5个核心点让品牌玩转PDB经营贩卖,生命不息

原标题:生命不息,作弊不止:怎么发现自己的流量被人做了弊?

程序化购买在2016年得到了飞速的发展,尤其是PDB(定价定量购买)私有程序化购买的出现进一步加速了程序化营销的发展步伐。PDB私有程序化购买在消除程序化投放不确定性的同时,广告投放效果能够更好的被透明优化,将程序化交易的优势模式推向了一个新的高度。2016年,很多广告主都开始采用PDB私有程序化营销模式,经过2016年一年的实践,无论是在PDB投放和管理技术、媒体选择、流量退还和程序化投放预估等方面都积累了丰富的实战经验。

作者:纷析数据

2016年,AdMaster为众多知名品牌提供了PDB营销广告投放技术AdServing(即AdMaster
SmartServing:帮助广告主实现透明自主控制的程序化广告投放控制和管理系统),并取得了广泛的客户认可。服务包括快消、汽车、金融、母婴、互联网电商、航空行业等众多知名品牌。

来源:网站分析在中国(ID:chinawebanalytics)

经过2016年的成功探索和经验积累,2017年PDB私有程序化营销如何能够更高效的扬帆起航?为此,AdMaster总结了2017年PDB营销必读的5大核心点,带领你轻松玩转PDB营销。

本文为作者授权鸟哥笔记发布,转载请联系作者并注明出处。

2017年PDB营销需要掌握的5大核心点:

技术的进步增加了广告投放的效率和效果,也带来了更加凶猛的作弊。

1-提升TA%、频次优化及多方识别率是关键:

这是一个永恒不灭的话题。

在退量的OTVPDB营销模式中,由于优质DMP的接入,对媒体流量进一步通过人群性别、年龄、兴趣等方面进行筛选,将不符合要求的人群退回,通常是进一步优化iGRP&Reach的常规实现方法。利用这种方式确实可以实现良好的优化效果,但也存在着隐患。

品牌广告的作弊一直以来被人诟病,效果类广告的虚假流量其实也很猖獗。

最大的隐患是PC端Cookie识别率的问题,这也是一个老生常谈的问题。由于各家对于Cookie使用、各自的生成和采集方法不同,因此需要事前持续的Cookie
匹配,才能实现媒体和Server、Server和DMP间ID的互相识别;越多方的参与,会越降低最终媒体到DMP的识别率,这对于TA的优选效率上有很大的影响。

线上营销的成本不停升高,再加上流量掺水作假,对广告主而言,不啻为一个黑暗的考验。

举个例子,一个PC端的项目,如果媒体到Server的Cookie识别率约为60%左右,Server到DMP的Cookie识别率也在60%,那相当于其实媒体中可被认识的流量仅36%,这就会造成大部分的流量是随机投放完成的。

到底作弊有多厉害?

应对策略:

AdMaster刚刚发布了2018年上半年的数字广告无效流量白皮书。数据显示,2018
上半年,上千家广告主企业(行业范围涵盖快消、母婴、汽车、餐饮、金融、互联网等各行各业),无效流量占比为
28.8%,同比 2017 年上半年无效流量的占比 29.6%和 2016
年上半年无效流量的占比 30.4%,虽逐年有小幅下降,但形势依然严峻。

在项目上线前,甚至在决定使用的供应商时,广告主和代理公司也需要关注供应商提供的Cookie识别率指标。Cookie匹配量级对各家媒体、Server、DMP来说,都是一个基本要求。供应商能够合理安排可匹配的流量、优化匹配对象分配,确保项目中媒体到DMP保持较高的
Cookie 识别率。

图片 1

虽然在移动端并不涉及各家识别率的问题,但也同样存在移动设备ID的通用性和稳定性等问题。目前移动端数据的流通性较低,仅少数DMP公司开放移动端的数据,更多的DMP公司基于数据安全问题,基本的解决策略都是由AdServing方提供数据。2017年,AdMaster将会积极投入更多的资源,推动拥有高质量数据源的巨头们,安全、有序地流通移动端数据,更好的激活各家移动端数据,帮助广告主更精准的寻找到品牌的TA。

接近三分之一的流量是有问题的流量。

2-媒体流量稳定性是PDB营销各项KPI提升的关键:

而流量的来源上,垂直门户一直都是重灾区。再加上今天的网民行为的迁移,垂直门户的日子只会越来越难过。

PDB营销是一种通过程序化的形式实现更精准的投放控制、目标人群定向等媒介优化的购买方式,主要通过技术手段优化并提升如CTR,TA%等多项KPI,但除了技术驱动外,确保这些KPI指标能够提升的基础是媒体推送流量的质量和稳定性、优先级上需要至少需保持和常规购买一致。PDB项目最终效果中媒体的推送量质量是较为关键的影响因素。

图片 2

通常,媒体端流量质量和稳定性的评估可以从两个方面考量:

媒体行业细分来看,还是品牌类广告行业的无效流量占比多。而且,女性相关媒体的流量情况触目惊心,接近50%!汽车行业媒体的流量作弊有所抬头。

a)推送量中不稳定流量占比

图片 3

行业会把无法再现的流量、某些有异常行为的流量(如曝光前点击、瞬时多次行为等)称为不稳定的流量。当某些项目中如果不稳定流量过高时,首先DMP无法识别这些流量,无从判定性别年龄,这就影响了对于推送量的筛选。同时,不稳定的流量的Stable%也会低于常规,这对于最终计算iGRP&Reach也同样存在着影响。

与常识不同,AdMaster给出的移动端的作弊少于PC端。但并不奇怪,因为AdMaster监测数据主要覆盖的是品牌广告主,尤其是视频贴片+信息流+开屏等广告。如果包含了其他的移动端ADX以及效果类的广告,从我们投放的经验上看,移动端的作弊,尤其是安卓系统的作弊,比PC端严重太多。

b)PDB优先级与常规是否一致

图片 4

通常PDB项目的效果优化都是基于同期或者之前一波常规项目表现上的提升,这要求了PDB项目的流量分布上应与常规项目差异不大。当某波项目,如果存在频次分布、性别年龄分布较大的差异,比如一波控5的项目,在超频还是低频的占比都是常规项目的表现好于PDB的推送,那可能最终由PDB优化后的项目结果仍低于常规项目。

发现效果类作弊

应对策略:

发现效果类作弊只要牢记几点,其实并不困难。

A.通过技术手段规避不稳定流量:在Server选择退量时,就考虑关于流量稳定性指标,最大化避免不稳定流量;

1. 对流量的细分标记一定要做好。

B.Server方能够按照实时曝光的情况,更好的控制对于推送量的选择,优化退量逻辑;

你不做细分流量,怎么发现什么流量有问题呢?

C.设定媒体关于推送量质量和稳定性的KPI。

细分流量一般有两种方法,最常用的是link tag的方法(见我这篇文章:用Google
Analytics的Link
Tag深入了解流量来源的质量,拷贝这个URL在浏览器中阅读:

3-避免溢价过高,导致效果优化无法满足溢价,影响ROI的提升

另外一种方法,是直接给每个不同的流量不同的落地页,不想做不同页面的话,同一个页面不同URL即可。同样可以区分出不同的流量。这种方法用得少,但是在不能给流量做link
tag的时候,这个方法很解决问题。

这其实与流量质量控制有一定的共同点。因为媒介库存的不足,由于要求多推送量产生的对库存的挑战,也嫁接到了媒介价格层面;当媒体溢价已经超过了预估的可优化空间时,ROI也变为负值,这个状态下做PDB的意义是什么?如何避免溢价过高?或者直接不接受溢价过高的媒体?

2. 查看各个细分流量的用户行为。

应对策略:

这些行为已经不能只是透过简单的跳出率来查看了。原因看我这篇文章:时光流逝,互联网运营的经典指标还剩下几个?。

目前,各家媒体正在积极的探索关于库存上的优化,解决媒介库存压力,比如高差异品牌间推送量共享,PD模式的推广、信息流等新兴资源的价值认证等,为更好的程序化购买创造空间。

我们需要看更加具体的用户的行为,诸如点击的分布,设备的分布,地域的分布,时间的分布,互动时间与参与状况等。显然,大部分效果类的作弊,都很难真正的模拟人的行为,所以,发现作弊其实真正无敌的方法,就是看这些流量的行为是不是“真人”。没错,利用一定的方法,你肯定能分辨出来。具体看我这篇文章:信息流投放没效果?可能不是你自己的问题!,在这篇文章中,你会看到出现严重问题的流量是怎么被发现与证实的。

4-科学的PDB效果预估,高效提升iGRP&Reach:

3. 查看流量的行为演进过程。

目前大多数的PDB营销项目的预估都是媒介策划基于经验和常规预估制定的,没有考虑到媒体流量的实际分布,TA、控频等都分别需要一定的优化空间、DMP识别率及DMP准确率等数据,这些维度都会影响最终iGRP&Reach的实现情况。如何更科学更系统化的完善PDB的预估,甚至能结合常规购买做联合预估等,也需要更多的力量去探讨和实现。

作弊流量和低质量流量的共同特征,就是它们不会往交易的更深处“演进”。对于转化需要多个步骤完成的业态,这个方法尤为有用。这些流量集中在落地页,但是停留在这里,不再继续发展。这些流量背后一般不是机器,但垃圾无效流量较多。

如何实现科学的预估?利用能够将媒体流量的实际分布,TA、控频、以及DMP数据情况涵盖在媒介规划系统内,更好的了解PDB能够带来的提升,已最终决策溢价和ROI的平衡。

行为演进的细分与分析,还能够帮助我们发现一些客户端的劫持。典型特征是,当流量演进到购物车或者支付环节的时候,就不再继续进行下去了。而另外一些流量则莫名其妙的以购物车或者支付环节为落地页。

图片 5

不过,有一类效果作弊基本上没有办法能够被找出来,即互联网基础通信服务端发起的劫持。唉,当一个流量一出现的时候,就已经被人从头到尾改换了门庭,而且还是从互联网基础设施的角度改换的。那就真心没办法能查能堵了。正因为如此,这一类作弊,是目前效果类作弊的最严重的,屡禁不止呀(关键也没有任何强力机构会禁止这种抢钱行为)。虽然说你不能真正发现这类作弊,但还是可以“能感觉到”。比如,当你真的停掉那些ROI很差或者“毫无作为”的流量了以后,那些看起来本来很好的流量渠道也应声下降。

5-投放前期,多方沟通很重要

发现品牌类作弊

PDB营销中不仅涉及到常规的排期,还存在下单流程的区别,对于推送比、溢价等谈判因素的沟通。同时,常规购买中媒体的控频、TA优化等因素在PDB营销中也存在,而这部分的KPI是针对于推送量还是曝光结果,目前市场中还没有明确的定义,所以前期代理公司和PDB营销涉及到的多方沟通非常重要。

品牌类的作弊,按照AdMaster上面的数据,大约三分之一的流量有问题。

例如,无论在常规还是PDB投放中,项目策略中可能都会涉及到对媒体控频的要求。常规很好理解,直接通过最后的曝光监测数据中单媒体频次数据,来确定媒体是否做好了控频;而在PDB营销中,如果还是通过单媒体曝光的频次数据,其实是并不能直接判断媒体的控频。因为在PDB项目中,这并不是媒体的执行效果,而是由Server的进一步优化完成的。同时,如果KPI制定为曝光频次,当推送量中的媒体超频流量已经占了一部分比例,这时就会减少在推送量中Server原本对于跨媒体控频、TA的优化空间。因此,在PDB中,对媒体的控频要求更好的是需要针对推送量而非曝光。

品牌类的作弊的发现,较效果类要困难。直接原因,品牌类广告的目标是影响消费者的心智,而不是直接作用于消费者的行为。

2017年将会是程序化购买更趋向于成熟的一年。程序化交易模式日益得到广告主的认可,同时更多的程序化购买模式也会愈发丰富。购买方式方面,除了PDB外,PD、PMP等模式的扩展;广告形式方面,除视频外,更多的原生信息流、OTT等广告形式的增加;以及DMP方面,更多基于品牌第一方数据的定制化人群标签和受众模型的应用,都会是2017年程序化购买的重要推进和创新源泉。同时,随着更多的优质资源方、数据方的加入,如跨屏识别、品牌安全等也会开始更多的应用在PDB、PD等程序化购买上。AdMaster经过2016年一年的实践与经验,将进一步优化技术实力、跨屏打通能力和投放优化能力,更好的服务于飞速发展的程序化广告。

可是,直到今天,也没有什么特别有效且高效的方法去衡量消费者的心智变化。因此,品牌类广告的投放,在作弊方面天然“有优势”。

发现品牌类投放的作弊流量,主要有如下方法:

1. 查看Click和Impression的频次。

Click的点击频次应不高于1.1,而1.2以上基本上存在很大问题了。Impression的频次作为指针相对比较弱,但如果发现有局部IP普遍频次超过10,那么虚假的可能性也很大。

2.
与效果类类似,如果流量有落地(网站、app、小程序之类),那么查看流量的行为。

这一块,我经历了有很多有意思的故事。比如,早些年,某些垂直媒体贡献的流量极为巨大,但是跳出率极高。若干年后,有一些不明渠道的“运营商弹窗”流量,也是每天海量流量,但是却几乎没有任何在页面上的行为。

还有很多app的下载推广,app确实也下载了,可是从来没有见过激活。或者激活了,从来没有见过使用。这些都是典型的机器流量。

3. 利用第三方黑名单。

比如,AdMaster有这样的黑名单,在对广告进行监播的同时,会查看浏览广告或者点击广告的IP、device
ID、cookie等。这种方式目前也是主流的发现品牌端作弊的方式。

至于怎么知道这些IP、device
ID或者cookie后面的流量是作弊的,主要的原因在于,这些监测第三方收集的数据比广告主要多很多,因此,更容易察觉出异常的行为。

图片 6

图:上图是AdMaster的一个案例,关于作弊流量的cookie与IMEI号的特征

4. 借助具有公信力的第二方DMP。

如果能够拿到广告投放之后的覆盖人群的device
ID或者其他ID,那么你也可以将这些数据上传给阿里品牌数据银行或者腾讯DMP之类的第二方DMP(请注意,很多人认为他们是第三方DMP,但实际上中国基本上没有严格定义上的第三方DMP,如果大家感兴趣这个话题,欢迎到我这个课程上聊:宋星深度公开课:数据和大数据驱动的智能营销与运营(8月19日北京))。之后,你能看到这些人群的ID与第二方DMP的ID匹配率往往很低,而且就算有匹配,人群的数据也完全驴头不对马嘴。

5. 爬虫。

这个方法主要用来检查那些定向投放的视频广告是否“作弊”。简单讲,视频广告尽管一般不会提供固定的广告位保证,比如我要投放某个节目前面的前贴片,这种媒体是不会承诺的,但是媒体还是会承诺节目类型,比如投放在美剧,或者投放在社会新闻之类。不过,媒体不会提供具体的投放位置的URL。解决这个问题的方法很简单,第三方追踪广告投放环境(页面)的URL,并且分析这个URL页面具体的内容是否与承诺的节目类型的内容符合。

图片 7

上图:通过爬虫爬取投放广告的页面的内容,与实际承诺的投放定向内容相比较(来自AdMaster的案例)

这种方法其实对于程序化广告的投放基本上都是比较适用的,本质上程序化投放的品牌安全性也是来自于这种方法。

6. 移动端:利用其他硬件识别信息。

这个方法也需要第三方帮助,但是道理很简单:作弊设备不会随着人到处跑,因此它们的硬件识别信息,尤其是网络环境相关信息、LBS相关信息等,基本上处于永远不变化的状态。这样能够帮助发现可疑设备。

7. 反模拟器与反肉鸡流量。

另外一些作弊用的模拟器或者肉鸡之类。模拟器和肉鸡仍然是机器,因此,它们的行为与人的行为实在有太大的差别。但由于品牌广告的投放,有时候并不看受众的行为——只是为了获取曝光,那么这种情况下,仍然需要依赖于第三方帮助识别。第三方识别这些肉鸡的方法有几种,包括利用特征库做相似性学习(有点类似于机器学习,用现有的肉鸡库或者模拟器库里面的机器行为比对被测流量的行为),做这些流量的行为特征分析(第三方能够有一定的跨域追踪这些流量的能力)等。

总体看,随着流量进入下半场,流量的价格变得更贵,作弊的情况只会变得更加复杂,而不会更加简单。流量作弊识别已经不再是仅仅查看流量访问行为本身,而不得不通过技术把它们作为一个具有更长线行为的“人”来看待,方能知道它们原本“不是人”。返回搜狐,查看更多

责任编辑:

Post Author: admin

发表评论

电子邮件地址不会被公开。 必填项已用*标注