求女尊文<缠妻>包括所有番外~~ 番外至包子篇~ 难道没人有吗T^T

纠结的小飞酱《女装剑士》《女裝猛男》第一话【少女卷轴】
【自制/敏妍同框虐心】《只痛到今天为止》【中文字幕】
【TARA】皇冠那些现在听来依然好听到炸的歌曲
【T-ARA】皇冠那些现在听来依然好听到炸的歌曲(二)
【前辈教做人系列】二代女团究竟有多优秀能让粉丝和路人都念念不忘!少女时代、After School、F(x)
【咸恩静】我的女人叫截胡静
【PRISTIN 周洁琼 & 草莓少女】【蒙面歌王中字】《我不一样了》(原唱:HI SUHYUN)
【T-ara 咸恩静】【蒙面歌王】《R.P.G》(原唱:W & Whale) UP主: 三歲兔子吃樱桃
【EunYeon】“最好的在身边,最爱的在眼前”—“咸恩静X朴智妍”的情话故事(长期更新)
【T-ARA】【综艺】【补档重刷必备】09年出道臸今团综汇总(持更)
【T-ara】综艺 给儿童新生命 厨房杀手龙和披萨天才海 2012
Tara 百分满分综艺全收录 中字
【敏妍】(糖合集)minyeon的
【T-ARA】【综艺】100905 哈哈夢 Show E10 全场中字(孝敏、智妍、居丽、宝蓝、素妍、恩静)
【T-ara】明星金钟cut 天下壮士素妍拆台个人技王者海哥 101106
【T-ARA】四唱将-智妍孝敏恩静素妍-挑战千曲cut
TARA帶你去吃冰淇淋&日综高清中字
TARA震撼&最高清上海917饭拍20G全场版&让你感受一下军式应援的恐怖&上海演唱会160917
【T-ARA】【朴孝敏】【朴素妍】140929大國民脱口秀 你好 全场中字 (酒鬼敏上线)
【无理的同居】T-ara智妍&吴昶锡 【已完结】
【T-ARA】【综艺】【朴孝敏】【朴素妍】食神之路中字合集 您嘚小吃货已上线
种秀 恩静孝敏部分cut泪奔向
 【综艺】T-ara-欧洲游 -韩语中字
【T-ARA】【综艺】深夜TV演艺+演艺家中介 合集中字
朴智妍稀有粉色副本還是海哥心疼小恐龙
T-ara-开车了,要上吗

T-ARA 从没有公开的心酸一面 为你们骄傲
重要的是【T-ARA】还有我们,QUEEN'S忘不了她们
【jiyeon focus】天生的爱豆!一起来感受朴智妍的舞台魅力!(持续更新)
【T-ara】我的名字是什什么?莫莫莫呀
这是什么女团5A级名胜舞台!!你家爱豆这么A你怕了吗!!
TARA - 两倍速舞蹈挑战 恶整 居丽听了都想打人!咸演员缺席 我的名字
住手!你这个臭屁龙,不要总想着强吻我的夫人!龙居大法好
【TARA】服务区直播(智妍喂孝敏)出处完整视频

一个纹身一个喝酒没出事前多乖的人啊,出事后各个都变了那时候的海哥还不会喝酒,然而出事后整日借酒消愁
朴孝敏生日会视频中文字幕
【敏妍】 智妍直播 加孝敏评论中文翻译
【T-ARA】孝敏 素妍学芭蕾 夫人围观 有点高能
敏妍超甜back hug 温馨画面一览无余

全宝蓝-看岳父大人指导《那之后》
【T-ARA】190510酷我盘城应援视频在首尔地铁站上线

:让人中毒的朴孝敏 复古又性感的编舞 T-ara 《for you》
TARA—假酒害人系列一
TARA—假酒害囚系列二
TARA—假酒害人系列三
TARA—假酒害人系列四
TARA—假酒害人系列五
TARA—假酒害人系列六「真 · 疯子团」
【韩国经典女团系列】T-ARA篇:巅峰低谷浮沉10姩 真正的完颜歌谣界变色龙!
《搞笑一家人2》E044 智妍cut 中字
朴智妍的演技大赏【出道至现在演过的一些集锦】

【T-ara】喝了假酒的朴智龙大喊恩妍time 靜妈妈简直不要太宠小恐龙 170114

【T-ara】最喜欢看你们六个吵吵闹闹 S62
帅气又性感—Tara朴智妍的“致命暴击” —边笑边撩最为致命
恐龙宝朴智妍的致命矗拍
【孝敏+智妍】大海呀全是水 敏妍呀全是腿
【TARA-敏妍】toxic致命的毒药 南韩两大撩妹老司姬高撩高帅高可爱集合/舞蹈同框 不娶何撩系列!!
【樸孝敏】190524孝敏的露营生日party直播 说抖音很可爱

 當初出道前的隊長兼主唱智愛因為音樂風格退出,然後當初沒了主唱後楊智元當初是第二或領唱,覺得這樣出道會失敗所以也一起退了

这样的智妍你见过吗?
[T-ara]至今为止()所有专辑里的歌曲合辑等一个18年的完整皇冠!
【Tara】要玩吗?谎言(美到爆)

Tara特别舞台 CryCry 帅气红色小西装 夫人帅出新高度
【TARA】盘点完颜皇冠团经典名场面(个人向)
【T-ara 智妍】那些年龙崽子撩过的人-撒過的娇-发过的

【幕后花絮】~朴智妍我们之间幕后拍摄花絮! UP主: 冷烛无烟713
恩静&智妍 INS 直播连麦(有小彩蛋哦) UP主: 一生只爱皇冠团

————————————————————————————————
不断挑战IU底线的韩特 UP主: 似个人
IU之韩特的作死过程 UP主: 似个人
IU惹毛PD甩手不干了?万能知恩被开发! UP主: kew1802
【全宝蓝】年轻的时候好嫩宝蓝是越长越好看了
生日快乐!朴智妍,我爱你!
【搞笑】网瘾少女朴智妍这只粉色的臭屁龙要笑死我啦 哈哈哈哈

【T-ARA】海哥抽风助攻--恩静(mo)鸡大作战
【TARA】《Holiday》表白全世界最好的TARA十周年重新出道吧!

韩综【英雄豪杰】:朴智妍、劉仁娜、徐仁英、IU、朴嘉熙、李真、妮可、MC卢洪哲、MC李辉才。

Fin.K.L 14年后再合体 【露营俱乐部】中字全集(更新至E05.190811)【Camping Club】李孝利、玉珠铉、李真、成宥利

110916 李真成宥利 SBS电台《甜蜜的夜晚》

【T-ARA】翻唱过的一代元祖女团名曲

【T-ara】6位大佬的队内角色担当? 

【 自制中字 韩艺瑟】跟大明星┅起过史上最嗨万圣节 | 刷爆ins的吸血鬼家族魅惑女伯爵装扮是怎么完成的?
【RM】李瑶媛女王式命令 引发蚂蚱不满
李枖原(李瑶媛)演艺家中介

【姐姐的沙龙】E03 最新至191118 韩艺瑟

【河智苑X李枖原丨世真X妍珍】爱的魔法 少年代表nim追妻二三事

【安喜延/HaNi】大方得体女汉子;安哥,八字責任心很强,独自紧绷着自己解决问题。不喜欢站出来担保

哈尼的死亡日记;豪迈的口气
智妍很像】:更敏感,私下小男孩口头禅:阿拉索,莫呀大发,柯桥(对吧)辣炒年糕
有写【智妍哈尼cp文】想法

一般来说开发出来的ML模型还需偠不断地完善才能提供让人满意的结果。然而在很多场景例如在电子商务应用等多种实际环境中,单靠离线评估并不足以保证模型质量我们需要在生产期间对模型进行A/B测试,并据此做出模型更新决策

借助Amazon SageMaker,大家可以在端点之上运行多个生产模型变体轻松对ML模型执行A/B測试。这些生产模型变体可以分别对应由不同训练数据集、算法以及ML框架训练而成的ML模型再配合不同的云实例类型,即可建立起多种测試因素组合

Amazon SageMaker是一项全托管服务,能够将快速构建、训练以及部署机器学习(ML)模型的能力交付至每一位开发人员及数据科学家手中目湔,包括Intuit、Voodoo、ADP、Cerner、道琼斯以及Thomson Reuters在内的成千上万家客户都在使用Amazon SageMaker以减轻ML流程的运营负担在Amazon SageMaker的帮助下,我们可以在托管端点上部署自己的ML模型并实时获取推理结果。大家也可以通过Amazon CloudWatch轻松查看端点的性能指标、启用Autoscaling以根据流量变化自动扩展端点并在生产期间更新模型且不造荿任何可用性影响。

现在大家已经可以将实际流量分发至同一端点上的各个变种当中,并由Amazon SageMaker根据指定的分发方式在各变体之间分配推理鋶量对于希望控制发送至各个变体的流量的用户,这项功能有助于摆脱指向特定变体的请求路由操作显著简化实现流程。例如我们鈳能需要更新生产环境中的模型,并将部分流量定向至新模型以测试其与原有模型间的性能差异此外,在某些特定用例中我们也需要使用特定模型处理推理请求,并调用系统中的特定变体例如,大家可能希望测试并比较ML模型在不同客户群体中的性能表现并对来自客戶的请求做出进一步细分,将其中特定部分完全交由某一特定变体进行处理

而为了选择使用哪个变体处理推理请求,我们只需要在每项嶊理请求上添加TargetVariant标头即可由Amazon SageMaker保证由指定的变体处理该项请求。

SageMaker中的模型测试功能向生产环境发布新的模型版本前该团队会测试、比较並确定哪个版本更符合其安全性、隐私性以及业务需求。关于Alexa团队在客户安全与隐私保护方面的更多详细研究信息请参阅。

Alexa体验与设备團队软件开发经理Nathanael Teissier表示“Amazon SageMaker中提供的模型测试功能使我们得以测试隐私保护模型的最新版本,并保证这些模型都能符合我们在客户隐私方媔提出的最高标准作为一项新功能,SageMaker能够根据各项请求选择所需要的生产变体从而在无需修改当前设置的前提下为A/B测试的部署策略带來新的可能性。”

下文将向大家展示如何通过指向变体的流量分配与特定变体调用轻松在Amazon SageMaker当中对ML模型执行A/B测试。我们的测试模型已经配匼不同训练数据集完成训练且所有生产变体皆部署在Amazon SageMaker端点上。

在生产ML工作流当中数据科学家与工程师们经常尝试各种方式以改进现有模型,例如执行超参数调优或者引入更多或最新数据进行训练或改善特征选择等。而对新模型以及处理生产流量的旧模型上执行A/B测试往往是模型验证流程中的最后一个环节。在A/B测试中我们需要测试模型朱同变体,并比较各个变体的相对性能如果新版本带来的性能优於或者等同于原有版本,即可使用新模型替换新模型

Amazon SageMaker允许用户通过生产变体,在同一端点之后测试多种模型或者模型的多个版本每个嘟会标识一个ML模型以及托管该模型所对应的部署资源。我们可以为每个生产变体提供流量分配或者在各项请求中直接调用目标变体以将端点调用请求分配给多个生产变体。在以下各章节中我们将具体介绍测试ML模型的两种方法。

向各变体分配流量以测试模型

要通过向多个模型分配流量以测试各模型我们需要在端点配置中为各生产变体指定权重,从而规划路由至各个模型的流量百分比Amazon SageMaker会根据大家提供的具体权重,在各生产变体之间分配流量这也是生产变体在实际使用中的默认方式。下图所示详细介绍了整个测试流程的具体实现方式。请注意我们还应在每个推理响应中包含处理请求的变体名称。

通过调用各变体进行模型测试

要通过调用各变体进行模型测试我们需偠在请求当中设置TargetVariant标头。如果已经提供了权重并指定TargetVariant以分配流量则目标路由将覆盖掉原有流量分发方式。下图所示详细介绍了这种方法的运作方式。在这里我们在推理请求中调用ProductionVariant3,大家也可以同时在各项请求中调用不同的变体

本文将通过示例向大家介绍如何使用这項新功能。我们可以在Amazon SageMaker中使用Jupyter notebook以创建用于托管两套模型的端点(使用)两套模型皆通过Amazon SageMaker内置的XGBoost算法配合用于预测移动运营商客户流失的數据集训练而成。关于模型训练的更多详细信息请参阅。在以下用例中我们将使用同一数据集中的不同子集进行模型训练,并在各模型中使用不同的XGBoost算法版本

通过使用,大家也可以自己尝试整个过程我们可以在或者Amazon SageMaker notebook实例中实际运行。我们使用的数据集完全公开可用Daniel T. Larose也曾在《从数据中发现知识()》一书中提到这套数据集。作者称其为来自加州大学尔湾分校的机器学习数据集。

本次演练包含以下操作步骤:

  • 将推理流量导向您所选定的生产变体

首先,我们需要定义模型在Amazon Simple Storage Service(Amazon S3)中的位置在后续模型部署步骤当中,我们需要使用这些位置具体请参见以下代码:

接下来,使用容器镜像与模型数据创建模型对象我们可以将这些模型对象作为生产变体部署在端点之上。模型的具体设定可以匹配不同的数据集、不同算法、不同的ML框架以及不同的超参数设置。具体请参见以下代码:


 
创建2个生产变体每個变体都对应特定的模型与资源需求(即实例类型与数量)。要在2个变体之间平均分发推理请求请将二者的initial_weight设置为0.5,具体参见以下代码:


使用以下代码将这些生产变体部署在Amazon SageMaker端点上:





现在,我们可以将数据发送至此端点并实时获取推理结果在本文中,我们使用Amazon SageMaker支持的兩种方法进行模型测试:将流量分发至各变体以及调用特定变体。





Amazon SageMaker会根据用户在之前变体定义中配置的各项权重在端点上的生产变体の间分配流量。具体参见以下端点调用代码:


Amazon SageMaker会将各变体中的延迟及调用等指标提交至Amazon CloudWatch关于端点指标的完整列表,请参阅大家可以查詢Amazon CloudWatch以获取各变体的调用次数,了解默认情况下如何各变体接收到的调用量我们得出的结果应类似于下图:






以下用例使用新的Amazon SageMaker变体功能以調用特定变体。在具体操作中我们只需使用新参数定义希望调用的特定ProductionVariant即可。以下代码将在所有请求中调用Variant1大家也可以通过相同的流程调用其他变体:


要确认已经Variant1处理了所有新调用,请查询CloudWatch以获取每个变体的调用次数通过下图可以看到,Variant1已经完成了最近所有请求中的調用(最新时间戳)且不存在指向Variant2的调用。






下图评估了Variant1的准确率、精准率、召回率、F1得分以及ROC/AUC
下图评估了Variant2中的相同预测指标。





对于大哆数已定义的指标Variant2的效果都更好,因此大家可以选择它作为生产环境中的推理流量处理方案


将推理流量导向所选定的生产变体


现在,峩们已经确定了Variant2模型比Variant1效果更好接下来就是将更多流量转移至Variant2。


大家当然可以继续使用TargetVariant调用选定的变体但更简单的处理方法,是使用UpdateEndpointWeightsAndCapacities對分配给各变体的权重进行更新如此一来,无需修改端点即可更改指向各生产变体的流量分配


大家应该还记得,之前创建模型与端点配置时我们在变体权重中将流量分配比例设定为50/50。下图所示为指向各变体总调用数量的CloudWatch指标,我们可以由此看到各变体的调用模式









丅图中的CloudWatch指标为各变体的总调用次数,可以看到Variant2的调用次数明显高于Variant1



我们可以继续监控各项指标,并在某一变体的性能达到理想水平后將100%流量路由至该变体在本用例中,我们使用UpdateEndpointWeightsAndCapacities更新针对变体的流量分配将Variant1的权重设定为0.0,Variant2的权重设置为1.0如此一来,Amazon SageMaker将把所有推理请求100%發送至Variant2参见以下代码:


下图所示为针对各变体的总调用量CloudWatch指标,可以看到Variant2处理了所有推理请求而Variant1没有处理任何推理请求。



现在我们鈳以安全地更新端点,并将Variant1从端点中删除大家还可以向端点中添加新的变体,并参照本次演练中的各项步骤继续测试生产环境下的新模型





Amazon SageMaker可帮助用户在端点之上运行多个生产变体,从而轻松对生产环境中的ML模型进行A/B测试大家可以使用SageMaker提供的功能配合不同训练数据集、超参数、算法以及ML框架测试由此训练出的模型,了解它们在不同实例类型上的执行性能并将各项因素整合起来形成不同搭配。


我们还可鉯在端点上的各变体之间进行流量分配Amazon SageMaker会根据指定的分发方式将推理流量拆分并分发至各个变体。另外如果需要面向特定客户群体测試模型性能,则可通过SageMaker提供的TargetVariant标头指定负责处理特定推理请求的变体相应请求将被自由路由至您所指定的变体处。


关于A/B测试的更多详细信息请参阅。




一般来说开发出来的ML模型还需要不断地完善才能提供让人满意的结果。然而在很多场景例如在电子商务应用等多种实際环境中,单靠离线评估并不足以保证模型质量我们需要在生产期间对模型进行A/B测试,并据此做出模型更新决策

全篇分为以下几个部分阅读需偠约30-50分钟。

2)在线广告的本质是什么

3)在线广告市场是什么样的

4)在线广告产品的演进历程

5)在线广告中的经济学

6)在线广告的出价和计費模式

7) 番外篇:华为为什么要做广告服务

为什么需要认识在线广告

在线广告可以说是互联网最大的商业模式一般互联网企业中,广告收叺可能占到70-90%互联网凭借在线广告的收费模式为消费者提供免费的主营业务,这完全颠覆了传统行业以主营业务作为主要收入来源的认知我们可以说如果你想理解互联网的商业模式本质,那么有必要对在线广告业务一探究性

另一方面,在精细化营销的市场驱动下广告投放的精度越来越细,数据在广告业务中发挥着越来越重要的作用可以说大数据(注意是大数据,而非数据)技术的应用场景在广告领域得到了充分的实践检验并且已经形成规模化营收。

鉴于以上两点我们有理由相信,了解在线广告业务对于业务人员和技术人员都有著巨大的意义

放下电脑,稍作休息打开今日头条,随意翻一番新闻一则广告出现在眼前,是关于颈椎治疗的不由得感叹,“嘿還挺精准...”。

从一则广告被制作到它被投放到我们眼前,究竟发生了什么事情我们不妨来一起看看。

首先我们把投放广告的企业成為广告主,投放广告的地方成为媒体如果点开“今日头条”—“我的”,会发现一个“广告推广”的入口在这里你就可以作为广告主,往今日头条这个媒体上投放广告啦当然前提是,你得通过资质审核

制作一个广告可能只需要几分钟,简单来说分成四步:1、创建一個广告计划包括推广目标、预算等;2、创建一个广告任务,包括限定投放人群、出价方式等;3、接着设置你的广告内容包括产品介绍圖文、描述等。4、最后完成创建确认投放。这时只需要等待广告审核通过你的广告就会被自动投放出去。

接下来这个广告又是怎么被叧一个用户看到的呢

假设有一个30多岁住在北京的富二代小王,当他打开头条浏览信息的时候会使媒体端触发一个广告请求:“嘿~ 我这囿一个用户正在浏览网页,我们有个给他展示广告的机会请给我一个合适的广告"。这个请求会被发往一个叫做“广告交易中心(Ad exchange)”的哋方交易中心时刻在接受着来自不同媒体的广告请求。

接下来广告交易中心会再次把这个请求广播给许许多多的“广告投放平台(DSP)”,这里面就包括存储了之前创建好的那则广告的DSP

DSP接受到了请求,判断这个人是不是广告主的目标人群如果恰好保时捷打算投放一则汽车广告,刚好也在寻找北京高收入年轻人这样的群体来投放广告那么一拍即合,立即回应交易中心:“好的我愿意出价8块钱来购买這次广告曝光的机会”。与此同时交易中心也受到了来自其他DSP的报价,有人出5块、有人出3块

交易中心把这些回应请求的广告主按照价格从高到低的顺序排列,并把出价最高的一方作为此次赢得投放机会的中标者中标者在确认自己赢得这次投放机会之后,就把事先准备恏的广告内容发给交易中心交易中把广告内容和投放的广告位进行组装,再最终返回给媒体这样一来,一则保时捷的汽车广告就最终茬小王的App上显示了出来

广告投放链路 - 交易端

广告投放链路 - 全景

以上就是广告投放的一个完整链路,当然我进行了大幅简化省去了很多細节。可以看到这个过程中有以下几个关键词:

1. 自动化:整个过程完全是自动化的,我们虽然解释了很多但其实上面整个的投放过程其实发生在100ms以内。

2. 定向:投放是精准化的 根据从用户那里采集到的一些隐私数据,可以准确地将合适的广告发给合适的人

3. 竞价:广告與广告之间通过某种竞价机制来争夺投放机会。

4. 频次控制:通过控制广告展示的次数可以有效平衡消费者、平台和广告主之间的利益。

5.原生广告:从最终广告的展现效果来看它藏于app信息流之中在不经意间把想要传递的信息传递出去。

我们把这些关键词稍作整合就可以給在线广告下一个定义。

在线广告其实就是把合适的内容、以合适的方式和合适的程度,高效地投放给合适的人并根据反馈不断重复。

以上我们从具象的视角来跟大家一起走查了一遍广告投放的过程,让大家对于"广告是什么”有个直观的了解。接下来我们进入抽潒领域,进一步追问在线广告的本质又是什么呢?

为了回答这个问题我们需要换一个视角来看待广告。

广告中的出价、竞价很容易让囚联想到交易行为如果把广告看做是一种交易行为,那么广告交易的对象即商品,它是什么呢这个商品又有什么样的特质?

我给出鉯下的答案来跟大家一起探讨:

广告是关于流量的交易,而流量是持续提供触达能力的媒介而触达是商品使用价值的转移。

1. 【什么是價值】商品的使用价值是指它满足需求的程度通过商品交换来让渡使用价值,这构成了经济关系

2. 【什么是触达】触达是使用价值的转迻,从商品完成生产到通过营销曝光给消费者,这之间的过程便是触达的过程

【什么是流量】流量是持续提供触达能力的媒介。其中歭续触达是互联网区别于传统企业的核心能力差异这也是为什么我们在谈论互联网产品的时候往往离不开谈论流量。触达能力则强调鋶量本质上是一种以能力为主导的商品。广告主购买流量不是为了买个管道而是为了通过管道带来用户和业务。所以如何结合流量商品提供更好的赋能服务于广告主这是需要考量的。最后媒介体现了流量的依赖性如果不讨论流量所承载的内容,来单独讨论流量的价值这样是不妥的。

流量是商品广告是关于流量的交易市场,那么我们就来看看这个交易市场有什么规律

流量是如何被交易的 - 流量的生產过程jiao

1. 流量的生产过程,总体而言是先扩量、再切分

我们把媒体生产流量的过程,比作一个老农采摘水果、制作水果篮的过程一位老農,一开始一天只能采摘一篮子水果但为了提高收入,老农鼓动了几个人帮他一起这样一来,一天能采摘4筐水果收入翻番。但是这樣还是不够养家糊口老农想了好办法。之前一筐水果里什么样种类的水果都有,而且质量参差不齐既有特别好的,又有差的现在,老农把这些水果都分了个类一筐装苹果、一筐装菠萝、一筐是质量好的葡萄、一筐是质量稍差点的葡萄。这样有些喜欢苹果的顾客就鈳以只买苹果有些喜欢菠萝的就只买菠萝,而且可以把质量高的高价卖出去质量低的也不愁,卖便宜点也能卖出去

这样虽然卖出去嘚水果总量没变,但是平均而言单价提高了不少,收入也得到了提升

每个水果就像是一笔单位流量,它代表着面向用户的一次触达莋为媒体方而言,总是希望先积累起来足够多的活跃用户拥有足够多的流量,这样可以吸引广告主来自己的平台采买流量而为了进一步提升收入,媒体方会将自己平台上的流量进行精细化切分以便支持广告主的个性化需求,让他们进行精细化的采买精细化带来了流量质量的提升,同时单价和收入也自然提升了

流量是如何被交易的 - 流量的售卖过程

2. 流量的售卖过程,总体而言是先批发、再零售

我们繼续以售卖水果为例。在售卖的时候果农总是希望把尽可能多的水果卖出去,因此一些不太在意质量而更在意采购总量的买主会得到果农的偏好。果农希望优先把大批量的水果卖给这些也同时希望大批量采购的批发商

但渐渐地,果农发现市场上也有一些人他们对于采购数量没有太多要求,反倒特别在意水果的质量而且往往只买自己喜欢吃的水果。如果把各种各样的水果一篮子卖给他们反倒没人願意要。

于是聪明的果农把批发商采购之后剩下的水果,仔细地分门别类按照种类和质量分别售卖,很快也都卖出去了

流量售卖跟賣水果是类似的,也分批发和零售一些品牌广告主,营销预算充沛他们为了增强自己品牌的曝光度,吸引潜在客群往往投入大量预算到品牌广告上,这些品牌广告更加注重广告覆盖的广度而没有那么在意转化率。这种方式的交易就类似于批发

而一些中小广告主,往往没有充足的资金来进行大量的广告投放对于他们而言,如果能用较少的钱获得更高的广告效果那便是最好的。所以对于中小广告主,他们更偏爱效果广告——每次投放都期望能够带来转化比如用户看了广告就下载推广的APP,下单推广的商品这种方式的交易就类姒于零售。

在流量交易的过程中我们发现:

1. 流量的生产边际成本趋于零。生产越多的流量则再生产更多流量所需的成本就会越来越小,最终趋于零流量来自于媒体链接的用户,当一个媒体拥有10个用户时再去获取100个用户,这不是一件容易的事但是当一个媒体拥有100万嘚用户时,再去获取100个用户所需成本就几乎为零。

2. 流量的库存成本为零由于单位流量,也就是一则广告的“一次触达”有效期可能只囿几秒钟时间如果用户关注到了广告,那么这次触达产生了价值如果用户没有关注到,那么这次触达就立刻失效所以我们无法保存“广告的触达”。对于流量这种商品而言它的库存成本为零,因为它根本就没法被存下来

3. 流量越细分,质量越高细分的流量意味着,广告主可以精准投放自己的广告到自己想要的目标人群上那么对于广告主而言,这个流量的价值也就更大质量也就更高。

流量越细汾质量的不确定性越高。流量的质量本质上是个概率事件如果有一股流量覆盖100个用户,往这个流量上投放广告最终从概率上统计其Φ会有50个用户产生转化。那么我们把这个流量的质量记为50分,并且这个流量质量为50分的概率是100%但是如果我们把这股流量再拆分成100份,烸份对应1个用户那么每个用户产生转化的不确定性就会更高。也就是说或许单股流量的质量分会更高,但是实际达到这么高的质量分嘚概率会更低

5. 流量越细分保质期越短。对于一个路边广告牌的流量来说可能每天覆盖1万人,有效期(展示时间)能长达1个月但是对於一个,响应某个用户前端请求的在线广告来说它展示的时间或许只有1秒钟。

6. 流量获取的边际效用不会递减一般的商品买的越多,效鼡越低比如,一个饥肠辘辘的人买了一个包子吃,这个包子带给他的满足感是极大的但是买第二个的时候,满足感有所降低再到買第五个的时候,就觉得撑得慌几乎没什么满足感了,这就是边际效用递减而对于广告来说,广告主永远不会担心转化的用户太多采买的流量越多,就有越多可能发生转化的用户就能带来越多的业务收入。

基于流量所具备的以上特点可以推测出广告主和媒体在流量交易市场中的利益诉求。

1. 媒体总是期望尽可能地生成更多的流量售卖更多的流浪来获得收入,而不用考虑生产成本或者卖不出去的库存问题

2. 广告主总是期望尽可能地采买更多流量,而不用担心流量会贬值

3. 由于以上两点,交易数量会趋于饱和在交易数量逐渐饱和的基础之上,媒体和广告主都希望尽可能地提升单位流量的质量来提升广告主收益或者媒体方利润。

4. 为了提升流量质量需要不断对流量進行切分。而切分会造成不确定性增加交易风险增加。因此买卖双方都期望规避风险并在规避风险的过程中,相互博弈

这便是广告市场 —— 一个多方角色在追逐高风险、高收益的细分流量过程中,不断进行大规模、多次博弈交易市场

聊完了在线广告和在线广告市場,我们接下来看看在线广告产品都有哪些它们的发展历程是什么样的?

同样地我们尝试换一种视角来看产品。以往我们把产品看做昰一种能够被商业化的价值主张从用户痛点的视角出发来看待产品。现在不妨换个视角

如果说,产品本质上是在构建一种交易场景那么多种多样的产品其实就是对交易场景的演进和改良。

在交易场景的视角下我们关注的是交易场景中的要素,包括:交易速度、交易風险、交易触发方式、交易约束条件、交易成本和利润、交易效用、卖方、买方

如果纵观广告产品的发展历程,可以明显看到各种广告產品的诞生其本质上是交易要素不断被改良。

让我们回到1994年10月27日,美国通信巨头AT&T在(一个无线杂志网站)投下了史上第一个在线banner广告当时AT&T为該广告支付了$30,000,投放是以CPD(cost per day)的形式为期3个月。广告的点击率高达44%从此掀起了互联网广告革命的浪潮。

这算是第一条在线广告相比传统廣告使用传统物料在广告牌、电视、大众媒体等地方,约定时段和版位来买断流量这时候的在线广告本质上只是把线下广告照搬到了线仩。通过在页面上插入一段静态的广告内容HTML来展现广告并且这时候的广告跟传统广告一样,采用签订合约的方式广告主买断一段时间嘚banner广告位,独享这段时间的流量

随着越来越多的广告主开始尝试在互联网上投放广告,媒体也在琢磨如何能进一步的提升广告收入这時,广告主的思路发生了第一次重要的变化他们开始意识到互联网的不同之处。如果网页可以根据用户的不同而展示不同内容的广告那么不就可以利用一个广告位来收取两份钱。给男性用户展示飞利浦的剃须刀广告;给女性用户,展示香奈儿的香水广告利用同一个廣告位,同时满足了飞利浦和香奈儿双方广告主的需求

这时的广告产品,称之为定向广告

定向广告因为按照人群划分了流量,所以如果继续按照时间来采购广告主无法专享某个时段的广告,广告主显然不会答应于是,交易方式发生了变化从买断时间变成买断曝光數。媒体方跟广告主签订一份合约约定媒体方会保证广告主所选人群下的广告曝光量达到某一数值,如果曝光量不够则媒体需要赔偿廣告主。

在定向广告的形态下媒体方承担流量分配的责任,既保证每个广告主的广告能够投放到其所选人群下又能保证广告主签订的曝光量能够达标。

但是随着选择定向广告的广告主越来越多,定向越来越细多个人群覆盖用户交叉的情况也会越来越多,这对于媒体方而言是很大的技术挑战;另一方面定向虽然越来越细,但是仍然无法满足所有广告主的个性化定向需求对于媒体方而言,流量切的樾细倒有可能卖不出去。所以一种新的广告产品的诞生势在必行。

随着互联网搜索引擎的繁荣在线广告再一次得到飞速发展。而这褙后引擎便是——竞价广告

突破了合约的限制,竞价广告创新式地抛弃了对于流量数量的担保而把精力放到了质量上也就是说,媒体鈈再向广告主承诺曝光次数而是把每个定向人群开放出来,让广告主之间通过竞价的方式来争夺这一个人群的投放机会对于搜索广告洏言,每个搜索关键词其实就是一个定向人群的标签通过售卖关键词,让各个广告主对关键词出价来简化媒体方的流量分配问题。媒體只用关注谁最后赢得了投放机会以及把相应的广告内容投放到对应的广告位即可。

但另一方面广告交易的复杂度其实并没有减少,呮是从媒体端转移到了交易端和投放端投放端现在开始需要关注如何帮助广告主预估流量质量、合理出价、个性化选择定向人群;交易端需要开始关注如何建立合适的竞价机制、如何对不同出价的广告主进行匹配、筛选和排序。这些都依赖于大数据和算法的应用才得以实現

广告产品进化到竞价广告阶段时,已经把广告市场带入了全新的领域得益于流量的不断切分和流量交易场景的开放,越来越多的中尛广告主和媒体方也都涌入市场当中整体上增加了广告市场的规模。竞价广告产品所依赖的精准投放、自动化投放技术都得到了长足发展

但是,天花板还远远没有达到广告主的需求还是有很多没有被满足。比如除了按照已经定义好的用户划分来购买,还要进一步提供广告主自行选择流量和在每次展示上独立出价的能力竞价广告需要再往前迈进一步。

为了能满足广告主不断精准的投放需求广告产品需要从提前按照人群出价,变成询价、出价和竞价在展示时实时进行这就诞生了RTB实时竞价广告。

实时竞价广告相比一般竞价广告更加嘚开放、更加得精准可以面向每一次用户前端请求,单独出价这也成为了现在在线广告市场上份量越来越重的广告产品。

各广告产品茬交易要素上的变化趋势

综上所述我们可以从各个交易要素的维度,总结出广告产品的宏观变化注意,当我们说从一个产品形态演进箌新的产品形态时新型广告产品的加入,并不意味着旧的广告产品被完全替代实际上,当前的广告市场正是一个百花齐放的状态各種各样的广告产品同时存在于这个市场之中,以满足不同利益相关方的需求

广告市场在从计划经济走向市场经济。我们可以拿股市作为類比美国13家证券交易所加起来,每天大约有5000万笔交易然而,还有另一个每天处理数百亿笔交易的数字市场它的复杂性让纳斯达克看起来像一个一个水果摊,这个新型数字市场就是——在线广告市场

如果说,在线广告是一个多方角色在追逐高风险、高收益的细分流量過程中不断进行大规模、多次博弈交易市场。那么我们有必要探究一下这个交易市场的核心——竞价机制。

2002年谷歌董事长施密特邀请加州大学伯克利分校信息学院院长范里安加入谷歌出任首席经济学家,你可能会疑惑当时还是一个不到200人的创业公司谷歌专门请一個经济学家做什么?

事实上这位杰出的经济学家的一个重要工作就是设计谷歌广告的拍卖机制,在加入谷歌之前这位经济学教授出版過《信息规则:网络经济的策略指导》一书(强烈推荐),专门研究网络经济行为的影响他入职谷歌之后,一方面推动谷歌全面向竞价廣告转型一方面开创性地推动了谷歌使用GSP(广义第二价格)作为竞价机制。

谷歌所采用的GSP来源于诺贝尔经济学奖得主——维克利所发明嘚一种拍卖方式:“第二密封价格竞价”

在介绍“第二密封价格”之前,先来看看几种典型的拍卖方式

拍卖理论中的四种典型拍卖方式

现在的问题是,什么样的拍卖方式是好的方式在线广告应该选择什么样的拍卖机制?

一个好的拍卖应该符合两个标准:

帕累托最优描述的是一种资源最优化配置的状态在帕累托最优的条件下,如果想要参与资源分配的其中一方获得更大的利益,就必然使另一方利益受损

比如,有A、B两个小朋友A喜欢吃饺子而讨厌包子;B喜欢吃包子而讨厌饺子,现在有5个包子和5个饺子那么如何分配才能达到帕累托朂优呢?答案是:把5个饺子给A5个包子给B。其他的情况都无法达到帕累托最优比如4个饺子+1个包子给A,4个包子+1个饺子给B那么如果把A的一個包子给B,B的一个饺子给A对于A和B而言,双方都将获益显然这就不是一个最优的资源分配方式。

对于广告市场而言按照帕累托最优的方式来分配资源,可以使得整个市场的利益最大化

在一个策略组合上,当所有其他人都不改变策略时没有人会改变自己的策略,则该筞略组合就是一个纳什均衡关于这一点,详细的例子可以参考非常有名的

对于广告市场而言,纳什均衡意味着最合适的广告主始终能竞得最适合的流量。

接下来我们看看哪种拍卖方式对于在线广告来说,是更好地达成“帕累托最优”和“纳什均衡”的

英式拍卖和荷兰式拍卖都要求公开出价,但是广告主往往不愿意公开自己的价格所以这两种方式显然不妥。密封第一价格是我们非常熟悉的方式外包项目的竞标往往采取这种方式。它的出价并不公开看起来似乎适用于竞价广告。

如果采用密封第一价格我们来模拟一下竞价过程。A、B两个广告主都在竞争一个流量A的心理价位上限是5元,B的心理价位上限是7元

第一次竞价,A先出价2元B没有出价,A获胜

第二次,A仍嘫出价2元但是这次B发现了这个流量也加入了竞价,B出价3元第二次B获胜。

第三次A知道有人加入并出了更高的价格,所以这次A打算也抬高价格到4元这次A又获胜了。

第四次B也抬高了价格,B再次获胜

这样,A、B双方不断竞争抬高价格直到价格达到了A的心理价位上限5元,A鈈愿意再继续加价了于是,B以6元成了最终赢家但是随着时间的推移,B发现每次都是自己胜出于是开始试探着降低自己的出价。出价4え时中标。3元、2元都还是中标中标价格又回到了之前的初始状态。

A看到中标价格又变回了之前的低价状态于是又开心地加入了这场競争,最终历史又再次上演

整个过程,我们看到是一个起起伏伏的过程中标价格非常不稳定,并且中标者有50%的几率都不是愿意出价最高的B

这便是「密封第一价格」的弊端,本质上它并非纳什均衡(这已经被数学家证明过)

「密封第二价格」很好地解决了这个问题。峩们再次模拟一下竞价过程

前面几次的竞价过程没有变化,我们直接跳过关键来到中标价格峰值,也就是B出价6元的时候此时B心想,呮要我能中标我实际付出的价格是第二名的价格,而第二名的价格是我决定不了的如果我降低出价,不会让我的实际付费减少而且會增加我无法中标的风险,那么我为什么要降价呢

所以,这里B的策略发生了明显变化对B而言的最优策略变成了:始终按照自己心里预期的最高价格出价。

「密封第二价格」的聪明之处在于能够让每个参与竞标的人,始终按照自己真实的心理预期上限来出价而不会刻意降低价格。

在线广告采取「密封第二价格」很好地解决了交易价格不稳定的问题并且除了初始竞价阶段,流量资源始终会分配给愿意絀价最高的人

搞清楚了广告竞拍的机制之后,我们来看看应用GSP之后,广告主具体如何进行出价和结算

流量拍卖时,出价往往有多种方式最常见的包括:按照展示出价和按照点击出价。按照展示出价意味着对于每次广告曝光,广告主愿意花费多少钱来购买这次曝光嘚机会按照点击,则是广告主愿意花费多少钱来购买用户的一次点击两种方式分别被称为CPM(Cost Per Millie,每千次展示成本)和CPC(Cost Per Click每次点击成本)。

这时出现一个问题如果同一个流量被两个广告主竞争,但是一个是CPM出价、一个是CPC出价两者单位都不一样,那么交易平台该如何比價判断孰高孰低呢?

对于交易平台而言不论用何种出价方式,都需要根据该出价来估算出这个流量对于广告主而言的千次展示有效成夲是多少也就是eCPM(effective Cost Per Millie)。eCPM代表着广告想要获得1000次曝光机会,所愿意付出的费用显然某个广告主的eCPM越高,该广告主在竞价队列的排位就樾靠前最高的eCPM广告主将获得最终的曝光机会。

eCPM通过这种方式将不同的出价拉到同一个起跑线上公平竞争。以下便是各种出价的eCPM计算方式

各种类型的出价和计费方式

CPC、CPM的出价点和计费点是一致的,即按照曝光计价也就按照曝光收费按照点击计价也就按照点击收费。如果一个CPC广告主赢得了某次曝光机会但是用户并没有点击,则该次曝光也不会计算费用但是,还有一种较为先进的出价方式即oCPC(optimized Cost Per Click)。這种出价方式出价点和计费点是分离的,即广告主可以按照转化出价但是仍然按照点击计费。这样的好处在于一方面按照转化出价讓广告主的转化成本更加可控,另一方面按照点击计费也降低了平台的收入风险

从上面公式可以看到,CPC在计算eCPM时需要预估点击率而oCPC和oCPM鈈仅需要预估点击率还需要预估转化率,如果点击率和转化率预估的不准将会直接影响竞价排名的结果最终也会影响到广告平台的收入,所以点击率和转化率的预估一直是广告系统的核心技术之一

除了CPM、CPC、oCPM、oCPC,还有CPI、CPA等各种各样的出价和计费方式之所以广告产品有如此众多的出价、计费方式,其实是因为之前提到的流量交易本质是一种有风险的期货交易,交易发生在流量生产之前所以买卖双方为叻规避这种风险,便在其中不断博弈产生了各种各样的交易方式

总的来说,从CPM到CPC、oCPC再到CPI、CPA出价和计费点越靠近转化,对于广告主而言荿本越可控、风险越低从发展趋势来看,广告市场像其他绝大部分市场一样也逐渐从卖方市场变成买房市场。交易风险越来越多地被廣告平台所承担广告主不用再像以前那样忧心忡忡——“我知道有一般预算浪费了,可是却不知道是哪一半”现在广告平台利用大数據和算法,承担起了绝大部分转化效果预估的职责

未来可见的是,广告主在投放时会变得越来越便利、越来越简单不用再去测算转化荿本、甚至不用再去测试定向人群,只要给出资金预算和期望转化成本剩下的一切就交给算法吧。

至此我们已经基本聊到在线广告的商业本质、产品形态、交易模式等最核心的问题。我一直在尝试用市场的视角来解释在线广告而没有拘泥于具体的比如DSP、Ad Exchange、SSP、DMP之类的广告技术产品的细节,是为了跟大家一起探讨在线广告的本质

在线广告是一个年轻的领域,其中的技术和产品日异月新我试图在这不断嘚变化之中找到相对稳定不变的本质。

这篇文章或许对于正在从事广告领域的产品项目没有直接的指导意义,但是还是希望能:1、点燃夶家对于在线广告的兴趣;2、帮助大家从其他领域看到在线广告的影子

*注:以下内容皆来自华为对外公开信息。

这要从华为提出的HMS生态戰略说起

在2020年的开发者大会上,华为CBG总裁余承东提出了软硬件齐驱构筑全场景智慧生态的战略。其中软件应用生态HMS(Huawei Mobile Service)包括了以下幾个部分:

简单来说,HMS通过向生态中的开发者提供软硬件开发能力来帮助他们低成本、快速地构建自己的应用,上架到华为应用市场当Φ

如何理解生态?这篇文章里面很形象地解释了生态思维的内涵我在这里再稍加总结,在我看来:

生态思维——是构建网络经济的一種思维方式

它通过多元化、连接流通、价值共享、编排引导、开放共创的方式来构建新的网络经济模式

所以 Huawei Ads 就是华为将自身广告服务能仂提炼并对外开放,帮助网络中的其他开发者们进行商业变现对于华为而言,广告服务本身带来的收入并非核心要素毕竟广告只占了華为收入的很小一部分。更多的在于通过广告服务可以链接广告主、App开发者和用户,形成网络价值链帮助实现生态战略。

华为HMS生态中約有180万开发者9.6万个三方应用。如何更好地服务于这些开发者们如何吸引更多的企业加入联盟,如何让更多的第三方应用可以上架到华為应用市场这些是华为生态战略需要关注的。

一个企业在选择加入新的网络时会考虑两方面因素:转移成本和网络价值。

从以往的GMS(Google Mobile Service)转移到HMS这并不是一件容易的事。华为通过类似像Ads kit的快速集成技术大幅降低开发者的开发成本。只要简单集成Ads kit开发者的App就可以承载廣告主投放的广告内容。除了广告服务之外华为还提出了地图服务、支付服务、搜索服务、浏览器服务,并将这些服务称之为五大根服務引擎通过这五大根服务引擎,最大程度上开放开发者所需的核心能力降低开发者接入HMS网络的成本。

除了接入成本开发者也会关注噺网络所能带来的价值。以广告服务为例华为在初期为了吸引开发者入驻,提出了1:9分成模式也就是说,开发者App通过展示广告主的广告鈳以获得收入其中90%为自己所有,华为只分成10%这相比GMS 3:7的分成模式,可以说大大让利于开发者

另外华为作为媒体方,通过1+8+N的终端设备連接了3.8亿的国内、海外消费者。这对于广告主而言意味着巨大的流量吸引外部广告主来到Huawei Ads上来投放广告。广告主越多广告业务越大,對于App开发者而言平台的变现能力也就越强。这也成为吸引开发者加入网络的重要因素

一个好的网络平台,需要充分权衡网络成员之间嘚利益关系华为Ads的品牌定位是“all about quality”,不单一以广告主、开发者、消费者利益为驱动而是充分考虑三者利益间的权衡。以用户体验为核惢共同打造一个更健康、更有品质的广告生态。

综上所述广告服务是每一个互联网App开发者所依赖服务,依靠广告服务开发者才能实现商业变现所以华为需要开放自己的广告服务能力提供给开发者们,以此来吸引开发者的加入打造HMS生态。

以上我们解释了为什么华为要夶力发展广告服务平台其中的核心逻辑在于华为要打造HMS生态。生态战略最近已经成为炙手可热的概念那么不禁要追问,为什么不论是傳统企业还是互联网企业都对网络经济趋之若鹜呢

2019年中美互联网巨头收入情况

我们来看一组数据——「2019年中美互联网巨头的主要收入来源」。可以看到这些企业具备这样的特点最大收入来源主要集中在——广告、增值服务、佣金。这些收入依赖于流量而非主营业务本身。这些企业本身持有巨大流量同时仍然都在持续不断地、快速地、大规模地抢夺新的流量。

对流量的不遗余力的争取在于这些企业嘚本质以及成功的原因都包含一种元素——网络经济效应。

1. 需求侧的规模效应

经济学美特卡夫发现类比于传统经济模式的供给侧规模效應,网络经济在需求侧也具备规模效应一个网络中的用户越多,则这个网络对于外部用户的价值越大比如,网络游戏参与游戏的玩镓越多,这个游戏对于其他人来说就越好玩在使用外卖时,某个平台的外卖员越多意味着我能更快的拿到外卖。在使用社交产品时囿越多的用户使用,这个产品就越吸引人网络中的参与者越多,这个网络对于外部的角色来说就越大

另外一方面,除了需求侧规模效應(有时也叫正外部性)网络也存在正反馈效应。一个用户选择加入某个网络往往产品和体验本身只是占了一部分因素,另外一部分主要因素是使用这个产品的人数没有用户会愿意同时使用两个不同的通讯产品来和别人沟通,如果身边的人都在使用其中一种产品那麼该用户也自然会放弃另外一种产品。

用户是否加入网略似乎取决于用户对于该网络中人数增长的预期。如果用户预期一个产品会普及洏加入那么该产品就会成为流行,从而形成良性循环用户的预期最终将被证明是正确的。

如果用户预期一个产品会惨败便不会加入。那么该产品的用户就会逐渐流失从而形成恶性循环,用户的预期最终再次被证明是争取的。

处于网络经济生态中的商业体会面临强鍺愈强、弱者愈弱的局面这便是正反馈效应,它也解释了互联网企业容易形成垄断的原因

以上对网络效应的解释,相信让大家理解了網络经济的强大之处作为消费者的我们,每个人最终都会被卷入某个网络之中只是说,卷入哪个网络

华为和其他传统企业,不遗余仂地构建网络无非是想跟互联网企业争夺网络的入口。当然也是为了能够在市场中某个主导性网络(GMS)对其孤立和拒绝时,能够活下詓

最后用一幅图来串联解释,华为为什么要做广告服务

我要回帖

更多关于 冥王缠妻 的文章

 

随机推荐