阿里巴巴菜鸟级数据产品经理半年回顾总结篇
干货教程:如何绘制业务流程图(二)
干货教程:如何绘制业务流程图(一)
技术贴:如何在数据库中秘密地查询隐私数据
攻略教程:信息图(infographic)是怎么做出来的?
分析师一定要看!用数据讲故事的五个步骤
技术篇:怎样玩转千万级别的数据?
北漂书生:大数据时代SEO数据如何搜集和分析
干货,从十大问题重新认识并读懂互联网
相似图片搜索、算法、识别的原理解析(下)
相似图片搜索、算法、识别的原理解析(上)
制作信息图时请遵循这10条原则
提高表格可读性的一些技巧,适用于Excel、PPT等数据报表
实用教程:如何让Excel图表更具“商务气质”?
一张数据信息图是这样制作完成的
菜鸟读财报,如何从上市公司财报中挖情报?
北大数据分析老鸟写给学弟们一封信
如何一步一步制作出高品质数据信息图?
总结:海量数据分析处理的十个方法
【实战经验】数据分析师如何了解老板真正想法?
零售业数据分析那些事儿
数据分析时l常用电子表格公式【大全】
用数据来告诉你 上市公司财报的秘密
这12个数据能 帮你搞定淘宝店铺
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(四)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(三)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(二)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(一)
淘宝网店从激活到挽留,4步走玩转数据营销
文案怎样写才有意思、不空洞、打动人?
入门级扫盲贴:数据分析的步骤有哪些?
关系即数据,论社交媒体的关系转换
数据的力量,苹果教你用数据鄙视竞争对手
谁说文科生不能做数据分析?数据分析入行→技能提升→优势
产品运营数据分析——SPSS数据分组案例
如何追踪iPhone和iPad等移动设备的用户行为数据?
阿里巴巴中国站:用户满意度指标权重计算方法
广告中的AdNetwork、AdExchange、DSP、SSP、RTB和DMP是什么?
信息图制作教程:关于数值的表现
为什么大数据会如此轰动?(值得深度的文章)
多图技术贴:深入浅出解析大数据平台架构
面板数据分析中标准误的估计修正——根据Peterson (2009)的归纳
财务官、投资人、CIO看过来:给企业数据定价
推荐系统中常用算法 以及优点缺点对比
探索Weotta搜索引擎背后的大数据技术
如何识别虚假数据?
为什么我们像驯化小狗那样驯化算法
程序员必须知道的10大基础实用算法及其讲解
电子商务:最影响转化率的九大要素
如何迅速成为一名数据分析师?
想从事大数据、海量数据处理相关的工作,如何自学打基础?
如何用亚马逊弹性MapReduce分析大数据?
译文:机器学习算法基础知识
给hadoop新手的一封信:Hadoop入门自学及对就业的帮助
从入门到精通,我是这样学习算法的
小商家,从老客户身上获取的数据才更有意义
13页PPT讲述:大数据下网站数据分析应用
40页PPT详解:京东大数据基础构架与创新应用
67页PPT解密搜索引擎背后的大技术:知识图谱,大数据语义链接的基石
营销洞察力——10个营销度量指标
技术篇:前端数据之美如何展示?
董飞:美国大数据工程师面试攻略【PPT】
easel:如何制作好的信息图——来自专家的顶级技巧
大数据实操:以3D打印机为例,如何知道卖点有没有市场需求?
大数据建模 需要了解的九大形式
用户画像数据建模方法
从规划开始,公司or企业如何入手和实施大数据?
干货:商品信息数据分析和展现系统的设计与开发
高手教你用Excel制作百度迁徙数据地图
50篇干货:淘宝店/电子商务如何玩转数据分析?
精华索引:大数据实际应用案例50篇
验证最小化可行产品 (MVP) 的 15 种方法
干货:数据分析师的完整知识结构
大数据技术Hadoop面试题,看看你能答对多少?答案在后面
用SPSS做数据分析?先弄懂SPSS的基础知识吧
怎样做出优秀的扁平化设计风格PPT? 扁平化PPT设计手册#3
解答│做大数据过程中遇到的13个问题
40页PPT│社交网络发展的新动力:大数据与众包
以Amazon、豆瓣网为例,探索推荐引擎内部的秘密#1
怎样做出优秀的扁平化设计风格PPT?#2
怎样做出优秀的扁平化设计风格PPT?#1
36页PPT│大数据分析关键技术在腾讯的应用服务创新
如何丰满地做SWOT分析?
【35页PPT】TalkingData研发副总阎志涛:移动互联网大数据处理系统架构
27页PPT|以珍爱网为例,如何构建有业务价值的数据分析系统?
国外数据新闻资源分享
21页PPT重磅发布:Mariana——腾讯深度学习平台的进展与应用
从0到100——知乎架构变迁史
PPT解读:百度大数据质量保障方案探索
45页PPT|大数据环境下实现一个O2O通用推荐引擎的实践
从数据看豆瓣兴衰
深度学习系列:解密最接近人脑的智能学习机器——深度学习及并行化实现(四)
重磅推荐:129页PPT讲述移动时代创业黄金法则 via:腾讯企鹅智酷
重磅推荐:大数据工程师飞林沙的年终总结&算法数据的思考
OpenKN——网络大数据时代的知识计算引擎
大数据下城市计算的典型应用
技术贴:大数据告诉你,如何给微信公众号文章取标题?
你的QQ暴露了你的心——QQ大数据及其应用介绍PPT
如何从企业报表看企业的生存能力?
实用的大数据技巧合集
技术帝揭秘:充电宝是如何盗取你的个人隐私的?
重磅!50页PPT揭秘腾讯大数据平台与推荐应用架构
原创教程:饼图之复合饼图与双层饼图(1)
PPT:大数据时代的设计特点——不了解这个你做不了今天的设计
教程贴:如何用方程式写春联?
原创教程:如何用Excel制作简易动态对比图
深度译文:机器学习那些事
教程帖:数学之美——手把手教你用Excel画心(动态图)
董老师走进斯坦福,聊聊硅谷创业公司和大数据的事儿(附课件PPT下载)
【限时】年度钜献,108个大数据文档PDF开放下载
董飞专栏:大数据入门——大数据相关技术、Hadoop生态、LinkedIn内部实战
亿级用户下的新浪微博平台架构
一张图了解磁盘里的数据结构
浅析数据化设计思维在阿里系产品的应用
美团推荐算法实践
一个P2P创业公司有哪些部门,都是做什么的?
一个P2P平台的详细运营框架是怎样的?
机器学习中的算法——决策树模型组合之随机森林与GBDT
神经网络简史
58页PPT看懂互联网趋势,大数据/物联网/云计算/4G都有了
广点通背后的大数据技术秘密——大规模主题模型建模及其在腾讯业务中的应用(附PPT)
微信红包之CBA实践PPT——移动互联网海量访问系统设计
一文读懂机器学习,大数据/自然语言处理/算法全有了……
搜狐新闻客户端的背后大数据技术原理——推荐系统(PPT)
原创教程:用Excel做动态双层饼图
半小时读懂PMP私有广告交易市场
怎样分析样本调研数据(译)
PPT:支付宝背后的大数据技术——DataLab、Higo的实践及应用
大数据技术人员的工具包——开源大数据处理工具list(限时下载)
计算机视觉:随机森林算法在人体识别中的应用
24页PPT:机器学习——支持向量机SVM简介(附下载)
互联网高手教你如何搜集你想要的信息
深度:对地观测大数据处理、挑战与思考
原创教程:用Excel做饼图之复合饼图与双层饼图(2)
移动大数据时代: 无线网络的挑战与机遇(附pdf下载)
Excel使用技巧——25招必学秘技
【年度热门】加上这些 Excel 技能点,秒杀众人(多图)
原创教程:用Excel做纵向折线图
知识图谱——机器大脑中的知识库
何明科专栏:用数据化的方式解析投资条款
DT时代,如何用大数据分析创造商业价值(23页PPT)
MIT牛人梳理脉络详解宏伟现代数据体系
你的老婆是怎么算出来的?揭秘佳缘用户推荐系统
飞林沙:商品推荐算法&推荐解释
PPT:如何成为真正的数据架构师?(附下载)
开源大数据查询分析引擎现状
董飞专栏:打造数据产品必知秘籍
译文:如何做强大又漂亮的信息图
如何使用Amazon Machine Learning构建机器学习预测模型
如何运用数据协助货架管理(内附26张PPT)
SVM算法
主流大数据系统在后台的层次角色及数据流向
PPT:阿里全息大数据构建与应用
人脸识别技术大总结——Face Detection & Alignment
教程:用Excel制作成对条形图
易观智库:大数据下的用户分析及用户画像(18页PPT附下载)
技术向:如何设计企业级大数据分析平台?
电商数据分析基础指标体系
IBM SPSS Modeler 决策树之银行行销预测应用分析
拓扑数据分析与机器学习的相互促进
基于 R 语言和 SPSS 的决策树算法介绍及应用
用php做爬虫 百万级别知乎用户数据爬取与分析
另类新浪微博基本数据采集方法
以10万+阅读的文章为例 教你做微信公众号的运营数据分析
破解数据三大难题:变现?交易?隐私?
微店的大数据平台建设实践与探讨
阿里巴巴PPT:大数据基础建议及产品应用之道
基于社会媒体的预测技术
人工智能简史
技巧:演讲中怎样用数据说话
马云和小贝选谁做老公?写给非数据人的数据世界入门指南
掘金大数据产业链:上游资源+中游技术+下游应用
原创教程:手把手教你用Excel做多层折线图
销售分析:如何从数据指标发现背后的故事
如何一步步从数据产品菜鸟走到骨干数据产品
也来谈谈微博的用户画像
行走在网格之间:微博用户关系模型
如何拍出和明星一样美爆的自拍照?斯坦福大学用卷积神经网络建模告诉你
运营商如何玩转大数据? 浙江移动云计算和大数据实践(PPT附下载)
大数据分析的集中化之路 建设银行大数据应用实践PPT
腾讯防刷负责人:基于用户画像大数据的电商防刷架构
创业提案的逻辑
友盟分享 | 移动大数据平台架构思想以及实践经验
寻路推荐 豆瓣推荐系统实践之路
“小数据”的统计学
重磅!8大策略让你对抗机器学习数据集里的不均衡数据
小团队撬动大数据——当当推荐团队的机器学习实践
微博推荐架构的演进
科普文 手把手教你微信公众号数据分析
信息图制作的六个注意点
【权利的游戏】剧透新玩法:情理之中?意料之外
推荐系统(Recommender System)的技术基础
核心算法 谷歌如何从网络的大海里捞到针
Quora数据科学家和机器学习工程师是如何合作的
阿里巴巴PPT:大数据下的数据安全
数据建模那点事儿
全民拥抱Docker云–Lhotse系统经验分享
实时股票分析系统的架构与算法
架构师必看 京东咚咚架构演进
什么叫对数据敏感?怎样做数据分析?
推荐系统基础知识储备
刘德寰:数据科学的整合与细分 数据科学的七个危险趋势(视频)
实际工作中,如何做简单的数据分析?
分布式前置机器学习在威胁情报中的应用(附PPT下载)
数据科学 怎样进行大数据的入门级学习?
扛住100亿次请求 如何做一个“有把握”的春晚红包系统?(PPT下载)
从 LinkedIn 的数据处理机制学习数据架构
大数据会如何改变管理咨询公司(I)
优秀大数据GitHub项目一览
生硬的数字和数据新闻:这么近,那么远
经典大数据架构案例:酷狗音乐的大数据平台重构(长文)
揭秘中兴大数据在银行领域的系统部署
基于大数据的用户画像构建(理论篇)
【R】支持向量机模型实现
数据图处处有陷阱?五个例子教你辨真伪
如何用R绘制地图
你确定你真的懂用户画像?
数据模型需要多少训练数据?
【接地气】01 数据报表的颜色怎么配
游戏价值和数据分析新思路
【R】异常值检测
快的打车架构实践
豆瓣还是朋友圈:大数据、新方法和日常问
PPT数据图表,怎么做才好看?
大道至简的数据体系构建方法论
数据的误区及自身业务
新浪微博的用户画像是怎样构建的?
面试干货!21个必知数据科学面试题和答案part1(1-11)
易观智库:中国大数据产业生态图谱2016(附下载)
Airbnb的数据基础架构
50PB海量数据排序,谷歌是这么做的
大数据时代工程师如何应对–今日头条走进硅谷技术讲座
D3.js教学记(下)
D3.js教学记(上)
飞林沙:企业级服务公司如何赚钱?只有平台级产品才有大数据的理论
一个母婴电子商务网站的大数据平台及机器学习实践
7大板块 组成数据分析师的完整知识结构
干货:SaaS领域如何分析收入增长?
学术 | 词嵌入的类比特性有实用意义吗?
6个用好大数据的秘诀
一个数据库外行眼中的微信优化 (附专家补充)
大数据调研,如何实现快全准?
数据大师Olivier Grisel给志向高远的数据科学家的指引
数据堂肖永红:数据交易的是使用权或数据的增值,而不是数据本身(PPT附下载)
淘宝商品详情平台化思考与实践
刘译璟:百分点大数据理念和实践(图文+PPT下载)
如何快速搞定一份看起来还不错的演示文档?
【BABY夜谈大数据】决策树
数据驱动设计:数据处理流程、分析方法和实战案例
美图数据总监:Facebook的法宝,我们在产品中怎么用?
树的内核:量化树结构化数据之间的相似性
拿到用户数据之后,LinkedIn怎么赚钱?
GrowingIO张溪梦:增长黑客的核心 企业应该重视产品留存率(附PPT下载)
[译]Airbnb是如何使用数据理解用户旅行体验的?
微博推荐数据服务代理: hyper_proxy的设计和实现
星图数据谷熠:消费领域DaaS 大数据重构未来商业游戏规则(附PPT下载)
鲍忠铁:TalkingData大数据技术与应用实践(PPT下载)
【干货教材】数据分析VS业务分析需求
九枝兰专访:数字营销的核心—企业如何使用数据管理平台(DMP)进行精准营销
我们的应用系统是如何支撑千万级别用户的
R应用空间数据科学
Excel进行高级数据分析(上)
Excel进行高级数据分析(下)
国内各大互联网公司2.0版技术站点收集
网站数据分析思路导图
大数据分析报表设计开发要素
大数据需要的12个工具 推荐
YARN/MRv2 Resource Manager深入剖析—NM管理
YARN/MRv2 Resource Manager深入剖析—RMApp状态机分析
Hadoop 1.0与Hadoop 2.0资源管理方案对比
Hadoop 2.0中单点故障解决方案总结
Hadoop 2.0 (YARN)中的安全机制概述
Hadoop 新特性、改进、优化和Bug分析系列1:YARN-378
Hadoop 新特性、改进、优化和Bug分析系列2:YARN-45
Hadoop 新特性、改进、优化和Bug分析系列3:YARN-392
Hadoop版本选择探讨
探究提高Hadoop稳定性与性能的方法
《Effective C++》读书笔记(第一部分)
Hadoop分布式环境下的数据抽样
Hadoop计算能力调度器算法解析
如何编写Hadoop调度器
数据结构之红黑树
Hadoop pipes设计原理
《C++ Primer plus》学习笔记之”类”
《C++ Primer plus》学习笔记之”类继承”
《C++ Primer plus》学习笔记之”C++中的代码重用”
《C++ Primer plus》学习笔记之”异常”
《C++ Primer plus》学习笔记之”RTTI”
Hadoop pipes编程
Hadoop Streaming高级编程
《C++ Primer plus》学习笔记之”标准模板库”
《C++ Primer plus》学习笔记之”输入输出库”
Linux Shell 命令总结
算法之图搜索算法(一)
awk使用总结
素数判定算法
《C++ Primer plus》学习笔记之“函数探幽”
使用Thrift RPC编写程序
如何在Hadoop上编写MapReduce程序
怎样从10亿查询词找出出现频率最高的10个

半小时读懂PMP私有广告交易市场

于2017-04-01由小牛君创建

分享到:


在程序化广告购买领域,现在没有什么比PMP更热门的了。我之前所写的这篇文章——《PMP私有交易市场——程序化广告的新高度》引起了很多反响,很多朋友问,到底什么是PMP,在它之上广告是怎么交易的,有哪些好处,又有什么样的局限?

所以,我写这篇文章,想让你半个小时就弄明白PMP私有交易市场是什么,广告怎么在这个市场中间交易。然后,在后续的几个“半小时”文章中,我将继续介绍PMP的其他内容。

PMP为什么出现?

想要了解PMP,最好先弄明白互联网广告的新生态,尤其是程序化广告产业链。PMP也好,RTB也好,都是互联网广告的革新——程序化的广告。这也是为什么我先写了一篇半小时读懂互联网广告新生态,在这篇文章中,认真了解Ad Exchange和RTB是很有意义的。如果你看了这篇文章,你就知道RTB的广告生态必须依赖于Ad Exchange的存在。Ad Exchange如同一个大的自由市场,各路媒体把自己空闲的广告位在Ad Exchange中登记售卖,而广告主则委托DSP在Ad Exchange中为在这些位置上展现自己的广告而不断竞价。在这个市场中,一切都是平等的,供和需对每一个人都敞开,规则对每个人都一样,若我希望在某个广告位上出现我的广告,我需要记住唯一的规则——价高者得,然后确保我的出价高于别人。大数据

但问题是,RTB是背对背的拍卖,而且在电光火石的100毫秒左右的时间内,你只有一次出价机会。这意味着原本你看好的一个人出现在了某个广告位上,你信心满满的出了高价准备让自己的广告展示在他/她的面前,但却因为另一个更加疯狂的出价者抢走了这次广告展示机会。因此,RTB显然具有不确定性,这种不确定性与SEM(PPC)的排名竞价是非常类似的,你并不是不能控制,但是你无法实现精确控制,或者只能实现部分控制。你并不能事先确保这个广告位在某时某刻一定能被你占据,你也不能事先确保一个固定的价格。竞价——瞬息万变、捉摸不定、无法精确预知,支配这个世界的规则是概率和基于实时统计的干预,但无论如何我不能让它如钟表般精确。

这绝对是对互联网广告工作方式的一个剧烈颠覆,过去我们购买的是广告位,但在RTB环境下我们购买的是给人(受众)展示广告的机会,广告位反而不是那么重要了。同样,过去的互联网广告是平面广告的售卖方法——事先选择广告位置,确定投放的期间,然后谈好价钱,再然后到时看广告便行了。一切都很精确,我们事先已经知道广告会出现在哪里,也知道我们要花多少钱。不过,一旦我们花了钱,确定了广告位置和时间(位置和时间,就是我们所说的排期计划),广告的效果就是“谋事在人成事在天”了,我们虽然仍然能够实时统计查看广告的产出,但却无法实时干预。

所以,RTB广告的特点是“两个不确定和一个可干预”——不确定广告位、不确定广告价格,但是广告效果可以实时干预;传统互联网广告则是“两个确定和一个不可干预”——广告位和价格确定,但效果不可干预。这也算是各有利弊吧。所以这也是为什么很多广告主仍然不能把所有的广告投放都交给RTB的原因,毕竟商业生活中,不确定性是每天都要面对的“讨厌鬼”,能回避它且回避它。

从媒体的角度看,上面的不确定性也造成RTB广告也不是他们进行广告资源售卖的第一选择。那些众人追捧的优质资源,比如“爸爸去哪儿”视频的前贴片广告,总有广告主愿意出天价购买它,既如此,又何必把这些明星资源放到公共的自由市场(Ad Exchange)去竞卖呢?这个道理实际在任何的市场中都是存在的。比如北京的潘家园旧货市场,这是全球六大古董和工艺品公开交易市场之一,每天有大量的商品在这里被交易,但是真正被交易的精品却少之又少。那些真正的好东西在被放到潘家园的摊位上之前就已经被消息灵通的私人直接买走了。媒体的优质资源同样如此,这些资源如果放到公开市场中,受RTB广告的两个不确定性(不确定广告位且不确定价格)影响,很有可能不能被完全交易出去,或是即使全部交易出去也有可能无法达到媒体预期的价格。当然,各种可能性都是存在的,说不定这些资源在公开市场上反而全部卖出了高价——但一切在交易尘埃落定前全部都只是可能性。可能性的同义词是不确定性,我说过,人们讨厌不确定性。大数据

(上面这张图很好地说明了RTB广告的特点。RTB不按照广告位进行售卖,而是根据受众(人)来售卖广告,并且你的广告是否能显示给这个人,取决于你愿意出的价格。因此RTB广告的广告位是无法预先确定的,广告价格也不可能在竞价之前就精确知道。)

既然这个世界上有不需要公开自由市场就能够完成双方都满意的交易的可能性,那干嘛还非要到公开市场上去呢?因此,这种情况下的买卖双方不再去公开市场,也就是说他们不会去Ad Exchange中“搞拍卖”,而是寻求一个私下交易的场所,在“一个月黑风高”的地方“偷偷”完成买卖,这个场所就是PMP,即Private Marketplace(私有交易市场)的缩写。因此你也就可以发现,PMP实际上是和Ad Exchange相对应的概念,前者是私下里的交易场所,后者是公开交易场所。

PMP是什么

看了前面的文字,大家可能会困惑了,传统的广告交易不就是“私有的”吗?如果我不做RTB的广告购买,而是跟新浪或者优酷的广告销售部门直接联系购买广告位,这不就是“私下交易”了吗?或者说,几乎所有我们过去传统的广告都是私有购买方式,那么PMP,这个听起来玄而又玄的东西,究竟是什么?

这个问题真是好问题,因为它直击关键。没错,传统广告交易几乎都是私有的,但它不是程序化的广告。PMP的交易也是私有的,同时,它还是程序化的广告。这是跟传统广告最本质的区别。或者换句话说,PMP的交易方式与传统广告类似(但实际上因为程序化的影响,二者并不完全一样),但工作方式(即程序化广告)却和传统广告完全不同

因此我们可以给PMP下一个定义,即它是将传统广告的私有的交易方式与程序化广告的工作方式相结合的新互联网广告形式。传统广告的私有交易有一个非常强大的好处,那就是广告位置都是在广告上线之前就必须确定好的。比如,大家在电视上看到的广告,肯定是早在好几周甚至好几个月前就被广告主预定下来的,不可能在广告要播出的那一刻,才由电视台到处询问谁要这个时间的广告。互联网上(尤其是PC上)的大多数广告也是同样如此。这种方式保证了广告在投放前已经完全确定了时间、位置和价格,不存在任何不确定性。人们当然喜欢这种方式,因为这种方式帮助广告主提前锁定了他们想要的资源。PMP的特征之一,就是要尽可能地保留这种方式,尽可能地消除人们讨厌的“不确定性”。大数据

另一方面,PMP也希望能够把程序化广告(例如RTB)的好处引入进来。如果你读过我前面提到的两篇文章,你就知道程序化好处有很多神奇的地方,最鲜明的,就是利用计算机智能,根据受众的情况或是其他规则来动态管理和操纵广告的投放工作,从而在几乎实时的情况下随时调控广告,实现广告效果的提升。

所以,你可以认为,PMP ≈ 消除不确定性 + 程序化广告。不过这个等号不是等于,是约等于,后面你会知道为什么这里不能放上等于号。

我这么说你可能还是“不明觉厉”,没事,接着看。

PMP的交易方式

上一节讲了,PMP的特征之一是私下的交易,理论上能够提前锁定资源,但与传统的私下交易方式并不完全等同。或者说,它是传统私下交易方式在程序化时代的推陈出新。PMP的交易方式跟传统广告交易方式有什么差异呢?回答这个问题,我们需要具体了解PMP的几种交易方式。

第一种,也是最基础的一种交易方式被称为PDB,即Private Direct Buy(私有直接购买),这种方式简单讲,是一对一(1v1)的购买方式。这种购买方式,与我们传统的广告采买方式基本上没有区别,即广告主找媒体确定好广告位置和价格,然后按照排期规定的时间进行广告投放。在传统方式中,广告排期(spot plan)是这个交易过程的关键,而在PDB中,也完全如此。

PDB这种方式,是广告主最容易接受的方式。首先,与传统采买方式一致意味着广告位资源是预先保证的,一旦排期确定,PO(purchase order)下达,广告位资源就肯定不可能易主。再者,不改变传统的广告采买过程意味着内部的组织和工作流程都不需要发生什么变化,因此也就没有“政治”问题(你懂的)。更何况,在此之上还能实现程序化的好处,有百利而无一害,何乐不为。

PDB方式支持传统的CPD(Cost Per Day)的广告采买方式,也支持CPM(Cost Per Milli,即广告被千次曝光所需的成本)和CPC(Cost Per Click)的方式。大数据

第二种,被称为Preferred Deals(优先交易),与第一种方式相比,情况略有不同。第一种方式下,广告位资源是广告投放前就锁定的,但在这种方式下,广告资源具有一定的不确定性。这个不确定性并不是指广告位不能被锁定,也不是指广告的价格不能预先谈好,而是指这个广告位的展示量,不能预先保证。什么意思呢,比如你看中了网站分析在中国(www.chinawebanalytics.cn)的这个博客上的某个广告位,这个广告位碰巧是按照CPM方式出售的。由于我的网站的流量每天都不一样,有时候多,有时候少,因此这个广告位上广告的展示次数不能预先确定,这就意味着尽管广告位可以卖给你,但是展示量却保证不了,这样你在我这个广告位上做广告的预算就不能精确预知了。

更何况,我的这个广告位因为是按照CPM来出售的,也就不一定只是卖给你,我可能同时还卖给了另外一个广告主,并且我还保证了给他每天确保1000次展示,而卖给你就只能是在卖个另一个广告主之后,是他买走的1000次之外的剩下的展现量。即先紧着别人用,剩下的才能给你,这种情况下,量就更不容易保证了。这个例子是现实世界中常常发生的情况,对于另外那个广告主而言,他跟我的购买方式实际上是第一种,即PDB的购买方式,而跟你,则是Preferred Deals的购买方式。从这里可以看出来,媒体在释放广告资源的时候,PDB方式的优先级,要高于Preferred Deals方式,而Preferred Deals的优先级,又高于需要完全竞价的RTB

当然了,Preferred Deals也是双向选择的,媒体不能保证你的广告资源的展示量,你当然也可以把自己不需要的量进行退回,这样你就有了一点点“选人”,即按照受众情况来进行投放的权利。这里我不引申太多,在后面的文章中我会涉及。大数据

Preferred Deals方式只支持CPM和CPC的采买方式,传统的CPD方式不可以。为什么?这个问题留给大家想一想,相信答案不难找。

第三种,被称为Private Auction(私有竞价,或者私下竞价),这种方式比前两种方式都要复杂一点点,但其实并不难理解。如果说第一种PDB的方式是纯净无广告主为广告位资源竞争的世界,那么Preferred Deals就开始有了跟其他广告主竞争广告位的可能性,只是因为优先级不够高,所以也就没有直接冲突。不过,如果你有钱,任性,你觉得凭什么我的优先级就要比别人低一些,我不服,这个时候怎么办?

互联网广告市场,尤其是品牌广告市场,有钱任性的大买家实在太多了,好资源又只有那么多(而且特别是中国,是一个媒体资源特别集中的地方),所以几个广告主都看中了同一个广告位置的情况,实在是屡见不鲜。程序化广告诞生前的传统售卖方式下,决定你能否拿到这个广告位置的不仅仅是钱的问题,还要看时机(先提出合理价格购买的,可能就先搞定了),以及一些你知道的其他的因素(你懂的……)。不过,这绝对不是最佳的资源配置方式,如果这个广告位被售出之后,又有愿意出更大价钱的广告主出现,对媒体来说就是绝对的损失。Private Auction的出现就是希望解决这个问题。

在PMP的Private Auction方式下,媒体把那些众多土豪广告主们都喜欢的广告位置专门拿出来,放到一个半公开的市场中进行售卖。说它半公开,是因为这个市场有点类似于白金俱乐部或是VIP交易室之类的东西,广告主要到达一定的牛逼程度才能够进去。当这个市场中某些个广告资源开始售卖,便通知这些土豪广告主们,请你们进入我们的VIP交易室来采购吧!不过呢,不是直接买,而是广告主们大家一起竞价,价高者得。你看看,这个过程非常类似于我在前面的几篇文章中讲过的RTB的方法,不过RTB所依托的市场,也就是Ad Exchange大市场,是一个菜市场,谁都可以来买,没有准入门槛。但是这个Private Auction的交易场所,就不是菜市场了,而是VIP市场,只有土豪们玩,屌丝们就别掺合了。大数据

同第二种Preferred Deals方式一样,Private Auction方式也必须按照CPM进行交易。由于Private Auction的资源一般都是比较好的优质资源(媒体内部被称为高优先级资源)因此,尽管它也是竞价方式,也不能100%保证你能得到这些资源,但它的广告位资源的可保证度还是比RTB要可靠太多太多了。因此,在下图中,你可以看到橙色的Private Auction介于广告位预留和广告位不预留中线上,只是稍微偏向广告位不预留一些。

前面我们提到了PMP ≈ 消除不确定性 + 程序化广告,公式的等号用了约等号,现在你应该知道原因。PMP的后两种交易方式(Preferred Deals)和(Private Auction)都没有完全消除不确定性。不过,相对于RTB而言,不确定程度肯定是大大降低了。大数据

在Private Auction的交易方式下,PMP,即私有交易市场这种说法才最能体现其本质,而PDB或者Preferred Deals更像是私下里的直接交易,谈不上真正意义上的市场,不过,约定俗成,这三种方式我们都把它归入到PMP的大范畴中去。

目前,在国内,三种方式中最为常见的是第二种,开始变得常见的是第一种,而第三种还几乎没有看到案例。第三种不够普及的原因显然不是技术上的,更像是文化上的。中国人不喜欢竞争,或者,不喜欢公开竞争,我们更信奉在明面上战斗之前,就暗地里先搞定敌人。所以,那些需要共同竞价的方式,无论是公共的,还是有准入门槛的,大家都不喜欢。不过,在美国,第三种方式反而是最为常见的。这是后话了,按下不表。

在国际广告局(IAB)的介绍程序化广告的标准文档中,我们会看到上面所说的四种方式,如下表所示。我就不翻译了,大家自己看。IAB用的名字跟中国人喜欢用的名字(虽然都是英语)有所不同,不过我相信这对你不是问题,你肯定能够很轻松地对号入座。读懂了我上面的文字,下表也就不是问题了。甚至,当我们国家的互联网公司再推出让你莫名其妙的广告产品的时候,你也会立即恍然大悟,原来是这个意思!大数据再看看新浪的程序化广告产品的宣传册,是不是一眼就看明白了(甚至看到了它措辞上的矛盾之处——既然是Preferred Deals,就很难100%的保量啦。:P)。如下图:大数据

作者:宋星

End.