程序化广告还有未来么?——程序化领域变化的底层逻辑和反思

三、近几年程序化广告领域的变化底层逻辑是什么呢?

当前国内程序化生态的状态,更像是希腊的古典时代:古希腊时代的城邦高度繁荣的时期。很多人可能对古希腊城邦没有概念,我们解释一下:

所谓城邦就是城市国家,是以城市为中心、连带周边乡村而形成的独立国家,古希腊相继形成300多个城邦,这些城邦面积小,有时一个城市就是一个城邦,一个小岛就是一个城邦,人口也少,小国寡民是典型特征,居民彼此间共同生活、相互扶持,形成团体意识,画地为界,这就是我的城邦了。

图片

雅典和斯巴达是古典时代最重要的两个城邦,雅典以民主政治闻名于世,文化、经济都是诸多城邦里的佼佼者,被称为希腊的学校,而斯巴达(对,就是斯巴达勇士那个斯巴达)是寡头政治,民风尚武,军事力量强大。古希腊是一个地区,是一个民族,但不是一个国家,国家林立,古希腊文明就是由这300多个城邦组成的古文明,因为有相似的信仰,共同的语言、文字都加强了民族认同感与归属感。

3.1 古希腊城邦典型特征

  • 明确社会分工 比如雅典就把公民分成贵族、农民和手工业者三个等级;比如斯巴达把战俘和被征服的土著居民定义为“希洛人”,希洛人就跟中国古时候的佃户一样,被固定在斯巴达人的土地上,居住在斯巴达人的庄外,土地交由希洛人耕种,收获后希洛人向主人缴纳谷物和乳酪。明确社会分工后会有利于技能的熟练和效率的提升,有利于物质的积累和剩余,为后续的交换打下物质基础。

  • 私有制 有城墙和壁垒,城邦行政权都落入氏族贵族手中,城邦主通立法实现对城邦的管理

  • 开放 有贸易,有交换,通过利益交换实现以物易物

  • 利益共同体 不同城邦间会有合作形成联盟和交易

  • 可能也会有战争 价值观不同的城邦间会有战争,价值观相同的城邦间会有联盟与和平

3.2 开放流量体系走向私有化

到这里我们想想当前的程序化广告的生态,是不是跟古希腊城邦很相似呢?

  • 广点通和字节是不是就很像雅典和斯巴达这样的大城邦,大城邦有强悍的基础设施和资金实力,有自有耕地——自有媒体,也有协助其他城邦交易的场所——广告联盟,为了有效控制交易流量都被放在大城邦的交易市场里内部交易(大厂内部投放系统),大城邦的(ADX)流量不再向外释放(或对接门槛特别高),寡头城邦们实现对中小城邦的盘剥和收税,实现从狩猎/采集为生到集体耕作的转变;

  • 而中小媒体和广告主就像是各有诉求的不知名小城邦,通过与雅典和斯巴达交易,实现自身的物资流转——卖量给广点通联盟和穿山甲联盟实现营收,通过腾讯广告和巨量引擎买量增长;

  • 城邦会保护自有公民——用户,每个城邦也会保护自有利益,通过向公民公共服务(内容或功能服务)向公民课税——付费或者是通过广告将用户导流给其他城邦(奴隶交易)。

  • 当然城邦间交易一定需要统一的度量衡(秦始皇统一七国首先要干的就是统一度量衡):程序化交易协议和规则,用户id匹配规范,共同遵守的技术标准(监测和计费标准)。

程序化广告作为一个提升广告交易效率的技术手段依然活着,但换了一种方式存活,RTB从原来人人都可以小商小贩在公共广场菜市场买卖,各家围起栅栏来形成自己的菜园子,在菜园子旁边划一块空地让广告主来这里交易,只卖自己的菜,或者跟自己关系好的合作方的菜。

图片

3.3 封闭化媒体的开放平台

媒体把过去在公开市场售卖的资源回收回来自售,同时也都一拥而上创建自己的开放平台:

  • 有的开放Marketing API让广告主批量创建计划和创意提升投放效率,让用户在自己的平台上花更多的广告预算;

  • 有的在自己的HeroApp之上创建小程序平台,微信有微信小程序,支付宝、百度、抖音也都开发了自己的小程序,连手机厂商们也联合起来搞了快应用。小程序、快应用其实都是这些媒体在自己的浏览器内核之上运行的符合媒体标准的网站,只是快应用更底层一些——只不过这些网站可以由广告主自己开发,也可以由媒体方开发,同时可以利用对应媒体的数据和功能;这些特殊网站的存在,有的是为了提供服务给大平台上的受众获取收益,有的是为了方便从大平台买量形成广告主自己的私域用户;

  • 有的开发了自己的内容管理平台,把传统的网站抽象为自己控制的内容管理平台,诸如微信开放了微信公众号,字节的今日头条有了头条号,传统的网站发布完,如果想要更多的受众就需要在这些内容管理平台上再发布一份,后续基于这些内容又可以有广告和内容分发的业务,围拢更多的用户和广告主,形成自己的流量生态;

3.4 对于程序化的冷静反思

我们无法去评价这种模式是好还是坏,就如同我们没有办法一定说,十年前中国轰轰烈烈的DSP热潮就一定是好的一样。因为那个时代DSP本来是一个很单纯的技术模式,这种模式改变了以往针对广告位买断模式的大水漫灌式广告投放,变成了针对受众和人群定向为目标的精细化广告采买模式。

本来是一个各方都可以获利的多赢局面,可惜各方自说自话,只看到自己眼前的利益:各个DSP花活太多,有以次充好欺骗广告主的,有的效果不行补量凑,花客户的钱买效果回收,有的靠着客情关系好,收钱不干活就说投完了的,有为了抢广告主预算能承诺和不能承诺的都敢忽悠广告主的;最终广告主被骗多次被惯坏之后,如渣男一般这也要那也要,劣币驱逐良币,广告预算可能更多的也被能说会道的DSP拿走了,最后一地鸡毛,广告主谁也不信了,自己采买DSP或者自建团队自建DSP;而媒体不管大小本来可以通过开放的广告交易市场充分售卖自己的流量,有的造假量无中生有,有的找第三方刷量公司刷量,有的收第三方的便宜量掺在自己的高价量里卖以次充好,有的刷归因劫持LastClick或者大点击小点击咔咔一通刷,最终行业相互之间不信任,变成了零和博弈。

3.4.1 短暂繁盛

公开广告程序化交易在中国的狂热而短暂的繁盛基本上持续了五年左右的时间,从2012年开始,到2016年宝马中国市场总监被实名举报,勾结多家DSP公司收受贿赂、数据造假,甚至是设置空壳公司为DSP供应商用以洗钱。看似是个针对个人的举报,但对于公开广告交易RTB成为了巨变的导火索,以往被吹捧的DSP和RTB成了众矢之的,变成业内刻意避讳的关键词,广告主在公开程序化交易方向的预算大面积缩减,包括可口可乐、万事达、葛兰素史克、联合利华都先后暂停了从代理商进行程序化购买,而代理商之前的投放也成了一笔烂账。

3.4.2 致命的黑盒存在

营销界里最有名的名言:我知道预算被浪费了一半,但我不知道是哪一半。在公开程序化交易中来讲可能远不止一般被浪费,在黑盒子里有可能浪费的是全部的预算。

价格黑盒

就如同前面《1.2.6 程序化广告交易价值分布》小节中,我们介绍了公开广告交易过程中,提到的只有一半左右的预算被放在ADX中参与竞拍流量。其实被黑盒的何止是广告价格本身,被黑盒化的还有投放过程。

投放黑盒

我们曾诟病包断广告,觉得它落后而没有技术含量,但对于广告主来讲在合同约定的指定时段里,总有一个位置必须放我的广告。

而公开交易的程序化的核心就是基于大数据的定向、精准营销,将广告投放给最合适的用户。本来是好意,但在一部分无良DSP来说,却成了投机取巧的遮羞布,给了钱不投放或者少投放,问起为啥看不到,精准定向啊,你不在特定受众范围内,给你一个窝心锤,哑巴吃黄连啊。还有一部分DSP自己的量不够就拿别人的低价量凑,时至今日大多数的第三方监测上报依然是api方式上报,所有的数据都是媒体方上报,中间是有很大的漏洞的,更别说什么群控、集群、秒拨IP、虚假流量和第三方监测绕过的大点击、小点击。

这也是为什么2018年宝洁联合一众大品牌,要求APP投放必须支持SDK形式的监测,由监测SDK主动收集环境信息,从源头保证数据准确性。除此之外,由于技术和网络原因,程序化服务商自有监测和第三方监测之间,天然会有一定的数据误差,误差范围在5%~10%是业界可接受的公允值,这也给DSP们预留了最高10%的利润空间。

广告主千防万防,也防不住一小撮广告程序化交易行业的败类,里面包括某些DSP,包括第三方监测。广告投放的过程中,为了避免被广告主察觉某些无良媒体还会上地域屏蔽,广告主所在的地域、办公区IP、LBS,捂住广告主的眼睛骗钱。

程序化广告在自动化技术提升的效率,在投放黑盒带来的广告主监管成本面前已经不算什么优点了。

3.4.3 恶性竞争

在公开广告RTB交易最火热的那个阶段,每一家都想做全生态,DSP公司同时拥有ADX、SSP、DMP、CDP和TradingDesk业务,尽管资本成功的案例不多,勉强虎口夺食突击IPO的程序化服务商们,也大多活的不太好,有的退市,有的摘牌,有的濒临退市;

反观国外除了Meta和Google这类巨头,很少有全生态覆盖的程序化服务商,获得好的基本都是在生态中精耕细作,在一个垂直领域里锤炼出一个精品。法国公司Criteo只做电商网服类再营销定向投放(Retargeting);美国TTD只做DSP SaaS服务,目前市值300亿美金。

国内的DSP在竞争最激烈那个阶段只是简单恶性竞争,疯狂造概念忽悠广告主,今天你有什么概念,明天我就抄过来,然后造一套更唬人的概念出来,没有精耕细作,没有稳扎稳打,缺少产品技术上持续的投入和打磨,有的就是不断忽悠不断片,相互间你追我赶通过造概念实现超越,没有门槛和护城河存在。

图片

接下来为了抢广告主预算,拼完概念就该拼价格了,别人要十个点服务费,我就能只要五个点;你能返点10%,我就翻翻,利润越摊越薄。为了挤死竞争对手,不断内卷,同时也缺乏像4A协会这样的行业协会统一服务标准和定价标准,人家4A公司好歹把客户费率约定在17.65%左右,价格上没啥可谈的了,在我这是这个比例,在竞争对手那边也是这个比例,你别跟我砍价了,卷也相互之间卷服务质量。在中国的程序化广告场景下,就变成了不为挣钱,交个朋友(画外音,不赚钱,难道你是为了爱情?)。

图片

3.4.4 资源困境

如果互联网行业里有对于广告生态有关键作用的那一定是:广告主预算流量数据。广告主是需求发起的来源,投什么不投什么,有什么诉求都从这里来,金主爸爸,没有预算就变成了无源之水无本之木;流量是传播途径,广告主用于触达用户的基础;而数据是效果优化的基础,没有相关数据的积累,广告主预算如泥牛入海一般砸不出什么水花。

程序化服务商的无奈在于,三样核心资源,没有一样是控制在他们手里的。他们去做全生态业务,一方面是出于野心,步子跨太大;另外一方面在没有控制核心资源的情况下,总要给自己找点生存空间。

图片

广告主预算是相对公允的,广告主趋利避害,预算流动的方向一定是找到的更有性价比的流量。谁的流量能带来转化,谁的ROI更高就把更多预算切到这个渠道上,最终考验的是流量的匹配程度和广告产品技术的精细化运营能力。

在进入存量博弈时代,流量的稀缺性一定程度上已经高于广告主,可以是当下最重要的资源;而这些最重要的资源却牢牢掌握在巨头和大型媒体手中。在公开RTB交易可以交保证金就能接入的时候,巨头们表面上开放了上百亿的流量,但他们也有自己的广告联盟和投放系统,外部第三方DSP只是一个捡垃圾的“二等公民”,采量优先级一定是低于巨头的自有平台的。百度在最高峰时通过BES开放了数十亿的流量,同时期外部DSP的消耗最高值也就100-200万每天,而当时百度联盟日消耗3000万以上。大量的流量只有首先满足了内部的需要,外部DSP能获得的流量只能是吃剩的残羹冷炙,投放效果在数据不如巨头的情况下投的比巨头好这就有点难度了,我们前面也说了很多第三方DSP都是玩概念和压级压价的高手,当然是对自己开枪。

公开RTB交易的程序化对于巨头来讲,开放资源所带来的额外收益并不明显,所以也让资源方失去了继续大面积对外开放的动力。比如百度BES开放给第三方DSP的流量目的是为了收益最大化,发送给第三方DSP的流量费用也不在少数,数据有限的情况下,DSP填充率比较低,更有可能入不敷出。

除了巨头,稍有一定流量的大媒体受众的流量完全可以自己售卖,第三方DSP只能是吃一下残羹冷炙;优质位置和流量,可以通过私有交易、包断采买等方式优先卖给匹配的优质广告主,此处的溢价空间远高于开放竞价所带来的收益提升,优质广告主也乐于接受投放结果和价格都透明的流量。部分程序化服务商开始做起了媒体代理业务,吃返点并以此拥有部分媒体的控制权;

数据的困境也是扼住程序化服务商咽喉的关键之一。在监管不严的2015年,电信运营商愿意开放底层的DPI(Deep Packet Inspection)数据——也就是运营商骨干路由镜像出来的用户流量数据可以用来分析用户的喜好,清洗完的数据可以生成特定兴趣标签的人群包,供给DSP实现精准定向;银行卡、POS机终端厂商和各类程序化服务商也在不断尝试,如何将用户数据不泄露、脱敏的情况下,完成用户消费数据赋能广告投放。但事实上这类数据属于运营商,运营商要把这份数据给谁就能提升哪个DSP的转化,自然是要待价而沽,卖个好价钱了,那价格自然也不会低,如果要用也是有大金主广告主愿意投入一次性买个人群包出来在自己的DSP上投放,但这个人群包跟手头接入流量的匹配程度又能有多少又是一个未知数了,很大可能是交集很小,最终也只能无果而终了。再加上近两年国家对隐私保护监管政策的收紧,谷歌和苹果对设备标识物政策的改变。程序化精准营销最为依赖的用户ID和行为数据,在iOS 14.5之后无法直接拿到idfa,如果要需要用户显式授权,AndroidQ之后也无法随意拿到imei了,以往精准的用户id在此时就需要用更模糊的方式代替了。

三项核心资源没有一样是程序化服务商们能有效控制的,那你这买卖还能长久么?岂不是手拿把掐让人拿捏的份嘛。

程序化交易本身的初衷是产业升级,实现流量的高效售卖,再迁移到国内却发现水土不服,公开交易市场的RTB已经接近名存实亡:

  • 内部原因:程序化服务商恶性竞争、缺乏行业组织进行约束和自律;

  • 外部原因:没有掌握核心资源,外加政府监管细化,谷歌和苹果设备标识物权限收紧;

  • 根本原因:价格黑盒和投放黑盒导致各方利益不均衡;

文章转载自:@天行健中国元素

原文链接:https://www.cnblogs.com/fuhj02/p/17296513.html

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/6607.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

涵子来信——自己的电脑——谈谈想法

大家好: 上一次谈论了苹果的那些事,今天我们来聊聊电脑。 我的第一台电脑现在成了这样子: 很多人以为是我自己拆了电脑做研究,其实是我的第一台电脑,真的坏了。 2021年,我有了属于我自己的第一台电脑&am…

链表 --- C语言实现

本篇文章来详细介绍一下数据结构中的链表。 目录 1.链表的概念及结构 2.链表的分类 3.单链表的实现 4.链表的面试题 5.双向链表的实现 6.顺序表和链表的区别 1.链表的概念及结构 概念:链表是一种物理存储结构上非连续、非顺序的存储结构,数据元素…

【HTML5】拖放详解及实现案例

文章目录 效果预览代码实现 效果预览 代码实现 <!DOCTYPE html> <html><head><meta charset"utf-8"><title>一颗不甘坠落的流星</title><style>#div1,#div2 {float: left;width: 100px;height: 27px;margin: 10px;paddin…

关于 Qt在windows使用mingw32编译器时从Qt5.9切换至Qt5.12出现“C2001:常量中有换行符“不修改编码 的解决方法

若该文为原创文章&#xff0c;转载请注明原文出处 本文章博客地址&#xff1a;https://hpzwl.blog.csdn.net/article/details/131901444 红胖子(红模仿)的博文大全&#xff1a;开发技术集合&#xff08;包含Qt实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软…

Git简介与工作原理:了解Git的基本概念、版本控制系统和分布式版本控制的工作原理

&#x1f337;&#x1f341; 博主 libin9iOak带您 Go to New World.✨&#x1f341; &#x1f984; 个人主页——libin9iOak的博客&#x1f390; &#x1f433; 《面试题大全》 文章图文并茂&#x1f995;生动形象&#x1f996;简单易学&#xff01;欢迎大家来踩踩~&#x1f33…

day33哈希表

1.哈希表 常见的哈希表分为三类&#xff0c;数组&#xff0c;set&#xff0c;map&#xff0c;C语言的话是不是只能用数组和 2.例题 题目一&#xff1a; 分析&#xff1a;题目就是判断两个字符串出现的次数是否相同&#xff1b; 1&#xff09;哈希表26个小写字母次数初始化为0&…

RB-tree(红黑树)详解

RB-tree(红黑树) 红黑树的规则如下&#xff1a; 1.每个节点不是红色就是黑色 2.根节点为黑色 3.如果节点为红色&#xff0c;那么它的子节点必须为黑色 4.任何一个节点到NULL&#xff08;树的尾端&#xff09;的任何路径所包含的黑节点个数相同 简而言之就是每个路径的黑色节点数…

模拟量输出FC S_RTI(信捷C语言源代码)

模拟量输出FC SCL源代码请查看下面博客: PLC模拟量输出 模拟量转换FC S_RTI_博途模拟量转换指令_RXXW_Dor的博客-CSDN博客1、本文主要展示西门子博途模拟量输出转换的几种方法, 方法1:先展示下自编FC:计算公式如下:intput intput Real ISH Real //工程量上限 ISL Real //工…

【数据挖掘】将NLP技术引入到股市分析

一、说明 在交易中实施的机器学习模型通常根据历史股票价格和其他定量数据进行训练&#xff0c;以预测未来的股票价格。但是&#xff0c;自然语言处理&#xff08;NLP&#xff09;使我们能够分析财务文档&#xff0c;例如10-k表格&#xff0c;以预测股票走势。 二、对自然语言处…

【OpenCV】常见问题及解决办法

文章目录 0 前言1 中文乱码问题2 非法路径问题 0 前言 本篇博客主要是总结OpenCV使用过程中遇到的一些问题&#xff0c;以及对应的解决办法&#xff0c;这里重点是关注OpenCV&#xff0c;既有基于C的&#xff0c;也有基于Python的&#xff0c;比较全面&#xff0c;而且也会随着…

RocketMQ教程-安装和配置

Linux系统安装配置 64位操作系统&#xff0c;推荐 Linux/Unix/macOS 64位 JDK 1.8 Maven3.0 yum 安装jdk8 yum 安装maven 1.下载安装Apache RocketMQ RocketMQ 的安装包分为两种&#xff0c;二进制包和源码包。 点击这里 下载 Apache RocketMQ 5.1.3的源码包。你也可以从这…

Windows11的VS201x编译OpenCV+Contrib+CUDA

(1) CUDA下载&#xff0c;注意要和cudnn版本号相关。 我安装的是cuda11.0,注意VS2015不能编译CUDA11&#xff0c;所以用VS2015的话需要下载CUDA 10。因为更高的版本目前还没有cudnn。 (2) 下载和安装VS2015。 (3) 下载和解压CMake。 CMake地址&#xff1a; Releases Kitw…

Android dp to pix resources.getDimension(R.dimen.xxx) ,kotlin

Android dp to pix resources.getDimension(R.dimen.xxx) ,kotlin <?xml version"1.0" encoding"utf-8"?> <resources><dimen name"my_size_dp">20dp</dimen><dimen name"my_size_px">20px</dime…

数据仓库表设计理论

数据仓库表设计理论 数仓顾名思义是数据仓库&#xff0c;其数据来源大多来自于业务数据(例如:关系型数据库)&#xff0c;当设计数仓中表类型时(拉链表、增量表、全量表、流水表、切片表)时&#xff0c;应先观察业务数据的特点再设计数仓表结构 首先业务数据是会不断增长的-即…

练习——动态内存分配的笔试题

今天我们分享几道经典的笔试题&#xff0c;做完直接变成陈泽 第一题 ~~ --------------------------------------------------------------------------------------------------~~ void GetMemory(char* p) {p (char*)malloc(100); } void Test(void) {char* str NULL;Get…

阿里云容器镜像仓库(ACR)的创建和使用

天行健&#xff0c;君子以自强不息&#xff1b;地势坤&#xff0c;君子以厚德载物。 每个人都有惰性&#xff0c;但不断学习是好好生活的根本&#xff0c;共勉&#xff01; 文章均为学习整理笔记&#xff0c;分享记录为主&#xff0c;如有错误请指正&#xff0c;共同学习进步。…

使用spark进行hbase的bulkload

使用spark进行hbase的bulkload 一、 背景 HBase 是一个面向列&#xff0c;schemaless&#xff0c;高吞吐&#xff0c;高可靠可水平扩展的 NoSQL 数据库&#xff0c;用户可以通过 HBase client 提供的 put get 等 api 实现在数据的实时读写。在过去的几年里&#xff0c;HBase …

HTTP 请求走私漏洞(HTTP Request Smuggling)

一、什么是Http 请求走私漏洞&#xff1f; HTTP请求走私漏洞&#xff08;HTTP Request Smuggling&#xff09;是一种安全漏洞&#xff0c;利用了HTTP协议中请求和响应的解析和处理方式的不一致性。攻击者通过构造特定的恶意请求&#xff0c;以欺骗服务器和代理服务器&#xff0…

Godot 4 源码分析 - 增加管道通信

学习研究Godot 4&#xff0c;很爽&#xff0c;虽然很庞杂&#xff0c;但相对于自己的水平来说&#xff0c;很强大&#xff0c;尤其是vulkan这块直接打包可用&#xff0c;省得自己从头琢磨。 一点一点地消化、优化与完善&#xff0c;最终才能成为自己的。 这段时间就在Godot的…

Pytorch迁移学习使用Resnet50进行模型训练预测猫狗二分类

目录 1.ResNet残差网络 1.1 ResNet定义 1.2 ResNet 几种网络配置 1.3 ResNet50网络结构 1.3.1 前几层卷积和池化 1.3.2 残差块&#xff1a;构建深度残差网络 1.3.3 ResNet主体&#xff1a;堆叠多个残差块 1.4 迁移学习猫狗二分类实战 1.4.1 迁移学习 1.4.2 模型训练 1.…