互联网广告常用分析技术

互联网广告平台分析所用的技术从本质上来说是数学原理的使用，通过大量数据的统计、分析和反馈，从而实现广告系统中的诸多功效。1 统计学与概率论在广告平台中用得最多的最基本的理论即是统计学和概率论，在分析互联网用户行为的时候我们通常要记着两个前提：l 用户是匀称的，从随机抽样来看，当媒体的会见量在千万甚至亿的级别以上来看，当我们随机抽取其中一部门用户，对其用户属性和行为来举行分析，所得出的结论是可以代表全体用户的。这是统计学的基本原理。l 反向推知，当我们将通过统计获得的结论应用到单个用户身上的时候，我们并不能够准确的判断用户的属性和行为，而是只能判断有多大的概率该用户可能会切合我们通过统计分析而对该用户发生的预期。

在遵循以上两个前提的思路下，我们对广告投放的计谋和由此发生的效果举行分析，可以获得一些很有意思的结论，例如：l 在广告库存量足够的前提下，广告投放的优先级其实对于广告的执行并无实质性的影响，不做频次控制的广告还是如此，也比力好明白，但实际上做频次控制的广告也会遵循以上结论，如果因为频次控制而导致某只广告无法有效释放，而同时另有一定剩余广告库存的话，那么调整该广告的优先级仍然是无法使该具有频次控制的广告释放完的。l 在有剩余流量的前提下，对举行频次控制的广告做频次追投意义并不大，原因同上，因为这个时候考核的其实是独立用户数而非广告总库存。

l 如果我们将未达频次上限的用户和到达频次上限的用户举行区分的话，我们会发现在频控周期内，虽然到达频次上限的用户呈上升趋势，而未到达频次控制的用户呈下降趋势，但从整体投放量来看，其实天天的整体投放量是平均的，而且因为详细到每个用户身上，在剩下有限的时间内能否到达频次上线只是一个概率时间，因而实际上无法通太过析判断某个详细用户的可能行为而确定是否适合投某个频次控制广告。l 固然，如果对用户举行进一步的分析，我们也许可以得出一些概率上的结论，例如某个用户在近期会见本媒体比力频繁，那么在未来也可能会继续频繁会见，而如果已往一段时间来的次数比力少，那么在未来一段时间内也可能不太会频繁会见。

等等。但这些仍然是一个概率性的结论。2 回归分析回归分析法是在掌握大量视察数据的基础上，使用数理统计方法建设因变量与自变量之间的回归关系函数表达式（称回归方程式）。

在广告平台中，因为对于资源很是敏感，因此在其中会涉及到大量的有关资源预测的需求，例如对于媒体会见量的预测、对于广告库存量的预测、对于独立用户数的预测等等，这些预测都市需要用到回归分析技术。既然是应用已往来预测未来，那么其获得的效果肯定不会是完全准确的，在实践历程中我们通常需要接纳一些措施来对预测效果举行优化，其措施一般有：1.对回归算法举行优化，例如加入季节性因素，通常对于互联网媒体而言需要思量的季节性因素包罗：周末与平时、月度因素、寒暑假、节沐日等等。2.通过以上方式仍然不能够应对一些特殊情况的发生，这个时候就需要人为对预测效果举行干预，需要人为举行干预的因素主要有：突发事件、突发社会热点等，如果是对于互联网视频媒体而言，则还需要思量可能的热播大剧等等因素在内。

3 反馈关于反馈技术，我们可以参考一下电子电路中的功率放大器，其原理是将输出端的信号一部门再反馈到输入端，从而实现功率等比放大。将该技术应用到广告平台中，我们可以在广告投放引擎中凭据广告实际投放效果来控制后续的投放计划。

例如当一天中的某个时间点，在该时间点之前的投放效果如果没有到达预期，则将自动调整该时间点之后的投放计划，从而使得投放效果只管向预期靠近。在这样的一个基于反馈的广告调理服务中，调理服务会定期从监测服务中获取广告监测计数数据，并与到该时间点为止的计划量相比对，盘算出差异量，然后将差异量加入到当天尚未投放的计划量中，统筹根据一定的规则分配到剩下的时间里，然后由广告投放服务根据该计划举行投放。广告投放到广告前端，在前端发生曝光或其他行为时发送相应的监测请求到监测服务，从而形成闭环。

通过该闭环，广告投放引擎模块不停的调整自己的广告投放行为，从而使广告运动到达最优。4 决议树在售前计划治理模块的投放推荐功效和投放引擎的优选投放机制中，我们随处都可以看到决议树算法的身影。在售前计划治理的投放推荐功效中，我们需要凭据各频道或板块、各广告位的历史数据，包罗频道或板块的会见用户的年事、地域、时间、性别、职业平分布和广告位的曝光量、点击转化率等，再对比广告运动的需求如期望曝光量、期望点击转化率、产物种别、目的人群等等信息，凭据每项条件盘算出匹配度，然后根据一定权重将以上条件匹配度举行加权统计，最终盘算出若干个比力契合的候选方案供用户选择。在投放引擎中，凭据媒体用户浏览时发来的请求信息，在经由清除筛选之后还会有一些广告都是切合条件可以投放给用户的，这时为了筛选出越发匹配或者价值更要的一只广告，同样需要使用决议树算法。

举个例子，对于一位来自江苏南京的网友，有两只广告一只定投南京另一只定投江苏，这时显然定投南京的那只广告会越发匹配这个用户一些。而对于视频媒体而言，单价15元15秒的贴片广告显然比单价25元30秒的贴片广告单元价值更高，只管后者的成交价更高一些。因此，在这个时候，经由了所有清除筛选之后仍然剩下的广告，需要综合思量以上种种因素通过决议树算法来选出最适合的一只广告投放给用户。

5 聚类分析对于媒体用户的行为分析，就必须要用到聚类分析技术了。当需要做人群定向投放时，我们需要做一系列的数据准备事情，通过线上或线下的方式对人群举行观察，相识其基本属性信息，以及这些人群在媒体上的行为，例如经常上网的时间、所在、常浏览的频道或板块，停留时间等等。然后对这些信息举行聚类分析，找出其模式，界说出规则之后再应用这些规则举行测试，以验证分类规则的准确性。

在经由重复的修正之后，可以使用该规则对媒体的其他会见用户举行快速分类，并投放人群定向广告。由于涉及到第三方监测的问题，这一类的人群定向广告运动通常与第三方监测机构互助举行。

其方法如下：1.第三方监测机构向市场调研公司购置样本人群，例如每月几十万或上百万份样本。这些样本的属性信息通过线上或线下调研得来，通常包容诸如性别、年事、职业、收入、兴趣喜好等信息。

2.媒体购置上述样本的其中一部门并和第三方监测公司将这些样本通过Cookie Mapping的方式与自己媒体的用户举行映射。3.媒体对这些样本举行聚类分析并制定快速分类规则。然后根据这个快速分类规则判断会见媒体的其他用户并投放广告。

4.第三方监测机构吸收广告监测数据并与自己的样本库举行匹配。5.检察和样本库匹配上的这一部门用户中切合广告投放TA要求的用户数。

并盘算占匹配样本数的比例。6.反推整个广告运动中切合TA要求的用户数或许可能是几多。举个例子：某媒体在一次广告运动投放中，共笼罩了100万个独立用户，其中第三方监测机构监测到有1万个寓目过该广告的用户是到场过样本调研的，也就是说这1万个用户是样本用户，而这1万个用户在调研中已知晓其中3000人是本次广告运动所针对的目的用户。

那么本次运动的人群定向掷中率约莫是30%，反推下来就是本次广告运动投放笼罩的100万个独立用户中约莫有30万独立用户是目的用户。

本文来源：ROR体育-www.yuhangny.com