来自 科技 2019-11-29 10:24 的文章

从腾讯广告看“智能投放”的产品趋势

好的广告优化师,就像是个老司机,能把广告投放引擎这辆车开得得心应手,多快好省地达成商业目标。不过,随着数据利用愈发深入,广告产品愈发复杂,车上的仪表盘也越来越多,想把车开好也就越来越难了。

于是,广告平台开始删繁就简,提供类似“自动驾驶”的产品体验,这称为“智能投放”。跟自动驾驶一样,这事儿的难度也相当大:如果没有雄厚的数据沉淀、强大的算法能力,各种自动优化的美好构想都只能是无米之炊。

我一直想找个实际案例,介绍一下这方面的产品进展。正好,前两天遇上在腾讯做广告产品的老同事,跟他聊了聊才发现,智能投放已经有了不少落地产品。下面,我们就从一个客户的角度来看看,这些产品都能做什么。

一个广告优化的老司机,平时都做些什么呢?核心是如下三项工作:一、做创意,这是出发前把油箱加满;二、选人群,这是根据目标确定路线;三、调出价,这是不断根据路面情况调整方向和速度。目前来看,抛开优化师全自动投广告,就像是无需司机任何辅助的L5级自动驾驶一样,离我们还有点远。比较合理的目标,是在那些有充分数据支撑的环节,把优化师从重复枯燥的工作中解放出来,从而专注于更加有创造力的部分。

腾讯的广告产品,着眼于把这整个过程都尽可能智能化。像下图示意的那样,这一产品体系除了上面提到的几个关键环节,还包括实验、衡量和诊断这些贯穿投放路径追踪的智能化,这些我们以后有机会再讨论。

下面,我们就按图索骥,从广告优化的几个核心环节来看看,腾讯的“智能投放”产品体系,是怎样提高工作效率,提升优化效果的。

程序化组合出好的创意

准备创意这一步,看起来很难被自动化。不过,有一个痛点,机器还是能帮上很大忙的:哪个广告创意最能够打动受众?比如,你想了三条广告语,做了三幅大图,拍了三段视频,这些元素搭配起来,就有二十七种组合。要在其中找到最好的,工作量大且头绪繁多,手工实现相当困难。

腾讯广告的“动态创意(Dynamic Creative, DC)”就是针对这个环节的智能化产品。这一功能大家并不陌生:你提供了元素,系统会自动生成各种组合。不过,此产品的输出,并不像我们通常理解的那样,通过A/B测试从27种组合里选出最好的一个,而是将它们全都用于线上,根据数据为不同人群自动分配一个效果最好的创意。

分期乐使用“动态创意”投放,优化广告投放效果

也就是说,只要你上传了基础素材,创意环节就什么也不用做了,甚至连看报表挑素材都用不着!对优化师而言,这项功能可以把他们从繁重低效的创意制作和筛选工作中解放出来。

“智能创意”覆盖创意生成到投放的全链条环节

每个客户的投放预算有限,组合出的创意又很多,这个功能要想有实用价值,关键驱动力是对用户群体的画像洞察能力:不了解某个目标人群的共同特质和偏好,得到的实验结果往往会缺乏推广性,实用价值也就大打折扣,而目前腾讯广告的动态创意就能帮助解决这个问题。

智能选择合适的人群

做完了创意,就要选择投放的人群了。如今的广告平台,都提供了大量的标签。其实,对缺乏数据的广告平台而言,就算标签数量再多,也不过是半吊子练家子摆出的十八般兵器,根本没什么用处。

对腾讯这样数据基础雄厚的广告平台来说,标签当然是有价值的,可是,大量的标签又让客户选择起来十分困难。这就好比让你在错综复杂的上海地图上,找到一条去某地最快的路,如果你没去过目的地,或者路况太复杂,人为抉择的难度不小。按我有把握的人群选吧,量起不来;想要快速上量吧,又不知道应该扩展哪些人群。

然而,标签多并不一定等于难投!对效果广告来说,标签不过是用于估计eCPM的特征。既然地图这么复杂了,何不由引擎选择路线,打造自动选择人群的产品体验呢?显然,在数据的支持下,这是完全有可能的。

腾讯广告的产品在这方面迈出了重要一步。它的“智能定向”环节,提供了两种方式,帮客户选择合适的人群:

一、自动扩量。这适合于那些对自己核心受众比较明确,希望进一步拓宽定向拿更多量的客户。比如,我知道产品受游戏爱好者的欢迎,那么你可以先选择此人群,系统会自动突破原有定向,扩展到更广泛但效果类似的人群上。如果你给不出“游戏爱好者”这么明确的描述,但是手里有一批老客户,也可以将其上传到系统中,使用自定义人群搭配自动扩量来使用。自动扩量和大家所熟知的相似人群拓展(lookalike)底层技术比较类似,只不过从产品升级的层面来看,lookalike是一个由客户根据所指定的种子人群和扩展量级生成的人群包,而自动扩量可以更智能地从历史数据中学习特征,在广告的全生命周期内动态地突破原有定向,结合投放目标调整定向人群的量级和质量。

二、系统优选。也有些产品,如快消商品,男女老少其实都可以是目标人群,在定向的时候其实并不好选标签。因此与其乱试一通,不如完全交给系统来自动选择。有客户会有疑问:我自己都无法给目标受众一个明确的人群定义,系统是怎么决策的呢?其实,系统会对你的产品进行品类和语义分析,也就可以借用相关历史数据冷启动,再根据实测数据逐渐调整。这可以类比于一个成熟的自动驾驶系统,由于积累了大量地图数据,只要给个目的地,找到一条合理的路线并不难。

对于智能定向,个人建议的使用方法是:对自己核心受众有把握的广告主,可以搭配使用核心受众+自动扩量进行投放;而对没有相关积累也没有定向选择经验的广告主,可以直接使用系统优选来投放。这样一来,“选择合适的人群”这个过程,在广告优化过程中就基本自动化了。

对于具备数据资产沉淀的广告平台来说,这显然是合理的发展趋势。你管我练过什么兵刃拳脚呢,我能把你揍趴下不就得了?

瞄准效果自动出价

创意和受众都确定了,剩下的核心工作就是出价了。对多数客户而言,曝光或点击都不是最终目标,因此在CPM、CPC结算时,客户要估计转化率并不断调整出价,以追求合理的起量和转化ROI的平衡。

这个过程又麻烦又没谱。如果广告平台能够自动帮客户优化转化单价,显然可以大大降低运营成本。

以此为目标,产生了oCPX的出价模式,它的思路是把结算和优化分开:比如,按CPM结算,但目标是优化客户的转化。理想情况下,客户定好转化单价,其他事情交给平台就行了。在腾讯广告智能投放的产品体系中,这属于“智能出价”的oCPA。

oCPA工作原理,满足广告主设定的优化目标

问题可没这么简单,因为优化转化并不简单。拿游戏客户来说,把激活当转化,跟最终的充值目标有距离;把充值当转化,数据又太过稀疏,以至无法有效建模。于是,为了模拟人工投放过程中,“控制激活成本优化充值”这样的操作,腾讯广告引入了“双出价”这种新模式。

从用户漏斗来看,可以把转化分成浅层和深层目标。如果把漏斗上的行为尽量多地上传,客户就可以同时选择一个浅层目标(比如激活)和一个深层目标(比如充值),并给出这两者的期望出价成本,这就叫双目标出价。

全链路转化模型

在不同场景下,双出价又分为“双目标”和“两阶段”两种模式:

一、双目标出价。有些客户,对浅层深层两个目标的成本都很关注。这种情况下,系统努力的方向是让两个目标成本都能达成。当然,安全是安全了,可是由于多了个约束,广告起量的难度也会增加。

二、两阶段出价。有些客户,在意的是主要是深层转化比(比如付费)。可是上来就优化深层目标,数据又太稀疏。于是,可以让系统在初期先优化浅层目标(比如激活)以控制买量成本,在深层目标积累到一定数量以后,再切换优化目标,这就是两阶段出价。

无论是双目标还是两阶段,客户都要设定两个转化的目标价格。在两阶段模式下,系统在积累了10个深度转化后,会自动进入阶段二。

智能出价的重要挑战在于:转化量要到一定规模,优化才比较靠谱。对此,有个巧妙的产品办法。以电商为例,如果所有客户的购买流程都一致,数据结构化程度高,一致性也比较强,这大大有利于系统的统一建模。因此,腾讯广告为若干主要行业,都制作了统一的落地页模板。建议投oCPX的客户,尽量采用官方提供的落地页模板,这样优化的效果会比较好。

也有人怀疑,机器真的比优化师靠谱么?其实,如果初期数据不足,好的优化师可能有些优势;不过随着转化数据的积累,机器的优势就体现出来了:它可以渐渐准确地算出各种细分人群的转化率,然后对不同人群有针对性地调整出价,显然这一点是人类望尘莫及的。所以,归根结底,oCPX模式有多大用,还是要看系统数据的建模能力。

对于广告投放主流程上的各环节,如果对上述产品运用自如,自动化程度就已经相当高了。而对于线上实验、评估效果、诊断问题这些投放效果的追踪环节,腾讯广告也提供了很有新意的智能化产品,我们以后有机会再撰文介绍。

说到这里您可能有体会,不论智能投放的产品设计如何精巧,要想真正帮助优化师,有两个重要的前提条件:

1. 以完善的数据体系和强大的建模能力为支撑。巧妇难为无米之炊,如果对目标人群的了解不是足够深入细致,自动化的效果还不如优化师的经验,也就不可能推广。在中国,有这样数据能力的平台,其实是凤毛麟角的。而多数市面上吹上天的智能营销产品,都是面向广告主的一张大饼罢了。

2. 有服务大量效果客户的运营实践。说归说,练归练,你得实际接过一万小时的客,才好意思说自己是模范服务工作者。如果天天拿几个买曝光的品牌客户当做案例,那还用得着什么智能投放?

就腾讯广告的产品方向来看,广告平台越来越像一部能在高速公路上自动巡航的车子,您只要认准目标,处理一些意外情况就好了,手忙脚乱的挂挡加油操作会越来越少。而作为“万物的尺度”的人类,就可以从繁琐低效的重复劳动中解放出来,集中精力关注策略和创意等机器无法取代的创造性工作了。