超级碗广告：每秒110万人民币，仅播一次
2017年2月，超级碗比赛。1.113亿观众，这是近4年来超级碗观众人数最少的一届。33.9亿人民币，这是广告收入最高的一届。
对于今年的超级碗而言，一段长达30秒的广告要花掉广告主3390万人民币左右，这相当于每秒钟耗费110万。下面这张图表体现出了1967年以来超级碗广告费的走势，从图中可以看出广告费总体呈现上升趋势：
而许多大品牌广告主的眉毛，就和上图的广告费一样，越来越上扬。他们在过去的数十年中经历着“停投就没生意，投了却怕投错”的品牌广告困境。在电视广告那700亿美元市场中，他们急于寻找可靠的数据来证明其投入产出。
2017年5月，谷歌发布Google attribution，尝试告诉营销者那些没有产生点击的广告“同样具有价值”。Google Attribution应用机器学习来分析用户与品牌广告之间的各个接触，它可以在展示广告、视频广告、搜索广告、社会化广告、自身网站以及app应用中进行归因，并可以跨任何屏幕。用谷歌的话说Google Attribution的发布着重于简化归因过程，并让谷歌的“黑科技”惠及所有人。
深层归因：洞察每一分推广费的价值
何为归因？
归因是在客户旅程中衡量各个接触点对转化影响的过程，即在客户观看一系列广告并最终做出广告主希望的举动后，评估每一次广告对转化影响的过程。在上一篇中，我已经详细介绍了归因的含义、基础模型和使用场景，有兴趣的同学可以回顾一下。这一篇，我会以Google attribution 以及及策为例，讲述归因分析的深层作用和基础算法。
Google attribution：何为深层归因
Know what every marketing dollar is doing for you
这句话，讲的是Google attribution 的愿景，直白的翻译，就是”洞察每一分推广费的价值“。核心点很简单，谷歌想要的是”真正“评估每一次广告曝光后的效果，也就是多设备多渠道归因。这点看起来很简单，但世界上做到的就只有谷歌，而及策做到了单设备多渠道归因，还在努力。至于其他公司，多半都还留在lastclick模型上。
什么是多设备多渠道归因？举个例子，用户小及正在策划一场家庭旅行。傍晚，她在电视上看到XX旅行的电视广告，觉得还不错，便用平板在百度上进行搜索，寻找适当的目的地。她点击了一个“厦门酒店”的移动广告，觉得广告带她前往的XX旅行网站还不错。临睡前，小及在appstore的热门应用上又看到了该产品的APP，便下载了APP，为全家预订了行程。
在这个例子中，小及共经历了”电视“”平板“”手机“三个渠道。那么，我们该如何确定来自这三个渠道的广告数据属于小及，而不是阿猫阿狗的？这里，就需要使用多设备多渠道归因。谷歌的归因如下图所示：
| 归因类型 | 广告类型 | 渠道类型 |
|---|---|---|
| 数字归因 | 线上 | 展示广告、视频广告、搜索广告、社会化广告、自身网站以及app应用、智能电视等 |
| 传统电视归因 | 线下 | 传统电视广告 |
| 营销组合模型 | 综合 | 综合 |
其中，数字归因可以是单设备多渠道归因，也可以是多设备多渠道归因；电视归因是单设备多渠道归因，而营销组合模型是多设备多渠道归因。
深层归因的作用
利用深层归因，我们实际上能看到用户在一次转化上完整的广告路线图：
- 看过几次广告
- 何时何地在哪个渠道看的
- 广告的内容和类型是什么
- 是否有互动：点击广告、访问网站深度、时长等等
而基于海量用户的广告路线图，我们实际上就能通过机器学习来优化广告全局：
-
明确渠道角色：
- 助攻角色：对最后的转化起辅助促进作用
- 转化角色：直接影响最后的转化
-
优化广告组合：
- 性价比最高的广告组合
- 转化率最高的广告组合
- 转化周期最短的广告组合
- 转化量最大的广告组合
- 客单价最高的广告组合
通过上述信息，你就能最大化限度地利用你的广告经费，让每一分市场营销费都为你带来价值。
浅析深层归因原理
在上一篇中，我介绍了点击归因的原理，所以这一部分会以曝光归因为例讲解
单用户单设备多渠道归因
仍以小及为例，假设他使用手机，依次观看了优酷、爱奇艺、百度广告，最后在appstore主动下载了XX旅行APP。而单设备多渠道归因分析，要做的就是以下两步：
- 跨渠道识别来自小及的广告曝光记录；
- 还原小及的完整渠道触达轨迹；
- 根据转化点分析，每个渠道的位置和转化价值；
跨渠道用户识别：确定这三次广告曝光对象都是小及
如何识别一个设备标识(Device ID)
小及可以使用不同设备，如手机，电脑，平板等。那么如何在广告营销中定义一个大家都能明白的设备呢？在移动广告中，设备的唯一标识需要满足两个要求：
- 可获得性 ：App程序可以获得该值
- 可交换性：这个值脱敏后，不同系统间可以进行交换。
举例来说，很多互联网服务都习惯于自己管理CRM系统，提供注册功能，都有登陆账号，自己管理登陆。这种登陆账号推广难度大，而且可交换性差。
在移动营销中为了标识一个设备，在苹果手机上，大家都是用广告ID: IDFA(ID for Advertising)；在Android上，国外都是用Google Ads ID；国内因为Google Play无法使用，所以使用情况比较发散，有的用Android ID，有的用IMEI，有的用IMEI-MD5，也有用IMEI-SHA1。而在王章营销中，往往会使用cookieID来标识某台电脑。
假设小及使用的是iPhone 7，那么他的手机就有一个唯一的IDFA。在他浏览优酷时，我们可以监测这次曝光，并用IDFA唯一标识小及；同样，在他浏览爱奇艺和百度时，我们也可以利用IDFA标识小及。
还原小及的渠道触达轨迹
- 确定轨迹终点：轨迹终点，也就是转化点，在小及的例子中，就是下载XX旅行APP
- 确定转化周期：广告曝光效果是随时间减弱的，比如半年前小及看过一次XX旅行的广告，可能他早已忘记了。确定转化周期，就是从下载XX旅行APP的时间点开始，回溯一个周期，在这个周期内的广告曝光我们认为对小及的转化是有帮助的。
- 回溯渠道轨迹：根据转化点和转化周期，查找小及在这段期间内观看XX旅行广告的历史记录，按照时间先后顺序排序
这样，我们就能完整还原小及的渠道触达轨迹。
根据转化点分析每个渠道的位置和转化价值
在小及的例子中，我们可以看到百度广告是小及最后看到的广告，一般可以认为这个广告的价值最大。然而如果没有优酷和爱奇艺的曝光，小及也许根本不知道XX旅行，也谈不上在百度主动搜索该产品。所以，优酷和爱奇艺对这次转化起了辅助转化的角色。在上一篇中，我已经详细介绍了如何运用归因模型进行价值分析，这里不再赘述。
单设备多渠道归因的挑战：庞大的曝光数据量
国内的广告监测公司基本都能做到广告被点击后的统计，但每一次广告被曝光后的数据则不会被统计，因为曝光数据太多，统计了也没能力计算。
举个例子，假设点击数据是1亿，点击率是1%，那么曝光数据则是100亿。一般企业处理亿级的数据普遍还行，但是如果处理100亿级的数据，服务器很可能会挂掉。
单用户多设备多渠道归因
如何进行跨屏标识用户？
在上面的例子我有提到，我们之所以能判断小及看过优酷、爱奇艺、百度的广告，是因为小及的iPhone 7有唯一的IDFA标识。这里，假设小及还在电脑上看过XX旅行APP的广告，而电脑是没有IDFA标识的。那么我们如何知道这台电脑和这部手机属于同一个人呢？在跨屏用户分析，有两种方法：
确定性方法（Deterministic)匹配：确定的信息产生设备连接（往往是隐私数据 PII数据，数据分散在各个系统中），例如登陆账号，手机号等
概率论方法（Probabilistc)匹配：使用间接信息（特别是匿名信息）进行连接，例如Cookie等，上网时间，IP，广告点击信息等等，然后通过机器学或者复杂的规则来分析
能够帮助跨屏分析的数据源是很多的，有确定的，弱确定性的，有不变的，有易变的。
跨屏识别的技术实现算法是多种的，因为每个公司的数据种类和数量都是大相径庭的，算法因而不同。如果有统一的账号体系，问题会简化很多，同一个手机和平板，登陆了同一个社交网络，说明这两个设备的用户很有可能是一个人。再举例，一个手机和一个PC处于一个IP，那么他们很可能来自于一个家庭的网络，它们后面是同一个人的可能性会提高，然后可以再根据其它的一些数据线索进一步分析置信度，包括如下过程：
- 发现关联：确定性，概率匹配
- 关联强度：时间，任务，内容等
- 关联调整：状体转移，淡出等
跨屏的挑战
中国跨屏分析会比美国要复杂很多：
- 中国IP复用情况多：中国IPv4大约3.3亿，网民大约７亿；美国IPv4大约12亿，网民大约2.6亿；中国网民的人均IP远远少于美国，很多用户的IP都混杂在一起，分析起来复杂度也更高一些。例如，有些运营商在整个县城都使用一个公网IP。
- 中国双卡手机的使用率高于美国市场，使用场景也更加复杂一些，地域上中国人口分布在高密度的城市。
- 中国的山寨机，网络劫持和流氓软件都会影响跨屏分析的精准性。
此外，多设备多渠道的归因与单设备多渠道的归因基本一致，不再赘述。
写在最后
随着AI技术的发展，深层归因分析必然成为未来广告监测行业的标准。关于广告投放和效果监测的系列文章就写到这里。下一个系列，我会讲述如何精细化运营客户。欢迎关注及策云课堂，也可以点此免费试用我们的产品。
及策——洞察你的用户。
