《程序化广告实战》一 1.2 程序化广告的概念及发展历程

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介: 本节书摘来自华章出版社《程序化广告实战》一 书中的第1章,第1.2节,作者:吴俊,更多章节内容可以访问云栖社区“华章计算机”公众号查看。

1.2 程序化广告的概念及发展历程

下面让我们一起来了解本书的主要对象——程序化广告。
程序化广告是数字营销未来的重要趋势,是每个营销人不得不掌握的营销技能。在此我们将揭开程序化广告的神秘面纱。本节我们会从程序化广告的定义、出现的主要动因、发展历程及模式等层面对程序化广告展开介绍。

1.2.1 程序化广告的定义

程序化广告是运用技术手段,对整个数字媒体广告投放过程中的各个环节进行信息化,并通过技术手段衔接为一体的一种工具。购买、投放、报表追踪、持续优化投放等全环节完全可通过程序化的方式来自动完成,从而提升媒介效率。我们要认识到,程序化广告仅仅是广告行业的信息化工具,工具是要被营销人员应用才能发挥效用的,我们需要将媒介分析及优化策略通过工具落实,进而帮助我们通过程序化的手段去管理大量广告投放过程。我们可以把程序化广告想象成洗衣机。在没有洗衣机的时代,我们是通过手来洗衣服的,而有了洗衣机后就可以用机器来代替人手来洗衣服,不过洗衣过程中搓洗、漂水等环节还是必不可少的,只是效率更高了,按几个按钮就自动完成了。同时我们在人手洗衣服的过程中需要抹洗衣粉,对污渍区域要不断观测并加大清洗力度。洗衣粉、水温等就像程序化广告中的大数据,大数据是程序化广告的重要核心。从技术角度看,程序化广告就是自动化工具+大数据。

1.2.2 程序化广告出现的主要动因

营销人员都知道,营销是一门十分特别的艺术。营销圣经《定位》中就曾为这样说过:“营销的竞争是一场关于心智的竞争,营销竞争的终极战场不是工厂,不是市场,而是心智。”
营销人员无时无刻不在思考如何能在合适的时间合适的地点对合适的人传递合适的品牌及产品信息。最终促使用户能在出现需求的瞬间第一个想到我们的产品和品牌并进而产生购买意愿。而传统排期采买模式下,广告主会被迫买下很多非目标受众的曝光资源,造成营销预算的大大浪费。
同时媒体流量卖方也迫切期望将“剩余流量”变现。我们都知道,传统采买基本都是一些较好的点位,且被争抢严重,而媒体方的很多“剩余流量”都无人问津,往往只能用配送的方式送给广告主。而这些“剩余流量”只是位置比较靠后,非首屏等显要的位置,但所传递的信息同样会被用户获取。
正是在这样买卖双方强烈诉求推动下,数字营销模式快速升级,由传统排期采买媒体触达人群的方式升级为更符合营销艺术的精准买人的方式,从而催生了程序化广告购买。
2012年可以说是中国广告程序化购买发展的元年,经过长达5年的发展,中国的程序化广告,不论是媒体方、广告交易市场、程序化买家、监测方、广告代理公司、广告主等商业角色,还是流量规模、质量、基础技术设施、交易模式、各方意识及认识等,都已日趋成熟。
据不完全统计,目前数字营销预算中“程序化购买”基本已占到20%~30%的份额。各广告交易市场每年的交易额都在成倍增长。
当然正是媒介购买方式的这种变化(由传统的商务洽谈、人工制作排期,变为程序化购买、自动化精准投放),推动了广告行业向信息化、数字化、自动化的产业升级。这犹如之前的“电商”,是商品从线下销售渠道向线上信息化升级。
产业需求+技术发展推动整个产业升级,升级必然带来很多变化,从而使得很多从业者不适应,甚至引起从业者的抗拒。
其实静下来仔细梳理程序化购买的特点,就会发现,其技术化和变革升级点均不难理解,其实它没有那么的“高冷”“晦涩”。
程序化购买首先就是运用程序化的技术手段对媒体广告流量中的每次曝光机会进行管理,支持采用程序化的方式进行广告采买、投放以及后续的数据回收;让整个营销传播的过程能逐步可数字化,可通过数据来观测、管理广告投放,从而有效管理营销输出。以往整个过程和方法都是通过人工进行优化管理的,现在可以采用给计算机程序下达逻辑指令的方式自动化完成。
其次从操作效率层面看,由传统靠人面对面、发邮件这样的十分低效的方式,升级为信息化、自动化的方式,大大提升了交易效率,也促进了交易规模的提升。类似淘宝购物,可能买家跟卖家一句话都不用说就可直接加购物车付款收货了,整体交易效率和交易规模大大提升,大家能腾出更多的时间和精力去干些更有意义的事情。
需强调的一点是,若我们能正确认识到“程序化广告”仅仅是自动化营销的工具,是为我们这些营销从业者所用的,这样我们就不会再有“高冷”和
“距离感”了。有了程序化广告以后我们就可以使用更高效、更可视化、更闭环的管控方式一点点地释放广告预算,一点点地摸索目标人群的媒介及行为特点,一点点地使用展示广告、社交传播、搜索(SEM)、线下集客等营销手段来科学地塑造营销这门实证的艺术。

1.2.3 程序化广告的发展历程及模式

下面让我们一起通过互联网展示类广告交易模式的发展历程,来看看大家经常听到的一些广告交易模式及其特点。

  1. “传统排期”广告投放(常规投放)

screenshot

“传统”互联网展示类广告都是以CPT、按位置及时间包段的广告合约方式进行售卖的。常见的是以CPD包天合约的方式进行售卖的。媒体一般每年会制定出不同点位的对外公开报价表(一般称为刊例表)。广告主采买的排期表称为spot plan排期表。下图所示是排期表示例截图,因此可以看到排期表大概的样子,对传统排期投放有个初步的感性认识。

screenshot

“传统排期”广告投放(常规投放)优劣分析如下。
优势:
交易模式成熟,商业规则易约定及谈判,流量相对“清晰”;
上下游各环节利益格局稳定;
交易双方销售沟通成本低;
卖方媒体资源售卖率有保证。
不足:
买方跨媒体流量利用效率低下(目标人群重复投放);
买方优化手段较单一(单媒体人群、行为分析等);
对于买方,数据反馈不及时、黑盒操作、无法积累数据资产;
卖方售卖资源集中被争抢,剩余流量无法变现,只能配送。
在这种模式下广告主会被迫买下很多非预期的用户流量,造成营销预算的浪费,根本无法做到“在合适的时间、合适的地点对合适的人传递合适的信息”。正是在这样强烈需求(提高传播效率)的推动下,广告主纷纷同媒体沟通探索改变的可能性。
殊不知,在媒体卖方角度也存在强烈的将“剩余流量”变现的需求。为什么这么说呢?其实我们都知道,传统排期包段采买的模式下广告主(尤其是财大气粗的金主)一般都期望能买到“较好的位置”(例如首页、热播剧之类的点位)。这些“较好的位置”基本都供不应求,争抢严重,有的可能需要提前半年预定。但是媒体方有很多广告位流量同样也能有效地将信息传递给用户,只是因为位置非首页等显要位置,或深藏在某些专题内容页的位置等,往往无人问津。媒体方要么便宜贱卖,要么干脆打包配送出去,所以媒体卖方也在思考探索改变的方法。

  1. AdNetwork(广告联盟)模式
    AdNetwork(Advertising Network,在线广告联盟),这是在广告业内,早期一个应用较为广泛的概念,是一种介于想出售广告的众多小网站与想在众多网站上刊登广告的广告主之间的平台。比较知名的大型广告网络有Google的AdSense、百度联盟等。其主要商业动机源自中间商或媒体出于自身业务的需要,先采购一批广告库存,然后将该广告库存通过某种方式售卖给广告主。

广告联盟常见商业模式如下:
赚取低买高卖的差价,这种例子非常的多,就不一一举例了。
自身业务的有效延伸,例如Google Adsense、Baidu联盟等是对自身搜索关键词业务的有效延伸。
买方首先有消耗广告库存的大量需求,存在大量采购广告库存的需要,所以搭建一个广告联盟一方面可以以较低的价格采购流量,一方面自己消耗不掉的广告流量亦可再做售卖进行变现。典型代表例如阿里妈妈广告联盟等。
降低媒体成本、争取价格上的竞争优势、获取更多预算,例如,门户等媒体已掌握大量广告主预算,为降低售卖单价,用一些低成本联盟媒体来拉低价格。
AdNetwork(广告联盟)模式优势:
卖方聚合流量规模效应带来价格及利润的优势和空间;
交易模式相对成熟,卖方可按媒体垂直分类打包售卖;
卖方以卖媒体流量为主,按媒体属性分类。
AdNetwork(广告联盟)模式不足:
售卖的长尾流量居多,不够高大上,尤其对于大品牌广告主;
售卖的流量相对“模糊”;
对于买方,数据反馈不够及时、黑盒操作、无法积累数据资产。

  1. 剩余流量RTB公开竞价
    媒体卖方(流量方)迫于变现与业绩压力,在流量没有大涨的前提下,如何使收入成倍增加?如何商业变现利益最大化是流量卖方时刻在思考的问题:

卖方(媒体)黄金点位流量有限、长尾媒体资源较多;
网络碎片化趋势导致卖方(媒体及AdNetwork)剩余广告库存增多;
卖方不承诺流量;
通过竞价模式产生更高溢价(交易价格不定)。
买方(广告主需求方)出于提升媒介效率、提升营销ROI(Return On Investment投资回报率)的诉求,在如下综合因素下促成了剩余流量RTB(Real Time Bidding实时竞价)公开竞价的交易模式:
广告主需要跨媒体针对人进行广告采买;
大数据概念与技术的强劲发展;
市场与产业链形成。
RTB是程序化广告领域中很重要的一个概念,是程序化购买的关键。类似股票交易市场,卖方买方都到一个市场中进行交易。广告流量卖方通过程序化的方式将广告流量接入广告交易平台(ADX,Ad Exchange)中,并设定底价,当用户浏览媒体内容页,有一个广告位需要展示广告时,卖方会将该广告曝光机会通过广告交易平台向各程序化买家,即DSP(Demand-Side Platform,需求方平台)发起竞价请求。各程序化买家根据对该广告曝光机会的评估背对背出价,广告交易平台收到各个程序化买家的出价后,进行比价,找出出价最高的买家,将出价最高的买家的广告素材给到媒体进行展示,同时将竞价成功的结果返回给到胜出的程序化买家,整个过程都是通过程序化的方式在100毫秒以内完成的。相关的常见词有Open Auction、Real-Time Bidding (RTB)、Open Exchange、Open Marketplace。
可见RTB与传统广告投放的区别在于:RTB通过程序化方式采买、投放、优化,实时管理媒体数字广告流量的每一次曝光机会。
RTB带来了“更接近真实”的精准营销:在对的时间点对目标受众传递合适的广告内容。
RTB与传统排期采买的对比
screenshot

前面提到DSP(Demand-Side Platform,需求方平台),即网络广告的程序化买方操作平台,通过这个操作平台的技术手段,买方可以根据自己的需求对目标人群每一次广告机会进行精准实时竞价购买。

screenshot

注意: ADX卖方同买方(DSP)之间是按广告曝光的竞价成功金额进行结算的,而不是按第三方监测数据。然而广告主同DSP方一般是以第三方监测为依据来结算,所以DSP方需要承担这个GAP(即差距、差异,常指广告投放方观测到的数据同第三方监测或广告主方观测到的数据的差异。由于这个差距会涉及广告结算,所以是各方都十分敏感的问题)。
RTB同AdNetwork(广告联盟网络)的区别如下表所示。
RTB与广告联盟特点对比
screenshot

RTB开放式竞价的交易模式优势如下:
卖方可实现剩余流量变现,也可采用竞价方式售卖;
买方可跨媒体针对人群投放,流量可管理;
买方可买人,而不是买流量,最大化投放效率;
买方可重点关注效果;
买方可根据实时反馈的数据闭环优化广告投放;
利于买方数据积累。
不足之处如下:
售卖的流量不够高大上,尤其对于高大上的品牌广告主;
售卖的剩余流量质量参差不齐,流量相对“不清晰”;
公开竞价方式的问题在于,广告位资源和价格都无法预知,造成了投放广告不确定性的增加;
“老板”看不到广告。

  1. 流量卖方预留库存PDB模式
    上述3种是之前市场上较为常见的模式,但并不能很好地满足买方业务发展的需求。尤其对于大品牌广告主,大品牌广告主有如下特点:

更注重品牌形象,预算充足:有足够的商务能力采买黄金媒体点位的流量;
内部提升广告投放效率诉求强烈:降低CPUV(Cost-Per-Unique Visitor,单人覆盖成本)、CPL、流量筛选、针对目标人群投放、降低频次、扩大受众、降低广告对潜在目标用户单次有效推送成本等;
高大上的品牌广告主十分希望能通过程序化的手段对自己包段的黄金资源的流量进行程序化广告投放从而提升广告投放效率。这样就催生了介于传统排期和剩余流量RTB之间的变通模式——PDB(Programmatic Direct Buy,私有程序化购买)。IAB(美国互动广告局,The Interactive Advertising Bureau)称之为程序化合约(Automated Guaranteed)。对于高大上的广告主,这种模式近乎完美。这种模式是传统排期采买模式的简单升级,采买的流程和环节并没有变化。PDB对传统采买的商务流程及利益链条没有触碰,仅对广告主包段的黄金资源流量运用程序化广告的手段进行管理,在一定的限制条件下做到在合适的时间、合适的地点对合适的人展示合适的广告。这种模式也是很多业内人士俗称的保价保量模式。那么这个“限制条件”是什么呢?对于传统CPT售卖的固定位的广告流量,媒体一定是不会同意退量的。这一是因为技术上媒体的投放系统不支持,二是因为媒体一定要保证收入不能因为程序化而减少。那么在这样的“限制条件”下广告主只能做到有限优化,播放多个创意或者多个品牌产品。对于传统CPM售卖的视频贴片等广告流量,媒体是同意筛选流量的,即非广告主预期目标用户的广告曝光机会可以退还给媒体,让媒体播放其他广告主的广告。但由于媒体为了保证一定的售卖率,对退还量有一定的限制,一般大的媒体要求退量小于整体推送量的20%。若退量要增加就需加价。因此,这个限制也会让我们对一些非广告主预期目标用户的广告曝光机会被迫播放广告。这种模式下其实很多时候仅仅是借用RTB的技术通道来完成程序化广告,不存在竞价环节,且买方卖方是一对一的,价格也是线下事先约定好了的。这种模式仍旧按照传统采买模式依据第三方监测的数据来结算。
基于PDB广告主可得到:
1)创意投放规则按广告主业务需要自由设定:
创意简单轮播;
新品上市时段利用广告投放进行配合(所有点位几分钟内集中轰炸);
锁定地域对某套创意;进行轰炸投放;
向特定人群投放某套创意(TA的首次曝光锁定);
媒体属性分类的定向投放(门户首页/内文、垂直媒体首页/内文、专属类型栏目);
2)目标人群TA(Target Audience,广告目标受众)投放(会用到DMP);
3)根据行为数据优化(点击、到达、转化);
4)数据及时,可实时根据反馈的数据闭环优化广告投放;
5)跨媒体联合频控(商务上会有退量的需求);
6)多子品牌预算、曝光、点击、UV(Unique Visitor,独立访客)控制;
7)配合营销活动执行各种复杂的投放规则,如时段、地域、UV第一次曝光、流量占比等。
我们也能看到PDB模式近乎完美,但是门槛太高,一般的广告主若年预算没有亿级规模很难玩转该模式。同时“保价保量”对流量的筛选还是不能100%退量,无法做到极致。

  1. 优先交易PD
    学了PDB模式的“有限优化”,大家自然就会问:是否存在一种“保价不保量”,买方可以不受限制任意挑选流量的模式?从流量卖方的角度来看,我们知道媒体每天的流量实际是波动的,尤其对于CPM排期售卖的点位,排期预订之外的流量会随着这个流量波动而出现“剩余”,而这些流量质量也相对较好,之前很多媒体会寻找一些打底的广告主以稍低的价格把这些流量卖出去。

由此,买卖双方的需求再次契合,就产生了优先交易(PD,Preferred Deal)模式:流量卖方会为卖方定一个相对较高的固定价格(相对RTB的底价而言),广告请求来的时候若程序化买家判定这个流量是自己想通过PD的优先权来获取的,那么其会返回PD索要响应。该广告曝光机会就会优先展示该广告主的广告。这种模式也是买方卖方双方事前一对一约定的,只是卖方的库存是不保证的,价格是事前约定好且固定的。
PD模式属于RTB竞价范畴,是竞价投放模式,只是具有PD权的DSP买家出价即可优先获得该次曝光机会。PD模式主要业务特点如下:
价格固定价,一般在RTB底价之上有一定的溢价,才能获得一定的优先购买权。
买卖双方不承诺量,按实际消耗结算。
媒体卖方流量处理优先级低于库存预留,高于剩余流量,买方拥有一定流量优先筛选交易的能力。
国内有部分ADX是支持这种模式的:
少量视频媒体ADX支持,固定成交价:在底价基础上加一定比例的溢价;针对“DSP+广告主”来申请DealID;对消耗量没有要求。
某些大型综合ADX 也都支持,不过有的媒体虽开出了PD流量,但对消耗量有一定下限要求,若消耗量低于下限,还需要加价或者罚金。

  1. 私有竞价PA
    最后还有一种程序化广告购买的典型模式——私有竞价(PA,Private Auction),流量卖方对于相对好一些的流量希望能卖一个好一点的价钱,同时也希望对优质广告主进行投放,那么就会安排一些符合条件的优质广告主组成一个VIP(Very Important People,贵宾)竞价俱乐部。优质的广告主同台竞争较为优质的流量资源。这种模式也是存在竞价环节的,买方有多个,只是买方相对公开竞价少了一些,锁定为只有VIP俱乐部成员才有的权利。

PA模式也属于RTB竞价范畴,竞价投放模式有如下特点:
成交价不固定,竞价,底价高、入场买家需要提前申请deal ID(交易预订ID)。
买卖双方不承诺量,按实际消耗结算。
对于媒体卖方,流量处理优先级略高于剩余流量,买方拥有一点优先权。

  1. Trading Desk
    Trading Desk(TD)是执行程序化购买、下单的一站式交易操作台。

随着分工不断精细化及专业化(比如,出现SSP、AdNetwork、ADX、DSP、DMP等),大大增加了程序化广告下单执行及监控数据的复杂度,因此广告主(或代理公司)希望能一站式操控程序化广告交易。Trading Desk就是基于广告主这一需求出现的,其主要功能包括排期、下单、投放数据回收、报表展示等。
Trading Desk依据使用方的不同可分为代理商、广告主内部、独立三种:
代理商(ATD,Agency Trading Desk):广告代理公司(Agency)内部专门为多个广告主提供服务,负责程序化广告购买投放的部门即为Trading Desk。
广告主内部使用的Trading Desk:目前国内一些大型广告主正在建立自己的DMP+TD来管理自己的广告投放。
独立Trading Desk平台:主要是提供TD技术服务给广告公司或广告主。

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
7月前
|
安全
自媒体营销软文灵感思路来源——万能公式:6P方法论
自媒体营销软文灵感思路来源——万能公式:6P方法论
自媒体营销软文灵感思路来源——万能公式:6P方法论
|
监控 算法 数据可视化
数据营销三部曲(第一部)
毋庸置疑,数字化、智能化势不可逆,数据正在且加速成为经济、生产、经营活动的基本要素,我想这也是为什么中国政府一直在不遗余力的推动行业和企业数字化转型的根本原因。 在企业的成长和发展过程中,营销起着至关重要的作用。数字化和智能化的大趋势下,不可否认,企业营销也正在发生根本性的改变,基于假设和直觉的传统营销方法正在老去和逝去,企业开始逐渐转向求助或利用最可靠的信息:数据,客户或用户数据。“数据营销(Data Marketing)” 或 “数据驱动的营销(Data-Driven Marketing)”也随之产生。在此,我将尝试用尽可能简单的方式去谈谈我个人对数据营销的理解和看法。
121 0
|
机器学习/深度学习 SQL 分布式计算
当推荐遇到社交:美图的推荐算法设计优化实践
本文是美图高级算法专家汤斌的一篇文章,重点介绍了社交网络背景下推荐算法面临的挑战,以及应对的方法。
320 0
当推荐遇到社交:美图的推荐算法设计优化实践
|
大数据
《程序化广告实战》一 第2章 程序化广告基础
本节书摘来自华章出版社《程序化广告实战》一 书中的第2章,第2.1节,作者:吴俊,更多章节内容可以访问云栖社区“华章计算机”公众号查看。
1385 0
《程序化广告实战》一 导读
对于相关从业者来说,他们迫切希望学习到与程序化广告相关的知识,但可惜的是,这些内容大多都分布在网上,内容零散,且很难收集全面,所以他们希望能有一本书可以系统地介绍相关知识,降低学习成本。 在众多同学的强烈要求下,我撰写了本书。
2000 0
|
搜索推荐 大数据
《程序化广告实战》一 1.1 常见的广告形式及业态
本节书摘来自华章出版社《程序化广告实战》一 书中的第1章,第1.1节,作者:吴俊,更多章节内容可以访问云栖社区“华章计算机”公众号查看。
2704 0
|
大数据
《程序化广告实战》一 第1章 程序化广告的前世今生
本节书摘来自华章出版社《程序化广告实战》一 书中的第1章,作者:吴俊,更多章节内容可以访问云栖社区“华章计算机”公众号查看。
1503 0

热门文章

最新文章