|
上一篇中，二哈讲述了广告业务的流量提升，在讲述提升广告点击率的时候，提到了迎合用户喜好的概念，本篇就来说说如何迎合用户喜好吧。
用户和广告交互的全过程可以表述为：看见广告—对素材产生兴趣—点击广告—对内容产生兴趣—消费广告。 注意，这里的广告泛指一切商业化行为，包括且不限于广告、直播、游戏、增值服务、会员业务等。 让用户看到喜欢的素材(核心指标为CTR，点击率) 点击后看见喜欢的内容(核心指标为后续转化率，比如会员则是付费率，应用广告则是安装率) 素材和内容之间保持相关性(核心指标为跳出率) 1、让用户看到喜欢的素材 虽然在上一篇中说到素材优化的点(诱惑性)，但是每个人的兴趣点实际是千差万别的。就好比“吃鸡”这个词语，对于20岁的人和40岁的人来说，意义完全不一样。下面来详细介绍一下几种实操方法： 1.1、对比测试法 1.1.1、对于相同的一群用户，随机分为两个组别，一个组投放A素材，另一个组投放B素材，如果CTR(A)>CTR(B)，那么A要优于B，以后是不是投放A就好啦?但是投着投着发现，点击率慢慢下降，这是为什么呢?因为长期不变的素材对于用户的吸引力变弱了(用户已经有了清楚的预期)，该换新的素材了! 1.1.2、由编辑不断产出新的素材，同时上线多轮素材测试投放，选出最好的持续投放几天，再进行新的测试。慢慢的点击率保持稳定上升了，但是上升幅度慢慢变小，评估效果工作量也越来越大，这下该怎么办呢?其实交给电脑就好了。 1.1.3、素材优化系统开始搭建，包含素材库、统计服务、投放服务等。由编辑手动录入大量素材，配置好对应的广告位，初始时由服务端将大量素材平均分配给随机用户，一段时间后计算每个素材的CTR，进行权重更新，CTR高的素材占更大的权重，CTR低的素材占更小的权重，另外留一部分权重给新录入的素材，引入时间衰减函数，若长时间表现不好的素材，直接淘汰掉，编辑同学参照CTR最高的那些素材进行新的设计。 经过以上三步，CTR应该能提升100%以上(工作经验)，但你会发现，很快就会到达天花板，因为这里有两个因素的问题：1、每个人被当做相同的个体;2、设计素材的能力。 那么怎么才能继续提升呢?进入下一个方法。 1.2、协同过滤法 设计素材的能力短期内无法提升的话，我只要把每个人当做不同个体来衡量就好啦，那么点击率就变成了CTR1、CTR2、CTR3……这里就需要开始引入协同过滤的概念了。 1.2.1、协同过滤(主要有两个方向)： 基于物品(内容)推荐：比如你喜欢A，通过A的特征找到B和A很相似，C和A不相似，那么更倾向于给你推荐B 基于用户推荐：比如你喜欢A，他也喜欢A，通过你和他的共同特征(喜欢A)，认为你和他相似，如果他还喜欢B，那么更倾向于给你推荐B 1.2.2、操作步骤为：选取推荐方法——对用户/物品打标签——计算相似度——产生推荐结果——测试结果修正算法 选取推荐方法：主要看数据是否丰富，如果用户特征丰富，那么选择基于用户，反之选择基于物品; 对用户/物品打标签：用户标签在用户画像的文章中有提到，想了解的可以看一下，物品的话以广告为例，可以分为类型(游戏、体育、财经)、载体(图片、文字)、内容(人、动物)、风格(可爱、成熟)等等，以及分配各标签的权重; 计算相似度：对每个用户/物品进行向量化，每个标签就是一维向量，最终计算的其实就是n维向量的相似度，常用方法有余弦相似度、欧式距离等(这里不详述); 产生推荐结果：C用户喜欢A，且A和B相似(以基于物品为例) 测试结果修正算法：将B投放给C用户，若效果不理想，主要考虑优化标签和权重。 经过以上两步，CTR应该能再提升30%以上(工作经验)，主要限制提升率的因素在于标签库的丰富程度，实际工作中，尤其是广告业务，能拿到的有效标签很少，所以推荐出来的结果不尽如人意。 那么，试着提升设计素材的能力呢? 1.3、AI生成法(二哈没有实操经验，只是讨论) 最简单提升能力的方法就是换更厉害的设计!2333333……如果能换的话，请略过这个篇章。 不知道大家有没有了解过阿里的鲁班或者腾讯的Dreamwriter，他们都是通过机器学习的方式来达到自动生产内容的工具。核心流程如下： 拆解图片/文本，比如图片可拆解成：背景、框架、色彩、主产品、次要产品、标题、描述等等;而文本直接可以通过切词完成。 引入大量图片/文本作为元素集合，为训练做准备 通过机器学习的方式，让电脑知道A和B在一起是可以的，B和C在一起是不行的(学习规律) 生成大量内容，投放测试(其实类似于海量的对比测试+协同过滤的方式) 这里的核心点在于： 有海量的历史数据作为训练样本; 有足够专业的设计能力去干预; 有足够的投放样本回收结果 2、点击后看见喜欢的内容/素材和内容之间保持相关性 (责任编辑：admin) |
