本文主要承接上文，跟大家聊聊在广告商户数、预算和流量情况稳定的前提条件下，流量变现效率的提高，主要通过点击率和点击单价两个关键指标驱动，而这两个指标的良性提高依赖于广告投放的机制设计和投放算法。
一、广告、推荐、搜索、画像
1. 业务简单看
搜索从业务来上，这三者肯定是解决不同的事情，因为利益点不同，用户心理也不同。
广告主要是为了变现，讲求ROI，广告主&用户%平台运营，人货场策略原理；
推荐主要是为了转化提升、长尾内容需求、个性化推荐为主流等；
搜索主要是为了搜必得，索必中，除了转化率还有内容相关性等；
画像主要是为了给上面几个大佬提供一个用户数据基础支持，没有了它就玩不了上面的个性推荐、搜索推荐、广告定投、计算广告乃至一切AI……
一般从广告业务来看，常常是谈两种形式比较多。一个是搜索广告、一个是推送广告（也可以是推荐广告），这2个会在后面重点探讨。
2. 从技术看
广告在技术上与搜索和推荐十分相似。
相似是什么呢？
如重要的“召回”。
所谓召回，简单来说就是“找一堆认为在XX场景满足XX用户群偏好”的内容/商品的池子。
搜索场景广告会使用用户的查询词去广告商户索引中去寻找匹配的商户，推荐场景广告会根据用户的意图、位置等场景信息去匹配合适的商户。
搜索广告匹配中，一项重要技术是查询改写。
一方面，使用传统的自然语言处理方法，对查询进行有效分析（例如：成分分析），完成同义和近义改写；
另一方面，使用深度语义相似度神经网络模型（DSSM）和序列到序列模型（Sequence to Sequence）进行查询的改写，进一步提升广告匹配的覆盖率和准确性。
3. 针对O2O的广告是怎样呢？
针对O2O商业模式的特点和广告业务各方的利益，广告召回机制在传统搜索推荐召回机制基础上进行了优化改进。
在召回中引入了逐层召回的理念，各层依次设置由紧到松的相关性水准（Match Level）控制召回广告的质量。
在当前相关性水准已经召回足够数量广告候选的情况下，不再进行后续召回。
相关性水准考虑多种相关性因素：查询匹配模式、距离和星级等。
例如针对Query匹配模式，广告召回时会优先使用Query精确匹配模式召回，其次选择模糊匹配模式，最后才尝试采用语义匹配模式。针对距离因素，广告召回会优先召回距离3公里内的商户，其次选择5公里内的商户，最后尝试全城召回。
相关性水准的设置，应该充分考虑到不同O2O业务的特点。
例如：距离的设置上，对于餐饮类流量，系统会优先召回3公里内的商户，而对于距离相对不敏感的婚纱摄影类流量，系统则会放宽限制，优先召回10公里内的商户，或者直接采用全城召回策略。
我以O2O-美团为例（相信PM看了后也能发散到其他产品场景的广告）：
这部分，我推荐大家重点看，经常出现广告PM面试、用户画像、搜索推荐广告等PM面试。一般面试官会以某个场景问你如何寻找“用户”，即受众定向分析。这部分是要结合用户研究、策略产品的结合，是否有料和乱说一听就知道了。
首先说一个广告实践定理：在O2O场景下，除了搜索推荐广告，推送广告也非常重要。
类似的，推送广告就是媒体在合适的时机将合适的广告以消息的形式推送给合适的人群。推送广告的主要目标是：提升用户活跃度、实现人群精准触达。
1. 从实践原理看关系（大白话）
以美团为例：
【场景1】：目前美团用户有3.5亿，从内部数据来看日活跃用户只有3000万，年活跃用户也只有1亿，还有很大一部分用户平时不登录美团App，或者登录次数很少。
那么怎么提升那剩下2亿多用户的活跃度呢？
一种有效的方法，就是给这部分用户推送广告，引导用户打开App，有助于提高用户活跃度。
然而，要实现精准触达，需要做到两点：
有完整的用户画像，用户画像包含属性标签、偏好标签和行为标签，以此来判断用户对广告的兴趣；
智能匹配技术，将广告精准定位到合适的用户上。
推送广告的特点是：主动触达、用户意图不明确。
但推送广告的劣势是用户意图不明确，而搜索广告具有搜索词或者明确的筛选条件，这些都是明确的用户意图。
2. 受众定向策略分析
一般来说，归纳常用的定向方式有下面几种：
要mark下，这个面试常常问！冷不丁的在面试回答穿插其中相关的点，大大加分！
（1）时间定向
策略：时间定向能够让品牌根据消费者行为、营业时间，甚至是季节性活动或特殊事件来进行广告投放。
举个例子：美发沙龙只有白天营业，如果定向时间包括了晚上非营业时段，那么用户在晚上非营业时间看到广告后，无法通过打电话来预约，这样就没有转化。
（2）重定向
策略：它指根据用户的历史行为，将曾在商家发生过浏览、收藏、购买等行为的用户作为商家的精准定向人群，进行广告推送，拉回用户完成转化。
通常情况下，消费者不会看过就能记住，你需要重定向。根据重定向推送广告，是通过视觉方式提醒消费者有关商家产品信息的好方式。
举个例子：如消费者看到后可能会想：“啊，我忘了要买这双鞋……”而这种面包屑式的提醒方式往往能够诱使他们点击并购买。重定向方式是所有定向方式中最精准、投资回报率最高的。
（3）地理位置类定向
策略：它指的是根据用户实时地理位置（一般是蜂窝信息或者GPS经纬度）做一些定向，有助于帮助商家触达那些正在前往商家所在区域的消费者，包括距离定向、商圈定向等。
比如：本地的一家美发沙龙，想要招揽本地生意，那么就可以使用地理位置定向技术在特定半径内进行宣传。如果这家店在三角区内有发廊的特许经营权，那么它就可以使用该技术进行一个以上定位。当然针对各区域进行定向的时候，商家可以根据区域内业务发展状况调整出价。
（4）人口属性定向
策略：人口属性标签包括性别、年龄、收入水平、婚姻状况、是否有车、是否有小孩等。
通过人口属性标签，可以将广告推送给相关消费者，就是可能购买的人群，具体选择什么标签主要取决于商家销售的是什么产品。
例如：婚纱摄影类商家会选择婚姻状况标签为“未婚”的人群进行广告投放，美甲美睫类商家会选择性别标签为“女性”的人群进行广告投放。
这些标签里面，性别、年龄这种标签比较容易得到，因为用户注册的时候就提供了相关信息，而收入水平这种标签需要通过预估得到。
使用人口属性定向的时候，标签既不能过于笼统，也不能太过细分。例如：美甲美睫商家选择年龄标签的时候，一方面，不能选择0~60岁，这种人群太泛了，低年龄段和高年龄段人群可能没有很强烈的美甲美睫需求。
另一方面，也要防止对人群太过细分。例如：尽管最终可能需要选择一个更细化的年龄标签，但却不能仅仅定位为一个具体年龄，若只选择22岁的人群，这可能导致人群覆盖不完整。
时刻记住目标受众，但在定位的时候得找到一个折中的办法。
（5）行为定向
策略：它是从用户的行为数据中挖掘用户兴趣偏好，从而推送相应的广告。
行为数据包括频道、商家详情页、团单详情页的浏览和点击，用户评论和打分等，兴趣偏好一般分为长期、短期和实时偏好。
当挖掘用户长期偏好的时候，使用的是“一段时间内的行为”，需要对不同时间的行为计算不同的权重。因为用户的兴趣是动态变化的，三个月前用户商圈偏好是A，可能现在搬家了商圈偏好变成了B。
为了衡量不同时间行为权重，将行为累计控制在一段时间内。(一般使用滑动窗口法和时间衰减法。)
兴趣偏好包括品类偏好、价格偏好、商圈偏好等。
品类偏好指的是用户偏好的商品和服务的品类，例如：用户喜欢吃川湘菜还是江浙菜，喜欢火锅还是自助餐；价格偏好指的是用户的消费水平，例如：用户点外卖价格区间是偏好0~20元价位还是偏好20~40元价位。
（6）新客推荐
核心即Look-alike，以广告主的老顾客作为种子信息，结合广告平台的大数据，寻找出老顾客具有的某种特征或规律，为广告主找到具有相同特征或规律的潜在顾客。
这种方式可在保证精准定向效果的同时，扩大用户覆盖面。例如：一个川菜馆广告主想投放广告，目标人群除了在本店消费过的顾客外，还可以选择在别的川菜馆或者湘菜馆消费过的顾客，因为他们可能口味差不多。
（7）小结
所以说，简单总结下几个部分的环节流程：
用户在平台上的搜索、浏览、收藏、购买等行为会被记录下来，形成用户日志。通过对用户日志的分析和挖掘得到用户画像，包括用户基本属性、兴趣偏好、行为标签等。
广告定向是广告和用户匹配的过程，为每个广告找到适合的受众群体。广告投放后，需要统计定向效果，包括定向精准程度和覆盖率。
三、广告与用户匹配的实践策略分析
为了实现广告和用户的匹配，需要从几个思维流程去反推。
首先需要为广告的受众人群进行初步假设，即确定广告感兴趣的人群，并将其与用户画像标签映射起来，这一步要靠产品调研和分析得到。
然后根据这个初步假设确定广告投放的定向条件，匹配到符合条件的人群。
【匹配实践分析】：
单个定向条件的表示：每一个定向条件都用一个
组合定向条件的表示：广告主设定的定向条件组合往往非常复杂，是各种不同定向条件的组合，涉及交、并、取反等操作。
一般采用析取范式（Disjunctive Normal Form，DNF）的形式来存储广告的定向条件。这个可以百度下，如果懒，就可以简单理解是如同用户画像。DMP这些，例如各种标签条件+逻辑关系组合。
下面以几个例子来说明DNF的表达方式：
DNF1: （30岁 男性）∪（25岁 女性）
DNF2: （广东人 广东男性）∪（北京人 北京品牌新客）
DNF3: （非男性）∪（男性 实时位置在店铺周围2公里范围）∪（喜欢美食的）
在这样的表达形式中，有两点需要说明：
第一，每个DNF可以分解成一个或者多个合取范式（Conjunction Normal Form，CNF），DNF1 ＝ C1∪ C2，其中，C1 ＝（30岁 男性）， C2 ＝（25岁 女性）；
第二，每个CNF可以分解成一个或者多个条件的交。上例中的C1 ＝ A1 ∩ A2，其中A1 ＝ 30岁，A2 ＝男性。
一个定向请求包括用户ID和广告投放ID，首先根据用户ID去取用户标签，根据广告投放ID取定向包，将定向包解析表达成DNF的形式，然后与用户标签进行匹配。
定向效果评价：定向效果一般从质和量两个方面进行评估。质指的是精准程度，主要指标是点击率和转化率。量指的是覆盖程度，主要指标是用户覆盖率、广告主使用率以及定向方式对应的流量占比。
图4 定向匹配过程
观察美团推送广告中，内部数据显示指向：重定向方式点击率和转化率最好，但覆盖率最低。
地理位置定向和人口属性标签拥有更广泛的人群，效果相对较差。实际采用哪种定向，需要看广告主的推广需求，广告主需要综合考虑精准程度和覆盖率的平衡。
以上，适用很多广告平台产品的一般逻辑。
四、浅析（O2O）广告系统面向角色的工具
【开发&广告主&运营】
“工欲善其事必先利其器”，有效的工具是一个优秀高效的广告生态的重要组成部分。所以，浅析从面向开发人员、面向广告主和运营人员两个角度进行工具产品的分析，分析的维度一般是看工具的作用是什么、产品设计核心策略是什么、有什么注意的关键点、案例举例等。
这些往往穿插到面试挖坑的各个环节，也是需求谈资和面试拉升高度的技巧。
1. 面向开发人员的系统工具
面向开发者的工具主要包含三个方面：离线数据分析工具、实时数据分析工具以及在线广告系统调试工具。
（1）离线数据分析工具
产品设计核心策略：支持从各个维度（广告位、广告类型、时间、区域、算法策略等）统计广告业务的各项关键指标（召回率、点击率、转化率、RPS/RPM、CPC等），检视广告系统的短板和漏洞，帮助广告算法和工程团队发现问题和寻找潜力。
（2）实时数据分析工具
从时效性角度弥补离线数据分析的缺点，帮助开发者尽早发现数据异常，更快地响应和修复问题。
产品设计核心策略：在背后支撑这些分析方法的是Hive、Spark、Elasticsearch和Druid等大数据处理工具。
如图5所示是实时消耗数据分析工具的界面：
图5 实时消耗数据分析工具
（3）在线广告系统调试工具
作用：这个如名字一样，就是调试排查，一般是针对单个广告主或单个查询等具体问题的排查。
产品设计核心策略：
通过调试工具可方便构造模拟请求并查看单个服务处理详细信息，收集各个广告流程步骤（召回、排序和创意优选等）的信息，跟踪和定位线上实时环境中各步骤的问题。
除了线上问题排查之外，调试工具也是开发阶段用于验证策略效果和算法正确性不可或缺的手段。如图6所示是在线广告调试工具的基本界面。
图6 在线广告调试工具界面
2. 面向广告主和运营人员的工具
面向广告主和运营人员的工具包括：广告主出价预估和排名预估、商户效果漏斗分析、账户诊断等相关工具。
产品设计核心策略：
面向广告主的工具帮助广告主更好地衡量和感知广告效果，让其了解市场竞争情况，协助其有效主动地优化广告投放效果。
面向运营人员的工具能让运营人员对广告主的投放情况有更清晰的了解，进而帮助其更好地指导和服务广告主。
（1）效果漏斗分析工具
作用：可以看到O2O广告从在线展示到用户进店消费需要经过点击和转化多个流程，（为了帮助广告主优化整体投放效果，在推广后台提供了效果漏斗分析工具）。
产品设计核心策略：效果漏斗分析工具主要包括曝光/访问量/感兴趣/到店三层漏斗，同时给出相应的问题诊断和优化建议。
如图7所示的界面：
图7 效果漏斗分析工具
（2）推广实况工具
【重要观点，面试常挖坑】：感知广告展示位置以及竞价实况，是投放中的广告主核心需求之一。
核心场景：
因为个性化智能排序技术体系和带有地理位置限制属性的O2O广告场景下，加之由于用户个性标签、地理位置等原因会导致广告主看不到自己投放中的广告在客户端曝光，广告主难以分析原因，也不知道如何优化现有的广告投放。
所以，这个推广实况工具作用是：提供查看排名、模拟出价和诊断优化功能。
产品设计核心策略：
广告主可以查看选定商圈、类目、地理位置等特定条件下的实时排名，也可以查看去个性化后一般情况下的平均排名。同时工具对于广告展现位次过低或得不到展示的情况会给出具体的原因和相应提示。那么，广告主可根据提示调整投放设置。
比如：对出价过低导致排名靠后情况建议调高出价，通过工具可以实时查看调整后的新排名情况。
如图8所示：
图8 推广实况工具
（3）流失订单分析工具
流失订单分析工具：基于门店流失订单记录提供对比分析功能。
产品设计核心策略：
流失订单是指最近一周内用户对商家A进行了点击，但实际去B、C商家下单的流量算作A的流失订单。分析工具根据用户的点击下单行为，数据帮商家分析自身与用户最终下单商家之间的差距在哪里。【辅助分析】
比如：对酒店商家，工具会提供商家平均房价、平均评分、商家首图等信息对比，广告主从中可以分析出订单流失原因，如图9所示：
图9 流失订单分析工具
（4）广告收益模拟器
作用：为吸引潜在新广告客户入驻，广告收益模拟器为商家提供广告收益预估功能。
产品设计核心策略：该工具基于门店的历史非广告时期点击转化率、门店所在商圈流量以及竞争对手状态等信息，预估门店投放广告后能够带来的新增流量和订单量，帮助新客户快速了解广告产品，建立投资回报预期。
同时通过该工具，商户可以方便地跳转到推广通平台进行注册和投放。比如：模拟器也可协助销售人员对商圈流量以及商圈可承载广告数进行预估，让销售人员更有针对性地开拓市场，提升新签成功率。
如图10所示：
图10 广告收益模拟器
五、总结
PS1：以O2O类型的美团广告做契合点。
为什么选美团的广告呢？从他们内部来看，O2O广告是美团的核心问题之一。
着重介绍了如何应用机器学习方法提升广告投放的效果和效率，以及本地场景化的推送广告。
什么是O2O广告？
这类广告有什么特点？
这类广告平台的生态链是怎样？角色如何平衡利益？
搞不懂推荐、搜索和广告是什么关系？ 为什么在这些类型的内容都能有一些“相似的身影”，它们是有什么逻辑关联吗？
广告平台所推送的广告，这些受众用户是怎样的？什么心理？（我以美团O2O为例。关于资讯内容类的feed流广告相对简单，百度今日头条广告分成一堆，在这里不说了。烂大街没意义）
广告平台的广告，如何和用户进行匹配？有无一些实践操作的案例、可复用的？
对于广告平台的另外3个角色：开发、广告主、产品运营人员，又是怎样一回事？ 他们用的广告产品是什么样的工具？
以上，谢谢，希望对你有帮助~
相关阅读
以美团为例：剖析O2O广告场景策略
