##交易平台（淘宝、京东、美团）的程序化广告设计( 二 )

（4）财务管理
账户充值、账单记录、余额展示、消耗展示。
前端广告位展示
广告位资源分为站内和站外两部分，根据自身的业务需求来确定即可，常见的有搜索结果页的原生广告、首页顶部横幅广告、购物车猜你喜欢推荐位、以及站外合作的固定广告位等。
关键数据指标规划
指标体系包括基础指标、效果指标、成本指标、品牌指标。根据业务需求可以适当的增减，下图这个评估指标体系考量的范围已经算是很完整的版本了。

本文插图
广告引擎系统
该系统是程序化广告系统中最核心也是最难的模块，可以抽象成两个部分，精准定向和竞价交易，依赖于海量数据、各种策略算法、以及机器学习，该部分我目前也只浅显的掌握了运作原理和部分策略的运用，涉及到更偏技术实现层面的内容。因为不太熟悉就不在此班门弄斧了，如果有精通的朋友咱们可以互相交流学习一下。
下图是我画的广告引擎内部运作流程示意图，较粗略：

本文插图
【竞价监听服务】在收到竞价请求之后，会根据设定的条件，比如站外网站的类别、网站历史CTR以及作弊流量进行简单的流量过滤，然后再把合适的流量信息分发到后端的【广告服务总控模块】，首先向【定向召回服务】获取展示广告，然后根据获取的广告结果向【ecpm预估服务】请求每个广告的预估ecpm值并返回给【广告服务总控模块】进行排序，从而挑选出top的广告进行展示。
定向召回策略
从以上我们能看出，如何做到精准定向，依赖于高效的定向召回策略，那么就来看一下具体的策略。
（1）基于用户实时行为数据
通过实时日志流平台准确的跟踪用户的实时点击浏览/收藏/购买行为，对于相应的用户重新投放用户近一段时间内发生过浏览/收藏/购买行为的商品。需要注意的是这个策略需要考虑召回概率按时间进行衰减，用户的实时行为能够比较强反映用户的近期兴趣，距离当前时间比较长的用户行为对于用户近期兴趣的定向偏弱。
（2）基于item-based的协同过滤
首先通过用户的购买行为计算item之间的相似度，比如通过计算发现item A和item B之间的相似度比较高，我们把item A作为候选推荐给购买item B的用户，作为item B的用户的召回候选集之一；同样也把item B作为候选推荐给购买item A的用户，作为购买item A的用户的召回候选集之一。因为item-based协同过滤的特征，这一部分召回基本能够把热门爆款单都拉到候选集中。
（3）基于广告主自定义投放定向
自定义投放定向是基于广告主对目标群体有清晰的认识，推广的时候可以自主选择平台提供的不同的用户标签设置精准投放范围。
ecpm预估
针对某一个流量，会有多个广告主的广告活动同时参与竞价，这时竞价引擎需要对这些召回的广告进行竞价排名。根据每个广告的出价方式、预估点击价值、预估点击率来预估ecpm用于排序。其中的点击价值和点击率需要根据算法来预估。
五、写在最后
广告主投放的本质需求是有效传播广告，实现ROI最大化。
平台方/流量方的目标是在实现流量收益最大化的基础上，确保良好的用户体验和广告效果。
对于用户来说，广告不再是烦人的骚扰信息，而是解决自己需求的通道。
程序化广告在高速发展，还有很多可以优化的地方，该如何优化，离不开对用户生态中各个角色的理解，解决他们所遇到的问题便是我们从业者为之努力的方向。
本文由 @Chen 原创发布于人人都是产品经理。未经许可，禁止转载