Hvad er den algoritmiske mekanisme for nyhedsfeed-annoncering?Formel for annonceringsformel for informationsflow

Annoncering er et spil, der bruger penge på at konkurrere om at købe volumen, og informationsflow-annoncering er ingen undtagelse. Det skal stadig overholde de to kerneindikatorer omkostninger (CPA=cpm/ctr*cvr) og volumen (konverteringsvolumen=eksponering* ctr*cvr).Det er også nødvendigt at optimere tragtfaktorerne på alle niveauer.

Hvad er den algoritmiske mekanisme for nyhedsfeed-annoncering?

Information flow annoncering er kun på grund af tilføjelsen af ​​intelligente algoritmer, vi skal ikke kun studere konkurrenter og brugere, men også maskinalgoritmer, fordi det estimeres først, og dette estimat involverer, om det er nøjagtigt, højt eller lavt. Og problemet med maskinbelønning (platform reklameafkast), som er relateret til, om du kan krydse cirklen (0-1 eksponering koldstart og opfølgende model modenhedsskala).

Derudover, fordi det er en form for reklame for at finde folk, opdatering af materialer (målretning er kun for at afgrænse dækningen af ​​mængden, kreativitet er nøglen til at tiltrække det) og tærskler (på den ene side genopfrisker brugerne på platformen uden formål, og platformen Indholdstærsklen er høj, og efterligningen af ​​konkurrerende produkter vil føre til manglende tiltrækning af materialet) er højere end andre reklameformer.

Formel for annonceringsformel for informationsflow

Som svar på appellen fandt vores analyse af informationsstrømsannoncering derfor ud af, at vi skal løse følgende tre kerneproblemer, som er forklaret i rækkefølge: (Kernemålet er hjælperesultaterne af de to første)

1. Maskinalgoritmer: Koldstarter og modeller

Vi ved, at platformens annonceomsætning er at maksimere ECPM-værdien (ECPM=cpa*Pctr*Pcvr*bid). I betragtning af forskellige frekvenskontrolfaktorer såsom brugeroplevelse, er ordren baseret på ECPM-værdien.I denne formel er det eneste, der kan bestemmes, dit bud cpa (budfaktoren justeres efter, om faktorer som omkostninger og budget opfylder annoncørernes behov) Vanskeligheden ligger i Pctr og Pcvr, som er den estimerede sandsynlighed Estimat er ikke fremstillet ud af den blå luft, det kræver historisk datareference, givet en forudgående sandsynlighed, efter den reelle eksponering opnås datafeedback og nye parametre tilføjes før justering.Og disse historiske data er referencen til tidligere konverterede brugeregenskaber, materialer, konti, industrier osv.Efter hver estimering afsløres de reelle feedbackdata, og derefter justeres parametrene for at bestemme, om der skal indgå i den næste trafikpulje.Jo lavere estimat er mindre eksponering, jo højere estimat er, jo højere er omkostningerne, og estimatet er i overensstemmelse med de faktiske data. (De reelle data er høje, og volumen fortsætter med at stige, og de reelle data er lave for at reducere indvirkningsfaktoren for volumenoptimering).

(1) Koldstart

En gammel konto eller plan vil have historiske data som reference. For en ny konto og en ny plan, hvordan estimerer man uden data?Derfor er der også en trial and error cost og trial and error tid indtil stabiliteten af ​​modellen er opfyldt (modellen er stabil når tallet når standarden, jo mere tallet er, jo mere præcis er modellen).Vi er nødt til at indhente reelle data, før vi kan foretage en bedømmelse. Når eksponeringen fejler, kan det være, at systemet mener, at ECPM-værdien faktisk ikke er høj. Vi kan optimere de faktorer, der kan tages i betragtning, men det er også muligt, at vi synes, det er godt, og systemet synes, det ikke er godt, må bruge andre metoder.Det tager 1-5000 visninger eller mere for at få mindst 10000 konvertering.

For at klare koldstarten så hurtigt som muligt, indtil modellen er stabil, er her en formel,Kold start = højt bud DMP crowd pakke industri pakke smal først og derefter bred historisk materiale budget tid

Højt bud: højere end branchens gennemsnitlige bud, såsom 20 % eller højere, og sænk derefter det høje bud for at se den reelle datafeedback, som også er en belønning for maskinen, bære konsekvenserne af disse høje omkostninger, men skal kombinere et lille budget og få datafeedback og justere det.Hvis der er datafeedback fra det høje bud, kan det sænkes igen, og hvis der stadig er volumen, er testen vellykket.

DMP crowd-pakke: Når der ikke er nogen data at referere til i annoncen, er det som en maskine, der leder efter en nål i en høstak og kan ikke prøve sandsynligheden én efter én. For at reducere omkostningerne og tiden, vil den konverterede mængde ( ikke platformsannoncen) bruges til at kryptere og uploade ID-pakken, og lade systemet I denne crowd-model udvide testen.

Industri crowd-pakke: Hvis du ikke engang har historiske konverteringsdata, kan du bruge branche-crowd-pakken. Forgængerne har allerede hjulpet dig ud af modellen, og jo mere moden industrien er, jo mere præcis er denne crowd-pakke. Det kan selvfølgelig også bruges i Crossover drift udføres i DMP for at opnå sin egen crowd model.

Smal først, så bred: Hvis ovenstående to hjælpesystemer er svære at bygge modeller, såsom nogle upopulære industrier, anbefales det at bruge andre konventionelle orienteringsmetoder til først at indsnævre og derefter brede for at teste. (Annoncebrugere screenes ud af den præcise målgruppe, men den estimerede eksponeringsdækning skal også ses på).

Historisk materiale: Estimatet vil ikke kun kombinere brugerens karakteristika (appelmodellen er), men afhænger også af kreativiteten og siden. Her kan historien kombineres med andre konti eller reklametrafikmateriale og industritrafikmateriale i forbi.Kopier eller lær af kernepunkterne i det løbende materiale. (Copywriting, billeder, scener,figur, rekvisitter, musik, varighed osv., bryde et kreativt materiale op, skille det ad, skille det ad og samle det igen. )

Budget: Dette er den forudsætning, der påvirker volumen, og minimumsværdien vil blive taget i kombination med konto, saldo, plan, gruppe og annonce. (Andre detaljer forklaret nedenfor)

Tid: På nuværende tidspunkt har hver platform forskellig tid til koldstart, i det mindste anbefales det at observere det i 2-7 dage.

2. Beregningsmodel for annonceplacering af informationsflow

1. Mængde

Jo større antal konverteringer, desto mere tilstrækkelig er datadimensionen, og jo mere nøjagtig kan estimeringen være.Nu har platformen 0 numre direkte ind i den intelligente algoritme (også baseret på tilstrækkelige data i lignende brancher).Kravene til hver platform er forskellige, 6, 10, 20, 50 eller endnu mere, det vil sige, at budgettet for en annonce skal være tilstrækkeligt for at opnå modelstabilitet.Men det afhænger også af omkostningerne ved denne transformation i din egen branche og dine egne budgetmuligheder.Hvis industrien er et par yuan eller titusinder af yuan, så vil selv 50 konverteringer koste tusind yuan, men i nogle brancher kan den gennemsnitlige CPA nå hundreder eller tusinder, du kan indstille et minimumsbudget for konverteringsdata for at forhindre, at omkostningerne bliver for højt..

2. (Mængdekonverteringsmateriale)

Med hensyn til adskillelse af modellen kan det forstås, at forskellige demografier ser forskellige materialer for forskellige konverteringsmetoder, og selv niveauet af bud vil påvirke modellen (trafikpuljen til test er forskellig).Jo mere dybtgående konverteringsmetoder (såsom direkte køb eller endda køb af forskellige kundeenhedspriser, såsom 1 yuan og 9 yuan, 49 yuan produkter.) Jo sværere det er, afhænger det selvfølgelig også af industri. (Hvis der er brancher som uddannelsesformer og populære indkøb, anbefales det at bruge samme metode til at lære af referencedata).

2. Materialeopdatering

Vi vil trække på vores egne eller branchehistoriske data som den estimerede tidligere værdi, så modellen kan findes problemfrit.Men efter at have gennemgået modellen, er den bundet til at møde materialets tilbagegang.Desuden, som nævnt ovenfor, er kernen i informationsflowannoncen materialet, og orienteringen definerer kun en dækket gruppe, hvilket gør det muligt for systemet at finde disse egenskaber, men i sidste ende afhænger det af materialet, om brugeren handler eller ej.Dette involverer mængden af ​​materiale, hyppigheden af ​​nye udgivelser, salgsargumentet, udtryksformen og inspirationskilden. (detaljeret nedenfor)

3. Kernemål: omkostninger og volumen

Optimeringen af ​​ovenstående to problemer mangler stadig at vende tilbage til vores endelige kernemål: omkostninger (CPA=cpm/ctr*cvr) og volumen (konverteringsvolumen=eksponering*ctr*cvr), som skal skilles ad som SEM-reklamer. er at løse indflydelsesfaktorerne eksponering, cpm, ctr og cvr og de optimeringshandlinger, der kan udføres.

(1) Eksponering

1. Eksterne faktorer: daglige aktiviteter på platformen, varighed, brugertonalitet, konkurrerende produkter (antal, tidsplan, bud), helligdage, frekvenskontrol (såsom store billeder, antallet af lignende annoncer osv.)

2. Interne faktorer: orientering, ecpm-værdi (cpa*Pctr*Pcvr*bud), budget, tidsperiode, multi-konto, annonceplads, materialetype (uanset om det er alle kategorier), faktureringstilstand, driftsvolumentilstand osv.

(2) ctr

Annonceplads, materiale, stil, tidsperiode, publikum osv. (Det afhænger stadig af de eksterne ændringer i markedet og brugermiljøet)

(3) cvr

Crowd, side (indtastning af indholdskonvertering), kreativ sides relevans osv.

(4) cpm-værdi

Eget bud, branchekonkurrence, platformsbaseret budgivning

0. 1~XNUMX indtastningsreglen for reklamealgoritmemodellen for informationsflow

Her vil vi yderligere finpudse eller supplere, hvilke skridt skal der tages i 0-1-processen af ​​en informationsflowannonce?

En god annonce er at imponere de rigtige mennesker (målretning, crowd model) på den rigtige måde (produkter, materialer, salgsargumenter) på det rigtige tidspunkt og i det rigtige scenarie (platform, reklameplads), og på samme tid skal skaleres til en lav pris.

virksomhedens produkt:

Kun når produktet har monopoldifferentieringsfordel, har produktet transformationsfordel, ellers afhænger det af kanalkonkurrencen.De fleste af dem analyserer fordelene ved deres virksomheds produkter i tilfælde af fuld markedskonkurrence, undgår styrken af ​​konkurrerende produkter og kan ramme brugernes smertepunkter, så de kan afspejles i opfølgningsmaterialerne.Efter at have forstået fordelene ved virksomhedens produkter, kan du finde salgsargumentet for materialer, der kan eksternaliseres.

(1) Virksomhed: Inklusive etableringstidspunkt, baggrund, art, omfang, ære, service, sager og andre dimensioner, der skal analyseres, om der er et eksternaliseret salgsargument.

(2) Produkt: Uddrag punkter, der kan eksternaliseres fra brugernes bekymringer såsom pris, funktion, følelser og scene.

Platform information:

(1) Dataalgoritme: inklusive platformens daglige aktiviteter, brugsvaner og varighed, datadimensioner og orienteringsmetoder.

(2) Brugerportrætter: primært for at analysere tonaliteten af ​​brugere af platformen, og hvilken kopistil og stil de kan lide.

Brugerinformation: brugerportræt, brugerbehov, brugerfokus, brugerforbrug

(1) Brugerportræt: naturlige attributter, enhedsattributter, interesseattributter, adfærdsattributter (søgning,El-leverandør, social, APP, LBS)

(2) Brugerbehov: brugernes underliggende motivation og smertepunkter for at bruge dit produkt/tjeneste

(3) Brugerfokus: det vil sige grunden til, at brugerne vælger dig. (fra produkt og påtegning)

(4) Brugerforbrug: forbrugsevne, forbrugspsykologi, forbrugskoncept

Ovenstående information kan bruges i indeksværktøjer, søgeordsefterspørgselskort, brancherapporter, konkurrerende produktanalyse, feedback fra brugerundersøgelser, sociale kommentarplatforme i fællesskabet, reklameplatform DMP-portrætanalyse, kundeservicesalgsinterview, CRM-dataanalyse osv.

Konkurrencedygtig produktinformation: Den analyserer hovedsageligt sine materielle eksternaliseringssalgspunkter og virksomhedsproduktinformation og finder differentierede salgsargumenter, der kan undgå dets fordele, men tilfredsstille målbrugere.

Crowd-segmentering: kerne, mål, potentiel målgruppe og hvordan man målretter dem

Kernemålretning: ord (såsom mærker, konkurrenter), dmp-konverteringer, adfærd (følg, søg, køb, download, selve LBS eller konkurrenter)

Målretning: ord (såsom generiske produkter), industripakker, primære kerneinteresser

Potentiel orientering: ord (såsom crowd, brancheord), sekundære og tertiære relaterede interessepakker

Kreativ side:

(1) Forskellige grupper af mennesker kan bruge forskellige kreative salgsargumenter, såsom kernegruppens hovedbrand og aktiviteter, målgruppens hoveddifferentierede produktsalgspunkt, og den potentielle gruppes hovedfokus på velfærdsrabatter og skabelse af interesseønsker, smertepunkter og angstforstærkning mv.

(2) Tag uddannelse som eksempel: mennesker (lærere, elever, pædagogmedhjælpere, forældre, enlig/flerpersoner), maskiner (rekvisitter), materialer (lærebøger, gaveæsker, bøger, kuglepenne, noter, mindmaps), metoder (metoder, færdigheder, videnpoint) og de relaterede faktorer involveret i ringen (klasseværelse, familie, samfund) afmonteres og kombineres.

(3) Udtryksformer: grafisk (tre billeder, stort billede, lille billede, gitter, vinkel), video (mundtlig udsendelse, plot, håndmalet, ppt...).

(4) Testsekvens: så mange som én, derefter fra én til mange. (Test af materialeformer med flere salgsargumenter, find ud af materialet med løbende volumen, og strække sig rundt om materialet).

(4) Sideinformation: samme princip som SEM-sidedelen (bemærk især, at sidehovedbilledet og det ydre lag er stærkt relaterede eller endda konsistente, og det kreative billede konverteres direkte).

(5) Idékilde: kreative inspirationsværktøjer til annonceplatforme, manuel læsning, treparts-crawling-værktøjer, søgeordsefterspørgselskort osv.

Budbudget:

1. Budget

（1）、1.5-2倍转化目标数量预算。（如单日100转化量，cpa为100，则可设置15000-20000）。

(2), er det bedst ikke at være mindre end 1.5 gange det faktiske forbrugsbudget. (Hvis det faktiske forbrug er 10000, bør det ikke være lavere end 15000).

(3) Konti og annoncegrupper kan indstilles. Der er lille forskel mellem planindstillinger og det endelige budget afhænger af minimumsværdien af ​​saldoen, kontoen, planen og gruppen, og den faktiske tilgængelige saldo for annoncen vil blive taget.

(4) Nye materialeannoncer vil blive uploadet hver dag til backup, og budgettet for antallet af stabile modeller konverteret på en enkelt annoncedag bør afsættes til annoncer, der er online på samme tid. (For eksempel, i brancher med høj CPA, afsæt 6 CPA-budgetter til 1 annonce.) Hvis CPA er 100, bør budgettet for en enkelt annonce være mindst 600. Hvis det daglige budget er 1200, anbefales det at lancere 2-4 annoncer på samme tid.Observer dataene for de første 24 timer, fjern omgående annoncer med dårlige data, og udrul nye.

2. Bud

(1) Byd efter branche og søgning eller acceptabel CPA, og øg med 5 % på grundlag af det foreslåede bud.

(2) Hvis det ikke er muligt at starte i et koldt miljø, og der stadig ingen data er, forhøjes buddet, indtil der er dataydelse. (Eksponering mere end 3000-5000 og derefter observere og justere)

(3) Hvis der stadig ikke er datafeedback, kan en kombination af fakturerings- og kørevolumenmodeller, små budgetter og overfladiske konverteringsmål bruges til at akkumulere konverteringsdata og se materialer og menneskemængder. (såsom cpm, cpc fast running volume).

dataanalyse:

Lodret: Fokus på omkostninger (CPA=cpm/ctr*cvr) og volumen (konverteringsvolumen=eksponering*ctr*cvr) og sorteringsformlen ECPM=cpa*Pctr*Pcvr*bud for at analysere, hvilke linkdata der er lavere end gennemsnittet af markedet, og kernen er det værste Problemet ligger i at finde de påvirkningsfaktorer, der kan optimeres i dette link.

Horisontal: Platform, konto, forretning, plan, gruppe og reklame fra helheden til delen for at finde ud af den kerneforskeldimension, der påvirker målet, og optimere omkring denne dimension.