多Campaign的PDB【業務類】

多Campaign的PDB是很多大集團的廣告主的宏大理想，但是之前也多次強調由於其涉及面眾多，且複雜度巨大，例如：預算、排期、職責分工等等。所以目前市面上僅有少數幾個大型的國際集團廣告主客戶有實際的案例，而且整體的案例規模超過十幾億的預算規模的管理。大體的執行流程如下圖所示。

1. 優化機制

PDB的優化一切都是由程序演算法自動計算完成的。通過智能預測模型，多維度優化、智能優化。如下圖所示，基本的優化流程邏輯如下：

1) 用戶訪問廣告主採買包段的廣告位，PDB系統會收到多維度用戶行為及廣告位信息；

2) PDB系統將這些數據積累訓練模型，並根據前期測試，智能學習多維度如何影響廣告點擊及各種效果指標；

3) 然後PDB系統根據訓練模型，選取能取得最佳廣告效果的品牌及創意物料返回；

4) 收集廣告展示後的相關數據也一併積累訓練模型。

就這樣不斷地循環持續閉環優化。

2. 主要演算法邏輯

如下圖所示的PDB大體的判斷流程示意，大家會比較關心主要的PDB演算法邏輯：根據用戶行為屬性及人群匹配不同產品廣告。

(一)千人千面：

如下圖所示的PDB對各種各樣的人群，在廣告主自採的廣告位上，依據不同人群的特點為其推動各品牌各產品的廣告。這是PDB十分重要的千人千面的特性。

(二)多種指標綜合智能決策：

PDB會按照多種運算邏輯進行智能演算法判別，以整體效果最優為目標，來選取投放哪個產品的廣告。例如：

a) 點擊率高的物料優先投放

b) 曝光次數少的物料優先投放

c) 項目剩餘預算大的物料優先投放

d) KPI達成概率高的物料優先投放

等等，其實指標項不僅限於以上的這些指標，實際業務中的指標項很多很多，而且這些指標項都需要綜合考量，平衡處理。這正是PDB有意思的地方。（按實際執行的經驗、預算是優先順序較高的一個因素。）

(三)無法識別用戶標籤的處理機制：

在對於無法識別用戶標籤，PDB演算法的處理機制如下：

1) 先按照域名、地域、時段、人群標籤等推測相似性規則模型，自動匹配投放物料。

2) 若未匹配到相似性，再以隨機方式曝光各款物料（當然遵守預算等等約束限制）。

3. 多campaign PDB案例

下面選取幾個典型的實際案例為大家展示一些PDB是如何優化廣告效果的，幫助大家建立一些感性認識。

某國際知名汽車集團

l 項目背景：某大型汽車廣告主自採的數億廣告資源流量，由PDB進行整合優化，提升廣告投放效率。

l 優化目標：CPUV、CPL等

l 優化時間：2014-2016

l 廣告主自采年約媒體投放項目的固定位優化：

a) CPD方式媒體採買

b) 流量全部使用，無退回

c) 多Campaign同在一個CPD媒體池中投放優化（流量共用）

l 執行效果：主要優化各Campaign KPI：

ü CPUV下降

通過PDB的優化：各Campaign投放的CPUV，均遠低於相關點位前一年同期及當年同期CPUV。

ü CPL下降

在媒體廣告位CPM漲幅高達3倍的情況下，通過PDB優化將CPL降低30%。

新品上市用戶每天第一眼轟炸

如下圖所示，PDB對接該集團的年約廣告資源，為新品上市推廣配備最優的資源組合。讓新品廣告成為用戶每天第一個看到。在所有採購的媒體資源中，用戶每天看到的第一個廣告均為該新品廣告。

l 用戶每天第一眼的價值：

a) 更容易注意到廣告內容：用戶眼睛不疲勞、注意力未定型

b) 點擊行為更活躍：用戶打開頁面較少、瀏覽時間較富餘

c) 印象更深刻：比競爭產品更早根植於用戶記憶

d) 尤其適合新品上市推廣：激發用戶好奇心及興趣，提升廣告效果

l 項目實際執行情況：

新品價格公布後，立即啟動用戶「每天第一眼」單品轟炸計劃，快速高效地影響大規模人群。投放節奏如下圖所示。

「每天第一眼」投放優化在常規PDB優化40%+的基礎上更進一步優化，效果對比如下二圖所示。

最終的銷售拉動成績是：自新品宣布價格後的銷售10天，新品銷量激增（所屬品線銷量同比增長77.1%），有效刺激新品銷量快速提升。

4. 注意事項及挑戰

其實固定位PDB不論從廣告主甲方內部推動阻力，及項目執行難度，演算法難度都很大。所以導致目前業內廣告主大規模，對大部分固定位數字預算都通過PDB來管理的案例還是很少，有的都是一些少量點位的嘗試。固定位PDB最複雜的點在於各媒體的流量是波動的，而CPD採買的總價是固定的，這就意味著各媒體點位每日CPM單價是波動的。而如何在波動的流量及CPM單價的前提下，做好多Campaign的預算控制和進度控制是首要挑戰。可見也肯定不能僅僅簡單地通過Campaign曝光數進度來控制投放節奏了。這種複雜度已經非常的高了，另外加上還要通過演算法來完成千人千面，根據不同Campaign的KPI來執行不同Campaign的投放策略。同時由於CPD是不能退量的，項目執行投放設置及演算法上都需要考慮打底的問題，以及打底同各Campaign預算及KPI的處理技巧。如果簡單粗暴地把所有Campaign挑剩的流量給那個預算最多的Campaign，這樣對預算最多的Campaign是很不公平的，所以適當的需要通過平衡，將部分「大家挑剩」的流量均分到那些KPI完成的較好的Campaign。當然這些整體平衡的策略及規則，都需要PDB執行方同廣告主客戶方一起來制定。也許有的廣告主會需要KPI完成的好的Campaign希望更好，差的Campaign可以更差，這樣至少能保住明星產品的營銷。等等諸如此類的問題及挑戰在固定位PDB的項目中太多了，這裡僅僅讓大家通過幾個關鍵點，認識到PDB同DSP+RTB的巨大差異。

（轉載請註明出處：微信訂閱號：ad_automation）

本系列文章部分摘自作者新書《程序化廣告實戰》，網上文章較零散，可參考書籍系統學習，各大電商網站（如：《程序化廣告實戰》(吳俊)【摘要 書評 試讀】- 京東圖書）均有售。

近期活動通知（點擊鏈接報名）：

12月2日14點絕版流水課通知：「PDB三」--億級多Campaign PDB+移動設備ID專題