β

ReachMax 案例:箭牌糖果在程序化投放中找到的“甜”

adexchanger广告技术流 103 阅读
每个人都有可能购买益达,因此箭牌的投放更加重视消费者覆盖面及接触频次,让尽可能多的消费者看到广告的同时也能按一定频次重复观看从而影响其购买行为。在常规投放下,尽管媒体自身也有频控机制,但消费者对媒体的选择是不受控制的,因此各媒体之间仍会由于超频而产生较大浪费,很难有效地实现这一诉求。箭牌希望通过程序化投放来解决跨媒体的频次控制问题,在最大化1+UV 转化率的同时提升5+UV转化。 同时提升1+和5+是难点 在常规投放中,同时提升1+和5+指标必然会导致2+、3+、4+一起被提升,造成一定量的频次浪费。而在该案例中,希望通过程序化投放帮助实现最大化1+和5+指标的同时尽可能地降低在2+、3+、4+频次上的浪费,这在技术实现上存在一定的难点与挑战。针对这一需求,分别在投放系统设定1+UV转化与5+UV转化的目标值,通过跨媒体人群识别及潜在高频用户预测与追频技术,在提升 1+UV 占比的同时让潜在5+高频用户优先观看广告,降低非目标频次用户比例。 基于ReachMax Cookie实现最大范围的跨媒体人群识别 在程序化投放中,跨媒体识别并不是一个新鲜的概念,基于pc端的cookie或者移动端的设备id对一个用户不同的触媒频次进行识别,并通过整体中控来实现跨媒体的频次优化。要实现这一需求,对第三方投放系统的cookie积累是一个挑战。 举个例子:当小明在媒体 1 看过一次广告后ReachMax即认识了小明,接下来他再到任意一家与 ReachMax对接的媒体系统都知道是小明,同时还知道他观看相同广告的次数。当优选1次UV时,小明看过1次广告后再次触发广告请求时,ReachMax则把小明的请求退还给媒体播放其他广告,把曝光机会给到没看过这条广告的小红;当优选5+UV时,ReachMax收到小明的再次请求时仍为其播放广告,直到他看过5次以上后才停止。 在本案例的投放中,箭牌通过ReachMax投放5家视频媒体,ReachMax基于过往投放已经与对接媒体维持日均上亿的cookie mapping量,实时更新近10亿的cookie mapping库,尽可能地保证媒体推送的每一个用户ReachMax系统都能够识别。 未卜先知的频次预测,更有效地智能追频 当进行N+UV追频投放时,知道小明会来N次和等待小明来N次,前者的投放一定事半功倍。ReachMax基于对媒体大量推送资源的历史投放积累,通过大数据算法模型分析,已经能够一定程度上做到对高频用户的未卜先知,并且在投放时对其优先曝光,有效提升追频效率。正是基于此智能追频功能,ReachMax实现了追频的同时降低了在非目标频次上的曝光浪费。 最后,在ReachMax的严格频次控制下,箭牌活动的程序化投放综合1+UV转化效率较常规投放提升 15%,综合 5+UV转化效率较常规提升18%,效果超出预期。
作者:adexchanger广告技术流
大数据时代的广告思想

发表评论