站长之家- 传媒 2020-11-05T10:32:12 +08:00

“效果和安全”我都要?巨量引擎两大神器了解一下?

"提升消费者与品牌数据的安全性,是赢得广告主信任的基础。但'层层加密'的数据又该如何被运用到营销中,更好地提升营销回报?"在上周刚落幕的金投赏峰会上,一位数字营销服务商抛出了这样一个疑问。

这触发了行业一个"老大难"问题:广告主的第一方数据,如何与媒体平台以及上下游协同?此前在一场行业线上活动中,中国广告协会互联网广告委员会秘书长霍焰女士也表示:如果要广告主提升对数字广告的信任度、投放预算,需要各方共建真实、可信的数字营销环境。那么这样的环境究竟该如何实现?安全和效果可以同时拥有吗?成为行业长期探索的问题。

广告主的天平——安全、效果如何平衡?

增长压力下,广告主加速线上转型步伐。无论是正在向线上布局的品牌,还是已经深耕线上的商家,对流量的获取、效果的追求都已经成为制胜的关键,效果成为广告主考核的重中之重。

而在提升投放效果的过程中,数据成为归因和优化的"敲门砖"。广告主的后端数据,是用以匹配平台数据、建立投放模型,进行精准营销的重要根据。双方数据融合、共建过程中,广告主的数据是1,媒体平台的技术能力是后面的0。理想的状况是,让这些数据匹配媒体平台的数据、运算技术,最大程度加持广告效果。

但正如广告主、行业专家看到的那样,广告主在数据安全上还有诸多考虑,造成投放效果无法达到最佳。具体体现在以下三个方面:

1. 广告主无法实时回传后端深度数据。

2. 广告主考核周期长,无法通过深度转化产品实时优化。

3. 首次考核投放目标大模型已有正例累积不足,成本波动大、跑量困难。

如果不能实时更新数据、共建基础样本,平台要得到准确的结果是很困难的。这些既成为广告主的痛点,也是行业共同推进数字营销发展的难题。那么,平台应该如何照顾到广告主对数据安全的顾虑,同时保证投放效果最大化?技术门槛和数据开放难题下,这已经成为行业的共性痛点。

两种解决方案:联合建模、联邦学习

在数据的开放性、实时性有限的情况下,如何增进协同效率,在安全的同时将投放效果最大化?站在前人的肩膀上,巨量引擎基于字节跳动旗下超过 15 亿的月活跃用户数,根据自身平台属性,对这道难题给出了两种新解法。

第一种是联合建模。顾名思义是广告主和平台共建模型。具体操作上,首先需要广告主提供样本数据,然后由巨量引擎匹配后台数据模型及特征并进行筛选,通过自动建模训练出专属私有模型,再进行投放。

就好比果农需要为商人种植"更甜"的苹果,但由于技术机密,商人无法把全部"更甜"的苹果种子直接给到果农,但是商人通过几粒种子的特点告诉了果农"更甜"的苹果几个核心的特征,比如"更大""更圆""更红",果农了解到了这些特征后,便到自家果园深度学习这些特性,最终用自己高超的种植技术批量种出"更甜"的苹果给到商人。这种方法针对的是需要考核深度转化目标、对数据隐私安全要求高的客户。

第二种是联邦学习。它可以在不泄露明文数据的前提下,用多方的数据共同训练模型。这也是"围墙花园"的一种,广告主、平台共同构建一个数据"花园"。各方可以从外部登入数据系统,在投放广告时利用这些数据,但却不能够直接接触到这些数据。数据如同花园里的花,可观赏,发挥了它的功能,但不可接触、不可获得,品牌的数据持有方仍是广告主,数据不会离开广告主的花园(私域服务器)。

联合建模和联邦学习最大的差异在于运行环境,前者在巨量引擎的云环境,而后者在广告主所有的三方/私有云环境。这也给了广告主可进可退的两种选择。

和之前的方案相比,这两种方案更进一步解决了私密性不够的问题,广告主数据安全性有保障;而在巨量引擎的技术加持下,自动化建模得以实现,广告主操作简单;并且,根据数据开放程度,巨量引擎提供了多种方案供选择。最后还有一个细节是,这个技术系统支持批量上传,效率得到大幅提高。

针对不同行业的灵活落地策略

目前,这两种方案在对客户数据隐私保密性极高的行业,如金融、电商、网服、教育等,应用颇为有效。

联合建模案例

比如在一个电商客户案例中,广告主考核周期长,无法使用深度转化实时优化,巨量引擎改为对 7 日下单ROI进行考核,利用客户离线数据进行联合建模。 7 日后ROI提升318%,激活下单转化率提升63%。

在另一个电商客户的合作中,客户本身有很好的投放优化能力,但客户依旧遇见了增量获取的难题。如上文所述的第三种场景,考核投放目标大模型数据累积不足,成本波动大且跑量困难。基于这个痛点,巨量引擎通过联合建模传入数据,加快新目标的冷启动优化。结果显示,这个方案让客户下单成本降低了12%,跑量提升了8%,顺利渡过冷启动期。

联邦学习案例

在另一个教育品牌的例子中,客户对正价课付费人群数据严格保密,无法输出至巨量引擎服务器,但该数据又是营收核心指标,客户希望优化该部分转化率即正价课续课率。

巨量引擎通过"联邦学习-巨量引擎单侧特征模型"的方法,巨量引擎侧和客户侧各自提供用户标识+特征/标签,数据取交集后共同建模。这种方法在不获知用户深度行为标签(即哪些人购买了正价课)的同时,具备预测深度正价课转化率的能力。结合在广告精排阶段的动态出价调整,优化在线教育广告的正价课转化率,提升客户获客ROI。

基于以上方案,联邦学习目前与在线教育行业多家头部客户深入合作探索中,帮助教育客户广告跑量提升124%,正价课续报人数提升209%,续报率提升33.1%,正价课续费用户获客成本降低11.7%。

视具体情况给出具体措施,巨量引擎这两种方案解决了大部分数据安全疑虑。

观察这些案例可以发现,在这种数据尤为敏感的行业中,联邦学习和联合建模在私密性的前提下,也有十足的敏捷性、高效性,对效果提升的影响显著。

了解基本逻辑和运用场景之后,那么广告主应该如何使用这两种方法?具体方法参见如下步骤:

联合建模操作流程

联邦学习操作流程

结语

任何数据与技术,都需要结合品牌营销实践创新,才可能得以落地,并检验效果。联邦学习、联合建模,既能在保障安全的基础上发挥企业自有数据的价值,也能充分利用平台的技术。这样的协同共建,是商业成熟的标志,也是营销成功的前提。

推荐关键词

24小时热搜

查看更多内容

大家正在看