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. "Causal" ici est limité à l'effet de causalité dans les statistiques - si nous considérons des annonces comme un "traitement", que des modifications seront modifiées? À ce niveau, les problèmes statistiques correspondent à l'industrie de la publicité «effet causal» 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?
La raison pour laquelle l'effet publicitaire est difficile, il est dû à «aucune donnée», ce qui signifie difficile de collecter des données. La publicité des médias traditionnels, telles que la publicité extérieure, est souvent située dans la place de New York Times dans la place Né TimesW York, en fait. Les coûts de la publicité sont connus, mais il est difficile de calculer. Par exemple: En plus des personnes de Times Square eux-mêmes, il peut y avoir une impression médiatique pour activer le "thème". Même si l'exposition peut être surveillée, le changement de comportement des consommateurs est plus difficile à regarder. Et notre dernier problème, "Combien de nouvelles ventes de produits liés à une certaine ad" est devenue une gamme métaphysique.

Bien d'être transversalement suivi sur Internet depuis Internet, tels que "pixel pixel", V.V. L'effet est mesuré dans 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 les forces émergentes ont 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 déduits dans les statistiques les plus directes, directement sur des expériences de contrôle aléatoires, car des «autres facteurs» sont répartis uniformément lors de la distribution de groupes de test et de groupes de contrôle au hasard, la seule différence en particulier de la manipulation, de laquelle se rencontrent directement «Exogene». requis par ", beaucoup de gens sont également considérés comme un manque de règles d'or. Ne comprenez pas directement, si j'ai une paire de cExactement deux jumeaux, dont une annonce ne se voit pas, je peux avoir 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. Les expériences de contrôle aléatoires de la santé peuvent utiliser des écoles de publicité "placebo" et de la publicité en ligne n'ont aucune raison évidente, car une simple "publicité placebo" supportera souvent des groupes d'expériences et l'équipe de contrôle après optimisation des annonces. Problème déclin. J'ai traduit "la publicité fantôme" de Google en 2017, avec une explication plus détaillée. Facebook et d'autres entreprises ont des méritesDes testeurs 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 ont souvent de nombreux appareils, ils ne se connectent pas nécessairement dans le même compte et les mêmes informations de connexion de la mémoire tampon (c'est-à-dire que le cookie) a un effet de délai et une portée de l'application. Deuxièmement, même si la plate-forme peut identifier avec précision différentes identités du même utilisateur, elles ne peuvent pas contrôler le ML'utilisateur de l'utilisateur n'est 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 assurant la comparaison entre les régions, l'effet de mémoire de l'utilisateur est de savoir comment kiContrôle, 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 des règles (notées)
, il existe toutes sortes de difficultés dans le contrôle aléatoire de l'expérience, vous n'avez pas la main? Les causes traditionnelles des manuels peuvent commencer à introduire des variables, des modèles, des outils, V.V V.V. Dans différents groupes de contrôle de simulation. En fait, changez vos idées, nous pouvons également utiliser des informations de processus intermédiaires plus riches pour trouver une solution approximative, il s'agit d'un modèle d'allocation publicitaire (reconnu).

Résolation, la réelle reconnaissance n'est pas un modèle mathématique, une série d'hypothèses basées sur les hypothèses. Par exemple, si le comportement différent de l'utilisateur est connu, nous pouvons définir la règle: si l'utilisateur clique sur l'annonce et dans un délai de 1 nHé, 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 dépassé le délai de 1 jour. L'achat ne sera donc pas attribué à la publicité à cette époque.

Anti-exemple 3: D'autres utilisateurs voient des annonces lors de la surveillance en direct, commeG 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 entendu, les modèles d'allocation peuvent également être utilisés dans des expériences de contrôle expérimental, puis à So Comparez le modèle avec les résultats d'expériences de contrôle aléatoires, telles que cet article à l'aide de données Facebook.

Bien sûr, car le modèle d'allocation utilise des données supplémentaires (clic, parcourez, heure, etc.), il transporte réellement plus d'informations que des expériences simples de contrôle aléatoire 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 à l'effet total, mais également de connaître l'efficacité de tous les moyens de publicité, sachez comment ajuster les budgets publicitaires pour chaque canal.. À ce stade, il est plus intéressant dans les problèmes que la causalité en raison de la capacité d'interagir entre de nombreuses installations publicitaires.

Le premier cas est que ces plates-formes d'annonces soutiennent certaines formes d'expériences de contrôle aléatoires afin que le problème soit converti en une question de conception excessive. 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 l'expérience sur chaque plate-forme soit toujours efficace, il n'est pas simple d'analyser les données de nombreuses plates-formes. Les données peuvent avoir besoin d'effectuer différents niveaux, puis de comparer gUne plate-forme (comme des utilisateurs dans 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 de différentes plates-formes finalement réalisées. En fait, ce n'est clairement pas une tâche facile.

Si nous nous référons àIl ne nécessite pas toutes les données comportementales de l'utilisateur et utilise directement les données d'attribut de chaque plate-forme, que pensera-t-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 apportés aux causes des causes. Certains compromis sont limités aux données elles-mêmes, introduisez donc des modèles et des hypothèses plus hypothétiques, avec une tombeJ'espère mieux 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 à acheter. Bien qu'il existe des mécanismes, tels que des cartes d'adhésion, les utilisateurs peuvent numériser de petits billets, V.V peut aider certains marchands à mettre en œuvreLes problèmes liés à des données dépassés, mais le champ d'application de 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: les données d'attention de l'utilisateur (temps de séjour, un indice physiologique tel que la fréquence cardiaque, les yeux du globe oculaire), les commentaires des utilisateurs de l'enquête sur le questionnaire, V.V. Bien sûr,C L'acquisition de ces données n'est pas si facile, telle que les données physiologiques requièrent des 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 de proxy et quelles données de conversion peuvent être observées dans un cas particulier, nous pouvons introduire différents modèles statistiques pour explorer pleinement la valeur des données. Bien sûr, ces méthodes peuvent être combinées avec cesL'expérience a été des modèles randomisés ou alloués pour obtenir une solution approximative d'impacts causaux.

5, Optimisation - Comment maximiser les équipements publicitaires
En gros, une question de "mesure", qui donne un processus, un processus de mesure de mesure 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 dans des effets de traitement personnels, ce problème ne le résout pas?

L'efficacité de traitement personnel peut êtreUn concept plus près de la métaphysique dans la causalité inférieure. En un sens, les statistiques ont des mots statistiques, qui sont un groupe de groupes et de déchets des groupes ne sont pas directement. Le cadre de résultat potentiel est proposé par Rubin, a répondu à une question philosophique antérieure - lorsque des effets personnels ne peuvent pas être observés, pouvez-vous observer la moyenne du groupe? "Peut-être" ou "ne peut pas" ne pas dire des calculs, mais dire que cela n'a aucun sens au niveau philosophique. Expérimental de manière aléatoire, incapable de fournir les résultats des effets de traitement personnels, alors la méthode appropriée (joints) est réalisable? Les résultats potentiels de chaque individu peuvent être réalisables via une série de temps ou d'autres modèles? En outre, nous pouvons utiliser la solution approximative de la maison pour le modèle et résoudre directement l'optimisation de la publicité, l'optimisation de l'annonce, la publicité.

Ici, il ne s'agit pas seulement d'un problème d'une école entière et d'un déploiement techniqueEt la pensée philosophique est potentiellement potentiel. J'étais aussi chanceux comme des pratiquants, et mes petits amis ont observé l'industrie et étudient au cours des dix dernières années et que les détails sont assez intéressants. Bien sûr, il y a plusieurs autres défis et l'industrie a changé très rapidement. et ne peut pas être décrit un par un. Cet article a écrit, principalement pour partager certaines de mes observations, mes pensées et mes amis avec tout le monde. Si cela peut conduire à un meilleur problème, c'est aussi une brique de jet.