在一家超市中，人们发现了一个特别有趣的现象：尿布与啤酒这两种风马牛不相及的商品居然摆在一起。但这一奇怪的举措居然使尿布和啤酒的销量大幅增加了。这可不是一个笑话，而是一直被商家所津津乐道的发生在美国沃尔玛连锁超市的真实案例。原来，美国的妇女通常在家照顾孩子，所以她们经常会嘱咐丈夫在下班回家的路上为孩子买尿布，而丈夫在买尿布的同时又会顺手购买自己爱喝的啤酒，这个发现为商家带来了大量的利润。
如今互联网精准营销和程序化购买已经让企业可以比以往任何时候都能更精准的找到自己的客户。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，盘石网盟程序化购买走在了行业前列。
【图】盘石网盟如何发掘数据核心价值
可信panel库是可信用户标签的关键点
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。
目标用户进行多渠道统一识别技术是难点
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，盘石网盟正是这样一家公司。DSP构建自己的多屏统一ID体系，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。
归类目标用户的价值强弱
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。
防作弊能力对转化率至关重要
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。
(责任编辑：中国企业资讯网)
