Vad är den algoritmiska mekanismen för nyhetsflödesreklam?Formel för reklam för informationsflöde

Reklam är ett spel som spenderar pengar för att tävla om att köpa volym, och informationsflödesannonsering är inget undantag. Det måste fortfarande följa de två kärnindikatorerna kostnad (CPA=cpm/ctr*cvr) och volym (konverteringsvolym=exponering* ctr*cvr). Det är också nödvändigt att optimera trattfaktorerna på alla nivåer.

Vad är den algoritmiska mekanismen för nyhetsflödesreklam?

Informationsflödesreklam är bara på grund av tillägget av intelligenta algoritmer, vi måste studera inte bara konkurrenter och användare, utan också maskinalgoritmer, eftersom det uppskattas först, och denna uppskattning involverar om den är korrekt, hög eller låg. Och problemet med maskinbelöning (plattformsreklamavkastning), som är relaterad till om du kan korsa cirkeln (0-1 exponering kallstart och uppföljningsmodellens mognadsskala).

Dessutom, eftersom det är en form av reklam för att hitta människor, uppdatering av material (inriktning är bara för att avgränsa täckningen av publiken, kreativitet är nyckeln till att attrahera den) och trösklar (å ena sidan uppdateras användarna om plattformen utan syfte, och plattformen Innehållet tröskeln är hög, och imitation av konkurrerande produkter kommer att leda till bristen på attraktion av materialet) är högre än andra reklamformer.

Formel för reklam för informationsflöde

Därför, som svar på överklagandet, fann vår analys av informationsflödesannonser att vi måste lösa följande tre kärnproblem, som förklaras i ordning: (kärnmålet är hjälpresultaten för de två första)

1. Maskinalgoritmer: Kallstarter och modeller

Vi vet att plattformens annonsintäkter är att maximera ECPM-värdet (ECPM=cpa*Pctr*Pcvr*bid). Med tanke på olika frekvenskontrollfaktorer som användarupplevelse baseras beställningen på ECPM-värdet.I denna formel är det enda som kan fastställas ditt bud-cpa (budfaktorn justeras efter om faktorer som kostnad och budget möter annonsörernas behov) Svårigheten ligger i Pctr och Pcvr, som är den uppskattade sannolikheten Uppskattningen är inte tillverkad ur tomma intet, den behöver historisk datareferens, givet en tidigare sannolikhet, efter den verkliga exponeringen erhålls dataåterkopplingen och nya parametrar läggs till och justeras sedan.Och dessa historiska data är referensen till tidigare konverterade användaregenskaper, material, konton, industrier, etc.Efter varje uppskattning exponeras den verkliga återkopplingsdatan och sedan justeras parametrarna för att bestämma om man ska gå in i nästa trafikpool.Ju lägre uppskattning är mindre exponering, desto högre uppskattning är, desto högre är kostnaden, och uppskattningen överensstämmer med de faktiska uppgifterna. (Den verkliga datan är hög och volymen fortsätter att öka, och den verkliga datan är låg för att minska effektfaktorn för volymoptimering).

(1) Kallstart

Ett gammalt konto eller en plan kommer att ha historiska data som referens. För ett nytt konto och en ny plan, hur uppskattar man utan data?Därför finns det också en trial and error-kostnad och trial and error-tid tills modellens stabilitet är uppfylld (antalet modeller är stabilt, ju fler antal, desto mer exakt modell).Vi måste skaffa riktiga data innan vi kan göra en bedömning. När exponeringen misslyckas kan det vara så att systemet tror att ECPM-värdet verkligen inte är högt. Vi kan optimera de faktorer som kan beaktas, men det är också möjligt att vi tycker att det är bra, och systemet tycker att det inte är bra, måste använda andra metoder.Det krävs 1 5000–10000 XNUMX visningar eller mer för att få minst en konvertering.

För att klara kallstarten så snabbt som möjligt tills modellen är stabil, här är en formel,Kallstart = högt bud DMP publikpaket industripaket smal först och sedan bred historiskt material budget tid

Högt bud: högre än branschens genomsnittliga bud, till exempel 20 % eller högre, och sänk sedan det höga budet för att se den verkliga dataåterkopplingen, det är också en belöning för maskinen, bära konsekvenserna av denna höga kostnad, men måste kombinera en liten budget, få datafeedback och justera den .Om det finns dataåterkoppling från det höga budet kan det sänkas igen, och om det fortfarande finns volym är testet lyckat.

DMP-publikspaket: När det inte finns några data att referera till i annonsen är det som en maskin som letar efter en nål i en höstack och kan inte testa sannolikheten en efter en. För att minska kostnaden och tiden kan den konverterade skaran ( inte plattformens annons) används för att kryptera och ladda upp ID-paketet, och låta systemet I denna publikmodell utöka testet.

Branschpublikspaket: Om du inte ens har historisk konverteringsdata kan du använda industripublikspaketet. Föregångarna har redan hjälpt dig ut ur modellen, och ju mer mogen branschen är, desto mer exakt är detta publikpaket. Naturligtvis finns det också i Crossover-drift utförs i DMP för att få en egen publikmodell.

Smal först, sedan bred: Om ovanstående två hjälpsystem är svåra att bygga modeller, till exempel vissa impopulära industrier, rekommenderas att använda andra konventionella orienteringsmetoder för att först smala och sedan breda för att testa. (Annonsanvändare sållas bort från den exakta målgruppen, men den uppskattade exponeringstäckningen måste också tittas på).

Historiskt material: Uppskattningen kommer inte bara att kombinera användarens egenskaper (överklagandemodellen är), utan beror också på kreativiteten och sidan. Här kan historiken kombineras med andra konton eller annonstrafikmaterial och industritrafikmaterial tidigare .Kopiera eller lär dig av kärnpunkterna i det löpande materialet. (Copywriting, bilder, scener,figur, rekvisita, musik, varaktighet, etc., bryt upp ett kreativt material, plocka isär det, plocka isär det och sätt ihop det igen. )

Budget: Detta är premissen som påverkar volymen, och minimivärdet kommer att tas i kombination med konto, saldo, plan, grupp och annons. (Övriga detaljer förklaras nedan)

Tid: För närvarande har varje plattform olika tid för kallstart, åtminstone rekommenderas att observera den i 2-7 dagar.

2. Beräkningsmodell för informationsflödesannonsplacering

1. Kvantitet

Ju fler konverteringar, desto mer tillräcklig datadimension, och desto mer exakt kan uppskattningen bli.Nu har plattformen 0-siffror direkt in i den intelligenta algoritmen (även baserad på tillräcklig data i liknande branscher).Kraven för varje plattform är olika, 6, 10, 20, 50 eller ännu mer, det vill säga budgeten för en annons måste vara tillräcklig för att uppnå modellstabilitet.Men det beror också på kostnaden för denna omvandling i din egen bransch och din egen budgetkapacitet.Om branschen är några yuan eller tiotals yuan, kommer till och med 50 konverteringar att kosta tusen yuan, men i vissa branscher kan den genomsnittliga CPA nå hundratals eller tusentals, du kan ställa in en minimibudget för konverteringsdata för att förhindra att kostnaden blir för hög hög. .

2. (Mängdskonverteringsmaterial)

När det gäller att demontera modellen kan det förstås att olika demografi ser olika konverteringsmetoder för olika material, och även nivån på bud kommer att påverka modellen (trafikpoolen för testning är olika).Ju mer djupgående konverteringsmetoder (som direktköp, eller till och med köp av olika kundpris per enhet, såsom 1 yuan och 9 yuan, 49 yuan produkter.) Ju svårare det är, beror det naturligtvis också på industri. (Om det finns branscher som utbildningsformer och populära inköp rekommenderas att använda samma metod för att lära av referensdata).

2. Materialuppdatering

Vi kommer att använda vår egen eller branschhistoriska data som det uppskattade förvärdet så att modellen kan hittas smidigt.Men efter att ha gått igenom modellen är den skyldig att möta materialets nedgång.Dessutom, som nämnts ovan, är kärnan i informationsflödesreklamen materialet, och orienteringen definierar bara en täckt grupp, vilket gör att systemet kan hitta dessa egenskaper, men i slutändan beror om användaren agerar eller inte på materialet.Det handlar om mängden material, frekvensen av nya releaser, försäljningsargument, uttrycksform och inspirationskälla. (detaljerat nedan)

3. Kärnmål: kostnad och volym

Optimeringen av ovanstående två problem måste fortfarande återgå till våra slutliga kärnmål: kostnad (CPA=cpm/ctr*cvr) och volym (konverteringsvolym=exponering*ctr*cvr), som måste demonteras som SEM-annonser. är att lösa påverkansfaktorerna exponering, cpm, ctr och cvr och de optimeringsåtgärder som kan utföras.

(1) Exponering

1. Externa faktorer: plattformens dagliga aktiviteter, varaktighet, användartonalitet, konkurrerande produkter (kvantitet, schema, bud), helgdagar, frekvenskontroll (som stora bilder, antalet liknande annonser, etc.)

2. Interna faktorer: orientering, ecpm-värde (cpa*Pctr*Pcvr*bud), budget, tidsperiod, flera konton, annonsutrymme, materialtyp (oavsett om det är alla kategorier), faktureringsläge, körvolymläge osv.

(2) ctr

Annonsutrymme, material, stil, tidsperiod, publik, etc. (Det beror fortfarande på de yttre förändringarna av marknaden och användarmiljön)

(3) cvr

Publik, sida (innehållskonvertering), relevans för kreativ sida, etc.

(4) cpm-värde

Egen budgivning, branschtävling, plattformsbaserad budgivning

0. Ingångsregeln 1~XNUMX för annonsalgoritmmodellen för informationsflödet

Här kommer vi att ytterligare förfina eller komplettera, vilka steg behöver göras i 0-1-processen av en informationsflödesannons?

En bra reklam är att imponera på rätt personer (inriktning, publikmodell) på rätt sätt (produkter, material, försäljningsargument) vid rätt tidpunkt och i rätt scenario (plattform, annonsutrymme), och samtidigt måste skalas till en låg kostnad.

företagets produkt:

Endast när produkten har monopoldifferentieringsfördelen har produkten transformationsfördelen, annars beror det på kanalkonkurrensen.De flesta av dem analyserar fördelarna med deras företags produkter vid full konkurrens på marknaden, undviker styrkan hos konkurrerande produkter och kan drabba användarnas smärtpunkter, så att de kan återspeglas i uppföljningsmaterialet.Efter att ha förstått fördelarna med företagets produkter kan du hitta försäljningsargumentet för material som kan externiseras.

(1) Företag: Inklusive tidpunkten för etablering, bakgrund, natur, omfattning, heder, service, fall och andra dimensioner att analysera, om det finns ett externt försäljningsargument.

(2) Produkt: Extrahera punkter som kan externiseras från användarproblem som pris, funktion, känsla och scen.

Plattformsinformation:

(1) Dataalgoritm: inklusive plattformens dagliga aktiviteter, användningsvanor och varaktighet, datadimensioner och orienteringsmetoder.

(2) Användarporträtt: främst för att analysera tonaliteten hos användarna av plattformen, och vilken kopieringsstil och stil de gillar.

Användarinformation: användarporträtt, användarbehov, användarproblem, användarkonsumtion

(1) Användarporträtt: naturliga attribut, enhetsattribut, intresseattribut, beteendeattribut (sökning,elleverantör, socialt, APP, LBS)

(2) Användarbehov: användarnas underliggande motivation och smärtpunkter att använda din produkt/tjänst

(3) Användarfokus: det vill säga anledningen till att användarna väljer dig. (från produkt och rekommendation)

(4) Användarkonsumtion: konsumtionsförmåga, konsumtionspsykologi, konsumtionskoncept

Ovanstående information kan användas i indexverktyg, kartor för nyckelordsefterfrågan, branschrapporter, konkurrenskraftig produktanalys, feedback från användarundersökningar, sociala kommentarsplattformar för communityn, reklamplattform DMP-porträttanalys, kundtjänstförsäljningsintervjuer, CRM-dataanalys, etc.

Konkurrenskraftig produktinformation: Den analyserar huvudsakligen sina materiella externa försäljningsargument och företagsproduktinformation, och hittar differentierade försäljningsargument som kan undvika dess fördelar men tillfredsställa målanvändare.

Publiksegmentering: kärna, mål, potentiell målgrupp och hur man riktar in sig på dem

Kärninriktning: ord (som varumärken, konkurrenter), dmp-konverteringar, beteenden (följ, sök, köp, ladda ner, LBS själv eller konkurrenter)

Inriktning: ord (som generiska produkter), industripaket, primära kärnintressen

Potentiell orientering: ord (som publik, branschord), sekundära och tertiärrelaterade intressepaket

Kreativ sida:

(1) Olika grupper av människor kan anamma olika kreativa försäljningsargument, såsom kärngruppens huvudvarumärke och aktiviteter, målgruppens huvudsakliga differentierade produktförsäljningsargument och den potentiella gruppens huvudfokus på välfärdsrabatter och att skapa intresseönskningar, smärtpunkter och ångestförstärkning osv.

(2) Ta utbildning som exempel: människor (lärare, elever, lärarassistenter, föräldrar, ensam-/flerperson), maskiner (rekvisita), material (läroböcker, presentaskar, böcker, pennor, anteckningar, tankekartor), metoder (metoder, färdigheter, kunskapspoäng) och de relaterade faktorerna som är involverade i ringen (klassrum, familj, gemenskap) demonteras och kombineras.

(3) Uttrycksformer: grafisk (tre bilder, stor bild, liten bild, rutnät, vinkel), video (muntlig sändning, handling, handmålad, ppt...).

(4) Testsekvens: så många som en, sedan från en till många. (Materialformer med flera försäljningsargument testar, ta reda på materialet i löpande volym och sträck ut sig runt materialet).

(4) Sidinformation: samma princip som SEM-siddelen (observera särskilt att rubrikbilden och det yttre lagret är starkt relaterade eller till och med konsekventa, och den kreativa bilden konverteras direkt).

(5) Idékälla: kreativa inspirationsverktyg för annonsplattformar, manuell läsning, trepartskrypningsverktyg, sökordskartor, etc.

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), är det bäst att inte vara mindre än 1.5 gånger den faktiska konsumtionsbudgeten. (Om den faktiska förbrukningen är 10000 bör den inte vara lägre än 15000).

(3) Konton och annonsgrupper kan ställas in. Det är liten skillnad mellan planinställningar och den slutliga budgeten beror på minimivärdet för saldot, kontot, planen och gruppen, och det faktiska tillgängliga saldot för annonsen kommer att tas.

(4) Nya materialannonser läggs till varje dag för backup, och budgeten för antalet stabila modeller som konverteras per dag bör avsättas för annonser som är online samtidigt. (Till exempel, i branscher med hög CPA, avsätt 6 CPA-budgetar för 1 annons.) Om CPA är 100, bör budgeten för en enstaka annons vara minst 600. Om den dagliga budgeten är 1200, rekommenderas det att lansera 2-4 annonser samtidigt.Observera uppgifterna för de första 24 timmarna, ta omedelbart bort annonser med dålig data och lansera nya.

2. Bud

(1) Lägg bud per bransch och sök eller acceptabel CPA, och höj med 5 % på basis av det föreslagna budet.

(2) Om det inte är möjligt att starta i en kall miljö och det fortfarande saknas data, höj budet tills det finns dataprestanda. (Exponera mer än 3000-5000 och observera och justera sedan)

(3) Om det fortfarande inte finns någon dataåterkoppling kan en kombination av modeller för fakturering och löpande volym, små budgetar och ytliga konverteringsmål användas för att samla in konverteringsdata och se material och publik. (som cpm, cpc fast running volym).

dataanalys:

Vertikal: Fokusera på kostnad (CPA=cpm/ctr*cvr) och volym (konverteringsvolym=exponering*ctr*cvr) och sorteringsformel ECPM=cpa*Pctr*Pcvr*bud för att analysera vilken länkdata som är lägre än genomsnittet av marknaden, och kärnan är värst Problemet ligger i att hitta de påverkande faktorer som kan optimeras i denna länk.

Horisontell: Plattform, konto, verksamhet, plan, grupp, annons ta reda på kärnskillnadsdimensionen som påverkar målet från helheten till delen, och optimera kring denna dimension.