编辑导语：广告行业，有着悠久的历史，随着科技的进步，媒体和用户的接触机会越来越多，因此广告主也有更多的机会触达用户。在传统广告行业，之前一直流传着“我知道我有一半的广告预算都被浪费了，但是我不知道浪费在哪里”，这句话随着数字广告的发展不攻自破。接下来，这篇文章就带领大家了解展示数字广告的发展史。

自第一支在线广告于20世纪90年代在GNN上诞生开始，数字广告几经风云变幻，本篇文章聊一聊数字广告产品技术的变迁过往。

数字广告的参与方

首先简单介绍数字广告生态的相关角色，主要包括以下四类：

1. 广告主：是广告投放的需求方，如苹果、大众有广告投放诉求来进行产品营销的品牌商们。
2. 媒体平台：是流量的供给出售方，很多互联网媒体同时也是广告平台的提供者，因此统称媒体平台，如腾讯、阿里、字节等。
3. 广告受众：观看/消费广告的普通大众，是广告主意欲触达的潜在消费者。
4. 广告代理：为广告主进行创意设计、广告投放的服务商或以聚合媒体流量再次分发的媒介代理公司，如知名的4A公司等。数字广告的进化史，也是围绕各个参与方，革新数字广告交易方式以及升级数字广告产品形态的进化史。

01 合约广告

1.1 以CPT计价的独占广告

互联网伊始，如Yahoo等门户网站们已经聚集起不小的流量，媒体平台为追求商业变现，最初便想到借鉴报刊杂志售卖版面栏位的方式，将网站诸多模块拆成创意展示Banner位，以按展示时长结算的CPT（CostPer Time）计价方式售卖合约广告。这时的广告产品主要技术为控制合约投放的排期系统，它不需要分客群的动态定向，对技术的依赖相对也较小。

以CPT计价的广告属于独占式广告，在某一时刻Banner位卖给了广告主A，势必让业务竞争关系的广告主B失去了此时此景的曝光机会，因此CPT的合约展示广告具有一定的溢价能力和挤出效应。

1.2 以CPM计价的定向广告

然而从媒体变现的角度，同一时刻的浏览用户中，可能有登山爱好者也有居家妈妈，如果此时展示化妆品广告，对于前者来说没有吸引力，这部分流量就耗损了。

自然而然的，媒体平台也就产生了面向不同用户展示定向广告的方式。这种在如今司空见惯的定向展示广告起初是以合约的形式面向品牌广告主售卖，约定按展示量即千次展示付费（CPM，Cost per Mille）的计价方式。

受众定向广告使得橱窗式的静态广告变成了按‘位置+人群’的动态化广告，广告系统则加工生产出丰富的人群标签给到广告主选择投放。人群标签通常会包含属性标签、行为标签、自定义标签三大类。

属性标签如地理位置、年龄、性别、设备等人口统计学标签，媒体平台对注册用户的信息采集加工后提供这类粗粒度标签，对于某些字段缺失值可以用到如ALS进行数据挖掘补全。另外像上下文的场景，比如网站频道（科技、时尚、财经）及文章内容类型，也可以通过TF-IDF提取关键词、文本主题模型加工成相关的标签。

行为标签，是通过用户的历史行为预测其偏好进行打标，如游戏爱好者、母婴购物偏好等。打标的关键则是选取用户在线上的一组行为动作作为特征，将其映射到具体的定向标签之上，这其实就转换成了分类问题，如早期利用LR建模到逐渐演化成利用深度学习算法。

自定义标签则是结合广告主的定制化需求进行深加工后的人群选择，比如重定向与新客推荐（look-alike），当前大多是利用广告系统的DMP数据管理平台做对接。

02 竞价广告

2.1 从‘计划经济’到‘市场经济’

最早的竞价广告起源于Google，作为搜索引擎的主要变现手段，通过竞拍的方式将关键词广告植入搜索结果中，能做到精细的流量控制与更高的商业回报。

同时，还在按合约售卖的各大门户网站的展示广告也遇到了很多问题。

首先，合约广告对量有约定，而广告主有愈发精细的受众定向投放需求，这对媒体平台在有约定量限制下做更细分的流量分发提出了很大挑战。

其次，合约广告对有充足预算的大品牌主有竞争优势，而中小商家们同样有强烈的营销诉求；

另外，合约广告对广告主缺乏透明度，效果的优化完全依赖媒体平台。

在搜索竞价广告的带动以及如上诸多问题，促使展示广告开始打破合约计价的‘计划经济’模式，开始向自由竞价的‘市场经济’模式发展。

2.2 更丰富的计价方式

在搜索竞价模式下，广告内容是与搜索结果内容混排出现，有时用户都不一定发现点击的是广告。搜索广告与实际服务结合更自然，这也是其与橱窗式的展示广告的天然差异，因此在计费模式上也不再采用展示付费，而是采用按点击付费CPC（Cost Per Click）的计价方式。

竞价广告市场的壮大，也使得广告主们置身于多方博弈的境地中。对广告主而言，其关注的是广告投放后能获取到消费者的转化付费，即投资回报率ROI。在CPC的计价模式下，媒体平台仅对带来多少点击量负责，而从点击到转化这一步的预估是由广告主自行承担。这就导致两个悖论：

其一，广告主过于乐观而预估过高，致使费用消耗变大，媒体平台收益虽然增加了，但广告主的ROI降低，不利于整体市场成长；

其二，广告主预估过低，压低竞价减少消耗，广告主无法获取足够的预期流量，媒体平台的收益也变小。因此广告主倾向于付费离转化更近，媒体平台也有动力扩大市场，也就衍生了按销售量付费CPS（Cost Per Sale）和按转化付费CPA（Cost Per Action）的计价模式。

那么CPS/CPA是否成为了最优的计价方式呢？也不尽然，原因此处按下不表，下文继续分析。

2.3 广告效果评估的关键指标eCPM

按点击或转化付费后，那么是否只要广告主出价足够高就一定能获得媒体的广告位资源呢？不是的，即使出价很高，但是用户压根对这条广告没兴趣，没有点击行为，媒体平台仍然收取不到费用。因此对于一条广告的质量需要有量化判断，eCPM就是一个关键的衡量指标。

eCPM（expected Cost Per Mille）是预期的每千次展示收益，等于广告总收益/广告展示总次数*1000。

我们知道，一条广告从曝光到为广告主带来转化付费通常经历了3个行动，即曝光M、点击C、付费（转化）S（A）。广告曝光到用户产生点击的概率就是点击率P（M→C），用户进入广告主的落地页后是否产生付费（转化）的概率为转化率P（C→S）。

CPM计价方式下，eCPM=CPM。比如广告主A的CPM出价为每千次5元，广告主B的CPM出价为每千次3元，媒体直接展示出价高的那条广告。

CPC计价方式下，eCPM=点击率*广告单价*1000=P（M→C）*CPC*1000（乘以1000是因为CPM按千次展示计价）。比如广告主A的CPC出价1元，广告A的点击率为0.02；广告主B的CPC出价0.8元，广告B的点击率为0.05，则：

• eCPM_A=0.02*1*1000=20元
• eCPM_B=0.05*0.8*1000=40元

按eCPM排序后，最终展示的却是单价低的广告主B的广告。

CPS计价方式下，也就是在CPC计价下再多预估一步转化率，很容易得到eCPM=点击率*转化率*广告单价*1000=P（M→C）*P（C→S）*CPS*1000。

以eCPM为排序依据，是广告产品不同于搜索推荐产品的一个主要区别。因最终要乘以广告单价得到预估的eCPM，所以广告点击率预测更适合建模成回归问题而不是排序问题。

03 程序化交易广告

3.1 实时竞价

竞价模式的出现为众多中小互联网媒体流量变现提供了机会，逐渐衍生出AdNetwork（Advertising Network，在线广告联盟）这一商业模式，比较知名的如Google的AdSense、百度广告联盟等。

然而AdNetwork的流量售卖对广告主而言是‘黑盒’，广告主不能定制人群标签，数据反馈也不及时。客群定制与效果优化的需求，催生出了RTB（Real Time Bidding）实时竞价，进而开启程序化交易广告的新业态。

RTB的核心流程是：在用户访问媒体时将广告位信息及用户ID（cookie信息或deviceID等）生成询价请求发送给各广告需求方，需求方们判断是否为目标受众并做出竞价决策，经过多方实时竞价，最终得出eCPM最高的广告创意向用户展示。

RTB这一开放的竞价过程需要一个程序化的交易平台支撑，这就是广告交易平台ADX（Ad Exchange）。

3.2 广告交易市场

ADX就好比物质世界的股票交易所，一边连接媒体拥有的股票（广告位）为其待价而沽，一边连接投资人（广告主们）的需求价高者得。那些有价值的广告位如同蓝筹有多方买主争相追捧，同时中小媒体的剩余流量也能寻到合适的买家产生交易。

市面上知名的一些ADX如BAT各家的广告平台、字节跳动的巨量引擎、Google的AdX等。

就如世界上的股票交易所有很多，ADX如上也不止一家。不同ADX的对接规范、操作流程不尽相同，如果让高大上的广告主们都挨个接入也是一项繁琐的事务，于是专为广告主服务的需求方平台DSP（Demand Side Platform）应运而生。

DSP代替广告主将各家ADX进行统一对接，并将广告投放的一些共性需求整合，为广告主提供更友好的操作管理界面。广告主做好‘对于哪一类客群，愿意拿多少钱获得他们’的设置，DSP负责执行广告出价、客群抉择、广告投放，尽可能以最低成本获取最大回报。

那么如何去争取以最低成本获得最大回报呢，或者说DSP解决广告优化的核心策略有哪些呢？答案就是eCPM。我们知道eCPM=点击率*出价*1000，对广告主而言当然希望这个公式下的点击率越大、出价成本越低越好。比如在一天中发现20-22点流量充沛，市场出价争抢不激烈，受众的广告点击响应也比较高，就可以选择这个定向时段以较低的出价获取流量；又比如发现广告的点击人群主要来自QQ空间的二线城市的20-25岁男性用户，就可以对媒体渠道+地域+年龄进一步定向优化。

在广告优化过程中，定向受众数据的精准与细分成了重中之重。而DSP系统不一定都有强大的数据获取与处理服务的能力，市场中便出现了专业的解决方案提供者，即数据管理平台DMP（Data Management Platform）。

简单的说，数据管理平台通常具备三类产品能力：数据采集、标签制作、数据应用。

数据采集：对元数据的获取与采集是DMP的基础，从数据资产归属角度，DMP能获取到第一方广告主、第二方媒体平台以及第三方的相关数据。数据采集的手段如在广告主自有网页或应用中植入JS代码/SDK，也可以通过广告主手动上传的方式获取。

标签制作：对元数据进行二次加工生成特定受众标签。比如Look Alike相似人群拓展，就可以利用曾经有过广告转化的种子用户作为历史数据训练模型，再把新客户的特征数据输入模型判断是否为潜在目标受众，从而产出相似受众的新客推荐标签。

数据应用：将定制化的标签输出给DSP/ADX进行广告投放或者对相关标签人群画像的数据分析与报表产出。当然，有服务需求方的产品，自然也有服务供给方的产品即广告流量供应方平台SSP（Supply Side Platform）。很多互联网巨擘同时经营着ADX，也聚合着大量的媒体广告位，SSP在此处不进一步阐述了。

程序化广告交易市场关系图（图片来自《程序化广告实战》）

04 原生与移动广告

自移动互联网开始，广告与内容混排出现的原生广告形态逐渐成为主流。这是因为移动互联网与用户产生了更多触点，同时广告融入到内容展示的统一策略中也对用户体验更友好。

4.1 智能出价

信息流广告发展起来后，竞价交易的方式也开始产生新的变化。上文提到过CPS/CPA的计价方式并非当前最优解决方案，这是因为以转化结果作为优化核心的结果数据掌握在广告主侧，如果广告主有意不回传数据给媒体平台，将出现广告主作弊风险。

Facebook最先提出了一种创新的解决方案，即媒体平台仍以广告的销售或转化作为广告展示与流量分发的优化目标，而广告主则以CPC/CPM付费，这就是广告扣费点与广告主竞价点分离的优化智能出价oCPX（optimizedCPC/CPM）。

比如说，广告主以商品销售作为优化目标，广告系统就会按照历史数据和广告主回传的结果数据作为进一步调整广告自动出价的依据，对于商品购买意愿高的用户提高出价从而提高曝光展示，对于商品购买意愿低的用户降低出价减少广告曝光浪费。

目前，oCPX的方式已逐渐成为各大媒体广告平台的标配。

4.2 有限开放的‘数字花园’

手机移动在线使得应用能获取到更多用户数据，同时隐私保护也日益受到人们的关注。部分巨头已出台了隐私安全的相关政策，2018年4月谷歌的广告系统宣布不再提供带有用户ID的日志级别数据回传；2020年9月中国区推送的苹果iOS14系统宣布将不支持IDFA的Opt-in方案（选择性加入），默认不再向App应用回传deviceID（设备ID）。

在移动时代没有了设备ID，ADX与DSP就失去了数据映射的标识，曾经如集市般公共开放的RTB市场似乎开始玩不转了。同时基于数据资产隐私安全，媒体平台也倾向于将原来公开的流量资源‘私有化’，不希望对外提供具有用户身份识别这么细粒度的信息（如用户ID及相关的广告投放数据），倾向于建设起有限开放的数字广告平台。

没有数据回传，广告主如何定制人群标签指导投放呢？

媒体平台的DMP仍然是有力的工具，继续支持广告主精选标签进行广告投放。但，DMP主要是媒体平台的数据，缺少了广告主的一方数据，比如后链路的下载转化、留资、试听课申请等。媒体平台是支持广告主数据上传的，然而广告主同样也担心隐私数据安全的风险。

如何在不涉及隐私泄露情况下实现数据交换呢？‘数字中立国’就是一种解决方案。简单来说，就是媒体平台提供一个独立的数据存储空间，广告主上传第一方数据到这个私有化的空间，媒体平台也上传自己的数据，所有字段的数据都通过加密技术处理，媒体平台提供数据处理与分析能力将双方数据打通，从而进一步进行数据挖掘、建模、应用。

这一套解决方案各家媒体平台都开始提供，比如Google的Ads Data Hub、腾讯的数据联合专区。

05 最后的话

数字广告起源于线下传媒，而其程序化计算与受众定向的特点也带来了千人千面的广告体验。数字广告是一个多方博弈的市场，涉及一些博弈论的知识也非常有趣。数字广告的很多概念本文只能浅尝辄止，如需了解推荐阅读《计算广告：互联网商业变现的市场与技术》。

参考文献：

• 《计算广告：互联网商业变现的市场与技术》
• 《程序化广告实战》
• 《程序化广告：个性化精准投放实用手册》
• 计算广告发展历程——从CPC到oCPX
• 2021：媒体与广告主数据关系的新篇章

作者：策略伽；公众号：策略伽

本文由 @策略伽 原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议。