Tag Archives: ad

[repost ]掘金广告主数据资产, 绝大多数品牌都没做到这些

 

导读:大数据时代,品牌营销打着“大数据”的大旗呐喊助威,但面对海量数据涌来,行业正在面临着共同的挑战:绝大多数广告主都没有意识到他们已经拥有了众多高质量第一方数据,及如何利用这些数据资产(管理和投资)提高企业商业价值。品牌第一方数据资产的价值到底有多大?广告主又应该如何实现它…

 

数据技术(DT)科技时代,随着“程序化购买”营销模式的普及,品牌第一方DMP(Data Management Platform)的价值尤为重要和关键。随着市场需求的快速增加,各类DMP平台层出不穷。不仅如此,对于品牌来说,数据资产的管理和利用的商业价值也不断凸显,因此品牌第一方DMP平台也在众多期待中成为时代的宠儿。

 

但是DMP不是一蹴而就的,故不积跬步,无以至千里,不是所有的“数据库”都能被称为DMP平台。真正的DMP平台,是以数据资产管理为核心,并能通过数据的流通和融合创造出更多的商业价值。

 

DMP平台在程序化购买中的角色和作用:一、结合大量的数据,对于目标人群进行全面的洞察,帮助品牌了解和定位消费人群,并进行受众购买前的决策分析。二、管理品牌各种商业策略下的人群,在程序化的生态圈中,最大规模地触及和找到TA,进行个性化的沟通营销。

DMP 在程序化购买时代所处的位置

1st-data-1

一、        数据收集的关键:正确理解数据分类和来源,数据流通和更新尤为重要

 

AdMaster建议:

  1. 品牌需要正确认识和理解第一方和第三方数据的定义,实际操作和管理可以按顺序进行,切勿盲目相信all in one。往往市场热议和共性的第三方数据是有使用范围和红线(中国市场的现状数据是高度的碎片化和独立,数据的流通和合作需要以信任、坦诚和双赢的态度,以及必须尊重用户的隐私和商业规则,否则短时的利益无法可持续发展和复制)。
  2. 根据不同的商业目标,正确合理使用相应数据,第一方的数据目前在营销中使用较为普遍。如重定向、TA优化为其中典型应用。第三方数据更多用户受众的画像了解和预测扩展。
  3. 必须不断持续采集和更新数据(第一方的数据有生命周期和新近度),让数据保持新鲜度和连续性,提高后续应用效率。

 

数据分类和收集?

广义而言,品牌的数据资产可以分为两种大类型:

第一方数据:广告主自身拥有的数据,包括自身网络广告的推广数据、CRM数据、官网交易数据等。

第一方数据根据数据收集方式及用户唯一标识符的不同,一般可以分为:PC广告数据、移动广告数据、官网数据、社交舆情数据、CRM数据等等。而不同类型的数据对于消费者的识别,实际上基于不同的ID体系。例如,PC广告数据和官网数据,往往用cookie进行用户识别;移动数据往往用设备ID进行识别等等。

 

不同类型数据的性质及用户识别方法

1st-data-2

 

第三方数据:一般是指来自于非直接合作的第三方数据供应商的数据。例如,来自于运营商的数据、来自BAT的消费者画像数据等。广告主运用第三方数据通常可以用来发现新的潜在消费者。

 

二、        如何管理数据:科学管理多源数据,需建立数据采集和应用标准

 

拥有了多样的数据后,DMP平台需要对这些数据进行清洗(删除冗余和低质量数据)、整理(统一数据格式和标准)、整合分类(打通,描绘完整用户属性)等动作,使得原本零散分裂的数据能够有机地组合在一起,用来创造新的分析角度,或者更加便于今后的数据应用。

一般对于如下几类数据,可以使用多种方式进行打通,从而获取单个消费者层面(Single Customer View)更加完整具体的信息。

不同类型数据的打通方法

1st-data-3

 

进行多源数据打通后完整的用户数据

1st-data-4



AdMaster建议:

  1. 多源数据的融合不是一蹴而就,需要日常积累和实践,没有绝对的捷径,有效利用内部(上述实践中提炼的方式)和外部资源(客观、正确借助第三方力量)最大化实现数据的整合。
  2. 市场中标签纷繁复杂,层出不穷,品牌需要正确识别和针对性利用,尽量优先使用客观标签(IFTTT)和第一方自定义标签,对于公共标签需要考虑实际应用场景、产出期望以及数据源的可靠性、连续性,所谓的算法和模型也是建议在这基础之上。
  3. 对于DMP平台的选择,供应商的身份也需要考虑,数据的流通、识别建立在利益的平等、互补和双赢,第三方的身份有利于最大化的帮助品牌进行数据连通和使用,并推动行业建立数据采集规范和应用标准。

 

1,数据如何科学分类及打标签?

 

一般,为了后续的数据分析及运用。DMP会对数据进行一些预分类或者称之为打标签的工作。一般打标签有所谓三要素:特定的数据集合、数据的特定字段、符合特定的取值范围。

 

某条广告曝光记录

1st-data-5


 

例如,如果需要给上面的“广告曝光记录”(特定数据集合)的用户001打上地域标签的话,可以根据该用户的“上网IP”(特定字段)的地域范围打上地域标签。当获取该区域的用户数据时,不用在回去查所有用户的IP地址。

 

标签,一般可以分为公共标签和第一方标签。

公共标签一般是DMP根据市场普遍需求,所预设的一些标签分类,例如性别、年龄、地域、兴趣等等。而基于公共标签计算方法的不同,我们又可将其分为IFTTT(确定的)标签及模型算法(推算的)标签。

所谓IFTTT标签,一般是指,通过原始采集数据能够显而易见地打上的标签。比如上文中的地域标签,只要核查曝光记录中的IP字段,只要该IP字段落于上海区段内,即认为打上“上海”的地域标签。

所谓模型算法标签,是指通过原始采集到的数据并不能非常明显且确定的打上标签。简单的说,如果我们只有消费者网络访问行为的数据,诸如性别、年龄标签,通常无法简单地确定人群属性,只能通过模型推断。例如,认为经常访问女性媒体的用户更可能是女性,从而打上性别为“女”的标签。

 

除了上述所讲的两种公共标签外,一般DMP还会允许广告主进行自定义标签规则,使数据能够更加便于广告主运用,称之为“第一方标签”。例如,广告主有两个产品,可乐和橙汁,可以定义为曾经在网络上买过“可乐”的消费者打上“碳酸饮料倾向”的标签;曾经买过“橙汁”的消费者打上“果汁饮料倾向”的标签。这两个标签由广告主自己创造的标签就是“第一方标签”。

 

 

2DMP数据如何与外部连接?

在PC端,由于默认Cookie信息无法跨域传递。所以,为了使DMP的数据能够被其他供应商辨识和运用,一般要事先建立Cookie Mapping (Cookie Matching),建立双方的ID 映射关系。

所以,Cookie Mapping的范围的大小,及Mapping量的多少,实际上直接决定了DMP数据的可用性。在移动端,在相同规则下,不同供应商获取的同种设备ID理应是一致的,所以不需要Mapping。但移动设备ID种类繁多,加密规则多样,也是移动数据连接所独有的困难,建立行业对于移动数据采集和尊重用户隐私下的交换规则是推动移动数据可以持续利用的必经之路。

 

三、数据在各场景应用中的价值:人群定向、个性内容、标签体系科学应用数据技术,量化KPI

DMP实际上是连接数据与处理数据的一个平台。其数据应用,在技术及分析能力可行的情况下,可以创造出与众不同又切实可行的应用场景。

 

AdMaster DMP主要功能

1st-data-6

AdMaster建议:

  1. 数据的应用必须可以进行量化KPI的考核,建立在概念理论层面的应用都是浮云,品牌不会为此长久买单,而营销端的应用目前是行业普遍的实践阵地。
  2. 对于DMP的应用不是万能、一成不变的,它只是实践客户想法应用的一种数据策略工具,有效地管理期望和必要的A/B测试能有效过滤出适合品牌的最佳数据策略。
  3. 行业产业链各司其职,各有所长,有效利用合作伙伴的专长,往往能最大化发挥数据价值和,达到事半功倍的效果。(当然也需要提前考虑数据的安全性,应用的接口封装是比较直接的做法)。

 

目前,市面上有如下几个常见的数据应用场景。

  1. 目标人群定向、重定向

本质上是通过数据积累,找出广告主的目标人群。目标人群可以是特定性别年龄的用户,或者进行过特定广告网站行为(eg.观看或点击过广告)的用户。之后将目标人群的Cookie或设备ID集合给到DSP或媒体进行投放,以期更多地击中广告主期望的用户。一般目前在注重目标受众精准度的网络视频和RTB资源投放中运用比较多。

在实际操作层面,除了与视频媒体合作进行投放。专业的DMP供应商也可以和BAT等网络巨头进行合作,帮助广告主结合BAT所独有的数据,更精准的定向人群,而进行投放。

 

  1. 个性化内容体验

通过技术手段,在用户来到相应站点时,DMP在短时间内判断该用户的属性,并根据判断结果,播放不同创意的广告或在用户点击广告时,跳转到不同内容的登陆页面(目前移动端的备受关注的smartlink应用场景为典型应用)。

 

  1. 更好的了解受众和媒介投资组合效益

通常的网络广告分析仅能停留在项目本身KPI层面,例如,曝光、点击、频次、TA等等。而接入了DMP后,我们往往能够有更加深入的消费者洞察。

用户画像分析,通过DMP的标签体系,了解特定用户集合的标签分布。例如,了解来到网站进行购买的用户的兴趣爱好,经常访问的媒体等,为今后的营销活动提供建议。

归因模型,通过多来源数据打通,了解消费者在进行特定行为前的不同媒介访问轨迹,还原媒体的真实效果。

归因模型还原消费者在关键互动前的完整路径

1st-data-7

 

除此之外,我们还可以利用DMP平台与广告主CRM或数据中心连接,扩充消费者数据,获得更深入的洞察;或利用DMP的数据连接性,使得广告主数据能够与不同供应商进行连接,而无需繁琐的对接。

 

综上,2015年作为品牌迈开程序化和大数据战略第一步,AdMaster建议:

  1. 所有的线上digital数据都应该有序采集,及早地积累自身的数据资产。对于移动数据来说,需要注意采集时,移动ID是否符合MMA或行业各方既定规范,保证其可用性。
  2. 逐步建立第一方数据管理平台的计划,尝试对积累的数据进行ID融合,并进行分类和标签化(可以考虑建立品牌自定义的标签体系),以便更好地分析和应用。
  3. 利用数据尝试各种重定向策略和视频程序化项目TA优化,积累经验,真正了解程序化购买为品牌带来的可评估价值。
  4. 对于CRM数据而言,线上的营销收集渠道在保证其数据真实有效的前提下,关联数字化ID体系(cookie & mobile ID suite),线下的数据尽量创造更多的on boarding场景,为更高效和自动化的数字连接点和消费者进行沟通打下基础。

[repost ]DSP为电商客户提供服务究竟靠什么?

original:http://www.rtbchina.com/as-for-ecommerce-what-do-you-count-on-your-dsp.html

设想一下,如果你是乘客,那么一辆好车,一个实时联网的导航设备,以及一个经验丰富且严格遵守驾驶规程的司机师傅,是为抵达目的地所需要依靠的全部。

广义的电商客户应该是和DSP最匹配的一个类型的客户, 不过如何把电商类客户服务好,其实是很有挑战的,不是一个单纯的产品技术问题也不是一个“大数据”课题。最近观摩了“2015易博DSP电商效果营销论坛”中亿玛发布的《易博DSP四全模式客户服务规范》,受到启发:电商其实需要的是服务,建立在最佳技术实践和服务流程积累上的一个规范化服务,而不仅仅是一个精密复杂的技术产品。这个提供“规范化服务”的思路蛮值得借鉴,亦是电商客户用来评估服务商很好的参照系。

易博DSP的这个“全网精准、全网营销、全程服务、全网成交的”服务规范的提出很是时候。电商行业已经接受DSP产业的知识普及和实战教育有一段时间了,并且形成了某种高过实际可行的预期和对DSP服务的简单化理解,即DSP仅仅是众多推广渠道中之一,或者DSP是一个可以“在强烈要求之下”按效果结算的技术投放平台。其实,DSP对电商而言,应该是一种服务。从甲方的角度评估一个服务,在注重最终结果的同时,还应考虑服务规范化、标准化等隐性质量。

“全网营销”、“全网精准”这个规范中的措辞或者说目标的提出比较直白。易博在阐述这其中包含的要点主要是流量的覆盖面和跨屏的要求。目前大部分有一定规模的DSP均能程序化地接入每日展示量100亿次以上广告流量池,资源的同质化是需要克服的一个障碍,易博的差异化经营在于其母公司亿玛运营多年的效果广告网络和自有直接采购的媒体资源已经实现了程序化地为易博DSP使用,严格地说易博DSP的内涵其实是DSPAN(DSP + AdNetwork)。这其中重要的差异化还体现在易博DSP拥有包括亿玛旗下的第三方最大网盟和业内排名第三的电商导购平台易购网为易博提供的每日上百万的订单数据和上前往的用户行为数据,而这些数据是有别与其他DSP数据获取来源的独立第三方数据,这让易博的数据样本基础更大更精准。如果没有自有资源,仅使用广告交易平台的“全网”覆盖是仍然有些盲区的。

关于“全网”中跨屏的解决方案,值得注意的是,易博DSP在介绍关于“全网”跨屏解决方案时,其对应服务案例使用的是其代理的广点通系统,而没有强调自身的跨屏投放技术能力,这不啻为十分务实的服务模式。广点通的跨屏能力通常是优于独立DSP系统的,与其纠结于技术问题,不如直接将“他山之石”融入自己的服务体系。电商客户的需求是可以感知到的综合服务能力,而不仅是技术实现的能力。代理的其他平台的业务,例如广点通(海外推广还绕不开FB Ads, Adwords),似乎要成为DSP公司不得不做的业务。如果你的客户是广义的电商、移动应用等,不必拘泥于DSP的学术定义来开展业务,以“需求”为导向正是“需求方平台”的任务。在这种情况下,同时在多个系统(包括自有系统和外部系统)内执行项目,服务流程比技术产品更重要。

“全程服务”这一点,仔细看就是注重服务中人的因素。电商的业务是连续运转的零售交易业务,DSP为了配合客户的流程,从促销活动、到根据效果反馈,以及进行项目执行中各个环节的优化调整都离不开人的操作。易博提出的人工和机器智能结合的优化机制、与客户的常态沟通机制、危机预警机制以及这些机制的实时化和流程化,是让一个高效、精密的DSP系统发挥出作用的辅助体系。将服务制度化、文档化、甚至纲领化,是DSP服务商内部不可或缺的商业DNA。

据亿玛高级副总裁秦令今介绍,易博DSP在服务体系中有超过500个电商客户,处于不同阶段的客户有不同需求。为不同发展阶段 (初创期、发展期、成熟期)、和不同业务模式的客户提供全程阶段化的差异化、定制化服务是成功的关键。

服务规范化的另一个好处是有利于垂直行业知识的积累和优化效果的重复实现。 现阶段多数DSP系统本身是不具备垂直行业知识的,操作这个系统的人所依据的流程和制度将决定DSP系统在执行新项目时的结果。易博DSP其精准营销是通过制度性的“投放-监测-分析-优化-再投放”的循环闭合服务体系来完成,主要依靠系统的自动算法和优化师的人工干预(即人员服务)双向优化调整以达到效果最大化和实时优化。依据纲领化、制度化的服务规范才能将效果稳定可靠地交付给客户并逐步提升。当客户数量众多、行业多样化时,关于服务规范的最佳实践的重要性并不亚于系统功能本身。

“Performance at Scale”(规模化地交付效果)是不少营销技术系统的工程技术目标,这一目标不完全由技术细节决定,其实离不开人的操作执行因素,特别是当客户基数进入相当大的规模之后,以及大客户委托的业务规模正在快速增长时。随着程序化广告采买技术的趋于稳定成熟,DSP服务商为电商提供的服务将不会局限在技术领域,而是技术加服务的综合体。虽然在可以预见的未来,电商广告主仍然会坚持用“效果”作为终极的评估尺度;服务流程、项目执行制度体系、人员培训以及在理念上对标准流程的重视程度将会最成为服务商交付优秀效果的基石。

[repost ]解码DSP核心:算法和数据的价值与应用

original:http://www.rtbchina.com/decoding-dsp-core-algorithm-the-value-and-application.html

文:悠易互通CTO 任登君

随着程序化购买规模的快速增长, DSP已经从概念化阶段发展成为具有规范化考核目标的市场标配产品服务。然而,目前的DSP市场鱼龙混杂,在各家DSP都可以标准化对接流量交易平台(Exchange),进行广告投放的情况下,算法和数据即成为DSP最核心的竞争力,它们从本质上构成了在相同资源约束下DSP达成更优KPI的逻辑支撑点。

事实上,算法和数据是DSP看不到的底层结构,它们的价值主要体现在三个方面:一是为广告主精准识别和触达用户,二是需要对用户的价值进行准确的预估,三是按其需求认知阶段选择好打动TA的营销信息。解决了这三个问题,就能让广告预算进行合理分配,从而达到优化广告投放的效果。

 

算法和数据的场景应用

通常,DSP中算法和数据发挥效力主要体现在一下几个场景:

首先,要在浩瀚的互联网资源市场中找到目标用户(TA)。以母婴行业为例,营销过程中有两个难点待解决,一是用可信逻辑确认你找到的“母婴”用户的确是“母婴”人群,二是“母婴”人群在不同渠道不同媒介之间的统一识别能力。理想情况下,每个标签人群集是DSP算法根据用户的互联网行为建立模型,然后通过可信Panel库进行验证迭代优化模型的持续过程。所以DSP基于完整的用户行为和可信panel库,建立可信的需求判断模型,是构建“可信”标签用户关键点。

最实用的Panel库就是客户的第一方数据,包括线下会员信息或线上广告投放的收集到的转化信息(理论上客户在各电商平台的购买用户群均应该为自身资产)。例如,YOYI标签体系中分为兴趣标签和购买意向两种不同需求层级的受众,对应地,我们会参考用户在官网行为特征,判定出用户的不同需求层级,以此作为建模检验标准之一。

同时,YOYI一方面接入了国内市场上几乎全部交易平台和主流媒体的流量,大面积覆盖用户互联网行为;另一方面,我们融合用户的自然行为和广告行为,从用户角度来分析,只要发生实际的浏览和点击行为,就是用户对信息感兴趣的一种体现,并不严格区分信息是自然信息还是广告信息。以上两点让YOYI能够全面还原用户的互联网行为轨迹。

完整用户行为轨迹保证模型可用特征完备、特征取值准确;丰富的第一方Panel数据,为模型训练提供真实有效的训练和验证集合,这两点共同保证了用户判断模型的有效性。实际操作中,根据用户行为的所在场景、媒介、时间、频次、浏览时长、搜索、点击广告、浏览广告等所有行为进行特征分类和特征抽取,训练用户需求阶段性行为模型,以进行标签建模。这样我们能对用户的需求和需求层级做出更为准确的判断。

同时,对目标用户进行多渠道统一识别是技术需要解决的另一个问题,目前有机会大规模完成互联网PC和移动端统一ID识别的只有同时拥有大体量移动和PC用户的巨头公司,让DSP可以较容易地跨越这个问题。但是在国内目前尚未有大体量的统一跨屏ID标准化服务,所以需要DSP构建自己的多屏统一ID体系。YOYI的做法是自己构建跨屏用户识别算法,再以市场上比较标准的第三方跨屏ID作为训练集进行优化验证。例如,同一个人在PC和移动上,wifi接入、地理位置、行为轨迹、触媒习惯都会有一些相似性,这些是构建统一ID算法的基础。大规模数据的机器学习算法和人工规则结合起来,可以从很多维度去解构数据和认识数据,从而解决规律不明显和行为不连贯的问题。对用户在PC、移动、以及PC和移动的交叉维度进行特征抽取和建模,训练出统一ID模型,以标准第三方的跨屏ID作为评测标准,准确率达到了可用的程度。

其次,要分析目标用户的价值强弱,并不是每个绝对准确的“母婴”人群在每个场景下遇到时都“正好”急于购买奶粉。用户级别的转化率预估和点击率预估问题,是效果广告的关键问题。预估特定广告在特定位置特定用户下的点击率和转化率是一个典型的大规模数据的机器学习问题。我们构建了用户特征体系、广告反馈特征体系、流量特征体系,以及各个维度的交叉特征体系,用经典LR作为预估模型,GBDT作为高维特征抽取模型,进行了点击率预估和转化率预估,离线评测和在线效果都有不错的表现。预估了点击率和转化率以后,根据营销目标,我们就可以就行KPI为导向的CPM计算了。 以汽车Leads为例,Ecpm = CPA*转化率,根据不同用户和不同流量进行CPM的出价,以达到在有限预算内,效果最好。

此外,还有一个常常被忽略但至关重要的策略是防作弊能力,如何对输入模型的数据进行有效性识别,排除虚假流量、点击,甚至转化,是需要单独文章专门展开的一个核心课题,这里先做记录,以提示其重要性。进行数据提纯后的转化率至关重要,一方面是投放中进行广告筛选排序的重要因子,决定了给用户在当前场景下看到的最相关广告是哪个,另一方面,在广告主授权情况下,算法可以针对目标用户进行自动竞价,以保证适当范围跳出CPA的出价限制去追踪核心用户群,避免被竞争对手“抢去”展现机会。

最后,找到了人,知道了TA所在场景下的关注点及对应的需求阶段,就要考虑用合适的沟通方式去打动TA。目前受限于目前广告主创意的丰富度、制作能力和媒体审核周期的限制,我们在智能创意上的算法应用还在发展初期,创意组合效用的爆发还有很大空间。不过已经看到市场上已经有一些第三方创意公司在这个方向上努力推进,一场互联网广告的创意革命指日可待。

 

算法和数据的行业定制化应用

以汽车行业的算法和数据应用为例,来说明下通用算法和数据框架需要通过行业定制化优化才可以发挥最佳效力。在汽车实际广告投放中,我们发现一个有趣的现象:用户汽车相关行为的时间维度是对最后销售Leads非常有用的一个特征。我们分析,有些汽车爱好人群,虽然长期关注汽车论坛或者浏览汽车知识,但是他们短期内没有购车需求,所以对于销售Leads并没有太多作用。但是对于短期内有购车需求的人,他们的行为时效性会非常明显。所以我们在通用模型基础上对重点行业的建模因子进行了差异化处理,让一些行业中特定的显性特征在用户需求识别中发挥独特效力,成为满足广告主不同营销目标的有效武器。

总结下,DSP中算法和数据核心应用就三个方面,一个对用户各种兴趣不同阶段的识别,一个对用户在不同媒介场景下价值的判定,一个是对用户展示有效信息的选择。围绕这些问题,用户兴趣和效果价值算法体系构成了YOYI的核心算法体系,在实践中不断改善,帮助广告主完成营销目标

[repost ]MTT : 中国广告技术公司的毕业季快到了

original:http://www.rtbchina.com/mat-it-graduation-season-now-for-china-ad-tech-companies.html

biyeji

移动智库|第五期

pen-writing

本期供稿专家:范秋华(Andy Fan)

广告技术企业通常都是由风险资本支持的企业,总是希望在规定的时间和规定的回报率下给予资本一个退出机会,被投企业的“毕业”在所有利益方看来是头等重要的大事。“毕业”比“辍学”好,“高学历毕业”更好。

广告技术企业的终极产品并不是DSP、SSP、ADX也不是某种技术或数据,而是由人、财、物、势等组成的企业本身, CEO和董事会是终极的“产品经理”和“架构师”。科技创业公司的终极目的是在提供有价值服务的同时将自身企业这个“终极产品”打造好并“出售”。

理想的“出售”可能是部分或全部,分阶段或一揽子,或出售给公众或出售给其他公司。纵观国际广告技术行业,其中新创公司中优秀者已实现以IPO方式的部分“出售”其股权并转变为公众企业,善审时度势的优秀者不乏将“终极产品”全盘出售给生态体系内更强大的公司。当然这一切建立在具体的成功产品和服务上。

我们中国已经向世界第二大经济体迈进了,按照惯例,谈论重大本国问题前,我们需要批判地观察一下第一大经济体。互联网的世界是个有趣的平行宇宙,不过有些时差。在广告技术这个领域欧美比中国先行约三到五年,在那一侧较早前就已经开始发生了一系列的并购和IPO,让我们先切换到这个宇宙的另一侧去看看。

比较有代表性的广告技术公司“毕业”IPO当属Criteo(再营销)和RocketFuel(DSP)以及MarinSoft(SEM)和RubiconProject(SSP)等。不过,这四家IPO后表现平平。

有多平呢?这四家广告科技公司的当前市值总和仅约合200亿人民币,甚至不及广告技术概念的某些国内上市公司一家的市值。

于是中国广告技术公司原本接受外资投资的企业在这样的资本市场对于广告技术的灰色情绪下,直接放弃了“留学深造”的计划,更好的选择是拆掉VIE结构回归有中国特色的市场经济怀抱。

display-lumascape-2015_NOV

根据2015年版本的这张著名的图表,欧美市场一共有400多家与广告技术相关的公司且大量是近几年的新创公司,其中以“虚线框”标记的是已经被并购的公司,其中不少是移动营销技术、DSP和广告网络公司。

除了少数IPO的公司外,欧美市场广告技术公司“终极产品”的“毕业”退出方式几乎都是并购,按上图中的标记统计,400多家公司中被并购的超过130家。

在第一经济体的广告技术生态圈发生的大量并购合并还在继续,一些独立发展的广告技术公司达到了体量庞大的级别,如AppNexus, Turn, MediaMath等一批平均年收入超过3亿美金的公司),它们也成为了并购中的买家。近期Facebook由于移动广告收入增长迅猛,公司市值突破3000亿美金大关,收购几个公司应该是非常轻松的。

得益于政府的鼓励政策,我国的“新三板”给包括广告技术公司在内的各类企业一条全新的发展路径,广技术公司可以不急于以被并购方式“毕业”而是通过“新三板”获得更多的选择,除了有可能最终转到主板,也便于资本进行高效率的退出。

近期国内广告技术公司的价值和快速增长的营收普遍被认可,各种不同行业的上市公司纷纷对广告技术公司进行投资。由于价值受到认可,一大批广告技术公司正在以新三板为目的整理自己的结构和筹措上市,一些动作比较迅速的公司已经达到了10亿以上的“理论市值”。这个国内毕业文凭的成绩,比起前去“留学”的结果可能强了太多,而且节约了时间成本。

一个未来超过数千亿人民币的技术驱动型数字广告市场必将容纳众多新晋市场竞争者、传媒集团以及大型互联网公司等优势方的深度参与,虽然“后天是美好的”然而“今天是残酷的,明天更残酷”是摆在每一个广告技术公司面前的现实挑战。采用“新三版”上市给各家公司在发展道路上多了一个选择,避免了过早出售公司,缩短了优秀企业与资本对接的效率,有利于让他们在产品和资本两个市场都胜出,走出一条“有中国特色的发展道路”。

banbanban

一个以“新三版”为大舞台的广告公司毕业季好像要开始了,登上“新三版”所体现的价值究竟只是“高中毕业”还是类似“考上了好大学”还有待大家观察。“新三版”远不是广告技术公司发展的终点,随着主板IPO重启等新动向,之后更大规模的并购和新三板公司转向主板会是真正的重点,看看广告技术公司能独立走多远、能成长多大会很有意思。

文章为移动智库独家原创,转载请注明出处

关于移动智库(Mobile Think Tank)

移动智库是一个关注移动程序化购买(programmatic buying),大数据(big data),数据管理平台(DMP)等相关议题的智囊团。目前专家团成员包括:

范秋华 Andy Fan

互联网广告科技媒体RTBChina.com及《中国程序化广告技术产业地图》主编。RTBChina持续专注于报道和分析中国程序化广告生态体系的行业动态、投融资及相关技术发展情况。他有超过10年的互联网技术企业管理经验和产品技术应用经验。

张迪 Martin Zhang

广告技术流网站adexchanger.cn主编,建立了中国地区重要的广告实时交易,广告联盟,广告优化言论阵地。他曾经还创立了多家科技公司,在移动互联网行业拥有丰富的经验。

黄凯文 Clement Huang

自2005年起,黄凯文先生一直为硅谷华人创业论坛担任“创投孵化导师”。曾担任美国雅虎(Yahoo)公司程序化购买平台产品总监和聚逸(Gree)公司的全球广告平台产品总监。目前担任亿动广告传媒(Madhouse)首席产品官。

Paper and resource about recommendation,search,ad,machine learning and personalize

1)paper WWW 2007 paper out of Google : “Detecting Near-Duplicates for Web Crawling” ( PDF) :http://infolab.stanford.edu/~manku/papers/07www-duplicates.pdf

2)

YouTube uses Amazon’s recommendation algorithm

“The YouTube Video Recommendation System” (ACM) old recommendation algorithm Item-to-item collaborative filtering is the algorithm Amazon developedback in 1998

3)

Google and suggesting friends

“Suggesting (More) Friends Using the Implicit Social Graph” (PDF)

4)

Taking small steps toward personalized search

“Personalizing Web Search using Long Term Browsing History” (PDF).

5)

Resurgence of interest in personalized information

6)

Personal navigation and re-finding

7)

Papers on specialized databases at Google

“Large-scale Incremental Processing Using Distributed Transactions and Notifications” (PDF)

8 )

Machine learning on top of GFS at Google

GFS and its evolution

9)

Measuring online brand advertising without experiments

 “Evaluating Online Ad Campaigns in a Pipeline: Causal Models at Scale” (abstractPDF)

10 )

Google to personalize metashopping

11)

Google on presentation bias in search

12)

How Bing predicts the CTR of ads

An upcoming ICML 2010 paper, “Web-Scale Bayesian Click-Through Rate Prediction for Sponsored Search Advertising in Microsoft’s Bing Search Engine

13)

Yahoo as an internet information filter

Yahoo CEO Carol Bartz is talking up personalization again, this time in an amusingly titled Esquire article:

14)

Facebook’s moves and personalized advertising

15)

Google launches web search similarities

16)

Google News hybrid recommendations

Three Googlers published a paper, “Personalized News Recommendation Based on Click Behavior” (ACM)

17)

Designing search for re-finding

A WSDM 2010 paper out of Microsoft Research, “Large Scale Query Log Analysis of Re-finding” (PDF)

18)

Personalization and differential pricing

Google’s Chief Economist Hal Varian has a new paper out, “Computer Mediated Transactions” (PDF)

19)

How we all teach Google to Google

Steven Levy at Wired just posted an article, “How Google’s Algorithm Rules the Web

20)

Google Reader recommends articles

21)

Gmail launches personalized ads

22)

Yahoo on personalizing content and ads

23)

Lectures on Computational Advertising

24)

Personalized search for all at Google

25)

Recrawling and keeping search results fresh

26)

Using only experts for recommendations

27)

Google CEO on personalized news

28)

Using the content of music for search

29)

A relevance rank for communication

30)

Google AdWords now personalized

31)

Can we make make all advertising useful, relevant, and helpful?

32)

Time effects in recommendations

33)

Ad fatigue and relevance

At the recent Ad Auctions Workshop, I had a paper (PDF) and talk (PDF)

34)

New Google study on speed in search results

Googler Jake Brutlag recently published a short study, “Speed Matters for Google Web Search” (PDF)

35)

Optimizing broad match in web advertising

36)

Approaching the limit on recommender systems?

“I like it… I like it not: Evaluating User Ratings Noise in Recommender Systems” (PDF),

37)

Yahoo CEO Carol Bartz on personalization

38)

Danny Sullivan on Microsoft search

39)

Google Suggest and the right ad

40)

The potential of behavioral targeted advertising

41)

Serendipity, diversity, and personalized search

42)

Semantic interpretation and the effectiveness of big  data

43)

What is a good recommendation algorithm?

44)

Google launches personalized advertising

45)

Book review: Introduction to Information Retrieval

46)

How Google crawls the deep web

47)

Blending the link and query-click graphs

48)

Detecting spam just from HTTP headers

49)

Measuring offline ads by their online impact

50)

Baidu on next generation search

51)

Testing rankers by interleaving search results

52)

More on computational advertising

53)

Evaluating search result pages

54)

Digg shifting to personalized news

55)

Are advertisers rational?

56)

Google and personalized search at SMX

57)

Review of SearchPerks

58)

Google describes perfect advertising

59)

Netflix Prize at KDD 2008

“Putting the collaborator back into collaborative filtering” (PDF)

60)

KDD talk on advertising auctions

“Optimal Auction Design in a Multi-unit Environment” (PDF)

61)

KDD talk on the Future of Image Search

62)

Clever method of near duplicate detection

63)

BrowseRank: Ranking pages by how people use them

64)

To personalize or not to personalize

“To Personalize or Not to Personalize: Modeling Queries with Variation in User Intent” (PDF)

65)

Modeling how searchers look at search results

“A User Browsing Model to Predict Search Engine Click Data from Past Observations” (ACM page)

66)

Learning diversity when learning to rank

“Learning Diverse Rankings with Multi-Armed Bandits” (PDF)

67)

Video recommendations on YouTube

68)

Digg recommendation engine

69)

Amazon page recommendations

70)

Advertising auctions and modeling externalities

71)

Hal Varian on advertising auctions

72)

Collective intelligence requires more than voting

73)

Marissa on personalized search

74)

Advertising, search, and drive-by malware

75)

Netflix-KDD Workshop

Second KDD Workshop on Large-Scale Recommender Systems and the Netflix Prize Competition

76)

Crawling is harder than it looks

77)

Questioning Yahoo Answers

78)

Search trails and relevance

“Mining the Search Trails of Surfing Crowds: Identifying Relevant Websites From User Activity” (PDF)

79)

Mousetracking in web search

80)

Detecting near duplicates in big data

81)

Google engEdu talk on Bloom filters

82)

Contextual advertising and social networks

83)

Cheap personalization using the referrer

84)

Using dwell times for search relevance

85)

Using IMDb data for Netflix Prize

86)

People who read this article also read

87)

Ranking using Indiana University’s user traffic

88)

Ask’s BigNews and a PageRank for news

89)

LambdaRank, RankNet, and MSN Search

90)

Predicting satisfaction with search

91)

Upcoming Yahoo talk on computational advertising

92)

Papers from WSDM 2008 on click position bias and 

social bookmark data

93)

Interactive machine learning talk

94)

Google Reader feed recommendations

95)

Personalizing the newspaper

96)

Targeted advertising and Facebook

97)

Personalized search for movies

98)

Google Tech Talk on similarities

Similarity Search: A Web Perspective“, surveying various algorithms for finding similar items. Slides (PDF)

99)

Searchers say, please read my mind

100)

Predictive accuracy is not enough

101)

Recommender systems and diversity

102)

Netflix and the KDD Cup 2007

103)

Microsoft Research Beyond Search grants

104)

Amazon推荐算法-201102.pdf

http://ishare.iask.sina.com.cn/f/13773101.html

105)

探索推荐引擎内部的秘密,第 1 部分: 推荐引擎初探

http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy1/index.html

106)

探索推荐引擎内部的秘密,第 2 部分: 深入推荐引擎相关算法 – 协同过滤

http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy2/index.html

107)

探索推荐引擎内部的秘密,第 3 部分: 深入推荐引擎相关算法 – 聚类

http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy3/index.html

108)

Yehuda Koren

演讲内容简介:Web-Scale Recommendation Systems

http://www.tbdata.org/wp-content/uploads/2011/03/ChineseRecConf_Koren.pdf

http://www.tudou.com/playlist/playindex.do?lid=11607090&iid=74375467&cid=21

http://www.resysforum.org/info.html

109)

张栋

演讲内容简介:推荐系统:算法、评估、应用

http://www.tudou.com/playlist/playindex.do?lid=11607090&iid=74340432&cid=99

http://www.resysforum.org/info.html

110)

王益

演讲内容简介:Recommendation Using Large Scale Click Through Data

http://www.tudou.com/playlist/playindex.do?lid=11607090&iid=74334737&cid=21

http://www.tbdata.org/wp-content/uploads/2011/03/Recommendation_using_large_sclae_click_through_%E7%8E%8B%E7%9B%8A.pdf

http://www.resysforum.org/info.html

111)

郑华

演讲内容简介:Personalization in Hulu

http://www.tudou.com/playlist/playindex.do?lid=11607090&iid=74337309&cid=21

http://www.tbdata.org/wp-content/uploads/2011/03/Personalization-in-Hulu_%E9%83%91%E5%8D%8E.pdf

http://www.resysforum.org/info.html

112)

项碧波

演讲内容简介:推荐系统在电子商务环境中的应用

http://www.tudou.com/playlist/playindex.do?lid=11607090&iid=74337828&cid=21

http://www.resysforum.org/info.html

http://www.tbdata.org/wp-content/uploads/2011/03/%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F%E5%9C%A8%E7%94%B5%E5%AD%90%E5%95%86%E5%8A%A1%E7%8E%AF%E5%A2%83%E4%B8%AD%E7%9A%84%E5%BA%94%E7%94%A8_%E9%A1%B9%E7%A2%A7%E6%B3%A2.pdf

113)

贾超

演讲内容简介:淘宝数据力量

http://www.tudou.com/playlist/playindex.do?lid=11607090&iid=74329289&cid=21

http://www.tbdata.org/wp-content/uploads/2011/03/%E6%B7%98%E5%AE%9D%E6%95%B0%E6%8D%AE%E5%8A%9B%E9%87%8F_%E8%B4%BE%E8%B6%85.pdf

http://www.resysforum.org/info.html

 

114)

Mahout  Algorithm summary table 

115)

Mahout   Algorithms

116)

MapReduce implementation of the factorization algorithm

“Large-scale Parallel Collaborative Filtering for the Netflix Prize”

http://www.hpl.hp.com/personal/Robert_Schreiber/papers/2008%20AAIM%20Netflix/netflix_aaim08(submitted).pdf

 

117)

http://svn.apache.org/viewvc/mahout/trunk/core/src/main/java/org/apache/mahout/cf/taste/hadoop/als/ParallelALSFactorizationJob.java?view=markup

118)

http://svn.apache.org/viewvc/mahout/trunk/core/src/main/java/org/apache/mahout/cf/taste/hadoop/als/PredictionJob.java?view=markup

119)

http://svn.apache.org/viewvc/mahout/trunk/core/src/main/java/org/apache/mahout/cf/taste/hadoop/similarity/item/ItemSimilarityJob.java?view=log

120)

http://svn.apache.org/viewvc/mahout/trunk/core/src/main/java/org/apache/mahout/cf/taste/hadoop/item/RecommenderJob.java?view=log