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。