本文是智子云CEO朱建秋博士在GDMS的演讲内容，总结了2017年程序化的现状，解读多元化的趋势，提出用AI提升人工运营效率、联接互不相通的“围墙花园”式媒体平台、变革数据售卖模式的观点。

国内程序化广告市场发展趋势

2017年即将过去，国内程序化广告市场已历经了五年的风风雨雨，朱博士首先总结了国内程序化广告市场逐渐呈现的几个明显趋势：

1） 从宣传方面来看，单纯的DSP和RTB已不再是市场宣传的热点，程序化广告市场开始回归理性；

2） 在数据层面，独立的第三方数据供应商 (DMP) 日渐增多，第三方数据的规模在快速增长；

3） 大媒体纷纷自建程序化交易市场和私有的广告投放平台，形成各类围墙花园市场；

4） 从广告形式来看，信息流、短视频、OTT等各类新型广告形式快速增多；

5） 随着线上和线下融合的帷幕开启，如何打通线下和线上用户数据，突破并拓展数字营销边界，成为市场和技术的关注热点。

总的来说，整个程序化广告生态已经从单一的“DSP+公共RTB市场”向多元化方面发展， 一方面，广告主们在数据采购、媒体购买、广告形式和用户触达等各方面拥有了更为丰富的规划选项，另一方面，多元化也对广告主的规划和统筹优化能力提出了更大的挑战。

迎接多元化的机遇和挑战

在多元化生态的背景下，广告主和广告代理公司在投放规划方面不再局限于仅有的几个途径，而拥有了更多的灵活性，但与此同此，朱博士提醒大家，多元化也带来了人人各自为政的“围墙花园”。

挑战分为两个方面，在用户数据方面，虽然供应商数量众多，但质量却良莠不齐，价格体系尚不够透明和规范，数据的筛选和应用成为一个很大的挑战；在广告资源方面，各大媒体纷纷自建交易市场和投放平台，并与几大公共交易市场一起，形成群雄割据的局面。广告主必须在协调、集成和优化方面投入可观的成本。

如何帮助广告主应对这些挑战，进一步提高程序化广告购买的效率，是程序化广告购买技术下一步的发展方向。智子云认为一个基于AI的泛程序化广告购买的技术框架是解决这个问题的良好方法。泛程序化广告购买包括了原先的程序化购买，但把程序化技术应用于更大的广告购买流程，如数据采购、多平台集成和自动化运营等。泛程序化购买与程序化购买在本质上是一致的：自动化。

挖掘多元化大数据的价值

程序化广告的数据环境中效率最高的数据是第一方数据，应用是再营销或重定向（Remarketing & Retargeting ），但第一方数据有两个缺陷，一是数据量不大，二是维度比较少。第二方数据是手工选择和组合标签的线上广告投放的数据，总的来说，依靠手工选择和组合标签来选择人群的效果并不够理想。数据环境随着移动互联网的发展出现变化，一些独立的数据提供商逐渐增多，这些数据可能来自于第三方DMP，或某个APP或者运营商等，众多的数据供应商希望数据能产生应有的价值。

2017年下半年，利用探针获取线下人群的数据，再通过大数据打通线上行为的方式，开始引起广告主的注意。这种方式能够对线下访客做再营销，朱博士表示，其本质可类比线上的第一方数据，并且利用场景对人群做了精确的划分，实现了对线下人群进行线上营销的无缝结合。

面对日趋多元化的数据环境，需要广告主建立DMP平台，打通和共享各个渠道和各种来源的数据，然后充分利用AI建模，提升营销效率。

朱博士介绍了智子云对于多元化数据的利用的一些经验：

1) 合理利用第一方数据建模，能提高转化率，效果优于不使用数据；

2) 合理拼接某个第三方数据建模，效果优于只用第一方数据；

3) 有效融合多个第三方数据源，效果优于只用单个第三方数据；

4) 当没有第一方数据时，利用第三方数据建模，效果优于仅利用媒体的第二方数据进行优化。

对于多元数据环境所面临的挑战，智子云在数据建模中发现三个与数据相关的经验：

1) 标签精度过低，对于建模有所损害，有时效率不仅没有提升反而降低；

2) 很多独立DMP的数据覆盖度有偏差。从实践中可以发现，很多DMP中的数据对大城市人群覆盖度比较高，但三四线城市人群相对稀疏，在针对三四线城市做营销时，投放数据很难匹配；

3) 每一个DMP样本有自身特点，有些偏重游戏人群，有些偏重电商人群，这些数据的覆盖面不同，重叠度都很低。

对于这些问题，朱博士的观点是：AI要起到甄别和评估的作用，能够自动筛选对建模有正向帮助的数据。AI对多元化数据起到的另外一个重要的作用是改变了现有的数据售卖模式。

数据的模型服务模式

在数据提供方越来越复杂的环境中，如何选择、使用和评估外部数据，在第三方DMP的购买中让有限的预算花到刀刃上？这是让不少营销人员头疼的问题。

朱博士总结了当下数据交易中两种常见的模式的弊端：

第一，采用人工组合选择数据标签的方式，效率和效果都不理想。

第二，独立的第三方DMP「按条售卖」的数据销售方式，这种方式难以在程序化领域落地。

数据资源和媒体资源有本质不同，媒体广告具有独占性，而数据则可以无限重复使用，所以不应跟媒体资源一样“按条售卖”，而应该按数据价值，即Data ROI（数据投资回报率）来衡量。

Data ROI=产能提升／数据成本，数据对模型的提升必须要覆盖数据购买的成本。这是智子云提出并强调的观点。

在按条售卖的机制中，通过一个设备号尽量把数据标签拼全，所花的成本通常达到1-2元 RMB。这种情况下，要达到成本符合程序化广告典型的CPM采购的方式，数据建模带来的效率必须要有数百倍的提升。但这显然很不现实。

如何在大数据采购中，将高昂的数据成本降下来？AI能起到关键的作用。

智子云采用了「模型服务Model Service」的间接采购方式。这种方式在数据提供商之间开展了更深入的AI合作，各方数据供应商通过对接AI平台上的模型服务接口，向数据买方提供数据服务，而不是直接售卖数据，只要提供的数据服务真正能为对方带来价值，就能被无限次的循环利用。对广告主来说，这种「模型服务Model Service」的间接采购方式，才是最经济有效也最合理的数据交易方式。

程序化广告和大数据密不可分，对于如何能更好发挥“多元化”大数据价值的问题，朱博士的观点是：利用AI改变目前大数据以“手工选择和组合标签”为主的使用形式和以“按条售卖”的服务模式，用AI选择数据，以模型服务的方式提升程序化广告中大数据的价值。

自动化平台运营

多元化的交易市场和投放平台，系统之间相对独立和封闭，不能打通和共享，需要大量的人工进行运营、协调、配置和优化工作。当前大平台信息流广告的运营服务人员能力差异巨大，效率不稳定；并且平台与平台间的操作和优化方法同样差异较大，能够同时熟练运营多平台的运营人员十分匮乏，这就要求广告和代理公司培训和招聘一批素质过硬的运营服务人员，程序化广告投放在实际操作上变成了一个十分重运营的过程。

朱博士认为，AI至少可以从两个方面解决运营成本问题。首先， AI可以让单个平台的操作和调优工作更加自动化，提升人工运营效率。从系统角度来看，“围墙花园”的广告平台的自动化程度依旧停留在低水平状态，还有很大的潜力可挖。AI能够辅助运营人员自动下载数据和制定优化的决策，让运营人员去从事更有创意的以及和人沟通的工作，从而提升整个运营的效率。其次，AI可以辅助广告主规划多平台投放策略，甚至可以根据投放情况，自动调整一些策略元素，实现跨平台的自动化。

展望

未来，国内程序化广告购买生态将继续保持多元化。只要卖方市场的势态没有变化，这个趋势将一直发展下去，在数据和媒体方面，会出现更多的“围墙花园”。 在此期间，AI的作用会日渐显现，围绕程序广告购买的流程在AI技术的推动下，最终会走上自动化的道路，进一步提升程序化广告购买的效率。在大数据的背景下，AI将成为构造高效率程序化广告购买生态的关键元素。