行動廣告與大數據資料分析策略與執行

行動廣告與大數據資料分析策略與執行
--- 商務觀點分享
Vpon 行動科技
數據科學家趙國仁

Agenda & Objectives
Vpon intro.
Big Data & Data Science
- 4V, Metromap, CEO’s view
Mobile Ads Big Data
- AdN, RTB, DSP, …
- Spark, Kafka, Docker, HDFS, Couchbase, …
- Sample bidding strategy, …
Reach + Richness + Range

Vpon in Taiwan
1,700萬
每月接觸超過 1,700 萬不重複裝置
17億
每月可遞送廣告量達 17 億次以上
1,000家
服務超過 1,000 家的知名品牌廣告主
Source: UU, Q2 2014, Vpon Inc.

Vpon in Asia
亞太區
涵蓋大陸、港澳台、星馬、印尼、泰國、菲
律賓、日韓
60億
每月可遞送廣告量達 60 億次以上

週間行動上網時段分析
3G
Wi-Fi
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
平日白天使用3G、晚上8點後使用Wi-Fi
l 白天上班、上課的時段，使用3G上網較Wi-Fi普遍，從早上7點通勤時段曲線開始成
長，尤其是中午休息時段12點時呈現高峰。
l 對比上季數據，晚間使用Wi-Fi時段提早1小時，約20點後即開始出現成長，最高峰
時段呈現在22點，並從0點開始驟降，顯示上網行為和消費者生活型態息息相關。

周末行動上網時段分析
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
周末夜間上網增加、9點後行動用量開始成長
l 周末民眾普遍睡得較晚，相較周間行動上網從9點開始才出現明顯成長，同時白
天時段3G和Wi-Fi的使用是持平的。
l 晚間時段一樣以Wi-Fi的使用量較高，不過使用時段明顯拉長，夜間使用量相較平
日增加，顯示消費者周末較晚睡。
3G
Wi-Fi

各系統上網時段分析
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
00
11
22
33
44
55
66
77
88
99
1100
1111
1122
1133
1144
1155
1166
1177
1188
1199
2200
2211
2222
222333
iPad夜間使用量高
l 比較各系統上網時段，可明顯發現iPad從晚間21點開始使用量提升持續到夜間1點，
顯示消費者回到家中使用平板的機率高。
l 手機的整體使用時段較類似，但相較Android，iPhone使用者晚間19點後的使用
量呈現持平，推測iPhone螢幕較小的關係，使用者轉換使用平板電腦的機會較高，
而Android則因螢幕較大的關係沒有此狀況。
Android iPhone iPad

端午連假行動上網情況
端午節
5/22-5/27
5/29-6/3
Thu
Fri
Sat
Sun
Mon
Tue
連假行動流量提升
l 通常於連續假期，行動上網流量都會上升，這個月端午假期雖然只有3天，但相
較前週同期，流量成長約1.2倍。

捷運血案事件行動上網情況
5/13-5/19
5/20-5/26
鄭捷血案
當日
Tue
Wed
Thu
Fri
Sat
Sun
Mon
時事影響行動流量
l 觀察板南線週邊行動流量，在鄭捷血案事件發生後持續一週，行動流量相較上
一週明顯偏低(約-‐11%)，顯示消費者搭乘捷運和使用手機的比例降低。
板南線周邊行動流量

Data Economy
傳統 -‐>
數位經濟學
Internet
Economy
REACH High
RICHNESS
High
Low
Tradi;onal
Economy
(quality)
(quan;ty)

Vpon大數據運作模組
收集用戶使用行為大數據分析資料庫
• Profile
• Classifica;on
• Recommenda;on
Retarge1ng
中國超過2億
香港超過600萬
台灣超過1,700萬
20GB/dayé
20TB/yearé
透過多重數據分析找出資料背後的價值

Challenge: 大數據特色 - 4V
資料量大
資料多樣性
資料輸入
和處理速度快
資料真實性

Data Science Performance
Performance
(CTRé,
CVRé,
CPIê)
of
AdNet
and
DSP
Data Algorithms
Tools

Data Science Performance
Performance
(CTRé,
CVRé,
CPIê)
of
AdNet
and
DSP
Data Algorithms
Problem-‐solving
Thinking
Tools

Source:
hVp://becomingadatascien;st.wordpress.com/

Data Scientist as CEO of Data
Source: 經理人(117)

Reach & Richness
in Mobile Ads

AdN à RTB
Source:
Chandrakanth(2012),
Theorem
India

RTB Bidding Flow
Source:
Adsmogo
Mobile
Ads
eXchange
v1.2

AdN à DSP
n Seller(Publisher / Developer)
l p(imp/req) é
l p(Revenue) éê
• Revenue = CPM * IVR
n Buyer
l Reach é CPC/CPI ê
l Targeting é
n AdNà DSP
l p(profit)
l Publisher à AdX
l Service desk à self help

Code Size Comparison
Source:
Matei
Zaharia(2013)

Performance Comparison
Source:
Matei
Zaharia(2013)

Integrated Framework
Source:
Matei
Zaharia(2013)

Data Sharing in Spark
Source:
Matei
Zaharia(2013)

Example: Logistic Regression
Source:
Matei
Zaharia(2013)

Logistic Regression Performance
Source:
Matei
Zaharia(2013)

Example: Logistic Regression
n val data = spark.textFile(...).map(readPoint).cache()
n var w = Vector.random(D)
n for (i <- 1 to ITERATIONS) {
n val gradient = data.map(p =>
n (1 / (1 + exp(-p.y*(w dot p.x))) - 1) * p.y * p.x
n ).reduce(_ + _)
n w -= gradient
n }
n println("Final w: " + w)
Source: Matei Zaharia(2013)

Internet as a mass media
“Half
the
money
I
spend
on
adver;sing
is
wasted;
the
trouble
is
I
don‘t
know
which
half.”
-‐-‐
John
Wanamaker,
~
1875

Current Challenges
How
to
iden;fy?
Find
the
"best
match"
between
a
given
user
in
a
given
context
and
a
suitable
adver;sement.
-‐-‐
Dr.
Andrei
Broder
and
Dr.
Vanja
Josifovski,
Standford
University
Limited
Info.
Budget?
Crea;ve?...
Bid
Price?

Channels play different roles in the
customer journey
Source:
hVp://www.thinkwithgoogle.com/

Advertiser Utility: The Value Funnel
CPM
campaign:
Revenue
=
N/1000
⋅CPM
CPC
campaign:
Revenue
=
N
⋅
CTR
⋅
CPC
CPA
campaign:
Revenue
=
N
⋅
CTR
⋅
CVR⋅
CPA

How DSP Track & Optimize Bidding
• Pixel/Beacon:
landing,
browse,
shopping
cart,
conversion
…
• Cookie
in
web
(Cookie
mapping)
• IDFA/AID
in
mobile
Audience
Tracking
• Feature
engineering/Pre-‐generated
tags,
Look
alike,
Re-‐targe;ng
• Privacy
-‐>
Campaign-‐based
• P(c|u)
Audience
Selec;on
• Campaign/Ad,
TA,
Crea;ve…
• Base/up
bound
price,
freq.
cap…
Campaign
Mgmt
• 100ms
• Winning
probability
func;on,
Traffic
forecas;ng
Real-‐;me
bidding
Impression• Click,
CTR
Conversion• CVR,
CPA

Demand-side platform and its bidding
engine in RTB

Traffic forecasting
n An impression on Jeremy Lin BBS post of MiuPTT
n Two product ads
n A: Linsanity T-Shirt
n B: Baseketball shoes
n Not optimized if only bid for highest price
n B bid higher than A
n Inventory A is much fewer than inventory B

Bidding Price Calibration
n Forecasting
l Sampling & learn
n On-line adjustment
l Feedback control & Re-learn
n Loss reason
l Prior Probability Shift
• Budget, Freq. cap, …
l Competition

3R (Reach+Richness+Range)
in Mobile Ads

Vpon大數據分析
Vpon在亞洲擁有超過3.8億不重複使用者，透過每次的廣告遞送持續收集使用者
行為數據，每月處理超過10TB的資料量，以多重的數據探勘法，幫助廣告主找到
最有價值的潛在消費者。Vpon 有效地優化行動廣告的投放，遞送給使用者最適合
的廣告曝光，降低預算成本，促進轉換率，進而提高整體的廣告效益。
收集用戶行為
連結廣告主資料
大數據分析
優化精準投放
• 廣告點選行為
• 使用裝置
• 使用APP
• 廣告偏好
• 使用時間
• 定位區域
• 社群行為….
• 分類
• 分群
• 推薦系統
• Retarge;ng
• 分眾投放溝通
• 個人化行銷
• 搭配其他媒體
條件投放
整合其他資料庫
Ex.
客戶既有CRM
資料庫、社群粉
絲資訊(facebook
fans)…
Second-Party Data
First-Party Data

成功案例：優化廣告成效
CTR (廣告點選率)
+3.6倍
一般成效
優化成效
準TA接觸率
準TA接觸率
81%
85%
TOTAL
廣告曝光量
(Impression)
- 5倍
一般成效
優化成效
l Vpon實際運用大數據協助廣告主
以使用者關聯性分析，透過點擊
廣告的使用者行為找出類似的潛
在使用者投放廣告，其CTR表現成
效為未優化前的3.6倍。
l 以推薦演算法精準鎖定準目標族
群，有效減少多餘的曝光浪費，
降低預算成本。透過優化分析後，
即使減少5倍的曝光量，實際能接
觸的TA比例並無減少太多。

成功案例：優化轉換成效
CTR(廣告點選率)+3.6倍
CVR(轉換率)
一般成效
優化成效
CVR(轉換率)
+4.9倍
+1.8倍
一般成效
優化成效
再優化
l 運用大數據分析演算，將廣告投
放給更精準的族群，雖然在CTR的
表現只有提高一點點，但Vpon成
功將轉換率提升3.6倍。
l 大數據透過時間和資料的累積，
我們可以持續優化成效，Vpon經
過多層的演算法，成功於第一次
優化帶來4.9倍的轉換率，再次優
化繼續提升1.8倍。

If
only
aVach
importance
to
quan;fy
the
business
model,
it
will
not
have
the
ability
to
find
a
poten;al
growth
opportuni;es:
"The
pursuit
of
quan;fying
the
biggest
problem
is
that
people
ignore
the
context
of
the
behavior
generated,
detached
from
the
context
of
the
event,
and
have
not
been
included
in
the
model
ignores
variables
effec;veness.
"
企業若只重視量化模式，
將無法擁有尋得潛在成長
契機的能力：「追求量化
最大的問題在於，忽略人
們產生行為的脈絡，把事
件從情境中抽離，且忽略
沒有被納入模式中的變數
效力。」
-‐
Roger
Mar;n
Rothman
School
of
Management,
Toronto

3R：Reach+Richness+Range
大數據經濟學
資料豐富度
(The
power
source
of
behavioral
forecas;ng)
Reach
Richness
High
High
Low
使用者接觸量(Reach
of
UU)
Range
High 使用者情境 (The
audience
affiliate
of
whole
context)

使用者情境(Range)影響大數據精準度
以現今消費者多螢的使用習慣，每一波的活動宣傳，單一媒體的成效表現數
據，和其他媒體的宣傳搭配息息相關。
TV campaign
View
Ra;ng
Reach
Brand Awareness
Request
Click
Impression
Conversions
Range
Mobile Campaign
Offline Campaign
Reach
Traffic
Buzz
Actions
Reach
Richness

Takeaway ~
n RTB, SSP, AdX, DSP
n Data Scientist as CEO of Data / Data Consultant
n Big Data Pricing Engine
l Scalable Big data infrastructure
l Spark, Kafka, Docker, HDFS, Couchbase, …
l Bidding Strategy & Design of Pricing Engine
n Reach, Richness, Range
l Reach：audience span, base of segmentation
l Richness：relatedness(contribution) to conversion (target)
l Range：affiliation with audience
ü Integrated, all media, full context engaging factors

BIG
DATA
Humility
謙虛
Humanity
人性
資料始終為了人性

感謝：
Vpon
大數據技術團隊
Vpon
大數據資料分析團隊
台灣資料科學愛好者年會主辦單位
誠徵：
各類（大數據）開發人才
104
Vpon

行動廣告與大數據資料分析策略與執行

Recomendados

Recomendados

Mais conteúdo relacionado

Destaque

Destaque (20)

Semelhante a 行動廣告與大數據資料分析策略與執行

Semelhante a 行動廣告與大數據資料分析策略與執行 (20)

Mais de 台灣資料科學年會

Mais de 台灣資料科學年會 (20)

行動廣告與大數據資料分析策略與執行