01 伪广告逻辑
从第一篇文章《数据与广告系列一：初识在线计算广告》中，从数据和算法的角度，他就是一个偏向于候选资源排序的逻辑，我们会发现还有很多类似的场景。
比如，我们做EDM精准营销，有限的营销预算里，将信息通过E-mail推送给候选人，期望带来高转化，其实就是将用户池排序的过程，然后根据预算截取TopN来发邮件。
再比如，团购网站，或者导航网站，或者更直白点电商的货架商品陈列，其实也是指定了条件，在有限的候选集里，如何排序的问题。
再再比如，推荐系统，就跟广告的本质逻辑更像了，在有限的展示场景下，如何选择候选集，如何排列候选资源。
这些场景其实都有点像伪广告的形态，当然，深入分析肯定是有差异的。做了好些年的推荐系统，对于推荐系统还是有些熟悉的，我们以推荐系统来做进一步的分析。
02 推荐系统和计算广告的相通之处
对于推荐系统或者广告来说，其本质相同点都是候选资源的有效排序问题。
所谓候选资源在广告领域里当然是指广告池，而对于推荐系统来说可能就很丰富了，需要看不同的业务场景，比如电商里就是商品，资讯里就是各种资讯，视频场景里就是视频，当然也存在跨类型导流的推荐场景。
而所谓的有效排序，则是立足在匹配度的角度上出发的，当然本质目的都只有一个，就是效果转化（品牌广告也同样，只不过他周期太长，难以追踪，但目的是不变的）。
03 推荐系统和计算广告本质差异
对于差异点来说，首先是思考角度不同，对于广告主来说，他对于自己投放的广告是有一定程度上的曝光/转化相关的诉求存在的，即大体上资源是现实存在，且需要给他匹配流量。
而对于推荐系统来说，更多的场景是用户流量是固有存在的，里头丢什么资源是相对开放的，即他对于具体曝光哪个资源的诉求较低，更多是站在用户的角度上，给用户匹配更合适的内容 。
所以，从这个点来说，归根结底就是广告更多是站在广告主的角度，去给他匹配流量，而推荐系统更多是站在用户的层面上去给他推荐/匹配资源。不是说两者只取一，只不过站的角度不一样，思考方式也是略有不同的。
第二就是资源的组织方式也是不同的，对于广告来说，非常注重于其广告的创意体现（这就是上面说是站在广告投放的角度思考问题），所以每个资源（候选广告）其实都是大量人工的付出而产出的（当然，现在很多通过机器学习自动生成创意），因为这部分也是影响转化的重要组成部分。
但对于推荐系统来说，所有丢出去的候选集只是茫茫常规资源中的一部分而已，更多的不在于说对于选出资源的包装，而在于选择和排序的过程。
第三就是最大的差一点--竞价。这又回到了第一条，广告是站在广告主的角度思考问题，来为其分配或者匹配流量，当出现同个流量多方需求的时候，竞价的逻辑就出现了，完美的解决了这个难题。而对于推荐系统来说，显然是不存在这个诉求的，因为常规情况下，都在同个平台内，服务的是用户，只要用户买单，给你哪个商品不是给呢！
但是，有一种比较特俗的情况，立马可以把这种推荐逻辑变更为类似广告的逻辑，比如假设给A用户匹配上了BC两个商品（假设匹配度一致，价格一致，转化率一致，甚至品类都一致，但是比如品牌/供应商不同），但是场景化的形态里只有一个资源坑位，到底是给B还是C，如果没有其他前置条件，就随意了。
但是假设说我们跟BC对应供应商谈的扣点是不一致的（所谓扣点，就是按销售分成的结算的模式），那么此时我们就可以考虑慎重选择了。因为这已经有点类似广告竞价的逻辑了，同等情况下，我当然愿意将这个资源给能给我带来利润更高的商品（扣点少的），扣点少的商品通过竞价（扣点少，价格又相同，意味着平台方能拿到更多的销售分成，变相的竞价）拿下了这个展示资源位。
虽然，我们大部分衡量推荐系统效果的时候比较少去深入下去追踪最终的利润那一层，大部分都是在点击率，转化率这层做效果评估，但不可否认，真正一个好的推荐系统，还是需要考虑到最终的商业价值的，甚至还要考虑持续化的转化能力等等诸如此类。
除了竞价之外，还有就是其他的一些诸如计费方式，轮转逻辑等等，也是有差异的，甚至部分都是独有特性，但不算是重点了吧。
04 计算广告的多态化和本质
从上述推荐系统如果加了供应商思考逻辑，推荐系统逻辑分分钟就变成了类似广告的逻辑，而实际上广告的形态本来就很多，并且也并没有拘泥于其载体形态。
常见的有banner轮播资源位的形态，还有类似榜单的逻辑，还有通过搜索做的搜索嵌入的广告，当然还少不了当前比较火热的社交形态的广告等等。
其实所谓广告核心是抓主我们第一篇中的广告本质逻辑，广告主的诉求，流量计算匹配优化，转化预估的计算，一些资源流量竞价的逻辑等。
核心是服务于广告主通过低价进行用户的有效触达，而其外在的包装形态，应用场景都是次要的，内在数据驱动的核心逻辑大体上是相通的。
在下个章节里，我们可以会往社交广告方向探索，也可能针对广告其他垂直纵向的广告方向探索，但多少都会挂上数据在里头的内在驱动因素。
本系列其他文章：
