隨著程序化購買規模的快速增長，DSP已經從概念化階段發展成為具有規范化考核目標的市場標配產品服務。然而，目前的DSP市場魚龍混雜，在各家DSP都可以標準化對接流量交易平臺（Exchange），進行廣告投放的情況下，算法和數據即成為DSP最核心的競爭力，它們從本質上構成了在相同資源約束下DSP達成更優KPI的邏輯支撐點。

　　事實上，算法和數據是DSP看不到的底層結構，它們的價值主要體現在三個方面：一是為廣告主精準識別和觸達用戶，二是需要對用戶的價值進行準確的預估，三是按其需求認知階段選擇好打動TA的營銷信息。解決了這三個問題，就能讓廣告預算進行合理分配，從而達到優化廣告投放的效果。

　　算法和數據的場景應用

　　通常，DSP中算法和數據發揮效力主要體現在一下幾個場景：

　　首先，要在浩瀚的互聯網資源市場中找到目標用戶（TA）。以母嬰行業為例，營銷過程中有兩個難點待解決，一是用可信邏輯確認你找到的“母嬰”用戶的確是“母嬰”人群，二是“母嬰”人群在不同渠道不同媒介之間的統一識別能力。理想情況下，每個標簽人群集是DSP算法根據用戶的互聯網行為建立模型，然后通過可信Panel庫進行驗證迭代優化模型的持續過程。所以DSP基于完整的用戶行為和可信panel庫，建立可信的需求判斷模型，是構建“可信”標簽用戶關鍵點。

　　最實用的Panel庫就是客戶的第一方數據，包括線下會員信息或線上廣告投放的收集到的轉化信息（理論上客戶在各電商平臺的購買用戶群均應該為自身資產）。例如，YOYI標簽體系中分為興趣標簽和購買意向兩種不同需求層級的受眾，對應地，我們會參考用戶在官網行為特征，判定出用戶的不同需求層級，以此作為建模檢驗標準之一。

　　同時，YOYI一方面接入了國內市場上幾乎全部交易平臺和主流媒體的流量，大面積覆蓋用戶互聯網行為；另一方面，我們融合用戶的自然行為和廣告行為，從用戶角度來分析，只要發生實際的瀏覽和點擊行為，就是用戶對信息感興趣的一種體現，并不嚴格區分信息是自然信息還是廣告信息。以上兩點讓YOYI能夠全面還原用戶的互聯網行為軌跡。

　　完整用戶行為軌跡保證模型可用特征完備、特征取值準確；豐富的第一方Panel數據，為模型訓練提供真實有效的訓練和驗證集合，這兩點共同保證了用戶判斷模型的有效性。實際操作中，根據用戶行為的所在場景、媒介、時間、頻次、瀏覽時長、搜索、點擊廣告、瀏覽廣告等所有行為進行特征分類和特征抽取，訓練用戶需求階段性行為模型，以進行標簽建模。這樣我們能對用戶的需求和需求層級做出更為準確的判斷。

　　同時，對目標用戶進行多渠道統一識別是技術需要解決的另一個問題，目前有機會大規模完成互聯網PC和移動端統一ID識別的只有同時擁有大體量移動和PC用戶的巨頭公司，讓DSP可以較容易地跨越這個問題。但是在國內目前尚未有大體量的統一跨屏ID標準化服務，所以需要DSP構建自己的多屏統一ID體系。YOYI的做法是自己構建跨屏用戶識別算法，再以市場上比較標準的第三方跨屏ID作為訓練集進行優化驗證。例如，同一個人在PC和移動上，wifi接入、地理位置、行為軌跡、觸媒習慣都會有一些相似性，這些是構建統一ID算法的基礎。大規模數據的機器學習算法和人工規則結合起來，可以從很多維度去解構數據和認識數據，從而解決規律不明顯和行為不連貫的問題。對用戶在PC、移動、以及PC和移動的交叉維度進行特征抽取和建模，訓練出統一ID模型，以標準第三方的跨屏ID作為評測標準，準確率達到了可用的程度。

　　其次，要分析目標用戶的價值強弱，并不是每個絕對準確的“母嬰”人群在每個場景下遇到時都“正好”急于購買奶粉。用戶級別的轉化率預估和點擊率預估問題，是效果廣告的關鍵問題。預估特定廣告在特定位置特定用戶下的點擊率和轉化率是一個典型的大規模數據的機器學習問題。我們構建了用戶特征體系、廣告反饋特征體系、流量特征體系，以及各個維度的交叉特征體系，用經典LR作為預估模型，GBDT作為高維特征抽取模型，進行了點擊率預估和轉化率預估，離線評測和在線效果都有不錯的表現。預估了點擊率和轉化率以后，根據營銷目標，我們就可以就行KPI為導向的CPM計算了。以汽車Leads為例，Ecpm＝CPA＊轉化率，根據不同用戶和不同流量進行CPM的出價，以達到在有限預算內，效果最好。

　　此外，還有一個常常被忽略但至關重要的策略是防作弊能力，如何對輸入模型的數據進行有效性識別，排除虛假流量、點擊，甚至轉化，是需要單獨文章專門展開的一個核心課題，這里先做記錄，以提示其重要性。進行數據提純后的轉化率至關重要，一方面是投放中進行廣告篩選排序的重要因子，決定了給用戶在當前場景下看到的最相關廣告是哪個，另一方面，在廣告主授權情況下，算法可以針對目標用戶進行自動競價，以保證適當范圍跳出CPA的出價限制去追蹤核心用戶群，避免被競爭對手“搶去”展現機會。

　　最后，找到了人，知道了TA所在場景下的關注點及對應的需求階段，就要考慮用合適的溝通方式去打動TA。目前受限于目前廣告主創意的豐富度、制作能力和媒體審核周期的限制，我們在智能創意上的算法應用還在發展初期，創意組合效用的爆發還有很大空間。不過已經看到市場上已經有一些第三方創意公司在這個方向上努力推進，一場互聯網廣告的創意革命指日可待。

　　算法和數據的行業定制化應用

　　以汽車行業的算法和數據應用為例，來說明下通用算法和數據框架需要通過行業定制化優化才可以發揮最佳效力。在汽車實際廣告投放中，我們發現一個有趣的現象：用戶汽車相關行為的時間維度是對最后銷售Leads非常有用的一個特征。我們分析，有些汽車愛好人群，雖然長期關注汽車論壇或者瀏覽汽車知識，但是他們短期內沒有購車需求，所以對于銷售Leads并沒有太多作用。但是對于短期內有購車需求的人，他們的行為時效性會非常明顯。所以我們在通用模型基礎上對重點行業的建模因子進行了差異化處理，讓一些行業中特定的顯性特征在用戶需求識別中發揮獨特效力，成為滿足廣告主不同營銷目標的有效武器。

　　總結下，DSP中算法和數據核心應用就三個方面，一個對用戶各種興趣不同階段的識別，一個對用戶在不同媒介場景下價值的判定，一個是對用戶展示有效信息的選擇。圍繞這些問題，用戶興趣和效果價值算法體系構成了YOYI的核心算法體系，在實踐中不斷改善，幫助廣告主完成營銷目標。