抱歉很久没更新,最近比想象中忙。考完试,连续三天做开咖啡厅的Simulation(偶们组得了冠军,哈哈),又开始接一些咨询和培训的活,还参加了2个Business Competition…
早两天在传漾科技讨论他们新的产品设计,忽然想起自己之前对于这一类广告网络的设想:
第一步,广告公司无非是个分销商,大量买进广告位或者Impression,然后打包卖出去。
第二步,广告公司开始帮客户做分析,做创意,做优化,做咨询。
第三步,广告公司进一步统整信息,将访客后续行为都监控到,帮助客户计算真实的广告投放ROI(至少自以为监控到了ROI),帮忙做分析,做优化。
第四步 ,帮助单个公司做广告内容优化,比如Retargeting(链接里是Wikipedia的解释)。之前在美国,有公司做的是在客户网站加代码并且索要一些折扣券,如果客户将产品放入购物车但是又没有购买,他接着再去逛其他网站,网站上刚好有他家广告网络的banner的话,那个banner会自动展示该客户的logo + 他之前放入购物车的产品 + 折扣券代码。比如我去了Amazon,把一个iPod放入购物车又没买,然后我去Businessweek,有可能就会看到中间有个Banner上面写着”Amazon iPod大促销,输入MarsOpinion.com免运费“。我自己操作过的版本要更复杂,可以设计更复杂的推荐规则,可是要用到高级的WA和ESP来合作。传漾有自己一套很好玩的Retargeting规则,不过不知道需不需要保密:S…(full disclosure: 我正在给他们的新产品提供咨询)
第五步,综合从所有广告主那里采集的信息,结合其他渠道(例如购买的第三方数据)拿到的用户信息,绘制每个用户的profile,跟踪记录用户的行为信息,然后做适合的广告位、适合的广告内容的推断——在合适的时间,展示合适的广告内容给正确的人。比如我在Guilt买了很多很贵的衣服,而且总是对衣服的banner视而不见,他可能就会给我看Newegg的高档相机banner而且不给我coupon。
第六步,自动优化,我之前提到的eCPM和Google的竞价排名机制其实也有自动优化在里面。本质上说就是让广告自动去找到合适的位置,以合适的形式展示。比较粗略的模式可以是这样:首先建一个模型,给每种广告都赋予一些属性,然后人工安排广告位做优化。做一阵子之后系统对数据进行学习,做一个粗略的总结(什么样的广告应该放什么地方,以什么形式),然后系统开始自己尝试、自己优化:比如VANCL要投广告,它就自动放到它计算认为合适的网站banner上实验(占用那个banner位置1/n的时间),如果发现ROI(如果定义ROI是order / cost)高于那个banner位其他广告,则延长VANCL在这个广告位的展示时间,否则减少,这样子可以实现效果最优化。而在一切结束之后,系统又学习到了更多了关于“男装应该往哪些网站投放”的信息,下次别家来投的时候,它第一次实验的对象就会更精准一些。
第七步,好吧……这一步估计要等我写完《网络营销效果解读》才能说清楚(好吧,我一定尽快写……)。简单讲,在我写完那一系列文章之后,基本上会发现通过网站自身的WA数据分析来衡量网络营销效果,虽然说很有用,但是还是远远不够的。最不够的地方就是很难衡量营销和最终效果之间的因果关系——我们衡量的往往是事情发生的先后次序关系(例如先点击了广告,然后买了东西,所以我们认为广告影响了购物),但是时间顺序关系并不代表其中的因果联系。所以我的设想是将来的广告网络应该来承担这个责任:广告网络了解大部分观众的信息,在特定网站上,给其中一些观众展示过特定广告,给另一些相同属性(例如同是VANCL顾客)顾客没有展示过,这两组数据就可以用来对比计算Impression –> Sale的具体因果关系——扩大到整个网络上,丰富的比对信息应该可以套用数学模型来计算出每个广告位,每个创意,对于每个具体网站产生的具体影响,然后用这个“真实效果”反过来进行第六步的自动优化。
好吧,走到最后一步要5年还是10年呢?
Popularity: 48% [?]

