作為策略產(chǎn)品經(jīng)理，智能定向策略是其日常工作中可能接觸的策略方向之一，通過“智能定向”，策略產(chǎn)品經(jīng)理可以一定程度上保證大盤平均的整體效果最優(yōu)。那么，智能定向策略的具體內(nèi)涵與實(shí)際應(yīng)用是怎么樣的？一起來看看作者的分析和總結(jié)。

講完白盒、灰盒定向策略，我們接下來講講廣告定向領(lǐng)域近兩年比較熱衷于推廣的黑盒“智能定向”策略。

之所以說智能定向“黑”，是因?yàn)橹悄芏ㄏ蛳鄬?duì)來說可解釋性最差，但卻能保證大盤平均的整體效果最優(yōu)，CTR、CVR、ROI等投放效果都要明顯的優(yōu)于DMP白盒定向，因?yàn)橹悄芏ㄏ蛉巳哼x擇、關(guān)鍵詞優(yōu)選的權(quán)利托管到平臺(tái)手中，平臺(tái)可以利用自己的樣本、數(shù)據(jù)等優(yōu)勢(shì)做到主體item與人user的“優(yōu)中選優(yōu)”，充分發(fā)揮系統(tǒng)智能化的優(yōu)勢(shì)。話不多說，今天來給大家展開分享一下智能定向策略。

本文目錄：

1. 智能定向誕生背景&定義
2. 智能定向在大廠中的具體實(shí)現(xiàn)
3. 智能定向策略總結(jié)與思考

一、智能定向誕生背景&定義

1. 誕生背景

智能定向誕生背景

1）白盒DMP定向非常依賴于廣告主（代理商、商家）的人群標(biāo)簽圈選和分析的能力，如果圈選人群標(biāo)簽范圍有偏差（人群生效范圍、人群的活躍程度以及人群相關(guān)性等問題），會(huì)導(dǎo)致廣告計(jì)劃無法拿展現(xiàn)或者是點(diǎn)擊/轉(zhuǎn)化效果差。

2）DMP人群包是一個(gè)非常粗粒度的UV人群集合，并不是每一個(gè)人群包中消費(fèi)者用戶user都能與廣告投放主體Item產(chǎn)生相關(guān)性匹配，并且DMP投放人群解析需要考驗(yàn)運(yùn)營(yíng)的操作提高客戶的分析成本，并不適合入門級(jí)別的廣告主投放。

因此，廣告主希望實(shí)現(xiàn)廣告主計(jì)劃主體item和用戶user營(yíng)銷匹配最大化的托管定向策略，來解決廣告主投放拿量與效果的難題，類似自然搜推一樣實(shí)現(xiàn)最優(yōu)效果匹配的效果，廣告主只需要為流量進(jìn)行付費(fèi)，基于這樣的一個(gè)背景下就誕生了“智能定向”策略。

2. 定義

京東-購物觸點(diǎn)智能定向功能

阿里引力魔方智能定向功能

圖1和圖2分別為“京準(zhǔn)通-購物觸點(diǎn)”和“阿里媽媽-引力魔方”的智能定向操作界面，可以看出，智能定向在各大平臺(tái)的設(shè)置方式都是一個(gè)極簡(jiǎn)的開關(guān)，無需廣告主添加任何種子DMP人群，完全托管交由平臺(tái)基于廣告主的投放商品和店鋪的樣本信息來匹配最合適的用戶進(jìn)行廣告投放。

定義：智能定向是一款基于廣告主投放主體item出發(fā)，考慮用戶歷史瀏覽、搜索、加購、購買轉(zhuǎn)化等行為幫助廣告主依托算法模型智能、精準(zhǔn)圈選人群的定向策略工具。

3. DMP人群與定向人群的優(yōu)劣對(duì)比

智能定向與DMP定向優(yōu)劣對(duì)比

優(yōu)點(diǎn)：智能定向在投放效率CTR、ROI要明顯強(qiáng)于DMP定向類型，并且對(duì)于客戶的平均點(diǎn)擊成本CPC也要低于DMP定向類型。

缺點(diǎn)：相比較DMP定向，智能定向在可解釋性要弱于DMP定向類型。

二、智能定向在大廠中的具體實(shí)現(xiàn)策略

其實(shí)大廠中的智能定向策略非常類似于前文<推薦系統(tǒng)召回策略>中的DSSM雙塔模型，分別是User Embedding和 Item Embedding建立相關(guān)性計(jì)算相似度距離。基于算法完成用戶和商品的智能匹配策略核心分為三步走：用戶興趣建模-> 商品建模 ->用戶商品匹配，算法實(shí)現(xiàn)鏈路如下：

智能定向模型架構(gòu)

1. 用戶興趣建模

用戶興趣建模部分

可以看到User部分主要是基于是用戶的各種Atrribute屬性（例如消費(fèi)者用戶的年齡、地理位置所處信息、性別等）以及用戶的Behavior（在京東平臺(tái)APP里的商品點(diǎn)擊、加購以及直播間觀看、短視頻互動(dòng)等行為信息），通過embeding lookup 然后再pooling。

同時(shí)還會(huì)基于用戶協(xié)同的向量化召回（UCM），即通過前文關(guān)于推薦系統(tǒng)中召回策略一文說道的用戶協(xié)同過濾思想，通過行為的用戶興趣品類item集合去計(jì)算用戶之間的相似性質(zhì)。

最后把所有的特征做融合，過一個(gè)全連接層就輸出了User emedding。

2. 商品建模

商品建模說明

商品item Emebbeding和User是獨(dú)立向量化過程，除了通過one-hot編碼使得商品的Attribution屬性Embedding向量化（主要針對(duì)類目、功能、評(píng)價(jià)、使用場(chǎng)景、價(jià)格等等信息）低維稠密向量化。

京東還引入了彈性粒度的Node體系，即不受商品固定categories類目限制與客戶興趣帶來的影響，防止因?yàn)樾袨橄嚓P(guān)帶來的商品相似的馬太效應(yīng)，通過用戶興趣來行為構(gòu)建彈性、動(dòng)態(tài)的Node，提升召回率（預(yù)測(cè)為正類的樣本數(shù)/所有正類樣本數(shù)）

3. 用戶&商品興趣匹配

用戶&商品興趣建模說明

在模型表示層User Embedding和item Embedding計(jì)算完cos相似度存儲(chǔ)在redis當(dāng)中之后，選擇距離最近的 N 個(gè)人群子集作為廣告投放人群，這樣就完成了廣告推薦任務(wù)。模型訓(xùn)練過程中將 cos 函數(shù)得到的結(jié)果進(jìn)入 sigmoid 函數(shù)和真實(shí)標(biāo)簽計(jì)算 logloss，查看網(wǎng)絡(luò)是否收斂。模型評(píng)估主要使用 auc 指標(biāo)。

同時(shí)在LSBM Ranking Model層會(huì)考慮，基于Self-attetention建模用戶的全局興趣，以及在推薦位實(shí)時(shí)反饋的短時(shí)用戶行為興趣，通過注意力機(jī)制來建立用戶和商品的相似性。

總結(jié)：最后通過智能定向同投商品下與DMP定向在單一變量實(shí)驗(yàn)下，點(diǎn)擊率和廣告收入都有一定明顯的提升，基本上都在10%以上。

三、智能定向策略總結(jié)與思考

大家看完對(duì)于智能定向策略一文，是不是發(fā)現(xiàn)其實(shí)和之前講到的關(guān)于自然推薦系統(tǒng)召回策略比較相似，都是在全集的商品集合里面去最優(yōu)匹配全集的人群，做到“優(yōu)中選優(yōu)”，只不過最大的差異就在于這個(gè)商品集合池是廣告的商品集合，而不是平臺(tái)自然結(jié)果的商品集合，所以廣告平臺(tái)全使用智能定向，也沒有辦法做到自然推薦結(jié)果的CTR水平，但是智能定向的效果（CTR點(diǎn)擊率、ROI等）會(huì)明顯優(yōu)于DMP定向類型。

智能定向在廣告平臺(tái)中一般都是中小廣告主使用偏多，因?yàn)槿狈?duì)獨(dú)有的人群經(jīng)營(yíng)資產(chǎn)的沉淀和廣告優(yōu)化師的人力成本（DMP定向需要付出大量的時(shí)間和人力成本去做用戶畫像和效果數(shù)據(jù)的分析，沉淀出一套投放廣告的固定人群和投放方法論，并且這個(gè)是時(shí)刻發(fā)生變化的），所以智能定向一般都會(huì)為平臺(tái)所主要推崇，能夠幫助客戶穩(wěn)定拿量&拿優(yōu)質(zhì)的流量（pCVR更高的流量）。

長(zhǎng)期來看黑白灰盒定向的能力都會(huì)在各大廣告平臺(tái)所共存，既然客戶能夠使用白盒精細(xì)化人群運(yùn)營(yíng)場(chǎng)景，同時(shí)也能夠托管平臺(tái)達(dá)成擇優(yōu)圈選人群的能力。