首頁 > Facebook廣告這麼多,主管如何處理廣告主們的需求?
:::

Facebook廣告這麼多,主管如何處理廣告主們的需求?

你是否想過Facebook是依據什麼條件來篩選和擺放廣告?要如何既滿足廣告主的需求、又讓自己賺到最多錢?「即時競價」能夠平衡每個廣告主與廣告平台之間的利益,其中即時競價技術是以「深度學習」的方法來計算廣告的時間、曝光度、出現的位置、版面的面積、長度、寬度等。透過不同的運算方式,不斷地計算,將得出的預測數值與實際數值進行對比,就能逐漸減少誤差。
 
 
你一定有在使用Facebook吧!那麼你是否留意過那些穿插在資訊間的廣告呢?出現在頁面的不同位置,或不同時段,有些是播放時間較長的影片,有些則只是幾張照片。

你是否思考過Facebook是依據什麼條件來篩選和擺放這些廣告的呢?畢竟幾乎所有的商家都希望能在Facebook這個巨大的社交平台上投放自己的廣告,那麼,Facebook要如何做到既滿足客戶的需求、又讓自己賺到最多的錢?
 
Facebook是依據什麼條件來篩選和擺放廣告?要如何既滿足廣告主的需求、又讓自己賺到最多錢?(圖/Pixabay)
▲Facebook是依據什麼條件來篩選和擺放廣告?要如何既滿足廣告主的需求、又讓自己賺到最多錢?(圖/Pixabay)
 
或許你會說,這還不簡單嘛,誰給的錢最多,就讓他的廣告放在最明顯的位置,或是出現的時間最久唄。

這樣的做法看起來最為直接,但可能不是最好的做法,因為不同的廣告所針對的消費群體也不同,例如若Facebook24小時向健身愛好者推薦垃圾食品,其效果可能不如5分鐘蛋白粉的廣告,或是像瑜珈墊等運動設備的廣告;並且各個消費群體上網的時段也不相同,若以學生為主要市場的廣告,那麼放送的時間便不應該安排在上課期間。

影響廣告最終效果的因素有很多,為了避免無效的宣傳,Facebook在安排不同的廣告內容時,應該使用什麼方法呢?

利益最大化的「即時競價」

當廣告主買廣告時,因為同一個時段會有其他的廣告主,所以必須爭奪曝光度,這時廣告平台就必須思考怎麼去分配各個廣告撥放的時間、時段還有成效,才能平衡每個廣告主與廣告平台之間的利益。這個計算出平衡做法的技術,稱為「即時競價」(Real-Time Bidding, RTB)。

會影響到廣告最終效果的因素有很多,比如廣告的時間、曝光度、出現的位置、版面的面積、長度、寬度等。有這麼多因素要考量,即時競價技術該用什麼方法來進行計算呢?答案就是「深度學習」(Deep learning)。
 
深度學習由三個階段組成,分別是輸入層、隱藏層和輸出層,其中輸入層便是我們將資料匯入的位置,輸出層便是我們得到結果的地方,而夾在中間的隱藏層便是電腦處理數據的地方。隱藏層可以包含很多層級,裡面的每一個三角形都代表著是一個運算方式,不同的運算方式便會得出不同的結果,通過不斷的計算和調整,最後得出誤差值最小的結果。(圖/連俊翔提供)
▲深度學習由三個階段組成,分別是輸入層、隱藏層和輸出層,其中輸入層便是我們將資料匯入的位置,輸出層便是我們得到結果的地方,而夾在中間的隱藏層便是電腦處理數據的地方。隱藏層可以包含很多層級,裡面的每一個三角形都代表著是一個運算方式,不同的運算方式便會得出不同的結果,通過不斷的計算和調整,最後得出誤差值最小的結果。(圖/連俊翔提供)
 
深度學習的結構與應用
 
深度學習是懶人最愛的方法,因為它完全不需要我們告訴電腦要學習分辨的「特徵」是什麼,我們只需要將資料丟進模型,電腦便會自己學習將特徵挑選出來。

深度學習由三個階段組成,分別是輸入層、隱藏層和輸出層。我們將資料匯入輸入層後,隱藏層會自動處理數據、計算,並將結果從輸出層輸出。而且,當電腦在隱藏層處理數據時,會自動將自己計算出的結果和實際的結果相對比,通過誤差來調整計算模型,如果誤差過大,也就是實際的結果與預測的結果相差過大,便代表剛剛自己設定的計算過程不適用,需要修改或替換。
 
這是一個反覆的過程,電腦不斷修改模型的參數,以減小誤差,最後輸出誤差最小的結果,那麼計算得出這個結果的模型,便是之後在預測新的數據時會使用的。
 
深度學習的結構與我們的神經系統相似,每一個單位是一個神經元,訊息則在一個個神經網路中傳輸著。輸入層是接受刺激的神經元,隱藏層是大腦的中樞神經,負責處理接收到的訊息,而輸出層則是在接收到隱藏層所傳訊的訊息後,做出相對應的反應。(圖/連俊翔提供)
▲深度學習的結構與我們的神經系統相似,每一個單位是一個神經元,訊息則在一個個神經網路中傳輸著。輸入層是接受刺激的神經元,隱藏層是大腦的中樞神經,負責處理接收到的訊息,而輸出層則是在接收到隱藏層所傳訊的訊息後,做出相對應的反應。(圖/連俊翔提供)
 
將深度學習的結構,套用到Facebook的即時競價技術上,也就是在輸入層中為電腦提供例如廣告出現的時間、曝光度、廣告的長度等資料,在隱藏層中電腦會使用不同的模型對數據進行處理和計算,經過一系列的處理後,便會將結果:預測的廣告價格輸送到輸出層。
 
一旦這個計算過程得出的廣告價格與實際價格相符,接下來,我們就能利用它來針對新的廣告業主的曝光需求估價。全程不需要人為的控制,是不是很簡單! 
 
廣告面積、長度、寬度、時間,這些都是Facebook在做即時競價時會考慮到的因素,將這些數據扔進深度學習的模型中,通過不同的運算方式,不斷地計算,將得出的預測數值與實際數值進行對比,就能逐漸減少誤差。(圖/東吳大學巨量資料管理學院黃福銘教授改寫團隊提供)
▲廣告面積、長度、寬度、時間,這些都是Facebook在做即時競價時會考慮到的因素,將這些數據扔進深度學習的模型中,通過不同的運算方式,不斷地計算,將得出的預測數值與實際數值進行對比,就能逐漸減少誤差。(圖/東吳大學巨量資料管理學院黃福銘教授改寫團隊提供)
 
這便是深度學習在即時競價中的應用,你學會了嗎?
 
參考資料
1. Chi-Chun Lin, Kun-Ta Chuang, Wush Chi-Hsuan Wu, and Ming-Syan Chen. 2016. Combining Powers of Two Predictors in Optimizing Real-Time Bidding Strategy under Constrained Budget
2. Ruoxi Wang, Bin Fu, Gang Fu, and Mingliang Wang. 2017.Deep & Cross Network for Ad Click Predictions
3. Wu, W., Yeh, M. Y., & Chen, M. S. (2018, July). Deep censored learning of the winning price in the real time bidding. In Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 2526-2535). ACM.
4. Zhang, W., Yuan, S., & Wang, J. (2014, August). Optimal real-time bidding for display advertising. In Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 1077-1086). ACM.
5. Cheng, H. T., Koc, L., Harmsen, J., Shaked, T., Chandra, T., Aradhye, H., ... & Anil, R. (2016, September). Wide & deep learning for recommender systems. In Proceedings of the 1st workshop on deep learning for recommender systems (pp. 7-10). ACM.
 
來源:
  • 科技部107年度「科轉計畫:前沿科技轉化暨教育應用推廣」專案計畫
推薦文章