数据与广告系列一：初识在线计算广告
题图：699pic.com 作者 | 黄崇远
01 缘起
一直以来对于广告领域，都是一知半解，毕竟在当前的职业生涯里头，并没有实打实的做过广告，直到去年年末，在项目上逐渐会有些广告相关的数据合作对接，才稍微对于广告这个领域有点点了解和认知，但不成体系。
所以，一直想对广告这块的东西深入的去了解，围绕广告构建起自己的认知体系（我自己习惯性的把不同的知识领域构建起一个个认知体系，而广告确实是相对空白的部分）。
所以，当前系列一方面是自己对于这方面的整理，更多的是自己在学习的过程中结合当前6年多数据领域的经验，去做延申和结合思考，当然当前或多或少也会涉及到部分广告的实际工作，部分相关有用的东西也会融入其中。
如此，在以后说不定还是有机会深入的在这个领域持续做下去的。而对于整个系列的组织，说真的，并没有想的很彻底，因为自己也目前也没有成体系化的认知，所以一边学一边思考一边整理，权当一个系列笔记，如有不当不详之处，欢迎斧正。
如果对于广告和数据体系感兴趣的，也不妨跟着看，应该也会有点用处的。
02 广告生态的基本了解
既然说到广告，我们先对广告有个基本的认知。
在过去，在互联网远没有盛行的时代（Web时代之前），大部分广告的载体是纸质媒体，或者线下实体广告牌，然后紧接着是电视广告，各种LED富媒体广告。随着互联网流量的加大，很多广告的形态开始出现在互联网上，紧接着是移动互联网的到来，各种移动应用，移动载体APP等，都能看到广告的身影。
对于新一代来说，纸媒估计接触的很少了，而线下类型的广告关注度也不是很高，诸如电视我已经好久没有怎么看了，更遑论电视上插播广告，但我们大量的时间都花在了互联网上，所以我们这里所说的广告，更多的是指互联网在线广告。
并且我们的出发点是数据，所以一定是与数据关联度最大的互联网在线广告为核心（并不是说线下广告，或者电视广告就用不上数据，只不过作用没有这么大，并非是核心驱动力）。
对于我们所需要关注的在线计算广告，其与其他传统广告的根本区别在于说，其广告效果是可以做效果追踪的，结果是可以量化的，人群是可以计算定向的，中间过程是可以持续优化的，资源归属是可以做竞价的。
这些本质上推翻了之前传统广告效果难以追踪，过程较难优化，用户难以个性化匹配等问题。
从这个角度上来说，不管是数据追踪回收，人群画像定向，点击转化预估，竞价模型等，都跟数据/算法有着密切的关系，甚至可以说在线计算广告领域是大数据真正实打实落地，且产生真金白银的商业模式。
对于广告来说，整体可以分为两类，以品牌传播品牌口碑塑造为目的的品牌广告，核心追求的是长期的关注和利益；以点击转化为核心目的则一般称之为效果广告，即一次广告当前带来的实际转化。
而围绕上述两个目的，单纯从商业计费的角度出发又会分为CPM/CPC/CPS/CPD...，还有很多很多类似的计费方式。
CPM，千人成本，即可以理解为展示千人对应的费用，这种方式是不为转化效果负责的。
CPC，每点击成本，即不考虑展示曝光量，只按每个广告点击进行计费，一定程度上是需要考虑效果转化的，但一般只是转化的中间层，以电商页面投放为例，用户点击了页面，也只是进入到了商详页面，最终的转化还得看是否下单购买。
CPS，每销售成本，即直接将最终的销售与广告计费挂钩，其实更有点像分成模式，即销售了多少，就需要给导流广告计费多少，是一种纯粹的效果负责的广告。
CPA，每动作成本，所谓的动作，一般是指下载或者实际的一些转化动作，比如在流量池里投放APP的下载页面，只要有一个下载就记为一次，同样也是一个偏向于为效果负责的模式。
CPD，按天计费，这种实际上是把时间维度拉出来做计费方式，除了天还有其他时间颗粒度，比如小时，周等等，这种广告模式在各种应用分发市场中非常常见，对于部分资源位按天进行费用计算等，通常不为效果转化负责。
如上列了很常见的5种广告计费方式，实际上还有很多，并且如果加个o（optimized）比如oCPA，oCPC等，就是所谓的动态优化广告了，区别在于说o能借助转化预估模型实现智能的动态出价（竞价），而这则是数据发挥作用，优化效果，提升利润的灵魂所在，也是后续我们会反复讨论探索的部分。
03 互联网在线计算广告的本质
不管是商业模式也好，或者具体的计费方式也好，其实我们核心要认清一个事实就是，广告（这里我们主要讨论就是数据能核心赋能的在线计算广告）最核心的是将广告主的资源与用户做关联，而我们所做的一切都是为目的，然后优化中间的过程。
至于说目的，对于广告主来说就是有限的预算内，最大化的转化，但注意这个转化不能单纯的认为是本次广告的转化，比如说品牌广告，个人认为就算是品牌广告追求的一样是最终的销售转化，只不过路径很长，周期很长，所谓品牌影响力，品牌形象，最终还是会转化为购买力，只不过是一种隐性的影响，且无法做显性的量化追踪。
而对于平台方来说，一方面需要想方设法提升广告和用户的匹配度，匹配度是提升广告主广告转化的核心逻辑，但站在平台方的角度出发，则与此同时，需要考虑平台方的收益最大化，举个简单例子，假设AB广告都匹配了C用户，但一个时间周期一个场景里用户只能看到其中之一，如何选？
假设就算A的匹配度稍高些，那么选择A吗？显然不一定的，万一B说选择我我给十倍的成本。所以，这就是涉及到了匹配度与收益的权衡，而随之而来的就是广告竞价体系。
所以，我们沿着这个思路下去会发现，其实更本质的逻辑是，针对于流量（用户），如何做候选资源（广告资源）排序的问题，只是说很多场景里，只允许展示Top1的候选资源而已。
而我们数据所需要做的就是做好连接层，优化匹配的过程，提升效果转化预估，权衡好竞价和投放的问题。
下个章节，我们将沿着广告内在的核心逻辑，衍生出伪广告的各种场景以及逻辑，且将深入对比推荐系统和在线计算广告两者的差异点。
广而告之时间：
2019年，讲真，对于技术从业者来说并不是一个好的年份，不少大厂纷纷裁员，而小厂关门倒灶的不在少数。所以，多掌握一些额外的技能对于困难时期生存总是有很大帮助的。
这里推荐一个程序员学习平台，有图文chat，也有成体系的课程，包括数据/算法/前后端/底层等各个维度方面的知识体系，感兴趣的可以看看。
最后，感谢关注我的公众号『数据虫巢』，数据与广告系列会持续写下去，如果你对数据和广告的话题感兴趣，欢迎继续关注，以及点赞推荐给朋友。
如果想加入大数据技术微信群『畅聊大数据』的朋友，可以加我微信mute88，加的时候备注好，我拉你入群。