Il ne fait aucun doute que chaque annonceur veut savoir combien de revenus ont été apportés. En d'autres termes, ce problème est vraiment l'effet de l'effet publicitaire. Ici, Causal ~ est limité à l'effet de causalité dans les statistiques - si nous considérons les annonces d'être un processus, quels changements seront changés? À ce niveau, les problèmes statistiques correspondent aux annonceurs ~ Effets causaux ~ et d'autres domaines ne sont pas nés. Cet article partagera les difficultés et les défis de l'industrie de la publicité dans la langue de l'industrie de la publicité dans cet article. Cet article se concentre sur la question elle-même et une solution pour que les lecteurs pensent à l'avenir.

Mots: pas de données?
Les raisons pour lesquelles des effets de publicité difficiles, c'est parce que ~ sans données ~, est difficile de collecter des données. Les publicités médiatiques traditionnelles, telles que la publicité extérieure sont souvent situées dans la place de New York Times dans laJournal de New York, en fait. Les coûts de la publicité sont connus, mais il est difficile de calculer. Par exemple: en plus de ceux de l'heure principale carrée, il peut y avoir une réactivation de média pour activer ~ thème ~. Même si l'exposition peut être surveillée, le changement de comportement des consommateurs est plus difficile à regarder. Et notre dernière affaire, ~ Combien de ventes de nouveaux produits sont liées à la publicité ~, cela devient une métaphysique.

Bonne sur la popularité de l'Internet, il est facile de collecter des données sur Internet ~ The Tack Pixel ~, V.V Station de piste ~ Les effets sont mesurés par le vent. C'est vraiment une entreprise de publicité. Sur le marché américain, 80% de Google provenaient de la publicité, facebook représentait plus de 98% et même la société de commerce électronique traditionnelle Amazon a également commencé à tirer parti de la croissance rapide des recettes publicitaires. Sur le marché chinois, 40% Alibaba provient de la publicité. Tencent a près de 20%, Baidu plus de 70% et des forcesL'émergence a beaucoup d'argent, le titre d'aujourd'hui, V.V. Bénéficier également des revenus publicitaires. Les recettes publicitaires géantes correspondent aux ressources humaines. De nombreuses ressources humaines dans de vraies sociétés Internet sont incluses dans les annonces, y compris de nombreuses équipes spécialisées dans les effets publicitaires. Quels défis rencontrent-ils dans cet environnement?

1, la difficulté du contrôle aléatoire

dans le monde réel, la création d'un résultat sera généralement affectée par de nombreux facteurs. Par conséquent, la nature d'un élément d'un élément unique est d'éliminer les effets d'autres facteurs, ce qui entraîne ainsi l'impact de ce facteur. Il existe de nombreux cadres qui sont déduits dans les statistiques les plus directes sur des expériences de contrôle aléatoires, car lorsqu'une répartition aléatoire de groupes expérimentaux et de groupes de contrôle, ~ Autres facteurs sont répartis uniformément, la différence de manière particulière particulièrement la manipulation, à partir de laquelle il est directement nécessaire de répondre aux besoins nécessaires. statistiques ~ étrangers ~, beaucoup de gens sont également considérés commePrincipe jaune. Ne comprenez pas directement si j'ai une paire de deux jumeaux exactement, l'une des annonces n'est pas vue, je peux obtenir l'effet de la publicité. Bien qu'il n'y ait pas de jumeaux dans la pratique, mon objet de test suffit, et je me soucie vraiment de l'efficacité globale, puis je peux les diviser en deux deux.

Expériences de contrôle aléatoires telles qu'un cadre influent, il ressort également beaucoup de défis communs. Nous sommes temporaires quelles que soient les défis statistiques, seule la publicité en ligne et la mise en œuvre d'expériences de contrôle aléatoires n'est pas aussi simple que les gens le pensent. Santé Les expériences de contrôle aléatoires peuvent utiliser ~ placebo ~ et il n'y a pas de raison évidente dans le domaine de la publicité en ligne, car une publicité simple ~ après QUANGIANCE FOX, il apporte généralement le groupe de test et l'équipe de contrôle. J'ai déjà traduit le fantôme ~ Google ~ un article en 2017, a unExplications plus détaillées. Facebook et d'autres entreprises ont des outils de test similaires pour aider à atteindre des expériences de contrôle aléatoires. Bien entendu, l'expérience de contrôle aléatoire de l'industrie de la publicité ne peut éviter le problème commun d'expériences de contrôle aléatoires. J'ai introduit des problèmes sur des expériences de contrôle aléatoires dans d'autres postes, et il ne sera pas répété ici.

Ces outils de test en ligne sont appliqués très limités, l'un des outils de principe est la dispersion d'un organisme unique qui peut être contrôlé. Cela s'appuie vraiment sur deux hypothèses. Premièrement, la plate-forme de publicité sait qui est. Ce problème n'est vraiment pas clair, car les utilisateurs disposent souvent de plusieurs périphériques, ils ne se connectent pas nécessairement dans le même compte et les mêmes informations de connexion de cache locales ~ c'est-à-dire que le fichier de cookie a elle-même une période de validité et une portée de l'application. Deuxièmement, même si la plate-forme peut déterminer exactement la DVous différez dans le même utilisateur, ils ne peuvent pas contrôler le lancement de cet utilisateur ne sont pas nécessairement. Plusieurs fois, des annonces d'achat basées sur l'heure et les régions, telles qu'un groupe de téléspectateurs, un événement sportif vivant directement, alors ils voient des annonces. La plate-forme publicitaire ne contrôle réellement qu'une partie de la publicité pour les individus, pas toutes. À ce stade, bien que les annonces en ligne présentent des avantages par rapport à la publicité traditionnelle, il est imparfait.

Pour la première question, la plate-forme de publicité a tendance à adopter un modèle de prévision statistique afin de deviner l'identité de l'utilisateur, garantissant ainsi que le même utilisateur puisse être déterminé sur différents appareils. Pour le deuxième problème, il peut ne pas être possible de le faire lorsque l'utilisateur est alloué et qu'il est plus susceptible d'avoir au hasard dans la zone ou la période, mais cela apportera un nouveau fil de conseil. Exemple: Comment diviser cette zone est une propreté tout en garantieLa possibilité de comparer entre régions, l'effet de mémoire de l'utilisateur est de savoir comment contrôler, comment des effets différents entre différents utilisateurs sont mesurés, V.V. En bref, bien que ce ne soit pas parfait, c'est toujours un bon moyen lorsque des expériences de contrôle aléatoires peuvent être effectuées.
2, sur la base de règles - attribution ~
Il existe toutes sortes de difficultés dans des expériences de contrôle aléatoires, alors vous n'avez pas la main? Le manuel de la cause traditionnelle peut commencer à introduire un test ~ Quasi-expérimental ~, différents modèles de groupe de contrôle de simulation, Variables d'outils, V.V. En fait, changez vos idées, nous pouvons également utiliser des informations d'information de processus plus riches pour trouver une solution approximative, il s'agit d'un modèle d'allocation publicitaire ~ enregistrement ~.

Caractéristiques, les annonces sont dues à une attribution ~ non pas un modèle mathématique, une série d'hypothèses basées sur des hypothèses. Exemple: en cas d'autre clic comportement NL'utilisateur HAU est connu, nous pouvons définir la règle: si l'utilisateur clique sur l'annonce et dans les 1 jour, l'achat sera attribué à des clics. Publicité. Cela semble très intuitif, je vois des annonces intéressées, alors j'irai, puis j'ai trouvé ce que je veux acheter, puis je l'ai acheté, et l'achat final a naturellement des règles pour la publicité que je vois. Cette situation simple peut être conforme à plusieurs lignes commerciales, mais en fait, tout le monde ressemble plus à cela.

Anti-positions 1: Les utilisateurs peuvent continuer à pointer certaines annonces et enfin à acheter, il est évidemment injuste lorsque vous portez tous les crédits dans les clics ultimes.

Anthaesque 2: Un autre utilisateur uniquement de voir l'article, puis de ne pas vouloir l'acheter à ce moment-là. Après quelques jours, j'ai senti que je voulais toujours, je suis revenu et je l'ai acheté. À ce stade, j'ai passé la limite de temps pendant 1 jour. L'achat ne sera donc pasPour la publicité à cette époque.

Anti-exemple 3: D'autres utilisateurs voient des annonces en regardant en direct, mais ils ne cliqueront pas, car ils veulent regarder en direct. Il peut être fait diffuser en direct, les utilisateurs changeront qu'il y a un produit dans une annonce très intéressante, puis je l'ai achetée. Dans ce cas, cliquez ou non de capturer complètement l'achat.

En théorie, si nous pouvons décharger tous les utilisateurs pour atteindre le chemin de transformation, peut-il y avoir un modèle d'allocation parfait? Le fait que le comportement de l'utilisateur ait huit heures et ils ne savent pas quelles annonces ne savent pas quelles annonces sont vraiment influentes, ce qui rend particulièrement difficile d'obtenir des effets approximatifs. Cette approximation peut ne pas être mauvaise lorsque notre hypothèse est proche du comportement réel de l'utilisateur. Mais lorsque le comportement réel des utilisateurs est loin des règles de reconnaissance que nous supposons, le retour qu'il n'est pas fiable car les résultats donnés par le modèle ne sont pas. Bien sûrn, le modèle d'allocation peut également être utilisé dans le groupe expérimental de contrôle expérimental, puis comparer le modèle avec les résultats d'expériences de contrôle aléatoires, tels que cet article en utilisant Appliquer les données Facebook.

Bien entendu, car le modèle d'allocation utilise des données supplémentaires ~ clic, parcourez, le temps, etc il apporte vraiment des informations plus riches que des expériences de contrôle aléatoires simples. En plus de simplement utiliser des règles basées sur des règles, ces informations peuvent également être utilisées pour des paramètres de modèle plus riches. Dans la section suivante, nous explorerons les effets entre plusieurs installations publicitaires, le modèle d'allocation sera également élargi.
3, de nombreuses plateformes de médias publicitaires

pour les annonceurs, il y aura beaucoup de médias prenant des annonces. Il est donc fondamentalement non seulement pris dans la. Si un annonceur affiche des annonces sur Google Search and Facebook, la question qui s'intéresse non seulement.Mais je souhaite également connaître l'efficacité de tous les moyens de publicité, sachant comment ajuster les budgets publicitaires pour chaque canal. À ce stade, il est plus intéressant dans les problèmes que la causalité en raison de l'interopérabilité entre de nombreux véhicules publicitaires.
Le premier cas est que ces plates-formes publicitaires prennent en charge certaines formes d'expériences de contrôle aléatoires afin que le problème soit converti en test complet des éléments ~ des concevoirs de retrait ~. La situation idéale convient naturellement avec des objets alloués de manière aléatoire sur chaque plate-forme et permet également de relier le même utilisateur à l'identité de la plate-forme, il est donc nécessaire d'effectuer une zone de taboure de la distalty. Le fait est que même si différentes plates-formes prennent en charge des expériences de contrôle aléatoires, elles permettent d'attribuer des objets aléatoires pouvant varier et pratiquement impossible à une identité parfaite de la même personne à utiliser sur différentes plateformes. Par conséquent, bien que des expériences sur chaque plate-forme soient encore efficaces,Pas simple à analyser les données de plusieurs plates-formes. Les données peuvent avoir besoin d'effectuer différents niveaux, puis de comparer entre la plate-forme ~ telle que l'utilisateur appartient à la même zone.

Plus courant lorsque des expériences de contrôle aléatoires sont devenues presque inoubliables. À ce stade, le modèle d'allocation a été grandement élargi en raison de la mise en œuvre. Habituellement, il existe des modèles d'allocation multi-points (allocation multi-points, abréviation de MTA), il existe des pensées qui examinent différents clics et de naviguer sur plusieurs plates-formes, puis convertissent l'utilisateur final à l'annulation de fumier, mettez chaque clic sur un pourcentage de poids différent, Ajoutez ensuite des contributions totales à chaque plate-forme. De cette idée, le modèle de répartition multi-contacts doit toujours résoudre le problème de la reconnaissance de l'utilisateur, puis doit mettre tout le comportement du niveau ultra-petit pour rester ensemble. On dit ensuite à l'octroi de différents comportements en fonction du poids différent. de différents comportements, la distribution des plates-formes TDifférents autres ont finalement atteint. En fait, ce n'est clairement pas une tâche facile.

Si nous le mentionnons, n'exigeons pas toutes les données comportementales de l'utilisateur et utilisez directement les propriétés de chaque plate-forme, que penseront-il? À ce stade, vous pouvez apprendre du précédent portefeuille de marché publicitaire traditionnel (abréviation MMM), en utilisant un modèle de régression pour distribuer la contribution de divers canaux publicitaires. Bien que MMM soit une analyse de corrélation simple, elle peut également introduire des données d'expériences de contrôle aléatoires à améliorer. Et simplement des expériences de contrôle aléatoires sont des expériences de contrôle aléatoires, MMM a ajouté des données d'annonceurs, telles que les canaux de vente d'entreprise, les fonctionnalités du produit, les coûts, etc peuvent être effectuées plus directement dans le bénéfice général de la société au lieu de simplement utiliser l'utilisateur.

Ici, il a créé plus de compromis qui ont été faits pour TBa Caucasiens. Certaines compromis sont limitées aux données elles-mêmes, donc introduire plus de modèles d'hypothèses et d'hypothèses, avec un meilleur espoir pour la vérité. Certains compromis sont la réduction des causes de la causalité, telles que la décision principale, sans une dépendance unique sur les résultats faiblement causales et l'analyse connexe peut également fournir des informations utiles, plus d'informations et des prochaines directives de décision.

4, Les données de conversion des utilisateurs ne sont pas surveillées

Il existe un cas dans lequel les trois sections précédentes sont discutées, moins évidentes mais nécessaires, les données de conversion des utilisateurs peuvent suivre par exemple. Comment prononcer, les pixels de suivi sont mentionnés en partie. Cependant, c'est vraiment une hypothèse puissante. Dans la vie réelle, nous avons la possibilité de suivre les données utilisateur parfaites. Par exemple, les utilisateurs ont la capacité d'aller au supermarché à côté de la maison pour acheter un shampooing au lieu d'exécuter le site Web en ligne de l'annonceur pourachat. Bien que certains mécanismes soient des mécanismes, tels que des cartes d'adhésion, les utilisateurs peuvent numériser de petits billets, etc peuvent aider certains commerçants à mettre en œuvre des problèmes liés à la dépassement des données, mais le champ d'application de la pression appliquant ces solutions est souvent limité et il y a un problème. À ce stade, une idée est similaire à celle de l'avant et des données ajoutées à la zone, telles que les fournisseurs savent souvent qu'elles sont vendues dans chaque point de vente au détail, puis comparez le niveau de la zone. Une autre idée est que le suivi des données de conversion finales de l'utilisateur, il n'ya aucun moyen de mesurer la mesure indirecte?

À ce stade, nous devons créer un compromis plus profond dans une infrastructure de causalité stricte. Bien qu'il ne puisse pas être suivi directement à la conversion finale de l'utilisateur, avez-vous d'autres indicateurs pour approximer le commutateur de l'utilisateur? À ce stade, tout peut être collecté par la mobilisation. Par exemple, des données de l'attention des utilisateurs ~ existentde vie, fréquence cardiaque, globe oculaire autour de la portée des indicateurs physiologiques, V.V. Bien entendu, l'acquisition de ces données n'est pas si facile, telle que des données physiologiques impose aux utilisateurs d'installer le périphérique de suivi correspondant. Il est donc généralement basé sur un utilisateur spécifique ou en laboratoire. L'enquête sur le questionnaire demande aux utilisateurs de répondre à leurs réponses et de fournir des coûts d'enquête. En résumé, les gens ont inventé différentes approches intellectuelles pour collecter certaines variables de procuration pouvant impliquer une solution approximative. Pour cela approximatif, cela peut être dans une large mesure, basé sur l'expérience et la confiance de chacun.

Dans ce cas de cette variable de proxy unique, le commutateur utilisateur deviendra un problème avec la variable d'aide ou la variable est partiellement observée. Selon le type de variable proxy et que les données de conversion peuvent être observées dans un cas particulier, nous pouvons introduire différents modèles statistiques à examiner.Casser la valeur totale des données. Bien entendu, ces méthodes peuvent être combinées avec des expériences de contrôle aléatoires ou des modèles d'allocation pour obtenir une solution approximative d'impacts causaux.

5, Optimisation - Comment maximiser les effets de la publicité

Les bases mentionnées ci-dessus sont un problème ~ mesurant, c'est-à-dire donner un certain processus, comment mesurer les effets qu'il apporte. Les résultats de mesure peuvent être utilisés pour guider l'optimisation budgétaire publicitaire, mais pour les plates-formes publicitaires, le plus important est d'améliorer l'efficacité de la livraison publicitaire, en particulier si elles ajustent les niveaux de macro de l'allocation budgétaire. Idéalement, si nous savons que les utilisateurs doivent voir 10 annonces qui seront convertis et un autre utilisateur doit simplement voir une annonce à convertir, donc en cas de budget limité, nous devons trouver qu'il est facile de changer facilement. Utilisateur. Si nous savons que tout le monde estL'effet de traitement personnel de chaque effet de traitement personnel a-t-il fait un effet de traitement personnel ~, ne résolvez pas ce problème?

L'efficacité de traitement personnel peut être un concept plus près de la métaphysique de l'infériorité de la causalité. En un sens, les statistiques ont des mots statistiques, qui sont un groupe de groupes et de déchets des groupes ne sont pas directement. Résultat potentiel Cadre de Rubin ~ Cadre de résultat potentiel ~, dans le sens, a répondu à un problème philosophique précédent - vous pouvez observer l'effet de groupe moyen lorsque des effets personnels ne peuvent pas être observés? C'est ~ ou ~ ne peut pas dire ne pas dire des calculs, mais dire que cela n'a pas de sens au niveau philosophique. Des expériences aléatoires, ne peuvent pas donner des résultats d'effets de traitement personnels, puis la méthode appropriée ~ appropriée ~ peut être réalisable? Les résultats potentiels de chaque individu peuvent être réalisables via une série ou un autre modèle? En outre, nous pouvons utiliser la solution approximative de la maison pour les tissusFigure et annonces directes Optimisent les annonces, optimiser les annonces, la publicité.

Ici, ce n'est pas seulement le résultat d'un problème de toute une école, et un déploiement technique et une réflexion philosophique est potentiel. J'ai eu de la chance comme des pratiquants, et ceux-ci mon petit ami ont observé l'industrie et l'apprentissage dans le passé Dix ans et les détails sont assez intéressants. Bien sûr, il y a plusieurs autres défis et l'industrie a été très rapidement modifiée et impossible. Cela a écrit cela écrit, principalement de partager certaines de mes observations, mes pensées et mes amis avec tout le monde . Si cela peut conduire à un meilleur problème, il s'agit également d'une brique de jet.