論成為全才的重要性,從廣告點擊率這個問題說說
今天曹政在公眾號發了篇文章《微觀經濟學n讀書筆記》。文中,推薦了《微觀經濟學》和《這才是心理學》這兩本書,建議互聯網的產品經理閱讀,裡面涉及到思考問題的邏輯,這點素養對做產品運營策略時至關重要。
看這文章的時候,看到曼昆兩字,我不禁一笑,因為我上大學那位毛概的老師,上課沒給我們講毛概,就講曼昆的書,連考試也是。可惜當時沒好好學,浪費了。但如今看了曹政的這文章,有種把《宏觀經濟學》和《微觀經濟學》都買來閱讀的衝動。其實,很多學科和知識都是相通的,可以互相借鑒的。
文中提到一點,引發了我的深思。
第二:一般人會認為,放鬆作弊點擊會提高搜索引擎的商業收入,其實真相恰恰相反,放鬆作弊點擊會極大傷害廣告主的投放積極性,導致競價充分度嚴重下滑。反而是嚴打作弊點擊,才會讓廣告主更大膽的投入競價,這個是有實證的,我記得以前寫過。
很久之前,我一直疑惑,廣告投放平台會不會監守自盜,程序模擬人發出點擊請求,讓點擊率虛假提升,騙取廣告主的利益。看了曹政說的這番,不禁讓我自慚形穢,視野太狹窄,思考太膚淺。
所以,試圖製造虛假點擊來提高點擊率這條路是行不通的。我們需要在保證廣告主的利益前提下,為自己帶來利益。
那麼,如何提升廣告的點擊率?
來點性感mm圖片,配上三俗的文案,誘導用戶點擊?這種做法,短期來看,的確能帶來不少提升。但是實際上,可能並沒有很大的轉化率,甚至時間久了用戶疲勞了點擊率也低了。其實現在很多下三濫的遊戲廣告就是這樣。有一次,我不禁點了一個遊戲廣告進去,還註冊來玩了一下,玩了才發現,尼瑪,我想看的美女呢,怎麼沒有。於是,我這個用戶一下子就流失了。甚至以後,我看到遊戲廣告都不點。
也不知道是哪個數學家還是工程師,把數據挖掘和機器學習的知識引入來優化廣告的點擊率。一個簡單的理解就是,把用戶可能感興趣的廣告展示給她,點擊率就提升了。再詳細點就是,基於用戶的屬性和歷史行為,召回用戶可能感興趣的廣告,再考慮此時用戶的上下文環境,展示給用戶最可能點擊的廣告,從而實現廣告的精準投放。這裡,涉及到很多知識點,協同過濾,主題模型,行為建模,人群定向,排序學習等等。
對比上面兩種策略,後者逼格一下子就高了。當然,現在很多廣告系統都這麼做了。但是我覺得最開始想到這麼做的人實在是太聰明了,把學術界的知識完美的用到了工業界。還在上學的時候,我一直質疑學數學有什麼用,後來工作了,才發現,數學如此有用,而自己的數學知識不夠用了。
其實,廣告的前端展示創意和文案,比前面的提到各種數據演算法計算更重要。前百度鳳巢的架構師張棟認為,一個成功的resys推薦系統的影響權重:UI/UEn40%,data:30%,nknowledge: 20, algorithm:10%。很多實踐也證明了,展示創意和文案的確重要。產品設計師一份好的設計,營銷人員一份好的文案,也是功不可沒的。
一開始,我聽到張棟的說法,內心是崩潰的。原來數據和演算法不是最重要的啊。後來想想的確是自己狹隘,過於迷信自己擅長的領域了,把其他領域給忽視了。
直到後來,我看到阿里媽媽最新探索利用演算法來優化廣告banner圖片和文案,不禁領悟到,能跨領域地思考問題實在太重要了。淘寶和天貓有無數的店家,有很多店家並不會自己設計廣告banner圖片和文案,淘寶和天貓平台自身也沒有那麼多設計師一一幫他們逐個設計。於是,有人就想,如果我能利用店家自身寶貝的圖片和文字描述,自動生成比較搭配的banner圖片和文案,這不僅能為店家帶來利益,還能為公司帶來利益,是多麼完美的一件事啊。於是乎,開搞。當然,這是個難題,其中涉及到banner圖片的各模塊大小、色彩搭配,如何利用自然語言處理技術來生成對應的文案,文案能否接近原生、能否千人千面等等。你看,將演算法和設計結合起來,能產生這麼nice的創意,可能跨領域思考是多麼重要。
微軟亞洲研究院的高級研究員劉鐵岩有這麼一次分享,《當機器學習邂逅行為經濟學》。
其中提到一點,利用心理學理解,一個nike的廣告文案可以這麼做。對於一個屌絲用戶,可以給予折扣的文案;對於一個中老年人,可以給予質量保證,7天包退的文案;對於一個高富帥用戶,文案可以這麼描述:best choice for exiercises!improve your healthiness,improve yournlife quality! 分享ppt中除了提到類似這種動態廣告文案引導,還提到了利用心理需求進行點擊率預估建模。計算廣告是門綜合學科,各路神仙各顯神通,要想在這個領域站得住腳,真的好好擴大自己的視野了。
一個偏才容易掉進自己擅長的領域的泥淖出不來,而一個廣闊視野的全才,解決問題的思路更加寬廣和靈活。
看書,多看書,勤看書。
本文作者:linger
轉載須註明出處
歡迎關注公眾號:數據挖掘菜鳥【公眾號ID:data_bird】
推薦閱讀:
※CTR預估系列一覽表
※CTR預估[二]: Algorithm-Naive Logistic Regression
※CTR預估[九]: Algorithm-GBDT: Boosting Trees
※計算廣告和機器學習的興起