《互联网DSP广告揭秘——精准投放与高效转化之道》一一1.5 PMP私有交易市场 

简介:

本节书摘来自异步社区出版社《互联网DSP广告揭秘——精准投放与高效转化之道》一书中的第1章,第1.5节,作者:曲海佳,更多章节内容可以访问云栖社区“异步社区”公众号查看。

1.5 PMP私有交易市场 

PMP(Private Marketplace),中文翻译为私有交易市场,是将传统互联网广告的私有的交易方式,与程序化交易广告的理念相结合的新程序化交易广告形式。简单点说,就是在明确特定的优质媒体上展示的DSP广告。

上文提到Agency Trading Desk相当于挂着四个幌子的高档大饭店,是从规格、能力、资源和服务质量等多维度来说的。本章节将会和大家探讨一种将资源优势发挥到极致的交易形式,那就是PMP。如果说Agency Trading Desk是大饭店,那PMP就是某类餐饮最地道正宗的百年老店,在同类餐饮中拥有最高的地位。

关于PMP,我们有以下事实需要注意。

PMP的诞生是甲方、乙方与优质媒体方三方妥协的产物。
虽然程序化购买以受众为购买对象的理念更符合“以人为本”的原则,也更有可能获得更好的效果,但是不确定广告会在哪里展示的这种“不确定性”也往往很难被传统观念顽固的甲方(广告主)所接受,所以能够很好接受乙方理念的甲方往往归根到底只会说三句话,它们分别是:

“你们做过某某类的广告吗?”

“效果怎么样?”

“那咱们试试吧。”

而不太能接受这种“不确定性”的甲方首先并且之后反复询问:

“我的DSP广告到底展示在哪里?”

这几乎是每个DSP公司都曾经遇到过并且以后也还会遇到的难题。

尽管现在已经进入到21世纪的第17个年头,但是有相当一部甲方广告主对于互联网广告的理解仍然停留在媒体购买的时代,也就是说一定要知道自己的广告具体会展示在哪里才放心。而且很多时候提出这个问题的人不见得真的不明白RTB广告的理念或受众购买的道理,而是因为他们不得不给自己的上级或老板有个清晰的交待,因为老板相信Seeing is believing(眼见为实)。比起对于“精准受众购买,打破媒体依赖”理念的讲解,直接递上一份明确的媒体展示位置列表似乎要简单得多。

而优质媒体方也对将自身的资源放到公开市场(Ad Exchange)上心有不甘,毕竟“天生丽质难自弃”,也想“一朝选在君王侧”,不愿意参与成交价格不确定的公开拍卖(RTB)。

面对这种情况,乙方又能怎么做呢?一来“做事不由东,累死也无功”,甲方的需求在一定程度上必须得到满足;二来甲方对于品牌保护方面的顾虑也并不是没有道理;三来与优质媒体的合作来之不易,一旦媒体的诉求没有得到满足,很容易就会“移情别恋”,转投别家。所以乙方适时地推出了PMP的概念,同时满足了双方的利益,通过私有交易的形式为甲方与媒体方“保媒拉纤”,一方面为甲方的程序化广告展示位置提供了一个明确的优质媒体列表,另一方面让优质媒体方的流量得到比RTB高得多的变现。

有了PMP之后,甲方广告主可以在特定的媒体上“蹲点”,然后准时看到自己的广告,做到了“眼见为实”;媒体方可以将自身的优质资源“私下里”以更高的价钱进行交易,不至于贱卖;乙方平台也多了一种广告形式来满足这些对于品牌安全极为重视或者传统观念段时间内难以扭转的大客户的“苛刻”要求,维持了供需平衡。

PMP的本质是DSP+“白名单”。
究其本质,PMP在实现受众购买的同时,还能兼顾展示媒体的质量与内容,极大地消除了展示位置的不确定性,相当于在“受众定位”和“媒体定位”的双重限定下取交集,做到了在特定某时特定某地针对特定某类人展示特定某支广告。

换做DSP的功能来说,PMP就相当于使用了“白名单”功能的DSP广告,除了DSP广告自身的所有功能外,还同时将特定的媒体列表加入了“白名单”,唯一的区别就是PMP的媒体列表更加优质。

PMP的交易形式可以按照价格与广告位是否预留来进行区分。
PMP广告在呈现形式上和DSP没有任何区别,严格意义上来说都是展示广告或者程序化交易广告,从受众的观感上并不能进行有效区分,不同种类的PMP广告也只是在交易方式上有所区别而已,按照交易方式的不同可以进行如下划分。

广告位预留+价格固定:这种形式下,广告主与媒体方是一对一的关系,广告位固定而且有机会独占排他,广告主可以在排期内保质保量地获得广告位资源。在此基础之上,广告主可以全盘接受对所有受众投放广告,也可以按照自己广告的受众定位针对媒体的受众进行筛选展示,这种形式的叫法有很多,常见的有PDB(Programmatic Direct Buying)、PPB(Programmatic Premium Buying)和PGB(Programmatic Guaranteed Buying)三种,国际上还有把这种形式叫做Automated Guaranteed和Programmatic Reserved的。

广告位不预留+价格估定:第二种形式与第一种形式,即PDB或PPB在实际情况中常常伴生,即预先已经有其他广告主以PDB的形式购买走了一定量的媒体资源,接下来的广告主可以针对媒体已有排期的余量进行购买,因为每天的流量都是不同的,所以余量也可多可少,所谓的不固定是指量的不固定。而采用这种购买形式的广告主同样既可以包圆所有余量,也可以针对余量进一步挑选。这种形式最常见的叫法是Preferred deals,类似说法还有Unreserved Fixed Rate、Private Access或First right of refusal。

广告位半预留+价格不固定:第三种形式之所以说广告位半预留,是因为第三种形式与前两种的最大不同就是出现了小范围内的直接竞争,其原理与RTB极为类似,只不过范围更小,参与者更少,并且媒体的质量更高。说广告位是半预留,是因为这种形式下广告的展示位置仍然带有一定的不确定性,但这种不确定性是在一个相对很小的范围之内的。这种形式常见的名称是Private Auction,也有叫Invitation-only Auction或Closed Auction的。

这里没有提广告位不预留和价格不固定的形式,因为具备这样特点的是RTB,就不属于PMP了。

PMP的未来将会成为各个DSP平台的标配功能之一。
考虑到甲方对于品牌安全要求的合理性、部分甲方传统观念短时间内难以扭转,以及DSP平台之间的激烈竞争,未来PMP将会成为各个DSP平台的标配功能之一,可以满足对于广告展示媒体比较看重的客户,尤其是品牌类客户的需求。

就形式而言,PMP要么作为一家公司旗下相对独立的一个产品,要么作为原有DSP平台的内置或隐藏功能。

相关文章
|
5月前
|
人工智能 JSON 前端开发
前端组件库——Semi Design知识点大全(三)
教程来源 http://unbgv.cn Semi D2C是抖音前端自研的行业领先设计稿转代码工具,支持Figma一键生成语义化React代码(JSX+SCSS/Tailwind等),精准识别Semi组件及Props,无需标注、不改设计习惯,深度打通设计系统,3–5秒完成布局与样式还原。
|
存储 自然语言处理 算法
OpenIM Bot: 用LLM构建企业专属的智能客服
OpenIM Bot 通过结合LLM和RAG技术,构建企业专属的智能客服系统。该系统通过优化向量存储、混合检索和查询分析,解决了LLM的幻觉、新鲜度、token长度和数据安全问题,提升了用户体验。向量存储和预处理步骤确保文档高质量,而混合检索结合文本和语义搜索,增强了检索结果的准确性。通过迭代优化,OpenIM Bot 提供了高效、智能的支持服务,减轻了支持团队的负担,提升了问题解决效率。
1909 3
OpenIM Bot: 用LLM构建企业专属的智能客服
|
SQL 分布式计算 HIVE
|
存储 运维 安全
数据库运维之InnoDB存储引擎表损坏修复方法
InnoDB存储引擎表的损坏可能是多种因素导致的,比如服务器断电、系统崩溃、硬盘损坏、写数据过程中mysqld进程被kill掉。
1530 0
|
Shell Go Python
golang调用shell命令(实时输出, 终止, 乱码等)
golang调用shell命令(实时输出, 终止, 乱码等)
golang调用shell命令(实时输出, 终止, 乱码等)
|
Java Spring
基于 Java 的插件化集成项目实践
之前已经写了一篇关于《几种Java热插拔技术实现总结》,在该文中我总结了好几种Java实现热插拔的技术,其中各有优缺点,在这篇文章我将介绍Java热插拔技术在我司项目中的实践。
1552 0
基于 Java 的插件化集成项目实践
|
SQL 存储 算法
如何写出高性能的SQL Join: join实现和最佳实践
Join是数据库和数仓中最常用的一个感念了。在关系型数据库的数据模型中,为了避免数据冗余存储,不同的数据往往放在不同的表中,分为事实表和维度表,这样做可以极大的节省数据存储空间。但是在分析数据时,则需要通过join把多表关联起来分析。可以说,做数据分析,绕不开的一个话题就是join。而join有多种类型,在使用上有不同的使用方式,而在实现上也有不同的实现方式。不同的使用方式和实现方式,则会造成性能上的天差地别。本文尝试由表及里梳理join的使用和内部实现方式,通过了解内部实现,了解如何写出一个高性能的join SQL。
3517 2
如何写出高性能的SQL Join: join实现和最佳实践
|
缓存 Java 中间件
为什么强烈建议你不要做联表查询?
为什么强烈建议你不要做联表查询?
为什么强烈建议你不要做联表查询?
|
存储 算法 安全
【高阶数据结构】手撕红黑树(超详细版本)
【高阶数据结构】手撕红黑树(超详细版本)
1134 0
【高阶数据结构】手撕红黑树(超详细版本)
|
机器学习/深度学习 传感器 人工智能
一文详解深度学习冷板式液冷散热技术规范及要
《绿色数据中心创新实践——冷板液冷系统设计参考》是在生态伙伴积极参与和大力支持下,应对 IT 设备功耗和功率密度的增加,需要新的冷却技术来满足不断提高的计算性能需求,而共同探索和提出的更经济、更高效的冷却方案参考。
2318 0
一文详解深度学习冷板式液冷散热技术规范及要