Programmatic Advertising on Mobile 101: Beginner’s Guide to DSPs

Guest post by Galia Lahav, Digital Marketing Manager @Persona.ly

要想运营好一个 APP，用户获取是其中重要一环。用户获取策略从自然渠道（ASO）、自媒体，延伸到了付费渠道（社交平台、网络以及程序化广告）。

作为一名移动营销从业者，你肯定已经尝试过各种推广渠道和平台。选择付费大媒体似乎是最简单的解题思路，但是将鸡蛋都放在一个篮子量可不是一个好主意，因为这会导致对某一流量来源的过度依赖。程序化广告渠道的出现使流量来源多样化，让营销人员可以从各种广告供应方处购买流量，全程是完全透明且程序化的。

什么是程序化广告？

广告技术中的程序化是指利用技术实现广告买卖的自动化。其中的程序化平台—需求方平台（Demand Side Platform，简称 DSP）—负责实时竞价，针对特定的人群细分，并且分析数据以优化广告表现。 

程序化广告为广告主提供了更高效的广告，以及更大规模的目标定位。由于多种因素组合的复杂性和变化的速度，凭人力根本无法达到这种效率。

实时竞价（RTB）系统和流程

广告主可以在一个基于公开拍卖的市场，也就是需求方平台（DSP），实时竞价（RTB）购买程序化流量。

在程序化广告生态链中，有几个关键参与者：开发者、广告主、SSP 和 DSP。

• 开发者是数字资产（如网站或应用程序）的所有者，他们提供广告位以将其产品盈利。
• SSPs SSP（供应方平台）充当开发者和买家之间的桥梁，为开发者出售广告位库存提供平台。
• DSP（需求方平台） 连接多家 SSP 和其他互联网广告交易平台，让广告主可以在平台上通过实时竞价购买流量。
• 广告主是那些寻找可用广告位来发布广告，触及目标受众的人。

程序化广告为何出众？

SSP 起源自广告平台—通过接入多家开发者（网站或应用）获取广告位库存，然后向用户展示广告以变现的公司。

广告网络提供对大量广告位库存的访问；然而，这需要大量手动操作，并且在某些情况下缺乏透明性。 广告平台大多为成效导向的收费方案，如 CPI （每安装成本）以及 CPA （每转化成本）。（我们将在下一个段落介绍这方面的问题）。SSP 提供程序化的（ “自动化的”）库存，仅使用 CPM（每千次展示成本） 结算模型，并且在用户定位的实践中具备更大的通用性。

基于 CPA 结算（广告主按每安装/目标事件付费）的用户获取策略似乎很划算，有时候效果好得不太真实。缺乏透明度为人为操纵留下了空间，因为广告平台不会披露流量来源，以避免与广告主的直接竞争。因此，广告主最终可能会为欺诈安装或事件付费。有多种反欺诈方案为广告主提供保障，但是欺诈造成的损害不仅仅体现在金钱上，潜在的还包括影响 ASO 成效以及蚕食自然量。

有了程序化广告，广告主通过可信的 SSP 从开发者那里购买广告展示。此外，DSP 的机器学习算法通过事件概率预测来精准的定位受众。虽然 KPI 是基于成效（eCPI、eCPA 或 ROAS）设置的，但广告主是为广告展示次数付费。

程序化广告的“秘密武器”是找到最完美的受众特征以及筛选不相关的受众群体。这种方法确保在正确的时间，向真正对产品感兴趣，并更有可能执行目标动作的受众显示广告。因此，程序化 DSP 没有理由隐藏其流量来源和开发者。

一方面，广告主的获客成本降低。另一方面，消除了任何欺诈活动的风险，因为 SSP 和 DSP 都采取了多种反欺诈方法。

DSP 有哪些不同类型？

程序化广告是一种更明智的买量方式，广告主可以在 DSP 上设置一定的 KPI 要求来实现目标。DSP 可以分为 rule-based DSP（基于规则的 DSP） 以及 ML-based DSP（基于机器学习的 DSP）。 

基于规则的 DSP

对于此类 DSP，bidding 是基于平台遵循的简单规则（主要由专业人士设置）进行的。虽然这是一种买量的可行方式，但它缺乏效率，需要大量手动调整。

大多数自助式的 DSP 都是基于规则的，因为机器学习算法需要大量的平台和算法知识（以及大量的数据科学）。

以下是基于规则的 DSP 的设置示例：

基于机器学习的 DSP

基于机器学习的 DSP 通过算法研究大数据得出精准的定位受众。此类平台综合考虑多种因素，处理数百万个组合，以预测特定受众群体发生特定事件的概率。

一旦 SSP 发出新拍卖信号，DSP 只有大约 200 毫秒的时间来处理是否出价以及根据预期结果出价多少。

点击、安装和基于以往用户行为的事件预测几乎同时发生，紧接在 SSP 发送新可用广告位的竞拍数据之后。然后算法决定是否出价，如果出价，价格是多少。

竞价遮蔽是基于机器学习的 DSP 的另一个显著特征。基于预测的用户价值和过去的竞价数据（每秒处理数百万次的广告拍卖），该算法预测拍卖价格并进行出价。这允许广告主获得更均衡的出价，并确保广告主不会在第一价拍卖领域里多付费。 

以下是竞价过程的一个简单示意：

基于规则的 DSP 和基于 ML 的 DSP 之间的主要区别如下：

程序化广告的数据共享——冷启动问题

数据共享涉及向 UA 伙伴提供对受众数据的访问。 

基于机器学习的 DSP 可以访问大型数据集，然后生成类似用户（Lookalike），以解决冷启动问题（显著降低学习成本）。这种方法使广告从一开始就瞄准正确的受众。与此同时，受众名单可以作为排除列表，防止定向到任何已有用户。 

基于 ML 的 DSP 的另一个特点是，能够识别不同受众的行为模式，对群体进行分类，甚至可以根据不同细分展示不同创意。通过这种方式，广告计划专注于高效获新，而不是将预算浪费在已有用户或那些不会转换的用户上。

如何开始在程序化广告渠道上推广？

1）市场调研

请记住，程序化广告需要技术和高品质广告库存为基础。一些平台可能会将自己定位为一个 DSP，同时又是一个广告渠道。为了避免混淆，请务必查看成功案例，调研公司，并就流量来源和竞价方法提出正确的问题。  

2）设置目标和 KPI

为了让机器学习算法实现精准定位，需要一个非常具体的广告设置，包括目标和 KPI。 

3）设置数据回传

如前所述，数据共享是移动广告的关键一步。有多种安全且符合数据隐私的方式来共享数据（而且不是通过 .csv 文件）。 

4）保持耐心和谨慎

根据应用的垂直方向，DSP 可能需要不同的时间和预算来建立强大的深层事件漏斗模型。请与平台的客户成功经理保持联系，以便进行进度评估。

关于作者

Galia Lahav 是 Persona.ly 的市场经理。作为全球首个移动 DSP，Persona.ly 每秒处理超过 250 万次广告拍卖，使用专有的机器学习算法，大规模地提供透明的、基于性能的、高精准的用户获取和访客找回解决方案。受到 Rapido，Games24x7，Papaya Gaming，Ubisoft 以及 Tilting Point 等公司的信赖。