需要我们先花上大量的时间去培养用户粘度，积累产品优势。可惜，我们最缺的就是时间。“三军未动，粮草先行”，比竞争对手更快积累资金优势，往往才是产品发展的最大保障。

开发者所处困境

我承认把手中的移动应用进行广告商务化不是一个容易的决定，因为接下来将面临一大堆的问题。在这里，我打算把开发者可能面临的疑惑以提问的形式一一列出，如果里面存在你的困惑，那么就有你继续看下去的价值：

我应该选取怎样的位置来尝试做广告？
广告与用户体验是必然违背的吗？有没有两全其美的方法？
是不是只售卖品牌广告，会对产品的危害度更小？
我的广告位应该如何定价？
接入第三方广告平台，是一件非常麻烦且耗费成本的事情吗？
如何把握广告主的资质审核？
广告主的投放物料设计水平参差不齐，怎样才可以更加规范？
为什么很多广告主在投放一段时间之后，都因为效果原因放弃投放了？
我的广告位置创造的收入，如何评定是优秀还是不够呢？
我现在又想把广告位去掉了，这相当于我做了无用功吗？

02 广告交易模式

在回答上述问题之前，我们首先要了解一些广告交易的基本知识。如果站在广告主的角度看，目前市场上存在至少五种广告交易模式：程序化直接保量交易、首选交易、头部竞价、RTB实时竞价公开交易、私有交易等。多种交易模式是根据是否存在竞价、是否保量、展示优先级别以及计费方式来划分的。具体可以参照下图。

而站在我们开发者的角度，我们只需要弄懂其中的两个大类：一是程序化直接交易，也就是我们俗称的品牌广告；二是RTB实时竞价交易，也有人直接把它说成效果广告。而在我们的移动应用广告变现过程中，基本离不开这两种模式。

程序化直接交易（品牌广告）

程序化直接交易（Programmatic Direct）简单来说就是一种不竞价的模式。媒体跟广告主协商好价格以及基本的流量预估，就可以直接进行一对一交易。一般来说会采用CPD（按天付费）或者CPM（按展示付费）的结算形式。这种包断流量的采购模式一般比较符合品牌广告主的铺量需求，因此也称为品牌广告。

RTB实时竞价交易（效果广告）

RTB实时竞价（Real-Time Bidding），就是媒体将广告资源接入RTB交易市场，让广告主参与实时竞价购买流量。对比起程序化直接交易，RTB实时竞价交易的流量库存和价格都是不固定的，竞价规则为“价高者得，次高价结算”。由于广告主往往会根据自身的转化成本来设定出价，因此大部分的竞价广告也称为效果广告。效果广告的可采购库存流量，一般都是在品牌广告售出后剩下的部分，也称为剩余流量。换句话说，对于广告主而言，流量获取的优先级是品牌广告大于效果广告。移动app在广告变现的探索中，一般迈向成熟阶段的标志，就是接入RTB的交易市场，这会使整体的广告变现效率更高，售出率更稳定且更可持续。

品牌广告 VS 效果广告

对于一些产品质量比较过硬的移动应用的开发者来说，售卖品牌广告几乎是广告商业化的第一步选择。当我们在陆陆续续的收到品牌广告回款的时候，不禁会提出这样的问题：我们还有必要接入RTB竞价市场，去售卖效果广告吗？

品牌广告的确存在一些天然的优势使得它更容易受到媒体的青睐。首先愿意包断流量购买品牌广告的广告主，一般都是资质齐全，具备一定知名度的品牌广告主，这样的广告用户的接受程度会更高。另一方面，品牌广告主的物料设计专业度普遍来说会更好。最后，由于其包断性质，品牌广告的售价一般会更高，就单个流量的变现水平来看，是十分可观的。

尽管如此，但我依然坚持认为，开发者们必须将广告资源尽可能地接入RTB交易市场，让更多的广告主进行竞价投放，理由如下：

1. 品牌广告的售出率不能长期保证在60%以上，更不要说100%

特别对于一些属性比较垂直的移动应用来说，本来针对的广告主行业市场就很窄。如果恰逢遇到行业淡季，售出率就会更加惨淡。而竞价效果广告几乎可以保证每天都有广告主进行竞价投放，运营得好可以常年保持100%的售出率，广告变现更加可观，可持续。因此品牌广告优先售出，效果广告竞价剩余流量才是最稳定的广告变现模式。

2. 在这个品效合一的年代，品牌广告与效果广告的界限已经逐渐模糊，品牌广告主也不是傻子

因此对于每个季度调整一次的刊例，我们做不做溢价好呢？我们溢价的依据又在哪里呢？答案就在效果广告的点击单价中。如果效果广告主普遍承认媒体的质量，在流量争夺的过程当中就会逐渐的提升点击单价，从单价的提升幅度，我们就可以判断出品牌广告的售价是否需要调整。一般来说，品牌广告的单天售价定在效果广告收入的3倍较为合适。因此，效果广告才是促进我们媒体整体流量变现水平提升的基石。

3. 用户体验

多好的广告物料质量，整天看同一个广告主的广告谁都烦。而且在这广告即内容的原生时代，我们同样要给用户看到不一样的东西，来激发他们的点击和购买欲望。一个个品牌广告主去洽谈显然是效率低下的，因此接入RTB竞价市场，是广告主数量充裕的起码保证。

4. 并不是所有的广告位都能作为品牌广告来售卖的

现在的品牌广告主更偏向购买面积大，具备一定互动性质的广告位置。例如开屏广告，线上活动，皮肤定制等等。就算是图文信息流，也未必能够受欢迎。但恰恰相反的是，效果广告主却非常喜欢这样的位置，因为更加原生的广告设计往往能够带来更好的效果。移动应用就一个开屏，但却可能存在多个tab，多个功能区域。因此只有效果广告，才能够普遍适用所有的广告形式。

03 参与者

在开发者进行广告变现的过程当中，会跟许许多多的人打交道，他们在整个广告投放节点上面充当着不同的角色。如果非常“粗暴”的划分的话，不外乎流量的拥有者【媒体】、为媒体服务的【供应方平台】、流量的消费者【广告主】以及为广告主或代理服务的【需求方平台】。但如果更加细致的看，开发者在整个广告变现的推进过程中，有可能接触到职能更为具体的人员，如产品PM、审核人员，物料设计师等等。

媒体

从广告载体的维度来划分，媒体分为PC网页、移动网页和移动APP三种。在本文，我们仅讨论移动APP这一种媒体。媒体在整个广告投放流程当中充当“供货商”的角色。提供什么样的广告位，划分多少的流量，允许什么行业的广告主进行投放，定什么样的售出价格等等一切决策，严格意义上都是媒体最终决定的。作为广告变现过程的源头，媒体的决策很多时候将会决定起步是否正确。但往往开发者对于广告投放细节的了解又是最少的。这种落差会导致非常多的媒体在广告商务化的进程当中困难重重，这时候就需要更多的角色参与到里面来。

供应方平台

供应方平台就是我们常说的SSP（Sell-Side Platform）。但目前SSP和广告交易平台Adx（Ad Exchange）的职能在国内基本上已经合体。媒体就是将广告资源对接到Adx进行售卖。Adx一般分两种：一种是聚合了各种媒体流量的第三方Adx；另一种是一些拥有自有流量的大型媒体的私有Adx。而一般在媒体资源的对接过程当中，我们会首先与广告交易平台的三种人打交道：

商务拓展（BD）：确定接入具体的广告资源、售价、分成方式与比例。
产品/运营（PM/PO）：确定具体的接入方式（JS/API/SDK），以及跟进整个技术对接流程。
审核人员：确定允许投放的广告主行业、品类，以及需要具备的基本资质。确定可投放的广告形式（落地页表单，一键下载等）。

需求方平台

需求方平台又称为DSP（Demand-Side Platform），简单来说就是给广告主和代理提供广告实时竞价投放的平台。可以比较粗暴的认为，上文提到的广告交易平台是对接媒体的，而需求方平台则是对接广告主的。那么我们媒体开发者会跟需求方平台产生什么交集吗？答案还是有的。

市场上现在存在很多混合型的DSP公司，意思就是他们除了对接Adx以外，还会自建广告交易平台来进行流量采购。也就是说广告交易平台与需求方平台合二为一。有道智选，360MAX就是这方面的代表。而面对这样的混合型DSP公司，作为媒体开发者的我们同样会有机会接触三种人：

商务运营：从宏观上清楚整个广告资源投放情况的人，他们会定时制作一些数据报表，给媒体开发者呈现广告位置的广告主结构，变现优劣甚至广告主的效果情况。并且对于媒体的广告商业化进程提供合理的建议（诸如应该设置多少的限价，流量释放的节奏，品牌销售政策如何制定等等）
物料设计师：帮助广告主进行广告物料的设计，在保证广告主效果的同时，需要优先考虑媒体的用户体验，因此跟媒体开发者存在交集。
一线销售与广告投放顾问：最清楚广告主情况的一线业务人员，具体执行广告主引入以及管理广告活动及其投放策略的人。

广告主/代理

购买流量进行广告投放的最终需求方。广告主购买流量的需求是多样的，有些是为了单纯的曝光，有些会是注重考核用户的前端行为（注册、下载等），更有甚者会精细的分析用户的后端行为（呈现意向、下单购买等）。广告主通过种种的考核方式来判断媒体的质量，最终选择是否投放以及分拨多少的广告预算进行投放。因此对于需要进行广告变现的媒体来说，广告主才是最终的“衣食父母”。

04 广告样式设计

如果你已经坚持阅读到这里，那么接下来肯定关心如何执行的问题。但在此之前，我们先要关注的是，我们的广告都长成什么样？这就必须得提及我们前文提到的原生广告。

原生广告（Native Advertising）

原谅我没有什么礼貌的说一句，现在是个广告交易平台都说自己卖的是原生广告。自2012年底这个名词被提出之后，它的定义域就被拓得越来越宽，并且逐渐模糊。这里，我认为不少关注用户体验的开发者是被“欺骗”的。我想把原生广告回归到最为本质的三个特征，大家姑且可以看看自己手中app的广告，真的都很原生吗？

原生广告是从用户体验出发的盈利模式。这句大白话告诉开发者两个最为根本的问题—你要关注用户体验，以及你要盈利。因此在判断你的广告位能不能带来很多钱的同时，你得留意你的日活用户量趋势，NPS值的变化以及用户在评论区是否已经炸毛了。
广告具备有价值的内容。这里面区别于传统广告的是，原生广告不能是单纯的广告信息，而是能对用户产生价值的广告内容。这就是从“要你读”到“我想读”的转变。当然，大家对于“有价值”的判断是存在差异的。但是纯交易型的广告信息显然违背了原生广告的初衷。
广告的呈现符合视觉整合原则。原生广告讲求的是广告即产品本身，植入不破坏页面本身的和谐，构筑不影响用户的使用体验。因此，你硬要跟我说浮动banner也是原生广告我是不服的。如果广告对产品原有内容产生了遮挡，那其实本身就没有遵循视觉整合，也没有从用户体验出发。

具体广告样式

下面列举一些常见的广告样式：

信息流广告最早于2006年出现在Facebook上，随后就应用在了各种社交媒体的用户好友动态之中。而发展到了现在，信息流广告已经不限于社交媒体，只要具备一定的内容（不论内容是由用户产出还是媒体自身产出），都可以安插信息流广告。下图从左到右分别为正常的图文信息流广告、大图形信息流广告以及icon功能型小信息流广告。

按钮广告也叫图标广告。早期的按钮广告是由banner通栏广告演变而来的。而在app原生广告时代，按钮广告往往会跟产品的功能按钮放在同样的页面，在视觉整合上更加统一。但缺点在于可传达的内容信息受尺寸限制而变得很少。

开屏广告是APP里面面积最大的广告，同时也是最受品牌广告主青睐的广告位。其实开屏广告从严格意义上称不上原生，对用户也存在启动延时的干扰。但由于“启动app正常来说都是有启动页”这个印象已经对用户教育完全，因此大家都能比较顺从的接受这样的设定。不过许多开发者为了进一步降低对用户的干扰，会增加跳过按钮或者缩小广告素材的尺寸等等。

仅次于开屏广告展示面积的样式，一般来说就是焦点图广告了。但焦点图广告会显得更加的原生。原因在于焦点图出现在内容位，用户下意识的都会认为是具备可读内容的。并且图文样式+自动轮播机制，会更容易吸引用户眼球。

激励视频广告在最近也成为了国内移动app广告市场的新宠。我们其实在很多的国外游戏里面很早就接触过这种广告，就是让你看一段游戏视频，就能给你几百金币或者某些特殊道具的广告。对于广告主而言（以CPC结算为例），激励视频广告的效果比较取决于计费节点设置在什么位置。如果用户点击视频就计费，效果一般很差（用户只是冲着奖励去）。但市面上也有不少良心广告平台将计费节点设置在视频播放结束后的落地页点击上。这样做能够过滤掉一大批的无效用户，广告主的效果会有相当好的保证，同时也对用户提供了实实在在的福利。

不在这里一一列举的原因还是我开始所说的，对于开发者而言，这些类型的广告样式严格意义上来说是“假原生”（当然也有例外）。它们都会不同程度的对用户正常使用app功能产生较大的干扰，对此判断的标准，还是我前文所说的三大本质特征。

05 变现实验流程

弄清楚了广告样式，让我们立即进入正题，这可能是整篇文章大家最关心的部分。从零做起，我们来模拟一下移动app变现的起步实验阶段如何进行。

广告位置选取

我们应当选取app哪个位置来放第一个广告？这个问题我们需要从用户体验和变现潜力两个方面来探讨。首先是用户体验方面，我们需要给用户提供一个从无广告环境逐渐转移到有可接受广告环境的适应期，这里面需要注意到这样一些问题：

（1）避免立刻在首页设置广告

你希望你还在进行测试的广告一下子就被所有用户看到吗？答案当然是否定的。当然我们还可以通过流量切分的方法来控制看到广告的用户数量。但不要忘记，站在长远的角度看，一个移动app最具变现潜力的位置绝有可能就在首页。在我们还没有选择合适的广告主以及还不清楚广告测试数据的前提下，立即在首页进行广告测试很容易使我们判断错误。这无论对用户体验还是变现进程来说，都显得操之过急。

（2）避免设置大面积广告

优先考虑内容，优先考虑内容，优先考虑内容，重要的事情说三遍。这也是我在上面提到的原生广告原则之一。而在非常有限的手机屏幕上，没有一个用户希望无效信息占据太多的位置。现在很多用户讨厌一些门户网站的web端首页，就是因为顶部的双份加大矩形广告+对联广告+浮窗广告使得他们只可以看到新闻头条的一个标题……

（3）放在下面与右面

没有用户在打开app之后的浏览目的是看广告的，因此我们需要让用户立刻达到他们的首要目的。从上而下，从左到右的阅读习惯决定了我们需要把广告放在下面或者右面。

（4）不要放在最下面

看完第三点之后看第四点，你一定觉得我是一个神经病。我需要解释的是，广告不是用户阅读目标的部分，因此如果在整个手机屏幕里面，广告处于可读内容的最底部，那么它往往会被立刻忽略。这时候，广告会成为用户的阅读中止符。因为在阅读到广告为止的内容时，用户已经认为整个阅读任务完成了。

因此我们需要把广告从任务中止符的角色，转变为增加下一个任务起始符的角色。意思是，在广告的下面，你必须再次露出小部分的可读内容。这一点在信息流广告上面尤其重要。具体的操作方法就是，研究市面上主流手机屏幕的大小，然后让广告出现在第一屏接近底部而又露出一些第二屏内容提示的位置上。那么用户在从上而下阅读的时候，必然会经过你的广告位置，这不会对他们造成太大干扰，还可以起到“客官请休息片刻”的作用。

（5）不要去尝试浮动遮挡

在首次广告变现的测试上，我认为对于浮动类型的广告应该是0考虑的。所有直接遮挡用户阅读信息的广告带给你的都只有用户的投诉以及广告的误点击。

说完了牌坊，我们来开始丢点节操。除了用户体验外，变现潜力同样是我们需要考虑的因素。在这个维度上，我们选取测试广告位置同样需要注意一些方面：

（1）需要具备一定的流量

虽然我们说过不要在首页立刻进行广告测试，但不代表我们就去选择一些非常边角又或者跳转个二三级页面的位置。因此太少的流量没有任何的测试价值，或者说难以得出可信的测试结论。我们可以选择一些用户通过一次点击之后会常进的功能区域，例如“我的”这样的位置。

（2）选取点击率有可能高的位置

没有进行过任何的广告测试，我们怎么判断哪些位置的点击率有可能高呢？这时候我们就需要去看内容的点击率。原生广告的样式一般来说都会跟当前页面的可读内容的样式保持基本一致，因此可以用内容的点击率作出一定的折损来推测广告位的可能性点击率。但这里需要注意的，部分含有引导或者激励用户点击的位置，点击率不可以参考（例如签到位置），也不适合选取作为广告位置。因为含有激励措施的位置会导致用户的非真实点击，造成广告主效果崩盘。（可参考前文对激励视频广告的描述）

（3）需要斟酌是否选择用开屏来进行首次测试

不少移动app开发者会比较热衷用开屏来进行广告变现的首次测试。但其实我认为，开屏位置具有很多的特殊性，以至于他其实并不能代表这个app的广告变现潜力。况且，开屏广告代表着整个app“最具价值”的部分，我们不太可能用很低的测试价格来放上市面，必然也是使用品牌刊例的方式来进行售卖。那么一般情况下也只有追求曝光的品牌广告主来进行投放，往往这些品牌广告主不会提供任何的广告后续效果反馈。换句话说，用开屏广告来代表某个移动app的广告变现潜力来进行测试，是测试不充分并且欠缺说服力的。

说了一大堆，就让我举个合适作为首次变现测试的广告位置。这是某个工作效率类APP。我们选择【我的】页面的小信息流来进行测试。大家可以发现，这个广告位符合我们说到的很多原则：不在首页、日均流量仅次于首页、样式原生（不遮挡内容）、面积小、放在页面中下部分（用户阅读完整功能区视觉必然经过）。

在最后需要强调的是，上面所说的原则全部都是针对单个移动app第一次的广告变现测试来说的。在起步阶段我们需要更加保守且谨慎，但不是说首页广告、开屏广告等这些样式不可行，只是他们应该放在后面来做。

实验广告主选取

我们到底用什么类型的广告主来进行首次的广告测试？这里面需要再一次围绕我们的测试目的：在不大尺度破坏用户体验的前提下，评估某广告位置的变现潜力。不难看出，对用户有益的广告是既能够满足用户体验，又能够带来广告效果的。因此，我们需要先了解我们的用户是什么类型的用户。

清晰具体的用户画像几乎是所有广告变现测试的前提。他直接决定着我们应该选取的广告主行业、具体产品、客单价范围以及物料制作风格。理论暂且不说，我们就直接看几个例子。

之前替某个工作效率类的移动app做信息流的广告测试。由于我们起步的测试价格比较优惠，因此当时有游戏、电商、教育、金融四个行业的广告主产生了测试意向，而我们只能选择一个。四个广告主分别推广的产品是手游、化妆品打折季活动、儿童早教产品、信用卡黑卡免费办理服务。我们详细地看了该app的用户画像：男性用户占比在73%，这让我们首先排除了电商广告主的测试；年龄分布在21~26岁，儿童早教产品似乎不会有太多转化，因为这个年龄段的父母很少；企业管理者以及职员占比60%以上，因此我们觉得游戏的表现预估不会太好。最后我们选择金融信用卡黑卡产品进行测试，因为用户画像的属性非常符合：税前收入5K以上的用户占50%以上，具备一定的收入能力；一二线城市占比超60%；本科以上学历人士占58%。总体来说，我们可以把该app的用户定义为具备一定收入水平的男性商务人士。

好的用户画像可以使得我们在进行广告主选取时候少走很多弯路。甚至对物料设计风格也是如此，曾经我们在某个电商的打折季活动物料上，放了一个粉红色的保温瓶。当后来得知他们的男性用户占比更大的时候，把保温瓶的颜色更换为黑色，点击率就翻了一倍。

资质与物料审核

一般来说，很多广告交易平台都会自带审核部门，他们具备标准化的审核流程、规范的审核系统以及高效的自动审核机制。但在我们进行首次广告变现测试的时候，往往不能立刻适用这些标准化流程。究其核心原因，就是对于首次广告测试，我们需要非常的谨慎，务必要选择资质优秀素材优质的广告主进行测试。站在这个角度，“哪些广告主不能投”的黑名单审核机制并不适用。“只允许哪些广告主可以投”的白名单机制更为稳妥。况且在人工运营的测试阶段，广告主数量不会很多，我们理应先抛弃自动化的系统，而更为细致的case by case去选择广告主和投放素材。

人工运营实验流程

有了广告位置，准备好了测试广告主和广告素材，就可以正式“开干”了。在没有接入系统之前，整个广告投放的实验流程，几乎都是全手动运营的：

（1）广告上线前准备

上线前充分测试，确保新上线的广告产品功能正常，广告展示/点击等数据上报无误。此外，还需要对测试广告主提供的投放链接进行测试。这里面包括，链接是否能正常打开，打开的响应速度是否会过慢。在页面里面进行注册、下载、下单等行为时，效果是否能成功监测。说到转化跟踪监控，一般来说广告主与媒体都不会完全信任对方提供的数据，因此大部分没有接入系统的非标准测试环境下，都是采用第三方进行效果监控。

（2）广告上线

是否应该让所有用户立刻看到广告，这是一个值得斟酌的问题。一般来说，比较稳妥的做法是先划分一部分的流量上线广告（如20%），一方面可以进一步在线上测试广告功能和流程是否存在bug。另一方面可以看看用户对此的反弹程度是否强烈。

另外，我们需要珍惜每一次的测试机会。能够做到尽量细的数据监控是最好的。例如分时段的查看广告的流量和点击情况。以此来判断广告位置的前端数据分布情况。例如我们会发现工作效率类的app在早上9点钟的流量与点击比较大，阅读类的app在下午6点之后呈现数值高峰等等，这都会对我们日后的运营提供很多重要的信息。

同时，我们应该在广告投放期间，尽可能多的搜集广告主的数据反馈。包括落地页面的到达PV，实时的转化数据等等。如果广告的跳出率异常的高又或者转化数据异常的差，我们都需要进一步的去确认广告的线上流程是否存在问题。在首次的广告投放测试当中，首要任务就是要保证广告正常的投放出去。

（3）广告上线后反馈

这可能是整个广告变现测试最重要的一环。我们需要通过这次测试得出一些怎样的结论？整体来说，我们至少需要从用户体验、变现水平和运营成本三个方面进行评估。

说到用户体验，大部分开发者可能第一时间想起的就是通过NPS值来判断，但我不得不说这可能相当困难。因为一般来说，我们都不会为了上线一个广告功能而单独发一个包，因为这样用户体验会非常糟糕。所以捆绑一些用户功能来发一个新版本显得更为合理。而NPS的测量则是针对这整个版本而言的，你无法因此而判断是否广告功能影响了这个数值。因此，更为直接的方法应该是，我们直接去看用户评论区，是否有大量的用户针对新上线的广告功能进行投诉或者抨击，这样虽然看上去不那么客观，但却是最有效和快速的。

变现水平的评估，只要方法得当，则会比用户体验评估来得更加“有理有据”。很多时候，我们会按照一定的测试价格来收取广告费用，但这个测试费用其实并不代表我们未来的可能预估收益。这里举两个例子会更加直接：

我们跟某广告主进行信息流广告首次测试合作，以一个成功注册40元的价格进行CPA结算。我们划分了20%的流量进行此次测试，测试三天，最终给广告主带来了300个注册，因此我们收取了40*300共12000元的广告测试费用，日均收入为12000/3=4000元。倘若未来全量投放，日均收入会是4000元/20%=20000元
事实上，这个广告位置的全流量有300W，这次测试监控的点击率为1%。也就是说，如果未来全量上线的话，会产生300W*1%=3W个点击。我们在划分了20%流量的前提下，日均给广告主完成了100个注册，因此转化率为100/20%/3W=1.67%。对比同类型的媒体，67%转化率的媒体，平均出价水平大概在2.5元左右。我们打算未来实现CPC全量竞价投放的收入预期就是3W*2.5=75000元。

发现了吗？实际上我们看到的测试费用并不等于我们未来可能的变现能力。这里面的原因是，在没有接入系统之前，数据的监控会显得尤其困难，广告主更多的会偏向于使用CPA来进行结算。并且在没有其他广告主竞争的情况下，点击单价和点击率都不会呈现一个峰值状态。所以我们在做预估的时候，就需要向B的思路那样，做出更有可能接近真实值的评估。

在进行了用户体验和变现水平的评估之后，基本上我们就会得出是否对此广告位进行完全商业化的结论了。当然，有时候一次的测试不能够说明问题，我们还需要进行多几轮的测试，将测试的流量占比逐步放大，并且更换一些不同行业不同品类的广告主来尝试。但需要注意的是，我们的测试是建立在全手工运营的基础上，这必定会耗费我们大量的人力成本。从物料审核、上线操作到数据监控、费用结算都没有系统支持。因此，我们需要评估整个运营成本跟我们预估的变现收入是否对等。不过归根到底，如果在测试结论稳定的前提下，作出了此广告位全面商业化的决定后，尽快接入广告交易平台实现标准化系统投放，才是最高效的途径。

06 技术对接流程

媒体实现广告的标准化系统投放，其实并不是一件很“重”的事情，但却能在运营效率以及变现收入上都带来非常大的提升。目前市场上基本上都是使用API对接或者SDK对接两种模式。接下来，我们会分别简单介绍一下。

API对接

服务端对接即可，其优点是可快速对接并上线，且媒体方对流量的分配、控制也更加灵活便利，因此导致客户端出bug的风险也会较小。但缺点是难以实现广告SDK的全部功能，例如用户的上下文信息捕获、广告的预加载、渲染加速、性能监测等。这些功能的缺失可能影响广告系统的自动优化，进而对广告点击率、填充率、广告收入产生影响。

SDK对接

SDK对接需要改动客户端，开发量相对API对接来说会稍大一些。我们同时需要确保广告SDK足够稳定，不会给产品带来bug。因为毕竟是客户端集成，如果出现bug，需要客户端发新版才能修复。但其优点是可利用到SDK的全部广告优化功能，通过收集详细的用户信息、加速广告加载渲染、完善广告数据监测等方法，来提升媒体流量的变现效率。

综合来说，在前期筛选广告合作方的阶段，用API对接更加灵活可控一些，当基本确定深度合作的广告平台伙伴之后，SDK对接是一个更好的选择。

07 推广物料设计

很多开发者认为他们对于广告物料的重视程度已经十分足够了。因为我们已经充分考虑物料会否破坏用户体验，影响产品调性，破坏视觉界面，违反法律规定等等。所以我们对广告主素材会执行非常“严格”的审核，从尺寸、大小、格式到色调、文字内容、排版样式。

这样做是完全没有问题的，但我在这里说的推广物料设计，考虑的却不仅仅是“合法”的标准。就如我上文提到的粉红色保温瓶换成黑色的问题一样，好的设计素材可以直接提升我们的变现效率。

但现实情况却是，市场上大部分的推广物料都是由广告主自己提供的。倘若广告主制作的素材已经达到了“合法”的标准，那么作为媒体的我们没有理由去要求广告主作出频繁修改。况且，很多时候我们不知道修改的标准是什么，只是提出一些肉眼看上去更“美丽”的建议。这就等于我们对于品牌广告主物料的态度，我们经常认为他们的物料质量是高的，因为看上去“高端打次上档次”。但我们却忽略了，品牌广告主往往不会关注物料的后续效果数据情况，又或者不是不关注，只是无法度量（传统的奢饰品和快消行业，很难把他们的最终销量跟某个广告效果关联起来）。但效果广告主则不一样，每一个物料的真实效果，都会影响他们的最终出价，从而影响媒体的真实变现。

怎么解决这个问题？需要对媒体广告变现负上责任的，除了我们开发者自身还有的就是广告交易平台。对，我们必须在推广物料设计上对广告交易平台有更严格的要求。一方面对广告主的推广效果负责，另一方面对媒体的变现效率负责。这使得广告交易平台必须真正花上精力，去研究优秀推广物料的事情。

接下来就是选择的问题，市面上有哪些在这方面做得比较出色的广告交易平台？对此，我可以先大概告诉你，他们是怎么做的。他们会用大量的素材投放到媒体当中，持续的收集点击率、转化率等数据。然后将一张素材按照版式、色调、元素、文案等单位拆分开来。跟踪这些单位在不同素材和不同媒体里面的数据表现，然后重新组合。不断的通过A/B test和定量分析，最终形成适合这个媒体投放的若干个素材模板，进而推荐给广告主或者接入程序化创意后台，形成普遍的投放。没错，这绝对不是广告主自己能做到的，也不是通过媒体审核可以做到的。这需要一个团队持续的研究和运营。在市面上，目前能做到这一点的，拥有高智能程序化创意后台的广点通算一个；拥有一个庞大设计师团队，给广告主持续提供广告素材制作的有道智选算一个。

08 相关的数据指标

在整个广告商业变现的进程当中，无论是人工运营阶段还是接入系统后的标准化运营阶段。给我们提供一切决策依据的，就是数据，那我们一般需要关注哪些数据？

每日活用户贡献收入

一个移动应用广告创造多少收入算高？如何判断这个位置的广告价值如何？就是看这个指标。直接用该广告位置的收入除以日活用户。这个指标可以针对单个产品页面来看，也可以针对整个移动应用来看。广告变现良好的应用这个数值一般在3分钱以上。

每日活用户接受展示

广告展示数/日活用户数。这个指标更多的是站在用户体验角度考虑的。简单来说就是用户使用app，一天会看到多少次广告。这个指标的好坏没有标准，全在于我们的接受程度以及与之匹配的NPS值的变化。但如果这个数值大于10，我们得考虑一下，广告是否放得太多了。

ECPM值

广告每千次展示可以获得的收入。该指标能够更加直接的体现具体某个位置的变现能力。ECPM = 收入/广告展示次数×1000，而放在效果广告领域，收入=广告展示次数×点击率×点击单价，因此ECPM=点击率×点击单价×1000。点击率大部分时候会收到物料素材吸引度的影响，而点击单价很多时候会受到广告主后端ROI的影响。因此ECPM能够更为全面的体现单一广告位的价值。

09 去广告化

小时候学政治的时候，我就一直有一个疑问。原始社会按需分配，到了共产主义社会也是按需分配，这中间都经历了啥？老师告诉我们，他们的区别在于生产力在不同的水平上。这个问题似乎跟我们的广告商业变现有异曲同工之妙。在我们没有广告的时候，要把广告放上去。而当广告变现到达一定的发展瓶颈的时候，我们又会把一部分拿掉。

我就更为直接一点吧，所谓的去广告化，我们常用的手段就是会员制度。市面上所有的app会员服务，第一条福利几乎都是去除广告。这部分选择成为会员而去除广告的用户，往往也是认为广告体验较差，不会去点击任何广告的用户。也就是说会员制其实是筛选掉一部分对于广告收入贡献无效的流量。而且通过会员制，我们还能从这批用户里面重新创造一笔财富。来到这个阶段，品效合一、系统标准化运营、会员制度三者结合，移动应用的商业变现就基本形成一个稳定且可持续发展的模式。

10 结语

从事移动广告商业变现多年，总是觉得产品与商务的同事是一对“欢喜冤家”。站在开发者的角度，关注用户体验最优是无可厚非的，但“养家糊口”的问题关系着我们的生存。其实两者并没有那么根本地对立，只是缺乏一个统一的目标和相对协调的方法。

根据可考究的历史记载，中国早在公元前3000年就出现了实物广告。当一个部落需要用布匹来交换隔壁的小羊羔时，他们就开始用尽方法来“宣传”他们的衣服。那个时候的人们对广告更多是一种原始的需要。难道到了今天，我们可爱的用户就不需要广告了吗？

写这篇文章，给予所有的移动应用开发者，写给那些已经走在或者即将踏上广告商业变现之路的“部落人们”，愿你们获得成功并且给我们分享你的经验。另外，也不妨带上你们的“小羊羔”找到我们，我们期待跟各位有更深层次的合作。

本文由 @有道智选原创发布于人人都是产品经理。未经许可，禁止转载。

广告投放场景的研究

Sun, 20 Sep 2015 11:30:53 CST

场景是一个广义的词语，在不同的场合有不同的意义。《百度百科》给出了场景的一些定义：“现代动画场景指的是影视动画角色活动与表演的场合与环境。这个场合与环境既有单个镜头空间与景物的设计，也包含多个相连镜头所形成的时间要素。”；“场景，指戏剧、电影等艺术作品中的场面；泛指情景等。”。

在网络时代，由于设备的增多，用户的注意力被进一步的分散及碎片化；但是同样是由于设备的增多，我们可以通过设备收集到的海量数据来接触及了解用户几乎所有的生活场景，网络时代的场景是多样并且丰富的。但是，生活的场景并不等同于广告场景。

广告场景是生活场景的子集，是对生活场景中的特定维度进行研究，从而为广告投放服务的一种虚拟化的场景。通常意义上讲，广告场景是位置（Location）与时机（Occasion）的组合，位置有空间（Space）及时间（Time）上的两个维度，通过这两个维度来定义用户的位置，如用户正在家中的客厅、现在的时间是晚上9点钟；时机有行动（Action）与心情（Mood）两个维度，如用户正在浏览新闻、当前心情愉悦。但在互联网及物联网时代，设备越来越成为一个重要的维度，随着传感器的部署，设备可以从宏观的维度帮我们定义用户目前所处的环境，比如用户正在驾驶的联网的汽车、用户正在使用的智能电视、智能冰箱，智能手机当然也告诉我们用户此时所处的环境（相对于PC的使用，使用智能手机的用户更容易转移注意力，环境相对来说更“嘈杂”）。

广告场景的五个方面结合起来分析将会向我们展示一个用户当时的目的（或者叫意图），用户的目的代表用户当时的需求，对用户目的的实时分析将会是广告个性化投放的基础。因此，广告场景是网络广告投放的内核。

下面我们从广告投放场景的定义出发，来看广告投放场景的五个方面：

1）设备：设备指的是在接触用户的时刻使用的物理媒介，即我们通常所使用的电脑、手机、平板、智能电视、可穿戴设备，以及物联网时代的智能冰箱、智能空调、智能汽车等。

2）空间：空间指的是用户所处的物理空间，一般指的是用户所处的位置。这种位置的表述可以按照我们常见的行政区划进行，如用户所在的国家、省份、城市（地区）、县、乡镇；也可以使用用户的经纬度信息来表述，经纬度是利用三度空间的球面来定义地球上的空间的球面坐标系统，通过经度与纬度的组合，来标示地球上的任何一个位置；我们还可以通过用户的 Wi-Fi 信息及移动设备（手机）的基站信息来确定用户的位置，此时我们可以准确定位用户所在的市区、街道；另外我们可以通过一些方法能了解到用户是否在办公室及家中，比如通过用户手机、电脑等联网时的 IP地址及 Wi-Fi 信息来确定。空间与时间的结合会产生很多特定的信息：比如 5月 14日下午 2点通州区正在下雨，而 5月 14日下午 2点门头沟却正在下雪，对两个不同地区的用户而言，其做同一件事情的目的很可能是不同的。

3）时间：时间可以从两个维度来进行描述，第一个维度是 24小时刻度上的时间，这些时间单位有小时、分、秒等；第二个维度是时段，时段包括年、季、月、周、天、上午、中午和下午等。在不同的时间上用户会有不同的行为：如用户在不同的季节有不同的需求，以护肤品而言，春季需要防止皮肤过敏、夏季需要防晒等；如用户在不同的时间点有不同的行为，如早上 8点及下午 6点用户在上下班的路上、 10点到 17点在上班、 20点在看电视、 23点在准备休息等。时间对应的行为对广告投放是非常有用的数据，分众传媒对此进行了很多的研究及利用研究结果进行了很多成功的广告投放。如图展示了分众传媒对中高端人群的行为模式分析

4）行动：行动指的是正在进行的行为或者状态的变化，正在进行的行为指的是人（用户）正在做的事情，如用户正在浏览网页、做饭、上厕所、开车、看电视、听音乐、学习、运动等；状态的变化是物联网时代的特有行为，指的是非人的设备（如传感器等）监控状态的改变，如智能冰箱内部发现绿色蔬菜缺少、汽车邮箱传感器发现汽油低于预警线等。

5）心情：心情指的是人（用户）的情绪及心理活动。心情对广告效果的影响非常大，在用户心情愉悦的时候，更容易接受、认可广告信息所传达的内容，也更容易对品牌形成良好的印象，企业可以用较少的费用获得较大的效果，在用户心情低落、甚至愤怒的时候，相同的广告有可能会激怒用户，造成企业品牌不可挽回的损失。用户的心情可以用《礼记•礼运》中对七情的描述来定义：“何谓人情？喜怒哀惧爱恶欲，七者，弗学而能。”。在广告投放中善加利用“喜怒哀惧爱恶欲”这七种情绪，将会使我们的广告投放达到事半功倍的效果。

前面我们提到：广告场景的五个方面结合起来分析将会向我们展示一个用户当时的目的。举例来说：某用户正在位于通州区的家里利用电脑上网浏览旅游资讯网站，时间是 2015 年9 月 1日的晚上 9点钟，经过对用户浏览行为的判断，我们认为该用户目前心情为七种心情中的“喜”，根据对四方面信息的综合分析，再结合之前对用户的了解（比如通过其他渠道数据可以判断出该用户已婚，有一个 10岁的小孩等），我们可以判断用户在为一家三口在即将到来的十一国庆长假出游选择目的地。在以上的例子中，我们通过对广告场景的研究，准确的理解了用户的目的（意图），下一步我们就需要根据用户的目的（意图）针对性的组织广告语言，利用合适的图像、文字、声音或视频的方式向用户提供基于产品的解决方案。

下一篇我们再研究个性化广告投放的问题。

您可能也喜欢：
广告系统研究——有米广告平台	广告系统研究——微云广告平台wiyun	广告系统研究——力美广告平台IMmob	广告系统研究——安沃广告平台adwo	广告系统研究——Google AdMob
无觅

【第2编辑室】你为什么不用广告屏蔽软件？

Tue, 11 Aug 2015 21:19:14 CST

1. 去年以来，全世界使用广告屏蔽软件的人数增加了41%；

2. 2015年第2季度，16%的美国网民使用广告屏蔽软件；

3. 过去一年，美国使用广告屏蔽软件的比率上升了48%，每月活跃人数达到了4500万；

4. 过去一年，欧洲使用广告屏蔽软件的比率上升了35%，每月活跃人数达到了7700万；

5. 2015年，在线出版商因屏蔽广告将损失218亿美元；

6. Chrome依然是广告屏蔽领域的绝对老大，它和Firefox一起占了广告屏蔽份额的88%。

这是一家叫PageFair的创业公司和Adobe合作发布的报告中的数据，不过，也有人提醒，PageFair正是一家服务于在线出版商的公司，为广告被屏蔽而受损失的他们提供解决方案；而和PageFair合作的Adobe部门正是提供在线视频广告解决方案的 Adobe Primetime。所以对这样的数据要小心。

不过，报告中还有一个非常显眼的数据，和欧美国家有很大不同， 中国只有1%的网民使用广告屏蔽软件。

为什么欧美国家有那么多人使用广告屏蔽软件？ PageFair的官方博客下的评论很能说明问题：

广告不仅讨厌，而且十分危险，很多不道德的广告无节制地使用间谍软件，或者滥用多媒体让我的浏览器崩溃。

第二，我自己根本就不会去点那些广告。

另外，那些没有信誉的人会不经过我的同意出售我的个人信息，这种模式必须死。

其实，中国网民使用广告屏蔽软件的原因也大致如此。

那为什么还有那么中国网民不使用广告屏蔽软件呢？我在NoPingWest的微博上做了个小调查，不知道下面这些答案是不是你也不用广告屏蔽软件的原因。

@消逝的洛丹伦：…真有不用的嘛…不用屏蔽感觉不会上网了。

你这是教条主义错误啊。

@DaDa_Molly：因为懒，懒得看广告，更懒得下一个软件……

道出了一大大大大部分人的心声。

@shengaofeng：adblock plus还不支持edge浏览器。

升级Windows 10，兵贵神速啊，不过现在你后悔了吗，gaofeng？

@铁香蕉：最近用电信的都被广告屏蔽到软件了。

他们劫持起来的确是比什么公司的广告都可怕。

@画中有话：为了公司的财报。

话中有话。

@XerWandeRer：到现在为止我都没给浏览器任何去广告的插件，一方面大家都要讨饭吃嘛；再一方面，那种广告放得太无耻的站为什么要看要用呢？就像各种论坛里什么回复可见、登录可见，大多都没卵价值。

总算看到一个正常点的理由。

@Tirnanoir：因为我的双眼自带滤波功能。

不信。

@Alice_SPN：我喜欢看广告啊！

这个别致的答案我喜欢。

@Forever-Orange：用了总有一种似有非有的卡顿感。

描述得实在太准确了，有时候我也有这种感觉。

@SongYaoran：上网就是要看广告啊不然还要干嘛（泛舟脸）。

我们这儿最近刮台风，你来不来？

芒果移动大数据显示信息流原生广告半年增长超百倍

Fri, 16 Oct 2015 13:54:45 CST

近日，芒果移动大数据对外发布了一组信息流原生广告近半年的广告请求数据图表。从数据图表可以一目了然看到，2015年8月的信息流广告请求同比2015年3月增长超过100多倍。此次芒果移动大数据发布的这组数据，来自芒果专业的移动广告管理系统信息流原生广告的广告请求指数。目前，信息流原生广告正处于迅猛发展阶段，之所以能如此飞速发展，正是因为其新颖、内容为王的原创广告形式突破了移动广告的营销瓶颈。

由于手机屏幕的限制，广大的广告主们一直在担心常规的移动广告通栏，位置固定且尺寸过小，能否成功吸引受众的目光。信息流原生广告的出现充分展现出内容高价值性的推广和传播，用来激发受众的主动性，促使客户乐于阅读，主动分享并参与其中。原生广告的出现打消了广告主们在移动营销领域的诸多顾虑，纷纷尝试并加大原生广告的广告投放力度，这对广大移动开发者来说可谓是一个利好消息，原生广告将逐渐成为解决移动开发者最为关注流量变现问题的主流形式。

原生广告由投资人Fred Wilson提出，简单来说，就是融合了网站、App本身的广告，这种广告会成为网站、App内容的一部分，无论是内容还是位置上，都以不打扰受众感受为前提，为受众带来赏心悦目的体验。目前，国内的移动原生广告以信息流形式为主，已经有多家公司结合自身产品特点，开发符合自身特性的原生广告，这一引自美国的概念，经过各家演绎，融入各自的基因，在各自的移动营销平台上遍地开花。

下面以国内BAT三大巨头为例，看看他们是如何进行信息流原生广告推广的。

阿里妈妈——原生广告不止做社交，大数据驱动更给力

阿里妈妈在互联网营销领域拥有自己独特的营销经，更是创造出淘内销售额400亿的佳绩。两个月前，阿里妈妈发布了中国领先的全域大数据营销平台——达摩剑，预示着阿里妈妈从淘内走向淘外，将拓展全域营销的重要战略举措，它跨越门户、垂直、视频、社交、PC、移动和OTT，日均超200亿流量，是现今市场无可比拟的巨人，几乎覆盖了除腾讯旗下社交APP以外的所有原生广告形式。阿里妈妈与今日头条、美柚、陌陌等大型App合作，运用其全域大数据进行分析、整理，向受众推出信息流原生广告。阿里妈妈在原生广告上的投入也体现了一点，原生广告形式并非只能在社交类型的APP上开拓，新闻、资讯、音乐、阅读、工具、购物类APP其实都能发展原生广告形式。同时，基于背后的阿里大数据驱动，原生广告的内容将贴近受众，更有可能是消费者感兴趣的内容，点击/转化都将把价值发挥到最大。

腾讯广点通——应用、游戏下载应有尽有

腾讯广点通的信息流原生广告专注于应用、游戏下载为主的推送，这与其社交数据为根基的基因密不可分。广点通是基于腾讯社交网络体系的效果广告平台，用户在QQ空间、QQ客户端、手机QQ空间、手机QQ、微信等平台投放广告，进行产品推广。除此之外，百思不得解、求实百科也可以看到百度广点通相关下载类原生广告的身影。

百度搜索竞价原生模式探索

搜索竞价其实也是一种原生广告，它本身也是一条对用户有价值的搜索结果。截止目前，百度一直未停止探索搜索最佳的信息流原生广告模式，尚处于初级阶段，还需再接再厉。

信息流原生广告从内容的植入形式和内容的原创上可谓是因材施教，需要与受众产生强关联性，要做很多的“定制”工作，而且每个App在广告格式上千差万别，难统一标准，这已成为各广告平台推广信息流原生广告所面临的一个现实问题。

芒果移动广告产品与技术VP李韬表示，原生广告从概念引出到现今的蓬勃发展，与国内移动端营销需求的不断提高息息相关。与此同时，移动营销平台也面临着技术开发和内容原创等方面的巨大考验，如何在信息流原生广告程序化的道路上披荆斩棘，需要业内人士共同探讨出一个最佳解决方案。以信息流原生广告为例，首要课题是打通整个移动广告产业链，将用户阅读内容以及使用场景数据无缝对接。其次是制定原生广告标准，进而降低广告技术难度，也为广告主降低成本。

内容原生之根本——数据

谈到内容原生，必然离不开受众的需求、受众使用场景等特定条件，做到真正意义上不影响和打扰受众的阅读习惯和流畅性，使广告潜移默化的呈现出来。这就需要广告平台上下游的无缝贯通，从媒体端平台（SSP）到交易平台再到DSP以及广告主端的数据打通，建立数据依据，研究受众喜好，投出符合受众使用场景的信息流原生广告。

原生急需定标准

信息流原生广告的挑战不仅仅存在于逻辑需求高，技术成本也是一大考验。现今，各移动媒体平台对于广告的展现形式不一，图片尺寸、文字长度都存在着或多或少的差异，这无形中提高了移动广告的技术成本，更是增加了广告主的移动广告投放成本。信息流原生广告作为程序化广告投放形式之一，规则的制定和统一标准则变得尤为重要。

亦有业内人士表示，广大受众在移动应用中长期的摸爬滚打中已练就火眼金睛识广告的本领，对信息流原生广告原创内容的要求是否会越来越高？或是未来，移动营销又将出现哪些新举措？诸如以上问题，芒果移动大数据将持续关注移动营销的发展态势，洞察移动营销最创新、高效的移动推广方式，为开发者实时传递行业发展趋势和信息，助力开发者决胜移动营销之巅。

芒果移动大数据来源于芒果移动广告运营4年的数据积累，也记录着中国移动营销起源和蓬勃发展的轨迹，堪称国内移动营销数据原始积累的资源池。芒果移动广告自2011年创立以来，开创了移动营销的先河，建立专业的广告管理系统，为广大App提供领先的流量管理、优化和变现服务。时至今日，芒果移动广告累计服务了近3万个开发者的9万个App，每天管理超13亿的广告请求，为开发者们提供中国领先的移动广告管理与优化平台服务。

如果说社交广告是未来，这可能是解释得最清楚的一篇文章

Sun, 22 Nov 2015 19:41:09 CST

版权声明：

作者：师北宸

作者微信公号：数字弥母（digital_meme）；

文章欢迎转载，转载请保留以上版权声明。

在移动互联网世界里拿到第一张船票的腾讯，似乎也想拿下移动广告的第一张船票。在商业化上，腾讯今年动作颇多：

今年年初，腾讯广点通发布了DMP平台（Data Management Platform，数据管理平台），广点通DMP要做的事情是将信息与用户相连，DMP能承担类似大脑的作用，存储知识，并对各类知识进行分析与解读（更多内容可参考此前专栏：为何DMP是广告中的最强大脑？），当时广点通对自己的定位还是「效果广告平台」；

年中，腾讯成立了腾讯营销学院（Tencent Marketing Institute）。腾讯营销学院邀请了《营销管理》的作者、被称为「现代营销之父」的菲利普•科特勒（PhilipKotler）担任荣誉院长，此举可见腾讯在营销领域上的长远野心；此时的腾讯移动广告开始强调品牌价值；

年底，腾讯在2015全球合作伙伴大会的「互联网+营销」论坛上，提出了「社交是营销与人最好的连接」的概念。这时，腾讯终于举起社交广告大旗。作为拥有6.68亿月活（月度活跃）用户的QQ空间以及5.49亿月活的微信（包括英文版在内），以及过去十多年在社交数据上的积累，腾讯在社交上积累的优势开始被腾讯重点推出。

社交广告无疑是未来数字广告的重要趋势。回到互联网早期的1990年代，互联网广告模式的模式是以雅虎为代表的门户广告，每个人看到的广告是一样的，没有任何区别，用户与广告的关系非常被动；到2000年-2010年，互联网广告模式开始走向以Google为代表的搜索广告，搜素引擎根据用户主动搜索行为反馈特定的广告，这时的广告开始 主动满足用户的需求；而在2010年之后，移动与社交开始崛起，社交广告将开始走向打动用户的阶段。

作为社交广告早期的探索者之一，新浪微博积累了不少案例。中国传媒大学广告学院和国家广告研究院曾在今年年初发布过一份《媒介·消费 2014中国大学生调研报告》，这份报告的调研对象重点面向90后，90后是社交平台上最为活跃和典型的用户群体，也是最代表未来趋势的一群人。在这份报告中，关于微博营销有这个几个有趣的发现，此处引自常宁博士的阐述：

调查发现， 受访的90后大学生看到的微博营销信息多来自于「朋友转发」，占比达53.3%；……受访的90后大学生会主动关注微博营销信息的人数比例达到了49.2%……受访者参与过微博营销活动的比例较高，达到了54.6%。

通过数据之间的关系对比发现，主动关注微博营销与参与微博营销活动之间有较强的相关关系，也就是说， 主动关注微博营销信息的人更倾向于参与微博营销活动。在经常主动关注微博营销信息的人中，有76.1%的人参与过微博营销活动；而偶尔主动关注微博营销信息的人中，参与过相关微博营销活动的比例也达到60.2%。

受众在「圈子」内二次传播微博营销信息的行为积极；向「圈子」外二次传播并不积极。

这里所谓的二次传播是指，当受访者看到或收到微博营销信息后，再次把这些信息传播出去的行为，主要是指分享/转发。

如前所述， 受访者在微博上看到的微博营销信息超过1/2是来自于「朋友」，并且接近60%的受访者会把微博营销信息「专门分享给朋友」，但是，他们在自己的微博上「分享转发」微博营销信息的行为并不积极。此次调查数据显示，当在微博上看到微博营销活动信息时，「点开查看微博营销信息，但不分享转发」的比例最高，达到63%；「查看并分享转发」的比例只有13.3%；「忽略不看」的比例有23.7%。

这些数据在某种程度上表明， 90后大学生接触到的微博营销信息多来自于「圈子」内，并且他们更多地在「圈子」内再次分享传播这些信息，但他们并不积极向「圈子「外主动传播信息。

关于活动形式，调查发现：

从引起关注和参与原因的数据对比可以看出，虽然「奖品丰富、奖励吸引人」最能吸引受访90后大学生关注微博营销信息，但是，最能让他们参与其中的仍然是他们「自己感兴趣「以及新颖的活动形式等。这说明，他们比较强调自我意识和感受，他们觉得有意义、有价值和有兴趣的活动才会去参与。

小结一下，针对90后而言，微博上的社交营销有如下特点： 1. 从营销信息的接受与传播来看，超过一半的人接受渠道为「朋友」，在二次传播时分享出去的对象也依然是「朋友」； 2. 从营销信息角度分析，最打动受众的营销信息得让他们觉得「感兴趣」、「有意义」、「有价值」，当他们感受到这类信息时，他们会主动参与到传播链条中去，成为二次传播中的一个节点。

最近两年很不幸地是，微博活跃度开始下滑，并且自从阿里战略投资新浪微博之后，微博在面向受众推出的广告在质量、频次和精准度上都欠斟酌，导致用户反感，网上也出现不少的抱怨。

也许是吸取了微博广告体验欠佳的教训，微信在广告上考虑得更加周全并在实际执行中更加谨慎。这样的策略是对的，社交广告的前景足够广阔，根据Strategy Analytics的预测，社交广告市场在今年将达到198亿美元，到2016年底则将增长至242亿美元。这份报告并没有提及中国社交广告市场规模，但未来显然不会少。拥有中国最大社交网络的腾讯，显然需要有足够的耐心去耕耘。

在社交广告领域，Facebook是其中最为激进也是成果最好的探索者。《商业价值》曾在一篇报道中阐述了Facebook是如何设计他们的广告：

若要论流量对广告造血的能力，Google的影响力无人能敌。若论精准，无论如何预测也很难与用户自己主动搜索的转化率更高。Facebook内部员工透露，扎克伯格在内部反复强调的一件事情是广告影响力。Facebook是一家很注重用户体验的公司，他更关注广告与真正朋友消息的相似性，以让广告形成潜移默化的影响，可能用户并不会对某一次广告发现有感知，但真正要用的时候，能想起来这个品牌。

也就是说，Facebook现在更加注重长期的品牌影响力，这也是如今广点通和微信正在尝试的方向，强调的并非只是转化率而是品牌效果。这也是为什么Facebook在推出信息流广告时用户一片叫好，而在新浪微博的效仿中却被广泛嘲笑。不同的目标背后，是两种完全不同的战略思维和技术。

诸如微博之类的效果广告平台，可以通过社交账号精准定位到人，并追踪人的信息把你需要的广告推送给你；而Facebook在做的事情是，通过分析各类社交数据源，推荐与你感兴趣的内容相似的东西，生成可能影响到你的消息流，让广告变得更像信息。如果类比媒体模式，就是一个在做影响力，另一个却在博取点击率。

可以看到， 社交广告的要点在「社交账号」。 精准的用户画像，除了来自用户个人资料与用户行为，还来自用户与用户之间的交互与匹配——谁给谁点了多少赞，留过多少评论，共同关注了多少订阅号，在大众点评收藏了哪些餐馆—— 只有拥有这些社交数据，才能更为精准地定义一个用户「是谁」、「喜欢什么」、「常在哪里出没」……当定义了用户的这些属性，广告想不精准、不打动人都难了。而正如前面《媒介·消费 2014中国大学生调研报告》所提到的，受众更容易从朋友那里接受营销信息、也更乐于将营销信息转发分享给自己的朋友。只要根据用户画像研究透了受众是谁以及受众将被什么样的信息打动，那么想让营销信息传播起来，也将不是那么难的事情了。

最早在理论上对广告做出批评的是法兰克福学派学者西奥多·阿多诺曾批评道，「到处都是同样的广告，到处都是机械地宣传同样的文化工业产品，培养着一批又一批的单向度消费者。」而在社交时代，即使大家刷着同一个朋友圈，有人看到了宝马，而有人看到的却是可口可乐。

移动广告市场大爆发广告费用年增长600%

Mon, 16 Mar 2015 15:56:14 CST

2014年移动广告花费大幅增长，广告主在中国投放移动互联网的广告花费达64亿，占全球移动广告总花费的16%，增幅高达600个百分点。不过，移动广告大幅增长背后是消费者对移动广告的态度呈现矛盾化，九成消费者讨厌移动广告。

来源：一财网

随着智能手机的普及，移动端广告也呈现大幅增长趋势，然而消费者对移动端广告的态度却是“既爱又恨”，移动广告市场该如何发展困扰不少广告公司以及广告主。

3月13日，营销传播及媒体投资解决方案机构浩腾媒体发布移动调研广告报告 DIVE MOBILE显示，2014年移动广告花费大幅增长，广告主在中国投放移动互联网的广告花费达64亿，占全球移动广告总花费的16%，增幅高达600个百分点。不过，移动广告大幅增长背后是消费者对移动广告的态度呈现矛盾化，九成消费者讨厌移动广告。那么，移动端广告该如何投放才能更好的为消费者所接纳?

九成消费者讨厌移动广告

近年来，移动媒体正在高速增长。中国互联网络信息中心(CNNIC)的数据显示，2014年中国网民规模达6.49亿，而手机网民已达5.57亿，较2013年底增加约5700万人。相比其他媒体，我们每天花在手机和平板电脑上的时间越来越多，74%的中国网民拥有一部智能手机每天手机上网时长达2小时。

而相应地，中国的移动营销市场规模也在近几年爆发性增长。报告指出，移动广告市场潜力巨大，不仅是因为移动设备的使用时间在增长，而且它能有效带动销售转化。39%的消费者表示智能手机是最能够影响他们购买意愿的数字设备，高于台式电脑(30%)和平板电脑(23%)。

这种情况下，各大企业也增加了对移动端广告的投放力度，但仍无法与消费者在移动设备上所花时间和流量的增长相匹配。对此，浩腾媒体中国首席执行官汪慧玲向《第一财经日报》表示：“这一差距是因为大家缺乏对移动广告影响力的认识，我们有必要从行业的立场出发，去了解消费者是如何看待移动广告。

事实上，消费者对移动广告的态度呈现矛盾化是移动广告目前面临的难题。浩腾媒体通过对大量18~40岁每天都会接触手机、平板电脑等移动设备的消费者调研发现，虽然94%的受访者认为对移动广告是有需求的，但高达89%的受访者认为移动端品牌传播令人讨厌。如何精准投放以及避免让消费者厌倦移动广告是移动广告市场从业者亟需考虑的问题。

移动广告如何发展？

汪慧玲指出，消费者对移动广告的反感多由于对移动广告存在误解，诸如品牌广告和我无关、品牌广告浪费手机流量、会导致在应用中的错误操作、应用上的广告耗手机电量、品牌的移动推广活动会泄露我的个人信息、品牌的移动广告不可信等误解。

事实上，实用性、娱乐性、独特性、精准性是消费者对移动广告寄予的希望，其中，获取实用信息是消费者阅读移动广告的首要动机。移动广告的投放应该跟着用户的需求走。

对于移动广告该如何投放才能更好带动移动广告市场的发展，汪慧玲指出，首先，移动应用的发展积累起众多忠实粉丝，但移动端的广告花费并没有相应增长。随着人们使用移动设备时长的上升，广告花费需要更多地向移动端倾斜。

其次，通过精准投放，赢得用户芳心。消费者虽对移动广告心生反感，但这并不会影响他们观看广告。如果投放较精准，他们甚至还会参与互动。因此，广告主在投放移动广告时，选择与目标用户相关的移动资源进行定向投放，确保品牌信息的有力传递。

第三，贴近用户的广告内容才是王道。广告主需加强品牌推广信息的实用及用户相关性，提高活动参与度，带动购买意愿的提升。同时，充分利用形式丰富的广告或视频吸引用户参与活动。

最后，选择有利市场。由于智能手机在一二线城市的渗透率较高，制定策略时需重点考虑城市的选择。

谷歌开始自动将Flash广告转为HTML5

Thu, 26 Feb 2015 16:46:28 CST

谷歌今天开始将Adobe Flash广告自动转换成HTML5格式，方便谷歌的广告主将广告送达更多用户——即使其使用的设备或浏览器不支持Flash。

来源：新浪科技

谷歌从去年9月开始提供HTML5版的互动备份，同时放弃了对Flash的支持。谷歌显示广告网络和DoubleClick Campaign Manager提供的转换工具可以创建HTML5版的Flash广告，其效果与原先的广告相同，而不仅仅是一个静态的图像备份。

而现在，谷歌可以自动将合格的Flash广告系列转换成HTML5，包括现有广告和新广告。所有广告主都只要通过AdWords、AdWords Editor或其他与谷歌广告平台兼容的第三方工具上传其广告即可。

但谷歌所谓的“合格”值得进行一番详细解释：“并非所有Flash广告都可以转换成HTML5.要了解你的Flash广告能否转换，请先将其上传到Swiffy工具。如果这个工具能够转换你的广告，你上传到AdWords的广告就可以自动转换。”

换句话说，谷歌正在逐渐将所有的Flash广告都转换成HTML5格式。最终，绝大多数广告从一开始可能就会直接使用HTML5。

事实上，谷歌早就开始推动Flash向HTML5的转换趋势。例如，该公司旗下的YouTube曾在2010年1月发布测试版HTML5播放器，上月最终将默认格式由Flash调整为HTML5。

关于移动互联网广告的8个事实

Mon, 23 Mar 2015 09:53:16 CST

这两年，移动广告带来一个新的现实世界

至少从广告收入来看，Facebook 已经是一个移动互联网公司。

整个 2014 年，通过移动广告，Facebook 入账 74.3 亿美元，占据了总营收的六成。考虑到它在互联网的地位，说我们真正进入了移动互联网时代并不为过。

自 2014 年 7 月以来，这个平台上活跃的广告主新增了 50 万个，总计达到 200 万个。

不管是对于移动广告还是 Facebook，这个转变都足够迅速。

两年前的 Facebook，境遇窘迫，特别是在它上市前夕，美国第三大广告主通用汽车公司宣布停止在 Facebook 上做付费广告，甚至称 Facebook 网站广告点击率远远低于 Google，连一般的互联网标准也达不到。紧接着，上市后的股价就一路下跌，始终低于发行价，这家公司在被频频泼冷水的同时，也一直被外界诟病“广告模式单一，移动领域羸弱”。而两年后，Facebook 依靠移动广告向投资者证明了自己的价值。

对于 Twitter 来说，移动广告更是关乎存亡，因为它已经成为 Twitter 最重要的广告营收方式（虽然它还没有盈利过），没有之一。据 Twitter 的 2014 前三季度财报显示，其移动广告营收依次占总广告营收的 75%、81% 和 85%。

由于 Facebook 和 Twitter 移动广告市场份额的上升，广告巨头 Google 的移动广告份额则被进一步压缩，占有率从 2013 年的 46.6% 下滑到 2014 年的 40.5%。市场研究公司 eMarketer 还测算，2015 年它的市场份额会下跌到 35.17%。与此同时，雅虎 CEO 玛丽莎·梅耶尔(Marissa Mayer)也将移动广告融合到她的复兴战略中，并已经对移动业务大规模投资，比如在 2014 年夏天收购了移动广告网络 Flurry。

中国市场的发展速度同样惊人。eMarketer 在其报告中称，中国移动广告市场 2014 年增长 6 倍至 64 亿美元，占全球移动广告总花费的 16%。

复制了 Twitter 和 Facebook 信息流广告模式的微信朋友圈广告，也让我们更直观的感受到了移动广告的威力，同时给了这个拥有 4.38 亿月活跃用户的社交平台一个更明确的盈利方式。到现在为止，我们基本可以对移动广告有一些确定的判断，以下是我们的一些总结和分析。希望能够让你看到一个整体的移动广告世界。

信息流广告取代 Banner，成为最主流的广告展示方式

作为网络广告的最初形式，banner 广告，也就是横幅广告（或者旗帜广告），可能是你最熟悉的一种网络广告形式。在 PC 时代，它总是出现你打开的网页的顶部、中部或者底部，是一张横向贯穿网页的图片，不过它也不局限于静态图片，可用多帧图像拼接为动画图像。

虽然 banner 现在看上去显得老套且落伍，不过，我们也不能够忽视它影响力的余威。在移动广告刚刚发芽时，banner 是营销界对移动广告最初的想象，并且直接移植在手机上。正因为如此，手机屏幕小被认为是一种缺陷，营销者对移动广告的质疑也更多的集中在这点。但信息流广告（News feed ad）让人们看到了另外一种可能性。这得益于社交网络和瀑布流式内容展示方式的流行。

估计 Twitter 也没有预料到，当它在 2011 年最早尝试( Promoted Tweets To Followers )广告计划时，这种信息流广告模式会风靡。但 Twitter 并没有抢到太多先机，反而是 Facebook 将这种广告模式发扬光大。从 2012 年第二季度推出信息流广告以来，Facebook 的移动广告营收增长迅猛，从 2012 第三季度的 14% 占比，到如今的 69%。

“在 Facebook 的月活跃用户中，移动端占了 85%，而且其中的 35% 将手机作为唯一的访问途径。移动端用户的持续增长，自然会让 Facebook 的移动广告收入也随之增长。同时，Facebook 对 Instagram 和 Whatsapp 这类应用的收购，也为其在移动端带来更多支持。”管理咨询公司胜三（R3）创始人兼全球 CEO Greg Paull 告诉《好奇心日报》，“现在，用户通过移动设备访问社交媒体的时间占总时间的 50%，而这一比例还在上升”。

新浪微博以及微信朋友圈之后都效仿了这种把广告嵌入用户信息流当中的广告模式。同时在 2014 年，你可能听说过更多这样的新闻。比如，Instagram 与传播集团 Omnicom Group 签下了 4000 万美元的广告协议，后者旗下的多家传媒及广告机构的品牌客户可以将广告投放在 Instagram 的照片流中。Pinterest 开始试验出售广告，联合利华、Gap、四季酒店、卡夫食品等均在他们的客户名单上。在被雅虎收编之后，轻博客 Tumblr 也于 2013 年以普通博文的形式插入信息流广告，GE、华纳兄弟、ABC 都是 Tumblr 首批广告的买主。

除了这些社交网站之外，你还能在其他新闻或者导购的应用中感受到信息流广告的存在。比如国外的 Buzzfeed ，国内的今日头条，当然还有淘宝、美丽说这样的电商平台及导购网站。在你手机随意滑动的几秒间，也许就有条信息流广告从你的指尖下穿过。

瀑布流式的内容平台相对而言更安全

不管是国外的 Facebook、Twitter、Instagram 、whatsapp，还是国内的微博、微信朋友圈、知乎等社交平台，包括近几年大热的 Buzzfeed、Business Insider 等新媒体 App，如果你注意的话，会发现，其呈现方式都是瀑布流（好奇心日报同样也是这种设计）。

“信息流是用户期待看到他们感兴趣的内容的地方，不管这个内容是来自朋友还是来自其他人。可以说，这里的观众更容易被‘俘获’，更愿意接受来自品牌的信息”，Greg Paull 表示，只要信息流广告始终保持着推送给用户他们愿意阅读或者跟他们相关的内容，就会一直受到欢迎。但在很大程度上取决于如何在各种各样的平台来呈现以及广告主如何使用它。

所以，品牌商也青睐这种广告形式，因为它可以让广告显得更自然。当然，内容平台需要把握好推送的广告量，如果在一屏之内的信息流当中看到 50% 以上都是广告，那会彻底毁掉用户体验。

在信息流广告成为一种主要的广告方式时，拥有瀑布流意味着更容易实现商业化，但这个过程并不轻松，它依然和你拥有的用户基数以及活跃用户相关。

比起搜索，社交更有吸引力

人们在 PC 上的搜索习惯正在被改变。当你想要知道天气时，你会打开关于天气的 App 查询；当你需要决定晚上吃什么的时候，也许你会看看大众点评；当你想看电影时，直接打开卖电影票或者团购的应用就好；而当你什么应用都没有时，你在第一时间想到的可能是去 App store 里下载一个相关应用。我们离手机搜索越来越远了，你花了更多的时间在 social 平台上。

Facebook 仍然是全球范围内最受欢迎的应用，它在移动端月活跃用户有 11.9 亿。Snapchat、Instagram、Pinterest、Line、Vine 等社交应用在 2014 年的活跃用户都有长足的增长，在 30% 到 57% 之间。用户在社交网络上花费的时间是日均 1.72 小时。而在中国，据尼尔森网联发布移动社交报告显示，92% 的被访者每天都会上移动社交 App，每个用户每天在社交媒体上所花费的平均时间则为 1.5 小时，拥有 4.38 亿月活跃用户的微信占领其中的大头。

用户在哪里，钱就会流向哪里。

所以你会看到，Google 的移动广告市场份额一直在被瓜分，而有“点击之王”之称的 Google 的广告价格也在下降。Facebook 就不同了，“以前我们问 ‘你想在 Facebook 上投放广告吗’ 的时候，总让人觉得很复杂，” 首席运营官 Sheryl Sandberg 说， “现在你只要发个内容，然后问他们想不想让更多的人看到这个内容就好了。”

微信朋友圈第一波广告刷屏之后，已经有一大波广告主已经在排队了。

大数据，它好像更管用了一点

大数据可以带来广告的精准投放，这是互联网公司在兜售广告时最大的卖点。还在 PC 时代，我们就见识过它的威力，比如亚马逊给你推荐的书，可能就是你想读的那一本；你用 Google 或者百度搜索了一款耳机，你就会在很多地方看到耳机的广告。但这些都是基于用户主动寻找才有的数据，而搜索总是带有一定的偶然性，这些企业并不真正清楚坐在电脑另一端的人究竟是什么样的。

而到了社交网络上，用户的模样似乎就清晰了一些。Pinterest CEO Ben Silbermann 曾经这样解释道：Facebook“关乎你的联系人、你的往事和你的记忆”，用户在上面自愿提供各种各样的个人信息，如生日、母校名称、情感状态等等，该社交网络能够利用这些信息推送高度精准的广告。Twitter 掌握的用户信息则没有那么详细，它的价值主要存在于“正在发生的”事件上，能够让广告主利用热门事件的实时讨论进行品牌推广，如世界杯、总统大选、热播的电视剧等等。

而“Pinterest 关乎你渴望做的事情，关乎你接下来想要做的事情。”用户在钉板钉上婚纱的照片或者家装图片的时候，可能就是在说他需要这些东西。基于此，社交网络的用户数据也显得更有价值和针对性。
虽然朋友圈第一波广告流传出的大数据分析被吐槽，但《好奇心日报》在此前对一些广告人的采访时，他们都表示大数据依然是微信营销的最大优势，基于它庞大的用户数据，定位可以做到更精准。不过这并不是唯一的优势，许多社交平台都可以做到这种精准度。

移动广告对品牌形象吸引力有限，现在更多的是关于促销

虽然移动广告的市场正在蓬勃发展，eMarketer 也指出 2014 年移动广告收入将达到 314.5 亿美元，但出乎意料的是，移动广告目前并没有被大多数的财富 500 强公司采用。据美国科技市场研究公司 Forrester 的调查显示，移动广告仅占这些著名品牌广告总预算的 5%，而那些已经尝试过移动广告的品牌，其中大多数都没有加大移动广告预算的计划。

那这些钱究竟从谁哪里来？

有一大部分都来自手机应用的开发商们，也由此诞生了应用装机广告这一特别的类型。移动互联网的繁荣刺激了一大批应用的产生，也涌现出一批一夜暴富的应用开发商，特别是在手机游戏领域。为了能迅速地获得人气，最快的方式就是大笔投入广告。第三方广告投放机构 Nanigans 曾有数据称，Facebook 的移动广告收入中，有 74% 来自移动 App 的安装广告。

除此之外，自 2014 年 4 月起，Twitter 也开始推出移动应用安装广告。如果这类广告只是为了引导了用户来下载手机应用，我们也姑且可以理解成这是一种直接促进销售的广告，毕竟对于五花八门的 App 来说，鲜有什么品牌效应。

只是需要保持警惕的是，应用安装广告市场能繁荣多久，还是个未知数，毕竟他们中的绝大部分都在依靠风险投资。

大品牌在移动端同样更多的是为了促销。2012 年时，沃尔玛曾在 Facebook 上买下了 5000 万条移动广告，并设定自黑色星期五起连续 72 小时发送给 Facebook 用户，内容全是沃尔玛特价商品资讯。在此期间，Facebook 也定时回报广告点击人数、分享次数与按赞人数等数据，以便沃尔玛进行广告调整。当沃尔玛发现售价 88 美元的球鞋销路不佳时，立刻在 Facebook 上强打这项“特惠”商品，结果不久就卖到缺货。

根据 Forrester 公司的研究，57% 的品牌表示，他们在移动广告上的开支，主要目的是提高品牌知名度和知晓率。电视所拥有的那些出手阔绰的广告金主，更多的是品牌形象广告，这同样是 YouTube，Facebook、Twitter 等正在极力推广视频广告的原因。

长视频广告还很传统，短视频广告未来或许更有潜力

基于电视广告的经验，品牌们对视频广告更熟悉，也能帮助他们传达更多品牌或者产品信息。不管是 Facebook、Google 还是 Twitter、雅虎都试图从广告主的电视广告预算中，分得一杯羹。但还是需要注意，视频广告在移动端的门槛依然是很高的。

在使用电脑时，我们脑海中并没有流量的概念，但是到了移动端一切都大不同了，超出套餐费的流量价格都不便宜。手机虽然可以带去任何地方，但是 WiFi 却不会，所以这里的优先级别是文字>图片>视频。考虑到广告的展示效果，文字又过于单调，图片反而成了移动广告上最具性价比的选择。

另一方面，即便移动广告在快速地进化，但视频广告仍然和许多年前在 PC 端一样，出现在视频内容的前贴或者后贴，长度也按照传统 TVC 一样维持在 15 秒或者 30 秒。你在优酷、乐视或者能登陆 YouTube 的地方，都能看到他们 App 视频上的广告。必须承认，这也是移动广告的一部分，尽管它看起很“传统”。

或许你也已经想到了，这种更折中一点的办法：短视频。想一想微信朋友圈的 6 秒小视频，它所消耗的也不过是几张图片的流量而已，但是承载的信息却能丰富很多。Twitter 旗下短视频分享应用 Vine 就可以发送 6 秒的循环视频短消息，并可实时跟踪视频被循环播放的次数，成为评估一段视频是否受欢迎的新标准。而 Facebook 在用户的移动端信息流广告中也推出了类似的自动播放视频技术。顺便说一句，这个技术在最近也被用在 Instagram 上。

根据 Forrester 的的调研报告，短视频社交平台上，更多的品牌“粉丝”会和品牌发布的内容进行互动。比如下图中所示的 Instagram 如此高比例的互动粉丝占比受益于其旗下的短视频平台 Hyperlapse。

此前被看好的 LBS，还没有物尽其用

基于位置服务（LBS），从很早的时候就被视为移动端广告的最大优势之一，但这个优势，到目前为止却发挥得很有限。虽然 O2O 这个词，在去年一整年中没少出现过，但落实到移动广告上，就又少得可怜。另一方面，这中间的度也很难把握，毕竟平台不能在路过一家线下门店时，就向用户手机上推送一则突兀的提醒广告。它需要更巧妙一点的形式。

“在过去，LBS 被认为是具有侵略性的广告方式，它的出现总是不在消费者的意愿中。”Greg Paull 告诉《好奇心日报》，“比如，在消费者路过一家店铺或者餐厅时，他们向其推送一则商业信息，而这条信息可能对路过的人毫无价值。这会将消费者推开更远。”

如果你还记得的话，在 2014 年 9 月，百度地图和麦当劳联合推出的“樱花甜筒跑酷 0 元抢”营销活动就是个不错的案例。

这个活动利用百度地图 LBS 大数据分析和推送技术，方圆三公里内，经过筛选的用户都会收到他附加樱花甜筒的具体方位和导航信息。进入信息覆盖区域的顾客不论是打开百度地图还是使用“附近”“搜索”功能时，都会在屏幕上看到一个樱花甜筒的标示，然后收到“樱花甜筒跑酷 0 元抢”的优惠信息推送。

也许你也曾听过苹果的 iBeacon 技术，就是在一个有限区域内，通过小型无线传感器和低功耗蓝牙技术，向用户的移动设备传输数据。基于这一技术，Facebook 不久前又在他们的信息流广告上推出了新功能 Place Tip。当你在安装了 Beacon 设备的商店附近，刷新着你的 Facebook 时，你可能会看到信息流中会出现附近的商家信息，还有你的朋友在此处分享上传的照片和状态。

“单纯地使用地理位置信息并不管用。需要记住的原则是，在适当的时间呈现对用户有价值的信息。”Greg Paull 说到。

原生广告，有了更多玩家

和信息流广告密切相关的一个词，是原生广告( native advertising )。这个诞生于 2012 的概念，指的是专门为广告客户制作的文章或视频等内容，与传统广告相比更像是内容本身。且在广告买断时间之外，依然可以被搜索到。最早出现在时尚媒体，之后通过 Quartz、BuzzFeed、Vice 等热门网站开始变得流行。

Buzzfeed 的总裁 Jon Steinberg 曾这样形容， “当你用内容的形式并冠以该平台的版本，就是一种原生广告。比如，在 Twitter 里面，它会是一则推文，在 Facebook 里面，它会是一条新的状态，在 Buzzfeed 里面，它会是一条新闻。”

显而易见，相比传统广告，原生广告的形式灵活，易于被接受。而目前几乎所有的信息流广告都是原生广告，它不仅仅出现在由用户生成内容的社交网络平台上，同时也出没于媒体中。《纽约时报》就把原生广告定为 2014 年重要战略之一，并专门成立了一个名为 T Brand 的工作室，专门制作原生广告。而《华尔街日报》和《连线》杂志都纷纷跟进，开始生产原生广告内容。

也正因为如此，Google、百度这样的广告平台的利润也会被进一步分流到媒体平台，原生广告给了其他平台更多赚钱的机会，即便媒体不在页面展示 banner 广告，也能通过原生广告来实现广告营收，Buzzfeed 就是很好的例子。

当然，也不能小视搜索在这一领域的潜力，Greg Paull 指出，“原生广告正变得越来越流行，在这个层面上，像 Facebook 这样的社交网络通过信息流特点，更具有竞争力。但是传统数字广告平台如搜索依然也很适合原生广告，在未来很长一段时间，Google 可以继续霸占这一领域。”在他看来，在未来，谁能够提供更精准的目标受众、效果测量工具和审计能力，那么谁离胜利就更近。

自好奇心日报

您可能也喜欢的文章：
国内移动互联网广告平台的7宗罪	BIA/Kelsey：预计2018年移动互联网位置广告支出38亿美元	数据显示受世界杯影响移动互联网广告投放有所增加	Adfonic:2013-Q1移动互联网广告数据透视	移动广告三强争霸：美互联网巨头纷纷推新产品
无觅

微小的改变，就能产生巨大力量！日本银行业的服务创新，亲切无敌的方言ATM

Thu, 05 Nov 2015 20:54:07 CST

场景就从日本九州宫崎开始，假定你是一位旅居东京的上班族，多年来因为工作繁忙而未曾有机会返乡，终于在阔別多时之后，带心爱的男友返乡过年，你们一路从东京沿本州开车，经过下关抵达九州岛北端福冈，而后顺着干道终于抵达宫崎北端的延冈市，正当想下车购买伴手礼的同时，才发现皮包里面的钱不够。所幸找到路边的一家便利商店进去提领现钞，而当你插入卡片，耳边传来的不是每天寻常的东京音标准日语的欢迎光临，而是一句带著浓浓乡音的宫崎县北方言『ようきたね～』，这时候你的心情感到如何？

也许这不是你另外一伴熟悉的语言，但这句儿时熟悉的在地方言，将把你的记忆带回来过去，除了大吃一惊，是不是感到心暖暖，just feel like home….

过往讲到服务创新，金融业总是比较常被忽略的一块。或许大家总觉得所谓金融，重点在于讲求安全与秩序，要能做大改变似乎不易，所以除了持续提升柜台服务品质及效率外，如何因应下一世代需求，而优化电子银行接口易用性，似乎较使不上力。

但通过这个独特的接触体验设计，似乎让我们看到一个新的可能性，也许看起来改变并不大，只是因应地方需求定制化的调整了一下语言，但这样的改变不管从情感层面及实质面向，创造了一些不同，不仅是让离乡的游子通过这个接触点，找回一丝故乡的情感连结，对于偏乡日益增加的老年人，在安全性上，应该也多了一层保障。

所以这是一个怎么样的创新企划？整体概念，源自于南九州全家便利商店集团的企业核心理念，就是希望通过更本地化的服务方式，能落实并贴近本地民众需求，让顾客能感到更加满足，进而有效提高心占率。而这样的服务，宫崎不是第一个，但在这几年已经陆续成为一股风潮，准备推向日本各地。

目前最早是在2012年，从日本最南端离岛冲绳县首创，隔年将这样概念推广到四国地区爱媛县，而今年五月正式在九州宫崎推出，也是第三个县市实施，并因应宫崎县幅员广阔的特性，因此分別针对县北，线央及南部都城地区，共设计了三款不同的迎宾內容，而为了讲求內容的真实性及亲切感，三组的声音都是委由在地人，用最道地的腔调来进行真人录音。而这项服务将在境內101家全家便利商店的ATM执行，所以当下次你准备提醒现金，耳边传来的是将会是『ようきやったな〜』，而不是熟悉的全国通用语『いらっしゃいませ』（欢迎光临）。

高龄化社会来临！提供符合银发族需求的服务，成为必须

由于日本东西幅员超过两千公里，在非都会区的地方，诸如东北地区或是本州之外的四国及九州地区，就仍有许多民众，在寻常生活中，仍主要使用区域独特的方言，除非是与不熟悉的外来者，才收起乡音改用东京标准语来交谈。

因此从民众最频繁会应用的金融提款ATM着手吧。通过提供这样贴心的服务，真切符合在地住民们的需求，尤其对于高龄族群而言，可说是一大福音，主要理由在于日本早已领先全球，于十几年前就独步漫入超高龄社会之林，目前65岁人口比例已俨然接近25%，面对如此庞大的银发族比例，而其中有超过三成以上的高比例为独居者，因此，如何提供符合这个族群需求的服务产品，尤其能解决过往的问题，“方言ATM”算是具指标性的一步。

当巷口的ATM机，开始如同街坊邻居般，能用着一口的流利方言向您亲切问候，因为语言的熟悉感，开始一定会让你感觉到无比惊喜与新奇，但最重要的是，这样的亲切感不仅能有效从情感面切入，取得认同及信赖，让过往制式般的服务，开始产生差异性，而银行品牌不再只是一个由地名所组成的冷冰冰的汉字，而是是一个有温度，真心关怀的老邻居。这样的情感性，也自然形成一种独特的识別，所创造出的不同，不仅让远来的游客觉得新奇有趣，更是让居住于区域內的住民们內心的乡土认同感，因此油然而生。

创新不一定要花钱换硬体！从“软件面”着手，更深入人心

服务设计有別于产品设计之处，在于常常运用“服务的无形化”来创造顾客体验；并能从“服务生态系”的角度，来解决不同利害关系人间的问题及困扰。

就如同这个日本九州宫崎所推出的ATM方言专案，能在不改变硬体的情况下，直接从“软件面”入手，洞察区域发展属性，人口趋势发现下可能的潜在需求，提供崭新且具创意的创新服务。

相信通过一个问候语的改善，就可以发挥不少的效果，无论是在情感层面乃至于实质层面，将在推广扩散到一定程度后，产生化学效应。最后你会感觉到，亲切的一句方言，将在关键的时候，成为抚慰心灵，指引操作的一盏明灯，而关于银行业的服务创新，的确还有相当多可切入的面相，期盼紧接在方言ATM之后，能有更多“以人为本”的服务创新，唯有不断优化并创造绝佳体验，才能成功抢占顾客心占率。

最后，如果从减低老人遭受金融诈骗的机率角度来看，这样的设计是不是就是另外一种的“社会设计”。

的确，当社会逐步走向高龄化社会，为数众多的高龄者，当中势必高比例将成为独居者，将比现在更需学着独立自主。因此，如何减少再有年金被不肖之徒诈骗的情形，也许就动手从优化ATM服务做起，让长者愿意并能主动操作ATM机器开始吧！

猜您喜欢：
产品创新：日本汽车制造商推出“美容车”，将爱美女性作为目标市场	日本创新经营模式：出租车的云端智能派车服务	零售业创新服务：Kochhaus杂货店按照菜谱陈列商品	RTM：不吐现金的自动取款机，必须关注的金融业创新	汽车租赁服务Getaround获TechCrunch创新大赛冠军
无觅

本文版权属于- 商业不靠谱 Bukop.com -转载请务必保留版权信息。
商业不靠谱（bukop.com）致力于汇聚全球新兴的商业模式与创新趋势，在全球范围内整合优秀商业创意和案例，并将这些好点子提供给具有企业家头脑的创业者，以及对创新和挖掘新商机有兴趣的朋友。

【趋势】移动广告未来的七大发展趋势

Mon, 01 Dec 2014 10:44:52 CST

尽管目前广告投入总额和手机广告所占份额严重不匹配，但是手机流量使用的不断增加表明，投入在社交平台的广告费用在不断增加，同时手机搜索功能也在逐渐完善，意味着未来移动营销将成为趋势。

内容合作伙伴 @时趣Social Touch编译整理

近十年来，电子商务取得了长足发展，众多的零售网站也已经取得了巨额的实际销售业绩。因此，许多较大的企业品牌都顺势而为，借机对移动性网站和响应性网页设计进行优化和改进。

随着数字化广告的方式也在不断变化。这一代的人自出生便接触到了数字化技术。事实上，由于他们抛弃了用台式电脑的习惯，转而喜欢上了手机，传统的广告供应网络正在衰退。各大品牌据访客情况发现，手机访客的比例已经多达两位数。通过比较二者在购物上所花费的时间和金钱，手机访客和其他媒体方式的访客之间并没有太大的差异。

对于广告行业而言，所面临的挑战是找到打破手机用户供求不平衡情况的因素到底是什么。预期将手机当作广告众多方式中新增的一种方式，手机已经令广告业整体情况发生了三方面的改变。第一，向移动化的转变使得大量访客使用主要的潮流社交网络，同时越来越多的数字广告资金流向这些网络。第二，手机搜索引擎的优化会有良好的结果。第三，新手机体验和数字化操控的环境使得远离传统广告模式变得前所未有的方便，这有利于持续不断的品牌“阶段”。

接下来，我们将从7个方面介绍在未来如何更有效地使用移动终端广告。

内容是基于消费者角度的广告和故事

广告主需要营造一种经历来驱使大众互动，甚至让大众能从中找到自己的影子。红牛就是一个将其品牌故事转变为一种不断传达企业内容的例子。它大力宣传非常惊艳的绝技，比如有史以来世界上最高的高空极限跳伞，这帮助红牛吸引了超过3600万的人的关注。

此外红牛还积极地投资于普通大众的冒险活动，建立一群忠实的品牌粉丝。目前，手机视频观看者翻了近三倍。如果你的企业内容被分享了，那么很有可能现在有人正在观看。那么这就是“手机广告”吗？不完全。但是，这是一种移动广告。这就是商机。

当广告媒体和信息流内容相匹配

“原生广告”是一种相对较新的策略，能看到它所带来的转化率迅速上升了20多倍。不再呈现传统的广告内容，而是通过更“和谐”的内容来呈现广告信息。内容的相关性可以促进读者内部间的交流，从而提高点击率。因此，广告商现在需要明确的是，找出让他们的广告内容与出版商或者使用者的社会订阅习惯相结合的最佳方式。幸运的是，对于手机而言，原生广告实现了完美的转变。为什么？因为它的展示内容已经压缩成更小的表现形式，这等于已经瓦解了边缘化的广告平台。广告商的帖子和我们的好友动态以及订阅的新闻被捆绑在了一起，Facebook、Twitter和Instagram都是通过这种模式取得了成功。Buzzfeed借助颇具新引力的标题已经取得了巨大的成功——在3月12日当天，总共有960万人查看了这篇文章，其中770万是通过手机观看的（Quantcast2014）。

让品牌与网络合作

IKEA和LOWE’s Home Improvement以及houzz.com达成的战略伙伴关系是一个完美的案例，它展示了如何将一个消费者购物平台变为一个同时可以激励消费者消费的平台。Houzz每个月约有5000万的页面浏览量，它创建了一个关于家居设计、内部设计、建筑风格等方面吸引人购买的社区和市场，并取得了巨大的成功。此外，Houzz在平板电脑方面也实现了巨大的优化，而在这方面很多品牌都没做好，因为他们认为台式电脑的网络体验将会直接转化为触屏友好的平板界面。

当在线广告联盟成为一个社区

作为具有广告功能的网络群体，社交平台被公认为是最成功、规模最大的广告模式。其中，Facebook由于持有16.91%的移动广告收入增长股份，目前已成为业绩收入排名第二的数字化广告提供商。而由于掌握着48.76%的移动网络广告收入，谷歌始终稳居第一位。这其中最大的挑战就是如何不断地创新广告模式，使增长和利润率得到大幅度的提升。最近有一个典型的例子，就是蒙大利兹公司举办的利用移动网络Facebook发布吉百利糖心巧克力蛋动态消息的活动。该活动直接把产品内容展现在观众的动态消息里面，巧妙地避免了横幅广告效应的产生。有六百多万人通过移动网络参与了该活动，销售量随之提高了9%（凯度消费者指数）。

当移动广告“搭上”移动搜索

简化用户体验，优化移动网络模式，这样一来，移动网络多半会成为人们的首选，尤其是当他们随身携带手机的时候。2014年调查机构有关支付状态的调查报告显示，得益于产品目录广告, 2013年第四季度智能手机的使用量比2012年同季度上升了1.589%，而平板电脑的使用量与去年同期数字相比也上升了3.357%。这就表明，当网络的移动性真真切切得到优化时，用户将能体验通过手机定位接收广告信息，从而促成交易。（见图2）

当移动互联网将广告商和消费者“串连成线”

随着零售商选择“全渠道”策略，这种通过各个渠道去追踪消费者行为的功能显得尤其关键。一方面，它打通了全方位零售通路；另一方面，它能更好地评估媒介推广费用在什么地方或者在哪些人身上实现了转化。而实践可知，对于cookie管理器而言，这种操作并不容易，因为它无法承载大量的手机流量。

不过除此之外，像谷歌、微软和Facebook这些科技巨头也都开始无声无息地创建起各自独有的识别符，这样既能有效地为用户提供一条连贯的浏览和购物通道，又能准确地把用户引领至该通道上。我们在平板电脑这样的共享装置上发现，不同的用户会以不同的动机通过同一个空间，由此可见，这些链接变得日益重要。网飞(Netflix)就是一个很好的例子，当用户在家通过共享大屏幕收看影片时，网飞能即时识别用户，捕捉相关的行为数据，从而递送相应的影片内容。

当移动广告成为一种生活模式

生活离不开音乐，这就意味着像潘朵拉和声破天这样的媒体播放器在寻找大众口味、把听众最爱的音乐类型应用到目标广告中后会占尽优势。就如佳得乐和潘朵拉合作举办的一项活动。根据佳得乐G系列饮料，用户可以在潘朵拉网站上设立“锻炼站点”，并向站点添加播放歌曲。目前播放歌单已增至485,000条，而有96%的听众均是通过潘朵拉网络播放器进行收听的。

另外，网络音乐还有一个独一无二的特性，就是用户体验能够延伸至各种不同的环境以及活动。星巴克的“送一杯咖啡”活动就是在声破天网上进行的。目前点击量已达69,648次，贵宾礼品卡的激活量粗略计算达348,240美元。把一杯免费咖啡送到赠与人手上，假如赠与人并非现有会员，星巴克将能收获一个新的消费者帐号。这是一个很巧妙的方式——通过花费来换取高价值的客户邀请。

除了以上这些比较成功的做法外，一些新型的品牌移动广告模式也逐渐涌现。就拿最近的新闻报道来讲，著名服饰品牌美洲巨人正准备从传统广告支出费用的预算中，腾出10%的交易额投入到草根组织的推广费中（数据来自领英社交营销平台，2013年12月）。

最近雷达公司和华纳音乐公司也推出一项功能，声称粉丝能够与艺术家创作者进行更直接的交流。雷达除了音频指纹图和点击购买两大特色外，它还与迪图音乐合作，为广大没有签约唱片公司的乐队提供一个平台，让他们自由推广自己的音乐并进行销售管理，同时保留版税权和收入。自2007年起，迪图共有11首单曲跻身英国单曲榜前40位，这11首单曲的创作者全部来自于这一群独立音乐人。

这种兴起的新型广告模式互相磨合，不断融合，既连接了实体空间和数字空间，又以各种新方式把内容、网群以及商业结合起来。或者更含蓄地说，这些模式摒弃了时间、空间、思维等一切传统因素的影响，正经历着由网络群体向综合网络市场的转变。毕竟，那些驰骋于移动网络的企业品牌巨头通常都能把你的一切动态掌握在手中。

内容来源：ADMAP。时趣Social Touch编译整理。作者：David Hewitt和Zach Paradis,SopientNitro
本文原载于时趣Social Touch官方博客

您可能也喜欢：
移动广告的未来：噪音更少，用处更大	【专栏】2012年6大移动市场调研趋势	4个移动产品用户体验发展趋势	2011年发展趋势：移动支付	【趋势】科技领域的两大趋势会给你的职业发展带来什么？
无觅

抛弃 PV，网站广告也按时间收费？

Thu, 03 Jul 2014 12:54:35 CST

“同样一个品牌，曝光 1 秒和 5 秒有差别么？”

这是《金融时报》（Financial Times）数字广告总监 Jon Slade 近日提出的一个看似简单问题，他无非是想证明注意力时间对于广告的重要性。

但在在线媒体行业，衡量广告投放效果的却是另外一套指标——PV 和 UV。在广告主眼中，页面浏览量越大，意味着广告到达受众人数越广，投放效果也就越好。

近日，《金融时报》宣布了新的数字广告收费模式，将出售基于受众时间的广告，而非传统的页面浏览量和点击量。《金融时报》藉此解决广告业沉疴已久的问题，同时将深度参与受众价值提升到另一层次——该报纸表示，这些忠实读者花费在《金融时报》上的时间是其他财经网站的 6 倍。

“我们在尝试证明这样一个假设：你给受众展示品牌创意的时间越长，受众与受众产生的共鸣越多。这并非我们衡量广告价值的传统方式，我们讨论的是注意力经济。”

Jon Slade 在接受 Contently 的采访时这样说。

UPWORTHY 网站认为，相对于 PV、UV，更好的指标时注意力时间（Attention minutes），即受众点击链接到分享这个链接之间所花的时间。如果以这样的指标考量，UV 可观的 Twitter 的受众注意力时间就显然不如 YouTube、Medium 等平台了。

相对于 PV、UV，注意力时间更能反映受众对于内容的态度，但这其中显然存在一些局限性，比如较长的内容、噱头的文字和图片通常能够带来更长的注意力时间，而耗费时间短的突发新闻并不代表内容信息价值低。

我们认为，比注意力时间更好的衡量指标是参与度和沉浸度，但后者显然是个更加难以量化的标准。在这里我们或许可以参考风险投资机构 Andreessen Horowitz 对产品价值的衡量指标：

互动率（Engagement）：每个公司测量产品的互动情况并不一样，但这些数据要比 PV 更能准确衡量一个网站成功与否。比如 Yelp 会使用餐馆的评论总数，YouTube 使用视频的播放次数等。
使用频率（Retention）：一个重要的数据是到底有多少用户经常性地使用你的产品或者浏览你的网页。换句话说，一个 100 万下载量的应用，有多少用户在初次使用后还会再回来？如果这个数据低于 10%，那这个产品就有些失败。
关键的指标（OKM）：每个公司都应该有个适用于自己的可测量指标。比如 Instagram 的指标就是用户的照片上传次数，当然把这个指标做更深度的延伸就是，用户上传照片的频率等。

本质上看，以注意力时间为广告计费的模式是一种“质量大于数量”的计费模式。从平台角度看，它更符合《金融时报》的高端定位，从广告主看，它更适合产品定位精准的投放，这是新媒体商业模式的一次里程碑式的尝试，但要得到市场的接纳恐怕不会是在一朝一夕。

本文来源： ifanr

用JavaScript探测页面上的广告是否被AdBlock屏蔽了的方法

Mon, 03 Nov 2014 11:03:14 CST

每个人都讨厌广告。看电视、看电影、看优酷、看网页时，对满天飞的广告也是深恶痛绝。广告是一个不招人喜欢的东西。但是，对一个中小网站站长/博客主来说，广告几乎是唯一的能成支持网站/博客正常运转的资金来源。如果一个博客主，只是无私发布稿件，能坚持几年的，很少。大多数慢慢失去了热情。

火狐浏览器和谷歌浏览器里都有能够屏蔽页面给广告的插件，最有名的是AdBlock和AdBlock Plus。前几天，我做一个统计，看看浏览网站的用户中有多少人使用了AdBlock插件，发现这个数目竟然有总浏览人数的1/5。

1/5是一个不小的数目。如何能让广告位在这1/5的使用了AdBlock插件的用户的页面上用其它图片代替呢？要想做到这一点，首先是要有个办法知道当前浏览器中使用了AdBlock插件。经过一些测试，我发现，AdBlock对“Ad”或“Google AD”这样的词非常敏感，只要是某个页面元素的ID或css class名中有“Ad”字样的，这个元素基本上都会被AdBlock插件屏蔽掉，也就是 display:none：

<div class='google-ad testAd'> 这个div将会被屏蔽掉 </div>

有了这个规律，我就能够使用JavaScript发现当前浏览器是否开启了AdBlock插件。首先，我们将Google广告代码放到一个div里，并且将div的css class name里放入一个很明显的表示google AD的类名：

<div class='google-ad testAd'> 这里放置Google广告代码</div>

然后在页面的底部用Js检测，：

if ($('.google-ad').height() == 0) showOtherImage();

这里还有一个问题，Google的广告通常是指Dom加载完毕后显示的，为了保证在Google广告加载完成后再进行探测，要给js代码加入延迟执行特征，这样避免了误检测：

$(function(){
   setTimeout(function(){
		if ($('.google-ad').height() == 0)
			showOtherImage();
  },3000);
});

这里的 showOtherImage();方法里我们能做些什么呢？我们可以放一些京东、当当、亚马逊会其它网站的促销图片和链接，通过获取佣金，多少算是对损失的一点弥补。

移动互联网广告的未来构想

Tue, 18 Feb 2014 22:37:21 CST

上一篇文章我们讲到了移动互联网广告现阶段的一些矛盾。但现在我们矛盾先搁在一边，换一个视角，看一看移动互联网带给我们那些转变，很多问题就迎刃而解了。

移动互联网带给我们哪些转变？

位置增量的改变

众所周知，移动互联网增加了位置信息；但是还有一个更深层次的改变是受众群体的“移动化“。广告群体再不会一动不动地坐在媒体前观看广告，而是可能在地铁上，可能在商场里，可能在任何一个可以到达的空间。

在时间上，互联网广告讲求“实时”，但移动互联网广告可以做到“随时”！想想除了手机，还有任何一个终端是你的用户拿着满地跑的吗？手机已经成了人们日常生活中一个必不可少的随身物品。移动研究院曾经做过一次调查，手机用户可以离开手机的时间只有19分钟。超过这个时间，用户会感到不自在，主动地去寻找手机。

理论上来讲，手机给了广告主一个无限贴近潜在用户的机会。

场景化

我们现在很熟悉在地铁里，在汽车上，看到身边的人在玩着游戏，在看手机视频。但你有没有发现有人在拥挤的地铁上浏览电商的应用，去购买商品呢？我是没有，跟身边的朋友们交流过，也没有。这就说明用户已经不再受固定场所的限制了，它具有时空属性，需要场景化。

这也就给广告人们带来一个新的挑战—时空的结合，简单来说，在什么时间，什么地点，推送什么广告，即“场景化“的广告。相反，即便你争取到了稀缺的移动互联网的”广告媒体“资源，在错误的时间，错误的地点，播放错误的广告，效果能好吗？可想而知。

基于时空的推荐也是大数据领域一个最高大上的新课题。即根据你的历史行为数据，推算出你在什么时间，什么地点，需要什么？

位置增量给移动互联网广告带来了新的要求。

行为上的改变

从最新的数据来看，经过了过去几年的沉淀，一些寄生于移动互联网本身的行为习惯已经养成。社交IM、视频、游戏占居排行榜前几位。想想你和你身边的人，想想在地铁、公交车上身边的人都在做什么，这一点不难理解。

摘自百度2013Q3移动互联网发展趋势报告

从居于前列的应用可以看出，手机主要还是用于社交和娱乐。不太用于严肃繁琐的商业化行为（主要指与工作相关的事物，也是由于手机终端的限制，屏幕、键盘都限制了手机上处理复杂事物的空间）。这也需要引起移动广告商们的高度关注。至少，你应该可以想到在移动互联网时代，应该如何去触碰你的潜在客户群。

所以，从上面的分析可以得出，移动互联网广告具有其强烈的特点，绝非互联网广告的简单延伸！

未来移动互联网广告的几个原则

我虽然还没有办法告诉大家一个成熟可行的移动互联网广告系统是一个什么样，但至少目前，有一个大致的轮廓可以描述给大家，未来的移动互联网广告将会以新一代DSP系统支撑的APP展示广告与营销活动专属APP共存的方式存在。

新一代DSP系统，是基于大数据基础的高度个性化推荐系统，而非简单地推送。从广告到推荐，还是有着比较大的跨度。推荐，更为软性一些，从基于对最终用户喜好、行为的了解，依靠推荐去“影响”消费者最终的消费决策。新一代DSP系统，充分考虑了场景的因素，也即时空诸元，更为有效合理地为最终用户提供信息。

所谓营销活动的专属APP是指，以APP或者微信、微博等平台为依托，围绕某一个特定的营销活动为目的，与最终用户互动，从而完成品牌的推广或者销售任务的达成。专属APP或者微信、微博的营销活动有着很强的时效性，活动结束，专属APP等自动退出产品生命周期。比方说去年的星巴克闹钟和可口可乐摇一摇案例，都属于此类。

除此之外，未来的移动广告还有如下特点和原则。

广而不告重在营销

互联网广告讲求“实时”，而移动互联网广告可以是“随时”！移动互联网广告，在客观上给了广告主一个可以全天24小时，在任何地点都可以触碰潜在客户的手段，但广告主应该慎用此工具，以合适的方式，在合适的时间去将合适的信息传递给合适的用户，尽可能地少骚扰客户。这一点可以从微信的产品原则上很容易得出结论（微博恰好是一个反例）。

在选择广告的形式和具体办法上要更为细致，要更了解并尊重你的潜在用户的使用习惯和他们的喜好，在合适的时间合适的地点（场景化）以他们不反感的手段（游戏、社交等）去触碰他们。

当然，最好是广而不告，不由广告平台单向地推送，而是发动潜在用户的信任代理自发地帮助广告主传播，重在营销，社会化的营销。我们做广告的目的是为了传播品牌或者促进销售，但最终目的还是为了影响客户的购买决策。新时期的客户消费心里变了，我们也应当随之改变。这也是我认为活动营销APP将会在未来的移动互联网广告市场占的比重越来越多的道理。

娱乐化

手机，无论是听音乐还是看书，还是打游戏，总结起来多数时间的用途都属于打发时间。所以，在触碰手段上要灵活多样，吸引最终用户的参与感。无论是星巴克闹钟，还是可口可乐摇一摇，都是很好的将品牌或者产品的营销与手机的娱乐性结合起来。让用户在寓教于乐中收到企业希望传达给他们的信息。

场景化

前面分析过，手机有着很强的使用场景因素。同样的内容，如果在不合适的时间或者地点即使出现在潜在客户的眼前，可能也会被视而不见，很快就会被其他信息所替代，所以，移动互联网广告具有很强的场景化的特点。

社会化

社会化营销也不是简单地大号转发，而是带动潜在用户的信任代理，通过他们与潜在客户建立强关系，以达到最终影响客户的购买决策的目的。（我们在过去一年里做过一个小众群体的社区，在一个地域与线下企业互动，有针对性地推广，取得了非常好的效果）。

移动互联网时代的营销，再不能是单纯地追逐高曝光量，不管媒介对用户的影响力，也不管什么时间，什么地点，只要投放出去了事的做法。而是一种建立在信任基础上的营销。一百条陌生人的评论，不如一条你身边朋友的推荐。

强关系

移动互联网用户对APP应用的忠诚度普遍比互联网网站要低。所以在投放的时候，要选择对潜在用户影响力大的APP应用，而并非只看重APP用户基数。

未来的移动互联网营销是建立在信任基础上的营销，企业或者广告主营销的过程，实质上是与潜在客户建立“强关系”的过程。广告主需要转换思维，需要更多地从客户角度出发，考虑如何有效地构建“强关系”。

所以，移动互联网广告的投放系统是一个真正基于大数据，有位置增量信息的复杂的新一代DSP系统。这个系统具有场景化的概念，可以智能地根据用户的场景投放相应的广告信息。

在投放媒介的选择上，应用有一套新的评价体系去评价APP对用户的影响力；在具体的投放方式上，要尽可能地为特定广告客户定制最合适的投放方案，逐渐形成模板。

我不能说在移动互联网时代，广告就要消亡。但至少，在移动互联网时代需要多动动脑筋，贴近用户，去想想如何触碰到用户。

未来的移动广告市场，依然是一片蓝海，因为移动互联网绝不仅仅是互联网的延伸，它带给人们很多行为上的改变，它也给广告主一个更为直接触碰他们潜在用户的手段。当然，事物永远是双刃剑，一个手段用好了，将更加有效地促进企业与最终用户之间的关系，而如果用不好，则会更快地向反方向发展。

无论如何，企业与客户之间的关系将为之改变。企业将变得更为透明，企业与客户之间的关系也变得更为扁平化。移动互联网为企业扫清了横在与客户之间的障碍，企业客户更为有效地与客户沟通。

移动互联网广告，也需要以跨界的思维去看待。不能生搬硬套固有的模式。目前的困局是发展中必然经历的阶段，解决好目前的问题，移动互联网广告将迈向一个新的高度！

本文作者老李，微博ID：中关村老李；微信ID：中关村老李

微信号：woshipm，干货天天推荐，欢迎关注

荣振环干货分享：微信公共号日涨100粉的关键技巧

Sun, 16 Feb 2014 21:08:18 CST

最近和很多企业人士聊到微信公共号运营和营销推广。

发现，大家都对微信非常重视，有的企业甚至推出N个公共号，抽调专门人手系统运营。我还有几个朋友的公司派出团队学习微信营销。

无奈市面上充斥着大批量的伪专家、伪大师，自己看了几天说明书就来讲微信营销。

或者先前微博运作的不错，就把微博那套思路改装成微信营销课程。

可是，当你关注他们的微信号，内容粗制滥造不说，基本上还都是网络摘抄语录式运作，更有甚者，压根就没发什么内容。

这种人拿着微信说明书，教你摇一摇、扫一扫、发文到朋友圈、如何批量添加好友等基本操作，却冠以微信总裁营销班。

这是在挑战人类的智商吗？

我一个朋友上了某讲师的微信总裁营销班，在聚会上不断向我吐槽，说他自己上去讲都比那个老师强。

还有的微信营销讲师总拿小米、杜蕾斯、招商银行、凯迪拉克等知名企业的微信案例说事，教大家学习小米如何快速突破100万粉丝，我觉得那基本上都是扯淡。

小米可以复制吗？

如果你觉得可以复制，试问，你原先微博有多少粉丝，你能够从微博导入多少？你有同城粉丝会吗？你有新媒体团队吗？……

跟小米比，样样你都不具备，它的经验你能够复制吗？

对于微信，我个人非常看好，我经常讲， 在移动互联时代，营销方式最为有效的只有一种，就是你是否进入消费者的手机。

微信是目前企业进入消费者手机的最好方式之一。

但是，大多数企业初期，不要妄想，一天涨上千甚至数万粉丝。

这不是微博的套路，很多微博加V用户都涮过底粉，或者借自身名气网罗一批关注者，粉丝之所以关注，不是你内容真的有多牛逼，而在于， 把你留着，多一个不多，少一个不少。

微信就不一样了。

微信订阅号折叠后，多你一个，你又长时间不更新，你的内容又没劲， 管你多大名气，都属于站着茅坑不拉屎。干掉你是迟早的事。

所以，运营微信订阅号，一定是内容为王的时代。在内容为王的时代，我今天结合我个人的实践教你干货，如何日涨100粉的基本技巧。

1、公共号起名

首先，你的微信号注册，不要用随机制定的ID号，而要用一个比较容易记拼音或英文。比如，我的微信订阅号是rongzhenhuan，就是“荣振环”的全拼。

其次，微信号起名的技巧是个性+品类。个性是独一无二的，强调你与别人区别的符号。品类是这个微信号是干嘛的。比如，我的微信订阅号是“荣振环微书评”。“荣振环”是个性，没人和你争抢你的名字。“微书评”是品类，告诉读者，这个号是荣振环精品好书的读书评论。

2、定位和价值

有了微信号，你要回答一个关注你的理由。微信号的定位很关键。

尽管目前微信叫做“微书评”这个品类的就我一个。我属于抢占一个制高点和独特品类。但是，未来可能还会有很多其他人也叫做“微书评”。

那我这个书评必须有独特的定位，我不是所有书都评论的，所以在微信号介绍一栏，我告诉读者，我只点评品牌、营销、企业文化、互联网和移动互联商业和创新方面的好书。

它的价值就是每天一本书， 每天一本好书精华书评，让你三分钟读完好书核心精华。

因为我的书评经常是把好书精华通过自己语言并结合实践进行总结，目的是让读者活学活用好书智慧，从而以最低的时间成本掌握好书精华内容。这就是“非你不可的价值”，也是给了读者一个关注你的理由。

3、微信号的心锚烙印和传播口号

我常和朋友讲，你要像规划产品或者建设品牌一样来规划你的微信。因为从某种意义上讲，微信号就是一个产品，一种信息产品。

这种产品，有助于你提升品牌形象，传递品牌信息。它应该成为人们手机里面某项功能的伴侣。

比如，你讲冷笑话，那就是逗人开心的功能号，你讲健康常识，那就是教人保健养生的功能号，我每日评本书，那就是帮人读好书的功能号。

这些都是简单的功能描述。更重要的是你要有植入消费者心智认知的语言。

比如，我在微信号消息自动回复上写了一段话，这段话既是价值的呈现，也有打动书友心智烙印的关键语句。

这段话如下：

“在为企业服务过程中，荣老师每年读数百本书，希望通过微信平台，把好书的精华内容结合策略以最接地气的方式分享给各位朋友。

我们都知道二八定律，20%的思想决定80%的价值。一本好书，阅后收获50%已经不错。荣老师 旨在找到一本书20%的20%，即4%的内容，帮你以最少的时间收获那64%的精华价值。”

这里面，4%的内容64%的价值就是关键语句。

即，我们要找到4%，撬动一本好书一半以上的精华价值，这就是每日三分钟，智慧在心中。

于是，我们的口号是： 好读书、读好书、读书好。

每天一书，人生不输。

让读书改变自己，自己来改变命运。

上面这些描述，就在读者心中建立一种心锚，了解我们是讲干货的。

其中，在口号环节，我们重点突出了“ 每日一书，人生不输。”

要知道，每天一本书很简单，坚持每天一本很难。任重而道远，但我们坚持认为“每天看一本书，一年就能与别人有365本书的差距，这个差距也许就是人生的差距，因为知识会重新赋予你新的视野、格局和眼光，最终将重新定义你的人生和命运。”

记住，当你的微信号有了打动人心智的语言和易于传播的口号，用户就会长久记住你的价值，你的图文打开率才能居高不下。

因为，阅读你的微信内容就是收获价值，反之，就是价值损失。

4、微信号的内容经营

有了前面这些理念和内容，下一步就是仅仅围绕定位和价值进行微信号内容的创作和设计。

为了让内容更有调理，我建议朋友要做成系列或者主题。

比如我的号：荣振环微书评，我先分享品牌必读十本书，然后又分享营销必读十本书、移动互联网必读十本书，未来还有社会化媒体必读十本书、企业文化必读十本书、网络营销必读十本书、微信十本书精华等等，目的是让读者按照一种知识结构和体系进行分类学习。

至于书评的标准，一定要有价值，记得我们前面提到的4%吗，我们要找出每本书最精华的内容，以更落地吸收的方式呈现给书友们，这样，这些分类形成系列的书评就能够长期抓住书友们，做到只进不出，也就是基本上不掉粉。因为我们坚持要做到， 不关注“荣振环微书评”，一年你就是365本好书的损失。

所以，对于所有微信订阅号，你的内容一定要有所价值。

我记得微信创始人张小龙说，如果一个特性不能让人兴奋，不如不做。我认为好的微信号应该“ 如果一篇图文不能带去价值，不如不写”。

5、微信号的传播与推广

当微信号有了一些精华内容后，再开始全面铺开传播。

记住，微信营销是内容营销，每一篇图文都是你传播的载体，只要写得好，就有人转发，转发就带来传播。

所以，你每篇图文都要写上你这个号是干嘛的，提供的价值是啥，欢迎朋友转发给身边的朋友，让好内容得到分享。这会在微信圈进行扩散传播。

另外，你要从互联网上进行导流。

比如，我做的是微书评，我的目标对象是喜欢读书的朋友，我除了在我个人的网络专栏和博客发布这些书评，同时也经常把好的书评发布在豆瓣、栖息谷、百度文库和爱问文库等目标对象扎堆的地方。这样会吸引更多粉丝关注。

此外，我额外关注热点畅销书，以内畅销书关注的人就多，于是，我没事就庖丁解牛一本畅销书，分享给荣振环微书评的书友们，也会把这篇书评投入到网络媒体，很多情况下，一篇书评就会给我拉来很多关注。

所以，你在你所在的领域，也要找到一些热点，进行捆绑式分析和点评，这样会收获更多关注。

总之，当你按照上述我提到的方式运作微信公共号，日涨100粉应该很轻松。

但是，我要强调一个观念，微信的那一头不是粉丝，是每个拥有手机平台活生生的朋友。 他们关注你，你就要尊重他们的关注，你就要提供价值。

那些天天想着促销、广告、活动拉粉的，即使你懂得日涨100粉的技巧，当你不懂价值营销，总有一天也会掉得所剩无几。

企业只有脚踏实地，扎扎实实做好内容的价值，配合上述运作技巧，才能做到粉丝持续增长，粘性越来越强。

猜您喜欢：
升降梯式Urilift公共厕所	腾讯SOSO地图推出实时位置分享	Heiaheia：分享健身记录的社交网络	与微博反其道而行，Path私密照片分享服务设上限	动漫视频分享网站Crunchyroll开始盈利了
无觅

内容行销最大的威胁就是自己？谈企业如何建立优质内容品牌

Tue, 29 Oct 2013 12:23:12 CST

当每一家企业品牌都开始应用内容行销时，我们将受到过剩内容的冲击，英国的B2B行销公司 Velocity Partners把这个潜在威胁比喻为即将来临的内容行销大洪水。

本文整理自Velocity的简报《垃圾－为什么内容行销最大的威胁是内容行销本身？》，让我们来看看企业如何在这个环境中自救，并建立一个「优质内容品牌」以渡过将要扑面而来的内容洪水。

内容行销的技术断层
内容行销已经起飞。每10个B2B行销者中，有9个会在明年产出更多的内容(而那第10位对这一切还一无所知，所以也不会产出什么内容来骚扰人)，他们也会在下一年继续产出更多的内容。

这个情况将会制造一些实质的问题──内容行销的技术断层，因为：
1. B2B行销部门需要加强内部内容团队
2. SEO公司将成为内容行销的商店
3. 社群媒体公司发现内容是新的社群润滑剂
4. 每一个B2B行销公司都会把「内容」这个词汇塞进他们所作的事情中
5. 文案公司现在就是内容养殖场
6. 影片制作公司是「丰富内容的创造者」
7. 出版商把自己重新包装为内容行销专家(就连英国贸易团体现在也改名为「内容行销协会」)

上述所有的公司、组织、部门都需要人，而且已经苦于找不到适当的人才了。

真正了解内容的人，就会明白「情境(context)」，并能够产出受众想看的东西。~Doug Kessler, Velocity Partners

垃圾内容
同时，越来越多没有经验并且已经到了极限的内容创造者，将会产出越来越多的内容。而最终只会产生一个结果，那就是我们将会被埋在垃圾内容里！未来，我们将持续看到这样的内容：
1.没有新意的部落格文章
2.用三句话就可以说完的36页电子书
3.没有内涵的访谈影片
4.表面上看起来很厉害，实际上却没什么内容的微型网站

受众提高屏障
这个状况很糟，不只是我们成为被攻击的目标，而是被行销的对象将开始再次提高他们的屏障。

为什么呢？因为说到底，内容行销的效力主要是让潜在客户暂且降低他们的「行销防御系统」。当然，时间最好长到可以足够取得他们的注意，并赢得他们的惠顾。

但是，一旦当这个内容洪水开始(很多人认为它已经来临)扑面而来的时候，人们将会再次启动他们的「行销防御系统」。而他们这样做的确也没有错。

产出优质内容
如果你从事的是「产出优质内容」的工作──意即产出那些真正能够帮助人们、富娱乐性又有资讯价值、让人喜欢而又能产生回报的内容，那么你面临的将会是越来越多其它类型的内容。

更糟的是，薄弱的内容从表面看来往往很像是「好东西」，如引人注意的标题和副标题、友善而开放式的设计等。只是，当人们真的开始「吃下去」的时候，才发现内容有多烂。

这种情况会让他们更不愿意信任下一个出现的内容，而这很可能就是你的内容！

内容行销回报递减
然而这一切是无可避免的。行销者将会体验到内容行销的回报递减：
1.越来越少的流量
2.更少的网页浏览数
3.更少的点击率和下载数
4.更少的准客户
5.更少的营收

建立「优质内容品牌」的公司将是赢家
好消息是，不是全部的人都非得要经历这种命运。有些人会受到保护，而且在这个趋势中反而获得更多的流量、下载和营收。这些人会是谁呢？是什么让他们这么特别呢？

在「后洪水」时代的赢家，将是那些建立了「优质内容品牌(Great Content Brands)」的公司。其中包括三个元素：

1.优质：你把目标设得很高，并命中标的
2.内容：你的内容异于产品或服务品牌，你以产出第一流的内容而闻名
3.品牌：一个品牌就是一个承诺，一个优秀的品牌就是建基于维护这个承诺

一个「优质内容品牌」是以产出永远值得阅读、有见地、实用、富娱乐性的内容而闻名。

建立「优质内容品牌」的六个原则
1.站在顾客的角度：从他们的疑难、需求、偏爱和关注点出发
2.权威：你必须在你的甜蜜区(sweet spot)内操作，在这个范围内，你最擅长的东西刚好与潜在客户关注的事情交集
3.具有策略性：一次性的个别内容并不能构成一个内容策略
4.多产：记住，内容行销是一场持久的马拉松赛跑
5 .热情：你必须真心在乎你的内容。如果连你都不在意，别人为什么要在意呢？
6.严格要求自己：如果你开始偷懒，你的内在声音会告诉你。让人赞叹的内容得来不易

建立「优质内容品牌」的好处
如果你建立一个优质内容品牌，就永远不会因为没有人看你的内容而感到挫折，且内容回报会一直增加。因为，如果读者真的喜欢这些内容，他们自然会与其它人分享，并且会一直分享下去。

另外，还有一个附加的好处。还记得我们在前面提到的「内容行销技术断层」吗？优质内容品牌会吸引优质的内容创造者，这是一个良性循环，参与其中将会是一件很好玩的事！

最后，一个优质内容品牌将会投射出一道明亮而清晰的光芒到你的公司、产品和服务品牌上。相反地，薄弱的内容将会使辛苦赢得的能量从你的品牌中流走。

总结：内容洪水已经逐步靠近，如果不提高标准，建立一个优质的内容品牌，就要准备被淹没。

本文来源：数位时代作者:Inbound Journals

看过这篇文章的人还看过：

Zemanta

俄罗斯超市将类似Amazon的个性化推荐机制带入实体店内

Wed, 15 Jan 2014 11:53:09 CST

推荐机制作为成熟的技术用到网站的各个方面，譬如内容网站可以为用户作个性化的网页内容定制，电商网站可以为用户作商品推荐。豆瓣电影、读书以及音乐台一致被大家津津乐道，视其为推荐机制“教科书”般的案例，电商网站被大家提得最多的则要属Amazon。Amazon通过分析消费者之前的购买历史、浏览数据和其他客户的购买模式，向他们推荐可能会喜欢的商品，对于拉动销售非常有利，但这种技术在实体店内一直缺位。电商网站有的很多数据，实体店其实并不缺，缺的只是利用数据的思想。

现在，俄罗斯的一家叫做 LAND 的高档超市开始利用数据分析为走进店内的顾客提供个性化的购物建议、优惠券和食谱。

借助高科技营销公司 Synqera提供的一套系统， LAND超市在入口处放置了一台自助触摸屏（见上图），消费者只需扫描他们的会员卡即可打印属于自己的个性化商品推荐。据了解，每个推荐清单基于顾客的个人购物历史，一天中不同的时间进入超市以及超市实时的库存数进行综合推荐。例如，顾客在周末购物，根据他们之前的购买习惯可能会推荐某种类型的啤酒。当然，该触摸屏还为顾客提供打印输出定制的优惠券。

零售业面临竞争的加剧，实体商店都在思考如何为顾客创造更好的购物体验，Synqera的这套客户分析和个性化推荐技术为增强顾客的购物体验起到了非常重要的作用。

Synqera之前也曾推出一套刷脸优惠工具，这款产品内置互动触摸屏和脸部表情侦测器，当消费者前去结账，面部识别技术自动扫描商店的忠诚度计划数据库，通过顾客表情了解顾客心情、辨识出老顾客，再参考会员资料、购物清单，就能马上算出适合消费者的定制化营销方案，以提供针对个人的特殊优惠和奖励。

网站: www.supermarket-land.ru

自媒体变现新纪录：2000万

Wed, 28 Aug 2013 09:41:05 CST

自媒体的商业狂欢，越来越热烈。

8月21日，号称微信财经第一联盟，精准覆盖百万财经人群的“犀牛联盟”（微信公众号：xinews）宣布，在未来3年内，瞭望全媒体公司将依托遍布全国的广告销售体系，向“犀牛联盟”旗下的自媒体账号投放不低于2000万元的整合营销费用，客户涵盖中国移动、中国一汽、中粮、奔驰、奥迪、雷克萨斯、五粮液、中兴通讯、宝齐莱、精工、浪琴等知名厂商。

这个数字，再一次刷新了新媒体的商业变现纪录。

在此之前，1月25日，原腾讯网科技中心总监，知名自媒体人程苓峰对外宣布：以他为主笔的自媒体“云科技”（后来改名为“孕峰”）推出微信广告，报价每天1万，或是每3天5万。到半年后，他已收入50万元。

8月9日，罗振宇运营的微信公众账号“罗辑思维”宣布开放读书社群首批会员招募，并在6个小时内，完成了5500个名额的收录，收入160万元。

8月20日，有消息称，《参考消息》也已经通过搜狐新闻客户端的新媒体平台，获得了300万广告费。

一波又一波变现浪潮，有几个特点：时间间隔越来越短，金额越来越高，越来越从个人变现转变为机构变现。

程苓峰算是这一轮自媒体潮中第一个吃螃蟹的人，不过局限在只是个人影响力，所以它的变现模式一直受到争议，而且规模也较小。

与之相比，在“罗辑思维”的背后，除了罗振宇这杆大旗外，还有一个不超过5个人的团队，进行幕后的策划、执行与推广等工作。

《参考消息》不用说，这份知名报纸的机构影响力潜力惊人，对它来说，客户端的高订阅量固然为它打上了很好的广告基础，但300万更应该看作它的既有影响力变现，可以用“牛刀小试”来形容。

最值得关注的是“犀牛联盟”。它代表的是未来的另一个主流趋势：大量自身拥有一定影响力，但缺乏机构与运营团队支持的公众账号运营者，以集群方式获得整合的推广和商业资源，甚至包括一些大的账号也会逐渐加入其中。

比如，已经聚合了中国最多投资高端人群的“阿尔法工场”、广受商务人士喜爱的“商务范”、黄金投资第一帐号“纵横金市”、高端红酒自媒体“每天一堂红酒课”、金融门户网站中金在线、新华社旗下《财经国家周刊》、央视旗下的“网络新闻联播”等，它们的公众账号此前都已加入“犀牛联盟”。

抛开以上情况不谈，就我个人的观感来看，整个自媒体的变现环境正在急速变暧。

最近一段时间，已经有大量的企业新闻发布会，将自媒体列入邀请名单，有的还在名单中占据多数，甚至成为唯一的邀请媒体群体，与此同时，多位朋友包括科技杂谈在内，都已经有不止一家企业找过来，洽谈商业合作可能。

我的预测是，自媒体的新一轮商业化高潮，在今年年底前必将出现。

其中的原因应该有几点：

1、自媒体的内容与传播形式，使其传播力更强。突破传统媒体形式、主题、篇幅、内容等限制的自媒体内容更加鲜活、即时，甚至在深度上也与传统媒体不相上下（因为目前主流的自媒体，大多由在职或离职的精英媒体人所创办运营），正面报道更具传播力，负责报道更加“致命”也更难防御，同时，它可以直达文章影响群体的手机，更方便形成互动。

2、各个平台都在加快对自媒体的招揽，这也让自媒体的影响力也加速扩张，具备更强大的变现基础。

3、团队化、机构化、联盟化的自媒体群落，让自媒体更大规模、与更高端大气上档次品牌的商业变现成为可能。

当然，在这个鱼龙混杂、泥沙俱下的时期，自媒体们在狂欢之前也需要警惕很多风险：

1、目前最重要的自媒体平台微信，一直没有掩饰自己的“去媒体化”态度，5.0的折叠，以及上周增加的举报功能都不会是终点，未来还会有进一步打击自媒体的举措出台，除了专注于精品原创，或是深度垂直的公众账号，那些以大量转载摘抄内容，以及强营销手段扩张为主要方式的公众账号，将很有可能遭遇寒冬。

2、在这样的趋势下，大批营销公众账号必将向易信、客户端等其他平台转移，并带动易信的公众平台和朋友圈，以及客户端订阅的迅速繁荣，但就长远来看，这种以损伤用户体验为代价的扩张模式，只适用于前期放水养鱼做大基础的阶段，后期要么被清剿，要么将拖着平台一起衰落，加上新的平台也都会有自身的利益诉求，所以也未必一定能成为自媒体的安乐窝。

3、很多企业目前的新媒体合作出发点，更多不是为了长久的合作，只是为了“不被人打”，就自媒体本身的基础来说，除了少量具有足够基础的联盟、团队或个别账号外，基本上都还不具备商业化的真正实力。但在这个阶段，跑马圈地的搏杀已经拉开序幕，强者愈强的马太效应也开始出现，这对于较小的或刚起步的自媒体来说，将非常不利。对这些自媒体来说，要么选择被大的团队或联盟收编，要么最好静下心来，脚踏实地把自己的内容基础做好，如果看到外面花花世界就追逐进去，很可能到最后会以悲剧收场。

本文来源：钛媒体作者：财经国家周刊主笔@王云辉

看过这篇文章的人还看过：

Zemanta

远离误点,Google新推出的Lightbox广告

Wed, 03 Oct 2012 09:15:21 CST

相信你也有过上网时不小心点开某个页游广告之后被奇怪音效吓一跳的不爽经历，其实误点广告对消费者和广告主来说都是损失，你看了不想看的东西，广告主则白花了冤枉钱。智能手机流行之后，屏幕小加上触屏的不精确让误点广告更加经常。此前有一份报告称，移动互联网的广告中有约40%都是错误点击，到底有没有这么高的比例暂且不论，这一问题的严重性却是毋庸置疑的。

针对广告误点这一问题，Google近日推出了一项名为Lightbox的新型广告形式，这种广告需要用户将鼠标悬停在广告上方两秒之后才会展开显示。广告主付费的依据不再是广告的点击数，而是广告的展开次数。据Google称内部测试表明Lightbox广告几乎不存在用户失误悬停之后展开广告的情况，而且相比传统的点击-展开的广告来说其用户参与度提高了6到8倍。

Lightbox广告可以承载多种形式的内容，包括富媒体如YouTube视频、游戏、图片等等。目前这种广告会在网上售卖，但据Google发言人称他们正计划将其推向移动端。目前已同多家广告主达成协议，但是Google暂不愿提供详细信息。

Google作为展示广告的老大，在提高广告成效和用户参与度上一直颇为用心，毕竟这一块是最来钱的业务。同Lightbox类似的还有TrueView视频广告，用户可以在自主选择是否观看视频之前的广告。此举也是为了让用户可以掌控看到的广告内容，同时给广告主提供更好的用户参与度衡量指标。据Google称TrueView广告的平均回报率高达170%，效率上是TV广告的2.4倍。

本文来源： 36Kr 原文： TechCrunch

您可能也喜欢：
BBH联合Google Labs推出Chrome90秒钟TVC	数字广告进化史	Google+推出感恩节电视广告影响堪比超级碗	广告时代：Google+将改变搜索及营销产业格局	Gmail即将为用户推出定制广告
无觅

看过这篇文章的人还看过：

网盟环境下广告投放技巧浅析（一）

Mon, 03 Sep 2012 13:09:07 CST

最近，产品部用户体验团队的同学对联盟环境下投放广告进行了一系列研究，旨在以更科学方式优化网盟广告投放，在改善用户上网体验同时，提升广告效果，形成用户与广告主双赢局面。

当然，网络环境可谓千姿万态，不同网站有不同设计排版，想要在复杂多变环境下改善用户体验提升广告效果也并非易事。这次研究算是一种浅显的尝试，如果大家能从中受到启发并深入研究，并且在不久的将来将其应用于实践，那么我们用户体验团队能够起到了抛砖引玉的目的也就倍感欣慰。

一、实验前准备

1、研究对象：

选择网盟环境下占比最多的正文页与列表页作为研究对象，以优质正文页与列表页为基准；

2、研究方法：

采取眼动研究，通过观察热点图，分析实验数据，将定性考察升级到科学量化水平上，并且在实验中我们采取实验前访谈，实验中观察，以及后期数据筛选，来修正实验中由于条件控制所产生的误差，力求结果贴近实际上网情境更加真实可靠；

3、名词解释：

（1）参与度:：注意到广告的人群比例

（2）区域下注视点时长：眼球凝视页面上某区域的时间

（3）广告关注度=参与度*注视点时长*100

即：注视点时长*参与度表示所有参与的用户对该广告的平均关注度；乘以100是将数值整体化，表示100个人关注广告的总时长

二、实验内容

1、信息密度

认知心理学认为：每一项认知活动都需要占用和消耗一定认知资源，当认知任务所需资源之和不超过总资源，注意协调和分配才能同时进行。

页面上承载的信息量与用户所能接收到的信息量并不对等，相反当页面信息量很大时，用户会感受到巨大认知负担而不会详细加工信息。如果页面中刺激信息所需认知资源超过了人本身所具有的认知资源，人只能把有限资源应用于重要任务上而选择忽略非重要信息。所以，页面承载的信息量即信息密度的大小会影响用户对页面信息的吸收。

以列表页作为研究对象，信息密度的两个考察指标：留白和广告数。左侧页面信息密度>右侧页面信息密度。

眼动数据——广告关注度与观察页面总时长

通过眼动实验发现：

信息密度大的页面用户浏览所需时间长，信息密度小的页面用户浏览所需时间短。

与所用时长相反，信息密度大的页面浏览时间长但广告关注度小，信息密度小的页面浏览时间短但广告关注度大。

2、分页价值

整页与分页的布局

眼动数据——整页与分页的广告关注度比较

通过眼动实验发现：

整页与分页内所有广告的综合关注度，整页效果最好。分页中，其中分页1效果最好，其次是整页呈现；分页2与分页3效果最差。这里需要注意的是排除实验因素影响：分页呈现页面随着页数增加广告效果第次降低。分页呈现越往后用户越没耐心，且被浏览也就越小，最后一页用户浏览概率最小。所以分页内广告价值依次递减。

3、广告与内容相关度

投放广告时，广告与页面内容之间有什么样的关系，这种关系会影响广告的关注度吗？

（1）我们选择了三种不同内容的页面，包括：服饰页面、汽车页面、家电页面，也选择了三种广告，包括：服饰广告、汽车广告、家电广告，同时投放在三种不同页面上，控制每种内容广告在不同页面上出现的位置和次数均等，实验发现：

当广告内容与页面内容一致时，广告关注度最佳。

用户在看广告时，更愿意浏览：服饰页面内的服饰广告，汽车页面内的汽车广告，家电页面内的家电广告。

（2）用户兴趣会对这些因素造成影响吗？我们把用户分为有兴趣和没有兴趣。

在有兴趣的用户里，当用户对广告内容感兴趣时，将用户感兴趣内容的广告，投放至感兴趣的页面效果更好。

即用户兴趣 & 广告内容& 页面内容 一致 ，广告最受关注

当用户对广告内容不感兴趣时，将用户不感兴趣广告，投放至广告内容与页面内容一致的页面效果更好。

即广告内容 & 页面内容 一致，广告最受关注。

因为篇幅关系，本篇文章是从整体上对网页布局、网页内容，与广告的关系进行的研究。下一篇文章将从细节着眼，通过对不同广告位进行对比，来对位置与广告关注度进行深度研究，敬请期待。

产品设计中的逻辑规则——增删查改显算传

Fri, 02 Nov 2012 18:13:37 CST

产品如同人一样，有样貌、皮肤等外在结构，也有筋骨、神经网络等内在的体系。在产品设计及规划中，产品经理除了要对UI、UE等外在负责外，还需要对产品的筋骨、神经网络负责。产品的筋骨、神经网络即产品隐含的逻辑规则，是产品运转正常的保证。设计合理且逻辑清晰的规则，是产品成功的必要条件。而网络广告产品，可能是网络产品中逻辑规则最复杂的一类产品。

在产品设计的时候，经常会发生下面的情形：

很郁闷的问题，因为你发现，在产品设计中你根本没考虑这些问题，你一直在考虑订单该怎么创建、广告该怎么投放、权限该怎么控制，而这些，你认为，这些都是小问题，还需要我来考虑吗？这个会议的效果可想而知，开发认为这么长时间了，你产品经理在想什么，这些都没想明白，没干活嘛！最后会议草草收场，团队之间出现嫌隙。

那么这些问题，需要产品经理考虑吗？答案是显而易见的，产品经理必须考虑这些问题。因为这些最基础的问题会影响到系统的设计，没考虑到意味着产品经理对规划的产品可以做什么、如何做、能做到什么程度等，没有一个概念，规划的产品的可行性会大打折扣。

这些问题这么多，怎么样才可以都考虑到呢？这就需要我们把握住产品的筋骨和神经，也就是产品的隐藏逻辑——“增删查改显算传”七个字。

以上内容仅是引玉的砖头，各个逻辑中包含那些规则和注意事项，需要根据不同业务进行调整，并且面向个人用户、企业用户的产品和广告产品也有所不同，会更侧重于查、显、算、传四个字上面。

您可能也喜欢：
广告系统的结构设计	[总结] 广告系统总结之权限管理设计与结构设计	谈产品功能复杂化及用户角色建模	产品经理的职责	如果你到对手公司卧底，如何毁掉一个产品？
无觅

移动广告商的最爱——iPad

Tue, 15 Jan 2013 21:37:08 CST

根据 VentureBeat 的报道，最大的移动广告交流服务之一 MoPub 的数据显示，如今最受欢迎的广告平台是 iPad。跟 Android 设备和 iPhone 相比，广告商对 iPad 应用的需求更高更大。

2012 年第四季度，移动广告的价格上升了 50%，其中投入最大的则是在 iPad 上面的广告。每千次曝光的成本是 1.12 美元。iOS 和 Android 设备的广告成本分别平均上升了 66% 和 54%。

另外广告的点击率也在增长。Android 设备的点击率大概在 1% 左右，而 iOS 设备的用户点击率在 12 月初是 1.3%，在 1 月初则上升到了 1.7%。不过，之前有调查显示四成移动广告点击无效，点击率的增长可能依旧有较多水分在内。

根据去年 10 -12 月份 300 亿次的广告曝光，Mopub 发现比起静态的图片广告，“动态式广告”并不一定就是高效的投资方式。诚然后者的广告点击率可能要高出 20%-40%。但是它们的成本也不低，比前者要高 27%-40%。

此外垂直的移动广告平台中，最受欢迎的是社交网络，体育和游戏类则并列第二位，实用工具跟音乐类跻进了前五名。

题图来自 adelaidenow

爱范儿 · Beats of Bits | 原文链接 · 查看评论 · 新浪微博 · 微信订阅 · 加入爱范社区！

IT瘾广告推荐

创业公司如何获取早期用户？

广告产品的五个核心问题

问题一：广告不是独立的闭环业务模式

问题二：几乎所有主流互联网公司都有广告变现模式

问题三：每个公司的广告变现模式各有千秋

问题四：广告产品经理未来发展如何

问题五：广告产品的主线和平衡点

#专栏作家#

计算广告入门概念

1、广告市场的参与方

2、广告市场的常见收费方式

3、供给方的收益衡量

4、广告市场中的竞价机制

广东移动：终端行业分析报告

更多阅读：

CTR 预估模型简介--非深度学习篇

LR(Logistic Regerssion)

原理

一些问题

开源实现

LS-PLM(Large Scale Piece-wise Linear Model)

原理

开源实现

GBDT+LR(Gradient Boost Decision Tree + Logistic Regression)

原理

一些问题

开源实现

FM(Factorization Machine)

原理

开源实现

FFM(Field-aware Factorization Machine)

原理

开源实现

小结

CTR 预估模型简介--深度学习篇

FNN(Factorization-machine supported Neural Network)

模型结构

相关论文

开源实现

Wide&Deep

模型结构

相关论文

开源实现

PNN(Product-based Neural Networks)

模型结构

相关论文

开源实现

DeepFM

模型结构

相关论文

开源实现

DIN(Deep Interest Network)

模型结构

相关论文

开源实现

Deep&Cross

模型结构

相关论文

开源实现

总结

Wand 算法介绍与实现

Wand 原理介绍

Wand 的实现代码

广告语（SLOGAN）的设计逻辑

史诗意义与使命感

进步与成就感

创意、授权与反馈

所有权与拥有感

社交影响与关联性

稀缺性与渴望

未知性与好奇心

亏顺与逃避心

计算广告点击率预估算法总结

前言

CTR架构

Logistic Regression

PLOY2

Factorization Machine

Field-aware FM

移动广告市场大爆发广告费用年增长600%