CN107993097A - 一种BiddingX平台的营销转化方法 - Google Patents

Abstract

本发明涉及互联网技术领域，公开了一种BiddingX平台的营销转化方法，包括：BiddingX平台对全流程的数据进行监测，并将数据整合打通，实时导入DMP系统；DMP系统驱动BiddingX的算法引擎，以及针对每一个营销触点的全流程解决方案。其中，所述监测包括曝光监测、点击监测和落地页监测，所述营销触点包括创意展示、广告点击、落地页、网站/APP、转化和社交分享。本发明在同一个平台上统一管理多个营销渠道以及营销转化流程，从而最大化的提升管理效率、数据透明度、数据可用性，减少数据损耗和流程上的断层，并且用DMP数据驱动多个营销优化解决方案，提升营销效果。

Description

一种BiddingX平台的营销转化方法

技术领域

本发明涉及互联网技术领域，尤其涉及一种BiddingX平台的营销转化方法。

背景技术

DSP(Demand-Side Platform，需求方平台)利用技术手段进行广告交易和管理。广告主可以程序化采购媒体资源，并利用算法和技术自动实现精准的目标受众定向，只把广告投放给对的人。媒体可以程序化售卖跨媒体、跨终端(电脑、手机、平板、互联网电视等)的媒体资源，并利用技术实现广告流量的分级，进行差异化定价(如一线城市的价格高于二三线城市、黄金时段的价格高于其它时间段)。程序化广告的出现，主要是改变了广告投放模式。

程序化广告购买模式下，广告主可以通过DSP平台(或DSP广告代理)投放到AdX(AdExchange，广告交易平台)/SSP(Supply-Side Platform，供应方平台)中的众多媒体。从网盟到程序化广告，广告主实现了从预定义人群定向到自定义人群精准定向的跨越。

DSP的架构及运维对技术都有一定的门槛。首先，需要有强大的实时竞价能力及海量数量处理能力。整个竞价环境中，有大规模的流量信息需要分析处理，在收到高并发的竞价请求时(1秒内可能要同时处理几万至几十万的流量)，需要快速分析流量是否符合投放需求，同时确保在100毫秒内返回，并且还涉及对大规模日志数据的实时统计和离线统计处理。其次，由于程序化广告的核心在于精准定向，对用户识别和定向能力会有很高的要求。但用户行为、用户需求是多变且具有时效性的，清晰刻画用户画像成为一大挑战。

搭建一个完整的DSP，需要一定的基础设施(如服务器资源)，用于处理竞价服务、曝光和点击统计服务、统计报表数据库、缓存服务、Cookie和移动设备ID映射、服务器集群等。DSP所需服务器资源的大小，取决于该DSP的可竞价流量大小、广告投放的规模等。而为了保证用户的浏览经验，确保广告加载速度，还涉及CDN(Content Delivery Network，内容分发网络)服务等成本等。如果DSP对接了大量流量但是只能少量消耗的话，则会造成大量硬件成本的浪费。因此，开发和维护DSP系统需要足够多的资金来维持各种成本。

为了解决上述问题，本发明提出了一种BiddingX平台的营销转化方法，能够实现全流程的智能优化，提升营销效果和效率。

发明内容

本发明所要解决的技术问题在于，提供一种BiddingX平台的营销转化方法，能够实现全流程的智能优化，提升营销效果和效率。

本发明的具体技术方案如下：

一种BiddingX平台的营销转化方法，包括：

BiddingX平台对全流程的数据进行监测，并将数据整合打通，实时导入DMP系统；

DMP系统驱动BiddingX的算法引擎，以及针对每一个营销触点的全流程解决方案。

进一步地，所述监测包括曝光监测、点击监测和落地页监测。

优选地，所述曝光监测和点击监测的代码以URL形式提供，所述曝光监测的URL为1*1的透明像素图片；所述点击监测的URL包括同步点击监测和异步点击监测。

进一步地，所述营销触点包括创意展示、广告点击、落地页、网站/APP、转化和社交分享。

优选地，所述DMP系统收集并存储来自DSP、DNA和DCO的日志数据，将所述日志数据按字段拆解，并存储到HDFS数据存储平台。

进一步地，所述DMP系统的算法包括点击优化算法、竞价优化算法和人群算法。

优选地，所述DMP系统的实现方法包括：

(1)开发Hadoop集群平台；

(2)开发人群肖像计算算法；

(3)开发媒体分类计算算法；

(4)开发通用数据输入/输出接口。

进一步地，所述BiddingX平台还包括DSP系统，所述DSP系统用于帮助广告主对位于多家广告交易平台的在线广告进行购买。

优选地，所述DSP系统的实现方法包括：

(1)构建一个快速对接ADX的流量统一框架，然后与各个ADX进行对接；

(2)管理系统采用B/S结构，通过普通浏览器对系统进行管理；

(3)使用go语言开发竞价服务，提高高并发、低延迟的竞价服务接口；

(4)支持第一方DMP数据的采集，实现实时的重定向投放；

(5)支持更多的定向条件设置；

(6)利用内存的高速访问能力，快速筛选出合适的需要投放的广告；

(7)优化竞价服务逻辑，提升性能，提供更好的响应速度；

(8)优化出价算法，提升与广告效果相关的指标；

(9)完善离线机器学习，分析出人群特征数据库，提供更加精准、完善的DMP数据库；

(10)各个服务分布式集群的完善，使整个系统更加稳定，提供高可用的服务；

(11)根据投放效果数据，优化出价算法和机器学习算法，提升广告投放效果。

进一步地，所述BiddingX平台还包括高并发的数据响应模块和分布式数据存储模块，能够支持实时数据查询，所述实时数据包括CookieMapping数据、曝光频次和DMP数据。

实施本发明实施例，具有如下有益效果：

(1)本发明在同一个平台上统一管理多个营销渠道以及营销转化流程，从而最大化的提升管理效率、数据透明度、数据可用性，减少数据损耗和流程上的断层，并且用DMP数据驱动多个营销优化解决方案，提升营销效果；

(2)本发明的BiddingX平台实现程序化购买、精准受众购买、广告效果监测及优化等主要功能集成一体的统一数据管理；

(3)本发明的BiddingX平台实现了一站式广告活动、创意、落地页、推广产品四大模块的灵活应用，操作简单。

附图说明

图1是本发明实施例提供的传统广告和程序化广告的购买模式对比图；

图2是本发明实施例提供的DSP在程序化购买的位置示意图；

图3是本发明实施例提供的程序化广告参与者及整个流程的示意框图；

图4是本发明实施例提供的一种BiddingX平台的营销转化方法流程图；

图5是本发明实施例提供的点击监测流程示意图；

图6是本发明实施例提供的DMP数据管理平台结构框图。。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

请参见图1，其示出了传统广告和程序化广告的购买模式对比，传统广告购买模式下，广告主需要与众多媒体逐个谈判或通过广告代理购买媒体资源，以CPT或者CPM的计费模式来进行广告包量。广告网盟(Ad Netword)的出现，在一定程度上提高了媒体购买效率，广告主可以同时在多个媒体中进行广告投放，并自主选择要投放哪些地区、哪些时间段、人群标签等预定义的定向条件。网盟可以进行用户定向，但是其人群标签是预定义的，不能根据广告主的需求个性化地定制精准人群标签。虽然扩大广告投放的量级可以提升精准目标受众的命中率，但也会造成了一大群非目标受众的广告曝光浪费。同时，此种模式无法识别不同用户的个性化需求，同一批受众在单一创意或多创意随机轮播的展示轰炸下极易产生审美疲劳，广告点击率自然难以提升，媒体也会因糟糕的用户体验导致流量下降。

程序化广告购买模式下，广告主可以通过DSP平台(或DSP广告代理)投放到AdX/SSP中的众多媒体。从网盟到程序化广告，广告主实现了从预定义人群定向到自定义人群精准定向的跨越。除了简单的定向条件外，广告主可以对用户属性进行精准定向，例如对已有用户群或流失用户进行Retargeting重定向投放等。

精准定向可以分为四部分，人口统计、兴趣、自定义和其他。

人口统计性别、年龄、地域是最基础内容，几乎是受众定向的标配。移动端地域或精确位置比较好拿，加不加精确位置要看具体的受众群体大小和广告的定向多少。多数APP没有多少用户资料，性别、年龄需要去预估，现在很多机器学习算法都可以完成得很好，如果没有可以直接购买，也比较容易检验数据准确性。另外，消费能力、住房、学历、感情状况、工作信息都是比较重要的部分。

兴趣在这里包含上下文定向、频道定向、行为定向，这部分多数以用户标签的形式来落地。多数平台都支持兴趣标签的定向方式，给出可选的商业兴趣标签，也有部分平台提供自定义关键词定向，这种定向暂时是作为补充，相信随着信息挖掘更进一步，关键词会成为更为重要的一项。这部分主要借助行为定向，根据用户的历史行为为用户打标签。

这里的自定义不是严格的自定义，是指广告主可以自己把控的一部分。主要包含：通过用户ID(如设备号、用户id、手机号、Email等)、重定向retargeting(通过网页代码，打通广告主的用户)、相似人群扩展/新客推荐/look-alike targeting等，当然还有借助数据管理平台DMP(Data Mangement Platform，简称DMP)的方式。

其他如天气、社交的关系定向、利用兄弟产品的数据可以参照案例。

通过DMP管理平台、PCP程序化创意平台，“千人千面”的创意展示，与受众进行更高效的信息沟通和互动成为了可能。另外，通过广告验证平台，较好地满足了广告主对品牌保护、反作弊过滤、广告可见度分析等要求。相比靠人力进行媒介洽谈、广告管理和对广告进行无差别投放的传统广告而言，程序化广告的最大价值是为广告主和媒体带来了营销效率和广告效果的双提升。

请参见图2，其示出了DSP在程序化购买的位置，程序化购买通过从媒体到广告主双向的数据流通，经过SSP、Ad Exchange、DSP、DMP等多个环节，最终发布广告。DSP作为程序化购买的市场中的核心环节，其重要原因在于提升媒体流量价值，增强媒体变现能力。同时为广告主提供实时、便捷、自动化的投放体系，高效完成海量的广告投放需求。移动广告程序化购买发展，广告资源更加丰富，广告主多屏投放、广告投放管理以及本底广告投放等需求将通过DSP的技术能力进一步得到满足。

请参见图3，其示出了程序化广告的参与者及整个流程，程序化广告的参与者有作为流量消费者的广告主，作为流量所有者的媒体网站或APP，以及为广告主服务的代理商、需求方平台、程序化创意平台、广告验证平台、监测分析平台，为流量所有者服务的广告交易平台AdX或SSP，以及数据管理平台。整个流程包括广告投放方向、现金流方向、广告服务方向以及数据提供方向。

其中，需求方平台包括DSP和Trading Desk，广告主/代理可以通过DSP投放，也可以通过Trading Desk实现多家DSP的投放。需求方平台可以通过API接入AdX或SSP竞价投放广告，也可以通过JS代码方式直接接入媒体网站或APP。

广告主(Advertiser)是购买流量进行广告投放的最终需求方，代理商(Agency)是广告主的业务代理人，一方面对接广告需求，一方面寻找投放的媒体渠道。

需求方平台DSP为需求方(即广告主或代理商)提供实时竞价投放平台，需求方可以在平台上管理广告活动及其投放策略，包括目标受众的定向条件、预算、出价、创意等设置，DSP通过技术和算法自动优化投放效果并提供数据报告。

采购交易平台(Trading Desk，简称TD)，也可以理解为需求方平台，类似DSP。为需求方提供整合多个DSP平台的技术解决方案。需求方可以再TD统一管理多个DSP平台的投放，包括分配投放预算、制定和调整投放策略、查看数据报告等。TD平台的基础是跟各大DSP通过API对接，广告主/代理再通过TD进行广告投放以及查看数据报告。

理论上是供应方平台SSP负责对接媒体，然后对接进广告交易平台AdX。由于现在SSP的功能基本与AdX一致，所以两者可以统称为广告交易平台。DSP通过API对接AdX或SSP，也可以通过JS代码方式直接接入媒体。

数据管理平台(Data Mangement Platform，简称DMP)能够为广告投放提供人群标签进行受众精准定向，并通过投放数据建立用户画像，进行人群标签的管理以及再投放。按照数据归属，用户数据可分为：

第一方数据：需求方即广告主自有用户数据，包括网站/APP监测数据、CRM数据、电商交易数据等。

第二方数据：需求方服务提供者在广告投放过程中累积的业务数据，如DSP平台业务中积累的受众浏览广告、点击广告等相关数据。

第三方数据：非直接合作方拥有的数据，如运营商数据等。

程序化创意平台(Programmatic Creative Platform，简称PCP)专注于广告创意的投放优化，通过技术自动生成海量创意，并利用算法和数据对不同受众动态地展示广告并进行创意优化，这个过程叫做动态创意优化(Dynamic Creative Optimization，简称DCO)。每个人看到的广告都可以是不一样的。

广告验证平台(Ad Verification Platform)通常也是为品牌广告主服务的，为其提供广告投放过程中的品牌安全(Brand Safety)、反作弊(Anti-Fraud)、可视度(Viewability)等保障，通过分析投放媒体的内容合法性、正面性，为品牌广告的投放提供一个和谐的媒体环境。

监测分析平台(Measurement&Analytics Platform)，广告主在投放过程中，通常会选择信任的第三方监测分析平台对广告投放数据进行同步监测，用于评估广告投放平台的数据，如衡量投放的广告展示量、点击量、受众属性等是否与三方检测报告一致。

媒体网站或APP是流量的最终拥有者，为广告主提供接触受众的平台，是现金流方向的终端。按载体来分，媒体包括PC Web、Mobile Web以及APP三大类资源；按内容来分，媒体包括综合门户、垂直门户、视频等。

用户开启电脑，打开浏览器，访问某媒体网站，媒体网站页面通常会有广告位。假设该媒体网站右上角有250*250的广告位，并且此位置已加入RTB交易市场。用户从进入网站，到250*250广告位置向用户呈现广告，整个过程在毫秒级内发生，期间经历的流程包括：

流程1：用户A在Web浏览器访问某媒体网站首页。

流程2：该媒体网站通知广告交易平台：首页右上角250*250广告位要向用户A展示广告。

流程3：广告交易平台根据这个竞价请求组织一次竞价。由竞价发起服务向各需求方发送竞价请求(Bid Request)，询问是否需要竞价，并传输用户A的User ID(广告交易平台的用户cookie或者移动设备ID等)、用户IP和广告位信息(页面URL、广告位置等)。

流程4：需求方竞价监听服务接收到广告交易平台发来的竞价请求后，将竞价请求信息传输给竞价引擎。

流程5：竞价引擎根据广告交易平台User ID向用户数据中心查询用户相关信息。如果是PC端，竞价引擎需要查询cookie mapping数据库，得出用户在需求方系统的cookieID(如果需求方对应的cookie不存在，则向广告交易平台请求cookie mapping)。

流程6：用户数据中心向竞价引擎返回用户A的信息，如性别、年龄、兴趣爱好等。返回的具体用户信息需要参照用户数据中心的信息维度而定。

流程7：竞价引擎将用户数据和投放需求进行匹配，决定是否参与出价以及CPM出价。

流程8：竞价监听服务向广告交易平台发送出价响应(Bid Response)，并发送CPM价格和广告代码。如果不参与竞价，则不响应。

流程9：广告交易平台接收到所有需求方的出价响应后由竞价决策服务进行竞拍。价高者得，次高价结算，即出价最高的需求方赢得本次展示，并以第二高的投标价格(通常比第二高多1分钱)跟广告交易平台结算。同时，竞价决策服务需要为供应方返回赢得本次竞价的需求方的竞价信息(CPM价格和广告代码)。

流程10：Web浏览器向需求方请求广告物料的展示。

流程11：需求方物料管理服务返回对应的广告物料。需要说明的是，广告物料必须先经过CDN服务再呈现在广告位。另外，需求方平台还会收到广告交易平台发送的竞价消息(Win Notice)，表示该次展示已经竞价成功。

流程12：用户A看到广告，当前竞价流程结束。

这里做以下补充说明：

广告投放管理平台：广告主在广告投放管理平台设置投放时间、预算、地区定向、用户属性等投放策略。竞价引擎需要将用户信息跟广告主设置的投放策略进行匹配，由此判断是否参与竞价。

算法模型：算法模型是实时竞价过程中最主要的决策部分，主要围绕广告主投放需求、媒体质量、人群属性、创意内容、用户场景、市场环境(实时竞价市场中的竞争激烈程度)这六大模块细分不同维度，并通过不断升维和降维进行自动调优，以达到价格和效果的最优值。比如算法模型会根据历史投放数据、用户数据等信息判断/预估哪些用户是高质量用户，是否值得竞价以及应该出价多少。

CDN加速服务：CDN全称Content Delivery Network，即内容分发网络，可以使广告内容的传输和加载更快更稳定。对于图片、Flash、特别是视频FLV等类型的广告物料，必须经过CDN加速，媒体环境才能更快地加载广告物料内容(加载时间控制在1s内)，让用户能够快速看到广告内容。

竞价过滤：在广告交易平台发过来的竞价请求中，需求方平台会根据广告主设置的投放条件和KPI要求以及流量质量等进行过滤，过滤掉的流量将不应答出价。另外，有反作弊能力的需求方平台还会对作弊流量进行过滤，保障投放效果，减少投放浪费。

需求方平台内部竞争机制：需求方平台会在满足参与竞价条件的众多广告主中，根据内部平台每个广告主的出价高低、转化预估等综合标准来判断由谁胜出内部竞争，再用胜出者的出价返回给广告交易平台。

请参见图4，其示出了一种BiddingX平台的营销转化方法流程图，包括：

S401.BiddingX平台对全流程的数据进行监测，并将数据整合打通，实时导入DMP系统。

其中，所述监测包括曝光监测、点击监测和落地页监测。所述曝光监测和点击监测的代码以URL形式提供，所述曝光监测的URL为1*1的透明像素图片，所述点击监测的URL包括同步点击监测和异步点击监测。

请参加图5，其示出了点击监测的流程示意图，同步情况下，用户点击广告时，先跳转广告投放平台的URL，然后302跳转到第三方点击监测URL，最后跳转到客户落地页。

异步情况下，用户点击广告时，会同时触发广告投放平台的URL和第三方点击监测URL，完成点击监测计数。一般广告投放平台都有相应的设置可以填写曝光监测、同步点击监测或异步点击监测。

DMP(Data-Management Platform)全称为“数据管理平台”，它的标准定义是“把分散的第一、第三方数据进行整合纳入统一的技术平台，并对这些数据进行标准化和细分，让用户可以把这些细分结果推向现有的互动营销环境里。”我们可以把它简单理解成一个数据池子，它可以接收来自各方的数据，然后再经过融合、处理和优化后使用这些数据。所述DMP系统收集并存储来自DSP、DNA和DCO的日志数据，将所述日志数据按字段拆解，并存储到HDFS数据存储平台。后续根据用户的需求，使用数据平台的算法库对这些数据进行聚合分类，打标签。最后，将数据导出，重新整合到数据应用中，形成数据利用，发挥数据价值。

请参见图6，其示出了DMP数据管理平台的结构框图，其工作流程包括：

流程1：将第一方、第二方、第三方数据输入到用户数据中心，包括：通过收数接口传输广告主通过加代码埋点时统计到的网站或APP的数据、通过收数接口传输广告投放时的业务数据(如曝光、点击数等)、通过对接接口传输外部数据(包括广告主CRM数据、电商交易数据、第三方DMP数据等)。

流程2：传输数据信息并写入日志Log，包括收数接口和对接接口传输数据到日志整理存储。需要注意的是，由于数据输入的来源较多，用户标识不一致，特别是PC环境下的cookie，因此需要用户ID映射表将所有来源的数据用唯一ID打通。

流程3：日志管理存储将汇总后的数据信息(包括结构化数据、半结构化数据和非结构化数据)发给数据处理服务。

流程4：数据处理服务对日志信息进行标准化处理，发送到分析引擎。

流程5：分析引擎对数据进行清洗，过滤作弊数据和其它异常数据，将有效数据发送到算法中心。

流程6：算法中心结合标签规则模型对数据进行机器学习和数据挖掘，将数据标签化处理后返回给标签管理平台。

流程7：标签管理平台通过输出接口同步数据到各数据应用平台，如DSP、PCP、AdX/SSP或其它平台。

S402.DMP系统驱动BiddingX的算法引擎，以及针对每一个营销触点的全流程解决方案。

其中，所述营销触点包括创意展示、广告点击、落地页、网站/APP、转化和社交分享。

动态创意优化，将正确信息传递给正确的人，利用动态创意优化(DCO)技术，快速、海量生成创意，并在投放过程中智能决策、优化创意组合。

一站式代码管理，提高加码效率，利用自有TagManager(代码管家)平台，快速、灵活、安全地管理您的网站第三方功能代码。

网站监测，记录完整营销行为路径，利用自有网站监测平台DNA，实时追踪用户行为轨迹，记录访客行为信息，制定定制化的优化策略(媒体、创意、落地页优化)。

落地页优化，提升转化效果，利用自有AB测试产品ABTester，通过可视化编辑器对落地页进行“所见即所得”的优化，定向受众人群分类多版本实验，找出最佳版本，最大化转化率

强大的数据管理能力，为广告主搭建私有DMP，搭建第一方DMP，对所有营销活动产生的用户数据进行收集、存储、分析、利用。

所述DMP系统可以帮助广告主/广告代理公司管理用户数据，使营销活动更加有效。所述DMP系统的算法包括点击优化算法、竞价优化算法和人群算法在内的多个应用场景上百种算法。实际应用效果也为DSP广告投放、DCO创意优化，DNA数据分析提供了支撑性作用。DMP数据管理平台，需要搭建超过300台服务器的分布式数据存储和计算平台，根据用户需求，在2-3天内，完成对超过50亿的人群数据分析，形成最终的人群标签和人群报告。所述DMP系统的实现方法包括：

(1)开发Hadoop集群平台；

(2)开发人群肖像计算算法；

(3)开发媒体分类计算算法；

(4)开发通用数据输入/输出接口。

所述BiddingX平台还包括DSP系统，所述DSP系统用于帮助广告主对位于多家广告交易平台的在线广告进行购买。所述DSP系统的实现方法包括：

(1)构建一个快速对接ADX的流量统一框架，然后与各个ADX进行对接；

(2)管理系统采用B/S结构，通过普通浏览器对系统进行管理；

(3)使用go语言开发竞价服务，提高高并发、低延迟的竞价服务接口；

(4)支持第一方DMP数据的采集，实现实时的重定向投放；

(5)支持更多的定向条件设置；

(6)利用内存的高速访问能力，快速筛选出合适的需要投放的广告；

(7)优化竞价服务逻辑，提升性能，提供更好的响应速度；

(8)优化出价算法，提升与广告效果相关的指标；

(9)完善离线机器学习，分析出人群特征数据库，提供更加精准、完善的DMP数据库；

(10)各个服务分布式集群的完善，使整个系统更加稳定，提供高可用的服务；

(11)根据投放效果数据，优化出价算法和机器学习算法，提升广告投放效果。

所述BiddingX平台还包括高并发的数据响应模块和分布式数据存储模块，能够支持实时数据查询，所述实时数据包括CookieMapping数据、曝光频次和DMP数据。

DCO系统的实现方法，包括：

(1)采用go语言开发高并发系统，为了保证开发效率、降低后续维护成本，dco将选用go语言来作为开发语言；

(2)hadoop+storm开发推荐引擎hadoop是目前最流行的离线数据平台，拥有优秀的数据存储平台、计算框架和资源调度系统。hadoop善于把廉价服务器的计算能力和存储能力整合起来，一起为大规模计算提供服务。而storm是优秀的实时计算引擎，低延迟高吞吐，高扩展性。使用hadoop+storm构建推荐引擎将使dco项目快速迭代而易于维护。

广告中的计算问题，寻找特定用户u在指定上下文c中合适广告a的最优匹配，即

从算法角度侧重：

特征提取：受众定向；细节优化：CTR预测；宏观优化：市场竞争；个性化重定向：推荐。

从系统角度侧重：

广告检索：实时索引；特征存储：No-SQL；离线学习：Hadoop；在线学习：Storm；交易机制：实时竞价。

本发明的BiddingX平台贯通了广告监测、网站监测、用户生命周期监测整个流程，并且确保了用户从看广告开始到整个生命周期的数据流完整性和关联性，最大程度确保了数据通透性和可用性。所有数据实时录入DMP，通过DMP驱动算法引擎，作用于针对营销每个环节的各个解决方案，实现全流程的智能优化，从而将营销效果提升数倍乃至十倍。

BiddingX广告投放系统完成可实现程序化购买、精准受众购买、广告效果监测及优化等主要功能集成一体的统一数据管理平台。一站式实现广告活动、创意、落地页、推广产品四大模块的灵活应用，操作简单；多维度数据报表全面衡量广告活动效果，预警式的广告智能管家自动化管理广告活动。全网聚集海量媒体资源，每天的广告竞价流量达到500亿，实现在50毫秒内竞价响应，完成大量的算法计算、人群特征分析并返回最适合的广告创意。每天对海量日志进行大数据分析和机器分析，生产出更精确的人群数据和各类维度报表以供分析决策；具备高并发的数据响应和分布式数据存储，支持各种实时数据的查询，例如CookieMapping数据、曝光频次、DMP数据等。

以上所揭露的仅为本发明的较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种BiddingX平台的营销转化方法，其特征在于，包括：

BiddingX平台对全流程的数据进行监测，并将数据整合打通，实时导入DMP系统；

DMP系统驱动BiddingX的算法引擎，以及针对每一个营销触点的全流程解决方案。

2.根据权利要求1所述的一种BiddingX平台的营销转化方法，其特征在于，所述监测包括曝光监测、点击监测和落地页监测。

3.根据权利要求2所述的一种BiddingX平台的营销转化方法，其特征在于，所述曝光监测和点击监测的代码以URL形式提供，所述曝光监测的URL为1*1的透明像素图片；所述点击监测的URL包括同步点击监测和异步点击监测。

4.根据权利要求1所述的一种BiddingX平台的营销转化方法，其特征在于，所述营销触点包括创意展示、广告点击、落地页、网站/APP、转化和社交分享。

5.根据权利要求1所述的BiddingX平台的营销转化方法，其特征在于，所述DMP系统收集并存储来自DSP、DNA和DCO的日志数据，将所述日志数据按字段拆解，并存储到HDFS数据存储平台。

6.根据权利要求5所述的一种BiddingX平台的营销转化方法，其特征在于，所述DMP系统的算法包括点击优化算法、竞价优化算法和人群算法。

7.根据权利要求6所述的一种BiddingX平台的营销转化方法，其特征在于，所述DMP系统的实现方法包括：

(1)开发Hadoop集群平台；

(2)开发人群肖像计算算法；

(3)开发媒体分类计算算法；

(4)开发通用数据输入/输出接口。

8.根据权利要求1所述的一种BiddingX平台的营销转化方法，其特征在于，所述BiddingX平台还包括DSP系统，所述DSP系统用于帮助广告主对位于多家广告交易平台的在线广告进行购买。

9.根据权利要求8所述的一种BiddingX平台的营销转化方法，其特征在于，所述DSP系统的实现方法包括：

(1)构建一个快速对接ADX的流量统一框架，然后与各个ADX进行对接；

(2)管理系统采用B/S结构，通过普通浏览器对系统进行管理；

(3)使用go语言开发竞价服务，提高高并发、低延迟的竞价服务接口；

(4)支持第一方DMP数据的采集，实现实时的重定向投放；

(5)支持更多的定向条件设置；

(6)利用内存的高速访问能力，快速筛选出合适的需要投放的广告；

(7)优化竞价服务逻辑，提升性能，提供更好的响应速度；

(8)优化出价算法，提升与广告效果相关的指标；

(9)完善离线机器学习，分析出人群特征数据库，提供更加精准、完善的DMP数据库；

(10)各个服务分布式集群的完善，使整个系统更加稳定，提供高可用的服务；

(11)根据投放效果数据，优化出价算法和机器学习算法，提升广告投放效果。

10.根据权利要求1所述的一种BiddingX平台的营销转化方法，其特征在于，所述BiddingX平台还包括高并发的数据响应模块和分布式数据存储模块，能够支持实时数据查询，所述实时数据包括CookieMapping数据、曝光频次和DMP数据。