- 课时1 广告的目的
- 课时2 广告的有效性模型
- 课时3 广告与营销的差别
- 课时4 在线广告的特点
- 课时5 在线广告市场
- 课时6 计算广告核心问题和挑战
- 课时7 广告，搜索和推荐的比较
- 课时8 投资回报ROI分析
- 课时9 在线广告系统模块
课程地址：计算广告学
课时1 广告的目的
广告，推荐，搜索，这三个领域我们称为wide scale challenge（大规模数据挑战）。广告中文字推荐高于图片广告 但对于推荐系统图片广告高于文字广告
“广告是由已确定的出资人通过各种媒介进行的有关产品(商品、服务和观点)的，通常是有偿的、有组织的、综合的、劝服性的非人员的信息传播活动。” —— 广告（Advertising）的定义来自于阿伦斯的《现代广告学》。
-
广告的主体：广告主(advertiser)，媒介(medium)，受众(audience)
-
本质：借助某种广泛受众的媒介的力量，完成较低成本的用户接触(reach)
品牌广告和效果广告
-
品牌广告(Brand Awareness)：目的在于提升较长时期内的离线转换率。能够为企业长期带来利润空间。
-
效果广告(Direct Response)：有短期内明确用户转化行为诉求的广告。
课时2 广告的有效性模型
-
曝光：它是指广告是否被用户所看到，它是由广告位的天然属性所决定，无法通过算法的方式进行优化。
-
关注（attention）是指用户在看到广告后，是否注意到这个广告。可通过算法优化
-
理解是指用户的确理解广告的内容
-
信息接受是指用户理解广告的内容，并认同广告中的内容。
-
保持是指在相当长的时间内，都能想起一个品牌，并可能购买这个品牌的商品。
-
购买的效果取决于是否在用户的价格敏感接受范围
对广告有两点基本的评价指标，点击率和后续的转化率。
课时3 广告与营销的差别
两者的区别是广告主要针对的是潜在用户，而销售是针对对商品有明确需求的人。
广告的目的是通过媒介传播企业形象或产品信息，而销售的目的是提升产品销量。 广告的效果是特定人群的有效reach，而销售的效果是收入和利润。
课时4 在线广告的特点
在线广告的特点
-
技术和计算导向： 在线广告和线下广告产品运行的形态有很大不同，在线广告一直在被技术和产品驱动，与之相对的线下广告是被创意和客户关系驱动。数字媒体的特点使在线广告可以进行精细的受众定向，即对不同的用户推荐不同的广告。技术使得广告决策和交易朝着计算驱动的方向发展，计算已经成为广告中主导的部分，而商业逻辑作为辅助的部分。
-
可衡量性：广告的点击是广告效果的直接收集途径，可以很直接地从点击率中看到广告的效果。
-
标准化：技术投放和精准定向促进了在线广告的标准化
课时5 在线广告市场
第三个阶段：Supply产生了广告交易的平台，就是AdExchange，Demand方对应产生了DSP（Demand Side Platform）。
Supply有三种技术变现的方式：
-
托管给Ad Network，比如，一个网站有一个广告位，它可以在AdSense里注册这个广告位，即托管给AdSense，AdSense的下游是Automated Trading Desk（ATD），ATD从多个AdExchange中买流量，并有优化ROI的功能。
-
托管给广告交易市场，即托管给AdExchange。比如google display network会将它竞价比较低的流量导给AdExchange，让AdExchange进行实时竞价，实时竞价的好处是一些小的流量可能会以比较高的价格卖出。AdExchange会接受DSP的出价，而DSP与Agency是一起的。
-
SSP（Supply Side Platform）。它产生的原因是AdSense这些网站是优化自己广告平台的营收，而不是网站的营收，而网站当然有优化自己营收的诉求，而SSP就是站到媒体的利益方来设计优化方案。
课时6 计算广告核心问题和挑战
公式中a表示Sponsor（advertiser），c表示媒体（context），u代表受众（user）。公式的含义是：给定user，给定context，选择一组ad，使得ROI最高。
从优化角度看它涉及：
-
特征提取：受众定向，即把u和c打上标签的过程。
-
微观优化：对一次展示进行优化，得到最好的广告，最关键的技术是CTR预测。
-
宏观优化：因为在线广告是用户，媒体，广告商三方博弈，所以竞价市场机制的设计非常重要。
-
受限优化：在量一定的情况下，怎么来优化质，在线分配就是这个问题。
-
强化学习：如何知道在新的广告主或新的用户群预测它的点击率，很直觉的想法是尝试，分配一定的流量给广告，看是男性用户点击率高还是女性。但是在尝试的过程中会损失一部分收入，因为不是按最优策略出广告的了。尝试的过程即探索，使用探索的结果即利用。
-
个性化重定向。
从系统角度涉及：
-
候选查询：要使用实时索引技术，使广告能很快地进入索引，很快指两个方面，新的广告要能尽快上线，广告预算用完的广告要尽快下线。
-
特征存储：在线高并发要用到一些No-Sql技术。
-
离线学习：很多时候要用到Hadoop。
-
在线学习：一些比较快的反馈，比如得到用户上一个搜索词，要用到流计算技术。
-
交易市场：要用到实时竞价。
在线广告计算的主要挑战有：
-
大规模（Scale）：线投放系统中的高并发挑战 (例: Rightmedia每天处理百亿次广告交易，它会向多个DSP去请求，即每天要进行千亿次的请求)，响应速度在常见的web应用中可能是最高的。
-
动态性（Dynamics）：需要所建立的模型支持快速变化，比如涉及到CTR预测，那么模型参数是否能快变，特征是否能快速改变都是有挑战的。
-
丰富的查询信息 (Rich query)
-
探索与发现 (Explore & exploit)：用户反馈数据局限于在以往投放中出现过的(a, u, c)组合，需要主动探索未观察到的领域，以提高模型正确性。
课时7 广告，搜索和推荐的比较
广告明显比搜索容易部分的是不需要复杂的爬虫技术和PageRank。而它比搜索困难的地方是它需要建模的数据量比搜索要大。搜索，广告与推荐三者的主要区别在于它们的准则不同，搜索主要是针对相关性，广告主要针对ROI。
推荐和广告比较大的区别是：推荐进行的是同质化的推荐，另外推荐还有优化流（downstream）的概念，比如用户在看新闻时，会根据推荐跳到另一个新闻页面，而在这个新闻页面上可以继续推荐，优化流是指优化整个根据推荐看新闻过程的点击率。而对于广告来讲，推荐出的广告点击后，就跳到目标页面了，就不可能有优化downstream的机会了。
课时8 投资回报ROI分析
点击率（CTR），点击率是用户(u)，广告(a)，上下文(c)三者的函数，点击价值是用户(u)和广告(a)的函数，可以认为与上下文(c)无关，因为用户已经跳到商品所在的页面了。
eCPM，点击率与点击价值之积是eCPM（expect CPM），它是非常重要的一个值。Return是每次eCPM的累加值。
不同的分解对应不同的市场形态。CPM市场：是固定的eCPM，由媒体和代理商结算，是由代理商自己估算展示的价值，风险是在Demand方，这种方式对媒体有利。这种方式对品牌广告有一定优势，因为品牌广告受到广告影响是一个长期的过程，很难估算ROI。CPC市场：它是将ROI分成点击率和点击价值，广告系统负责估计点击率，而广告主负责估计点击价值。广告主只需要告诉广告系统一次点击的价值是多少。
课时9 在线广告系统模块
搭建一个广告系统有以下几个重要组成部分：
-
高并发的投送系统，即在线的AdServer，它通过请求中的user和context信息来决定展示哪些ads。它的特点是高并发，要做到10ms级别的实时决策，百亿次/天的广告投放系统。
-
受众定向平台，它进行离线的数据挖掘分析，一般要用到Hadoop。比如进行点击率预测的分析。
-
数据高速公路，它是联系在线与离线的部分，它比较简单，可以用开源工具实现，它的作用是准实时地将日志推送到其它平台上，目的一是快速地反馈到线上系统中，二是给BI人员快速看结果。它还可能收集其它平台的日志，比如搜索广告会收集搜索日志。
-
流式计算平台，它是比Hadoop快的一个准实时分析平台，它要实现的功能：反作弊，计价，实时索引。
ad serving:ad call的产生一是用户直接产生，二是通过exchange过来。
retrieval:根据ad call的实际情况找到符合定位情况的广告
ranking:准则是eCPM
session log generation:定位要根据用户行为来决定，这个LOG就是将某用户一天的行为写成一份日志，成为算法的基础。
log提供给data warehouse 或BI，BI是数据和人的接口，根据人的需求提供差别性的查询报表。
session log也可以做受众定向，还可以做点击率模型，进行预算，计算eCPM，供ranking使用
page fetcher: 广告不需要全网的爬虫，只需要有广告投放的页面。会爬出有广告投放的attribution（标签）。标签为广告的retrieval服务。
customized audience segmentation: 广告比较独特的一点。很多时候媒体划分的人群等分类与广告主的分类需求差别很大，这就需要为广告主个性化的分类的服务。广告主的信息要注入到媒体当中。
RTBD和RTBS：前者是自己实时向别人做ad call，这样自己就是一个exchange，而后者是别人向我做ad call，我根据ad call向DSP询价。这两者是RTB的两个方面。