程序化创意(Programmatic Creative Platform)

Programmatic Creative Platform Haran 6年前 (2018-11-10) 7203次浏览 0个评论

这一节来介绍一个大家比较少接触,也比较少听的东西,但一举个实际的例子,不少人可能会说:哦,原来这个就是。这一节要带大家认识的就是程序化创意Programmatic Creative Platform,简称PCP),很多人可能是第一次听到这个词,但肯定会有不少人听过程序化广告,心里可能会在嘀咕,程序化创意到底是什么东西。给大家举个例子就明白了:淘宝的千人千面

程序化创意(Programmatic Creative Platform)

你看右边的第一张和第三张图,它们就有很明显的规律,它们的文案、字体、位置都是一样的,但是主图,背景颜色、大小……是不同的,千人千面是每个人看到的都不一样,淘宝有每天有数亿人登录,每个人看到的要不同,即使是百万级别的素材制作都是需要非常长的周期,人力和资源的。程序化创意就能够解决这个问题,只需要上传原始主图,做些设置,就可以在几个小时内生成上百万的Banner,素材。原来需要100个设计师做几个月的东西,现在需要一两个小时。

对于素材,或直接说Banner,我们在设计的时候,首先要确定它的大小,比如是横幅、长横幅还是短横幅,通栏,大尺寸or小尺寸……有很多的尺寸,大小,这些尺寸是按照广告平台已有的规则,直接可以在程序化创意平台里面设置,比如移动端上大尺寸推荐:

ios端:640*180px  或者640*240*    40K以内

android    720*300px   1080*375px  70k以内

你只要选择对应的大小,就可以生成相应大小的banner。

然后就是去设计的,设计一般考虑的是主图、背景、文案、Logo……主图就是你的创意的主元素,如前面图片提到的第一张和第三张,它们主图就是不同的,第一张是两个男士,展示给的主要是男性用户,第二章是女性,展示的主要是给女性用户;背景颜色,冷暖色调,中性色还是彩色;文案,这个需要自己想出来的,文案的文字的大小,颜色,位置都是可以不同的;Logo的其实跟文案类似;以上考虑可以有不同的组合,比如主图上传10张,背景上传10张,文案想10个,字体设置10种,颜色10种,位置10种,这样就生成10万banner,而且只需要一个小时不到,所以,程序化创意的一个很重要的作用就是提高Banner的制作效率。

有些人可能会想:这个实际上是个自动化的工具,网上也有很多能自动生成bannner的工具。

确实的是的,但你想一下,如果你一次生成100万张素材,你还能区分这张跟哪张有什么区别,这个系列的有哪些,这个对应的着陆页要是什么?你能管理得来?

所以程序化创意平台一般都是直接跟DSP对接的,往往是直接授权过后,你就可以直接在DSP里面投放的,有些直接就是DSP有这个程序化创意的这个功能,不管它是自己开发的还是接入第三方服务的。这个管理功能是其他在线工具不具备的,而有了这个管理功能,能够区分不同的Banner,有一些记录,这些记录还可以用于后面的优化。

所以,如果这一块能够火起来的话,应该很多的只是提供在线生成banner的单位可能也会涉足这一块的,所以现在做程序化创意的都会想做的更深,更多,让自己更有价值,比如动态创意优化Dynamic Creative Optimization,简称DCODCO有两个方向,一个是对创意做优化,一个是对创意和用户匹配做优化,我举个例子,大家就应该会明白了。

比如我吧,GA小站,现在有5千万的预算要去投放,我通过程序化创意去生成了4000个banner,根据主图的不同将banner分成4组,A、B、C和D,投放两周会回收的数据有:

程序化创意(Programmatic Creative Platform)

这里只是列出几个,实际还有其他的。

如果只是单纯的通过这几个类别就判断A组好或B组好,这个显然是不合理的,因为自动化生成Banner的时候有很多变动的创意,这些都是可能会营销大最终的转化的,这些每一个变动,在生成banner的时候都是有记录的。比如下面的:

程序化创意(Programmatic Creative Platform)

实际上维度比上面的更丰富,还有很多用户属性的维度。

我们就可以分析,通过模型去判断,最终是否转化,一般是用判别模型,常用的算法有k近邻法、感知机、决策树、逻辑斯蒂回归模型、最大熵模型、支持向量机、boosting方法和条件随机场等这里用逻辑斯蒂回归模型(Logsit模型)去判断。

用了一个f(x)=x函数,作为激励函数,而在逻辑斯蒂回归中,采用sigmoid函数作为激励函数,在这里假设用户转化的概率为P,为不转化就是1-P,我们成P/(1-P)是转化发生的几率,给这个几率取对数,定义为Logit(P),所以会有:

程序化创意(Programmatic Creative Platform)

转化为y=1是对数几率为输入x线性函数,那么就有

程序化创意(Programmatic Creative Platform)

logit函数的反函数,也被称为logistic函数也就是sigmoid函数

程序化创意(Programmatic Creative Platform)

图形如

程序化创意(Programmatic Creative Platform)

通过图像我们可以发现,当z趋于无穷大的时候,取值是趋于1的,当z趋于无穷小的时候是趋于0的,这里的1和0分别代表转化和不转化,可以根据过往的数据去求出权重和阈值,比如大于0.5的就转化,小于0.5的就不转化。

二项逻辑斯蒂回归也可以推广到多项逻辑斯蒂回归,对于wX+b,X就向量,是代表创意,最总我们会得到一个类似AX1+BX2+b结构的参数,而每个X代表不同的创意,比如这里的AX1+BX2+b表示影响这个判别模型主要是X1和X2这两个因素,我们这里假设对应的分贝是主图A和背景色是红色。

实际的算法肯定不会那么简单的的,这里只是作为举例用途,而算法是每家单位的核心,更不可能告诉大家的,我这里只是举个例子,按这种情况,应该选怎样的模型可以去处理,所以举例这个模型。

那么接下来,投放就会自动将没有这两个标签的,差的投放给停了,然后按照这两个因素去拓展新的banner设计,比如生成全部是主图A的banner,或A这种风格的,背景色是红色的,红色的渐变色。。。就又可以生成4000banner,然后投放出去,如此循环。

这些都是可以自动执行,也就是动态创意优化了。

以上的是对创意做优化的,那么用户和创意匹配做优化是怎样的呢?其实就类似于商品推荐了,大家应该很好理解的,从而提升用户的体验和转化。

目前第二种优化是比较流行的,第一种有些厂家也在尝试做。

程序化创意在电商行业用的比较多,因为电商里面的商品图片非常多,另一个是游戏行业,游戏产品都是铺天盖地的广告,需要大量的banner,很适合用这个,类似额的还要一些手机产品的发布会的,一个完整的新产品的发布的营销费用都是按亿来算,短期需要大量投放,也是很适合用程序化创意去做。


如有疑问,可以在文章底部留言或邮件(haran.huang@ichdata.com) 我~
喜欢 (5)
发表我的评论
取消评论
表情 贴图 加粗 删除线 居中 斜体 签到

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址