优酷 DSP 广告投放系统架构实践

2b31e148ca054a7eba7998d94af71302-image.png

文章作者:鸿雁 阿里文娱 技术专家
编辑整理:Hoh Xil
内容来源:阿里文娱技术
文章出品:DataFun

导读: 随着 RTB 网络在线展现广告交易模式的兴起,各大公司都纷纷搭建自己的 DSP ( Demand-Side Platform ) 广告投放系统进行获客。优酷在近几年也搭建 DSP 系统,并且在持续迭代。在这一过程中,经历哪些技术探索?趟过哪些坑?有怎样的技术方案沉淀?下面我将从技术视角分享出来,希望对大家有启发。

——业务目标——

DSP 的核心目标就是用户增长,通过广告拉新和召回,提升用户留存和活跃度。从月活跃度的维度,我们将用户进行分层:新用户、低活跃用户、中活跃用户、高活跃用户和流失用户。

具体活动度的指标,可以根据业务的具体情况进行定义。人群划分好之后,就可以针对各分层人群进行召回承接。我们的重点是要召回当月新用户、低活用户、中活用户、流失用户。

  • 高活用户:即使不采取召回,也会主动来;

  • 流失用户 ( 30 天没来过的用户 ):召回难度最大。因为有可能用户已经卸载或者转移到其他 APP。从数据上看,流失用户的转化 ROI 也是最低的。

所以我们的召回策略就是要把召回阶段前置,在低活和中活这两个阶段就开始进行召回干预。因为这个阶段用户获取成本相对较低,ROI 比较高,让这部分用户不断触达召回,提升留存,把他们往高活上去迁移 ( 当然这部的用户体验也要跟的上,让用户形成使用习惯和心智很重要 )。

——系统架构——

明确了业务目标,接下来介绍下我们的系统的架构。

我们将从渠道能力、策略能力、算法能力、实时监测,数据等几个维度来介绍下 DSP 系统的架构实践与思考。

❶ 渠道能力

召回获客首先要有强大的渠道能力做支撑,这样才能获取和覆盖到足够多的我们想要的用户,本文只涉及到支持 RTB 竞价广告相关的渠道,市面上有很多 ADX 比如百度 ADX、网易、广点通、tanx 等等,那么这么多渠道,我们也不可能全部接入,流量压力也是可想而知的。

首先要思考和评估我们要重点接入哪些渠道,哪些渠道的获客体量大,哪些渠道的成本低,每个渠道的用户分层是怎样的,我们需要对渠道有一个渠道质量的洞察。

从以下指标进行洞察:

需要分析:

  • 媒体下发流量中有多少是安装优酷的用户,用户分层占比;

  • 多个媒体间的用户重合度,控制跨媒体曝光频次;

  • 每日最多可触达多少优酷用户,并分析未被触达的原因;

  • 媒体的点击率、转化率 ( 对应优酷的换端率、播放率 ),预算分配等;

  • 实现最佳的媒体组合进行投放;

  • 优化网盟渠道,如广点通。

广点通渠道我们主要对接的是网盟,广点通网盟可能包含上万家的 APP 媒体资源位,每个媒体的效果和表现都不同。这加大了优化难度,且广点通的流量下发多是根据 ( 竞价成功 PV/流量下发 PV ) 的占比,比例越大,流量下发越多。这就带来一个问题,如果要获取精准用户,势必参与竞价的 PV 会减少,占比降低,最终导致流量下发降低,覆盖不到更多的用户,需要进行权衡。

❷ 策略能力

在 DSP 广告的投放过程中会涉及到很多的投放策略,下面介绍几个比较通用的投放策略。

1. 频次控制

这里说的频次控制包括:参与竞价频次控制、展现频次控制、点击频次控制、换端频次控制等几个维度。

一般说频次控制主要是说展现频次控制,优酷又增加了三个维度的频次控制。

  • 参与竞价频次控制: 这个是分媒体的,在有些媒体效果会很好,有些媒体则不需要,由于有些媒体参与竞价和展现之间的延迟时间比较长,导致一直没有展现,这个时候展现控制就失效了。

    用户可以一直参与竞价,然后集中或者分散开去展现,这种情况展现控制就失效了,有可能一个用户要展现上百次都有可能。

  • 点击频次控制: 对于当天点击过广告的用户,则不在购买,可以防止疲劳。

  • 换端控制: 对于当天唤起过优酷的用户,不在继续购买,由于用户主动或者被动已经来过优酷了,就没必要在进行购买了。

下面举例说明下不同媒体频次控制的次数,不同媒体的效果差的也比较大,尤其是网盟渠道会和头部媒体渠道差别比较大。

2. 素材赛马策略

在投放素材的时候,一个广告计划可能会配置多套素材进行投放,如果没有赛马机制的话就会随机投放。

赛马机制主要解决的是把点击率高的素材给到尽可能多的曝光,点击率低的素材减少曝光或者不曝光。

这个非常类似推荐系统里面的两个经典问题: EE 问题 ( 从探索到应用 ) 和冷启动问题。

下面介绍一个简单的赛马逻辑实现,具体策略如下:

假定投放方案 A,下面有广告位 M,符合 M 条件的素材 X 套 ( X>=2 )

素材 CTR= 素材点击数/该素材展示数

冷启动过程:

第一,在 15min 时间范围内,广告位 M 符合投放方案 A 流量对于 X 套素材流量平均分配。

第二,计算上个 15min 内 X 套素材的 CTR 结果 [CTR1,CTR2,…,CTRx],并进行排序,假定 CTR 最高的为素材 N。

第三,在下一个投放 ( 15min ) 范围内,对于广告位 M 符合投放方案 A 竞价返回素材时:

  • 对于素材 N 分配 80% 的流量

  • 对于剩下的 X-1 套素材,平均分配剩余 20% 流量

第四,投放中重复步骤 2 和步骤 3 的判断。

3. 平滑投放 ( budget smooth )

平滑投放是保证广告主在预算一定的情况下,能平滑的消耗预算,而不是在开始几分钟之内全部花完。

平滑投放可以让广告主触达更多的人,更多时间段的用户群,下面是几种消耗模式,借网络上的几张图:

之前,我们采用的是基于流量模式的平滑投放,问题是流量大时,分配更多的预算,但是转化 ROI 不一定好,所以目前我们采用的是第三种方式,基于效果的平滑投放,这里的效果主要指的是点击 CTR 效果,比如中午,刷手机比较多,效果比较好,那我们就多分配预算在中午这段时间进行投放。

4. 广告重定向策略 ( retargeting )



"重定向" 是广告领域的一个术语,又被称作 "访客找回广告","在营销广告","回头客广告" 等等,是帮助广告主有效获取目标受众的一种重要方式,比如在消费者购物的过程中,常常会因为这样或那样的原因,最终没有完成转化。重定向广告将商品展示到此类未完成转化的消费者面前,将其带回到相关网页。由于展示的商品往往也是消费者最想要的,所以重定向广告的转化率比一般广告要更高。

5. 图片视觉优化策略

为了给用户更好的体验以及更好的视觉冲击力,提升用户的点击欲望,我们对投放的图片素材进行了二次加工,取得了不错的效果。

测试中发现不同渠道的视觉不同,不能统一设计,所以我们进行了分渠道对比视觉设计实验,比如在某 feed 流中。

通过工程合图能力,我们快速实现并上线了几十套模板,线上进行 AB 实验,测试点击率效果,选择优秀的模板长期投放。

❸ 算法能力

接入算法能力主要为了实现个性化的站外广告推荐,目前接入算的架构。

1. 并行多路召回

  • 基于播放记录召回:会根据用户的站内播放行为进行召回,按时间进行衰减;

  • 基于热点节目召回: 比如最近新上的新热剧等;

  • 基于用户偏好召回:比如明星偏好,剧集偏好等;

  • 基于站内行为召回:比如收藏行为,点击浏览行为,搜索行为等。

2. 分渠道模型

由于我们接入了很多渠道,每个渠道的特征表现都不太一样,需要分渠道进行针对性的模型训练,简单的特征如下:

❹ 数据&监控能力

完善的数据分析系统对 DSP 的投放非常重要,通过数据分析,优化转化漏斗,降低成本。

1. 转化漏斗

首先需要定义业务的转化漏斗,见下图:

下面逐步说下这几个漏斗阶段我们可以干预的策略。

  • 参与竞价

    参与竞价的量,主要受限于用户的识别能力,如果根据设备信息可以准确识别到是优酷的用户,那么参与竞价的量可以大大提升。

  • 竞价成功

    竞价成功的量,主要有这几个方面的受限,第一个是出价,出价过低导致竞价失败率高,第二个是接口性能,目前 ADX 要求是 100ms 内返回,这就要求 dsp 需要不断的优化接口的响应时间,可以很明显的提升竞价成功的量。

  • 展现

    展现的量,比如标题长度,曝光的次数等等。另一个是媒体自身的原因了,可能媒体本身有些复杂的频控逻辑导致展现不成功。

  • 点击

    这个第一是和算法的推荐能力的准确性有关系,推荐的越准确越容易点击,另一个是和图片和标题的吸引程度以及视觉体验有关系,比如一个猎奇的短视频,可以大大激发用户的点击欲望,还有就是刚才说的视觉图片合图的优化。

  • 唤起

    换端率,主要受限于识别用户是否安装了优酷 APP,用户是否是误点击,或者不像打开观看,时机不对?或者还有个原因就是系统启动太慢,有广告,提前退出了。

  • 播放

    播放率,主要受限于播放页的性能和前贴广告,如果前贴广告太长,用户等不及就退出了,没有产生有效的播放,再有就是网络状态 4g or wifi 等等。

  • 次日留存

    主要和产品的用户体验有关系。

2. 全方位监控

广告系统的交互各个环节都需要进行详细的监控,才能做到有问题及时发现。

比如突然的消耗上升或者降低,点击率的下降,参与竞价量的下降等等,都需要进行详细的监控,避免资损的发生。

目前建立的监控体系指标有如下:

——总结——

最后在总结下整个 dsp 的建设过程要考虑的点:

  • 渠道建设,流量接入

  • 投放策略沉淀

  • 算法模型发挥推荐优势

  • 完善的监控体系

当然本篇文章由于篇幅有限,还没有涉及到 DSP 的另一块核心,流量价值预估和出价算法,这块后续会有单独的篇幅去介绍,优酷的这套体系上线后在拉新和召回上发挥了重要的作用,为用户增长打下了坚实的基础。我们还在不断的建设和完善中,非常欢迎计算广告领域的专家大牛加入。我们团队的邮箱是:

alitvdev-BJ@list.alibaba-inc.com

大家有相关技术问题,也可以发送到邮箱中进行交流。

参考链接:

1. https://zhuanlan.zhihu.com/p/52237643

2. http://www.swanlinux.net/2017/02/10/papers/real_time_bid_optimization/index.html

3. https://tech.meituan.com/2017/05/05/mt-dsp.html

4. https://zhuanlan.zhihu.com/p/28406017

5. https://help.aliyun.com/document_detail/59480.html

6. https://36kr.com/p/5189571

作者介绍

鸿雁,阿里文娱技术专家。专注计算广告领域,负责优酷数字营销 DSP 平台建设。


本文地址:https://www.6aiq.com/article/1575911166898
本文版权归作者和AIQ共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出