作為策略產(chǎn)品經(jīng)理，智能定向策略是其日常工作中可能接觸的策略方向之一，通過“智能定向”，策略產(chǎn)品經(jīng)理可以一定程度上保證大盤平均的整體效果最優(yōu)。那么，智能定向策略的具體內(nèi)涵與實際應(yīng)用是怎么樣的？一起來看看作者的分析和總結(jié)。

講完白盒、灰盒定向策略，我們接下來講講廣告定向領(lǐng)域近兩年比較熱衷于推廣的黑盒“智能定向”策略。

之所以說智能定向“黑”，是因為智能定向相對來說可解釋性最差，但卻能保證大盤平均的整體效果最優(yōu)，CTR、CVR、ROI等投放效果都要明顯的優(yōu)于DMP白盒定向，因為智能定向人群選擇、關(guān)鍵詞優(yōu)選的權(quán)利托管到平臺手中，平臺可以利用自己的樣本、數(shù)據(jù)等優(yōu)勢做到主體item與人user的“優(yōu)中選優(yōu)”，充分發(fā)揮系統(tǒng)智能化的優(yōu)勢。話不多說，今天來給大家展開分享一下智能定向策略。

(資料圖)

本文目錄：

一、智能定向誕生背景&定義

智能定向誕生背景

1）白盒DMP定向非常依賴于廣告主（代理商、商家）的人群標(biāo)簽圈選和分析的能力，如果圈選人群標(biāo)簽范圍有偏差（人群生效范圍、人群的活躍程度以及人群相關(guān)性等問題），會導(dǎo)致廣告計劃無法拿展現(xiàn)或者是點擊/轉(zhuǎn)化效果差。

2）DMP人群包是一個非常粗粒度的UV人群集合，并不是每一個人群包中消費者用戶user都能與廣告投放主體Item產(chǎn)生相關(guān)性匹配，并且DMP投放人群解析需要考驗運營的操作提高客戶的分析成本，并不適合入門級別的廣告主投放。

因此，廣告主希望實現(xiàn)廣告主計劃主體item和用戶user營銷匹配最大化的托管定向策略，來解決廣告主投放拿量與效果的難題，類似自然搜推一樣實現(xiàn)最優(yōu)效果匹配的效果，廣告主只需要為流量進行付費，基于這樣的一個背景下就誕生了“智能定向”策略。

京東-購物觸點智能定向功能

阿里引力魔方智能定向功能

圖1和圖2分別為“京準(zhǔn)通-購物觸點”和“阿里媽媽-引力魔方”的智能定向操作界面，可以看出，智能定向在各大平臺的設(shè)置方式都是一個極簡的開關(guān)，無需廣告主添加任何種子DMP人群，完全托管交由平臺基于廣告主的投放商品和店鋪的樣本信息來匹配最合適的用戶進行廣告投放。

定義：智能定向是一款基于廣告主投放主體item出發(fā)，考慮用戶歷史瀏覽、搜索、加購、購買轉(zhuǎn)化等行為幫助廣告主依托算法模型智能、精準(zhǔn)圈選人群的定向策略工具。

智能定向與DMP定向優(yōu)劣對比

優(yōu)點：智能定向在投放效率CTR、ROI要明顯強于DMP定向類型，并且對于客戶的平均點擊成本CPC也要低于DMP定向類型。

缺點：相比較DMP定向，智能定向在可解釋性要弱于DMP定向類型。

二、智能定向在大廠中的具體實現(xiàn)策略

其實大廠中的智能定向策略非常類似于前文<推薦系統(tǒng)召回策略>中的DSSM雙塔模型，分別是User Embedding和 Item Embedding建立相關(guān)性計算相似度距離?；谒惴ㄍ瓿捎脩艉蜕唐返闹悄芷ヅ洳呗院诵姆譃槿阶撸河脩襞d趣建模->商品建模 ->用戶商品匹配，算法實現(xiàn)鏈路如下：

智能定向模型架構(gòu)

用戶興趣建模部分

可以看到User部分主要是基于是用戶的各種Atrribute屬性（例如消費者用戶的年齡、地理位置所處信息、性別等）以及用戶的Behavior（在京東平臺APP里的商品點擊、加購以及直播間觀看、短視頻互動等行為信息），通過embeding lookup 然后再pooling。

同時還會基于用戶協(xié)同的向量化召回（UCM），即通過前文關(guān)于推薦系統(tǒng)中召回策略一文說道的用戶協(xié)同過濾思想，通過行為的用戶興趣品類item集合去計算用戶之間的相似性質(zhì)。

最后把所有的特征做融合，過一個全連接層就輸出了User emedding。

商品建模說明

商品item Emebbeding和User是獨立向量化過程，除了通過one-hot編碼使得商品的Attribution屬性Embedding向量化（主要針對類目、功能、評價、使用場景、價格等等信息）低維稠密向量化。

京東還引入了彈性粒度的Node體系，即不受商品固定categories類目限制與客戶興趣帶來的影響，防止因為行為相關(guān)帶來的商品相似的馬太效應(yīng)，通過用戶興趣來行為構(gòu)建彈性、動態(tài)的Node，提升召回率（預(yù)測為正類的樣本數(shù)/所有正類樣本數(shù)）

用戶&商品興趣建模說明

在模型表示層User Embedding和item Embedding計算完cos相似度存儲在redis當(dāng)中之后，選擇距離最近的 N 個人群子集作為廣告投放人群，這樣就完成了廣告推薦任務(wù)。模型訓(xùn)練過程中將 cos 函數(shù)得到的結(jié)果進入 sigmoid 函數(shù)和真實標(biāo)簽計算 logloss，查看網(wǎng)絡(luò)是否收斂。模型評估主要使用 auc 指標(biāo)。

同時在LSBM Ranking Model層會考慮，基于Self-attetention建模用戶的全局興趣，以及在推薦位實時反饋的短時用戶行為興趣，通過注意力機制來建立用戶和商品的相似性。

總結(jié)：最后通過智能定向同投商品下與DMP定向在單一變量實驗下，點擊率和廣告收入都有一定明顯的提升，基本上都在10%以上。

三、智能定向策略總結(jié)與思考

大家看完對于智能定向策略一文，是不是發(fā)現(xiàn)其實和之前講到的關(guān)于自然推薦系統(tǒng)召回策略比較相似，都是在全集的商品集合里面去最優(yōu)匹配全集的人群，做到“優(yōu)中選優(yōu)”，只不過最大的差異就在于這個商品集合池是廣告的商品集合，而不是平臺自然結(jié)果的商品集合，所以廣告平臺全使用智能定向，也沒有辦法做到自然推薦結(jié)果的CTR水平，但是智能定向的效果（CTR點擊率、ROI等）會明顯優(yōu)于DMP定向類型。

智能定向在廣告平臺中一般都是中小廣告主使用偏多，因為缺乏對獨有的人群經(jīng)營資產(chǎn)的沉淀和廣告優(yōu)化師的人力成本（DMP定向需要付出大量的時間和人力成本去做用戶畫像和效果數(shù)據(jù)的分析，沉淀出一套投放廣告的固定人群和投放方法論，并且這個是時刻發(fā)生變化的），所以智能定向一般都會為平臺所主要推崇，能夠幫助客戶穩(wěn)定拿量&拿優(yōu)質(zhì)的流量（pCVR更高的流量）。

長期來看黑白灰盒定向的能力都會在各大廣告平臺所共存，既然客戶能夠使用白盒精細(xì)化人群運營場景，同時也能夠托管平臺達(dá)成擇優(yōu)圈選人群的能力。

本文由 @策略產(chǎn)品Arthur 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自 Unsplash，基于 CC0 協(xié)議

該文觀點僅代表作者本人，人人都是產(chǎn)品經(jīng)理平臺僅提供信息存儲空間服務(wù)。