大家好容我先自我介绍一下，入行三年多了，也来论坛好久了，一直都在请教前辈，但自己也没有什么实际产出，也想贡献自己一份力量，本着让新手小白更加了解广告理论知识和技术为目的，以广告市场的产品和技术演进作为一条明线，数据的利用程度作为暗线展开。
Ps：里面包含数学公式都有解释；ok，废话不说多，正文开始
第一章
广告核心资产可以分为三大类，流量，数据和影响力
（1）流量是指有人使用你的产品，你便可以在产品本身的功能意外夹带一些付费内容（sponsored content）成为广告，这样就把流量变成了收入
(2)数据是有人使用你的产品的过程中留下一些行为和属性，比如搜过某个关键词，浏览某个商品，填写过自己的性别，这些都叫数据，根据这些数据，我们可以更好的了解该用户的属性，偏好等信息，基于这些信息，我们可以调整投放付费内容的策略以提高效率
（3)影响力是指你的产品or内容获得高于普通水准的关注和信任，这些对于提高转化率同样至关重要，因此具备影响力的产品or内容在投放广告时可以获得品牌溢价
大量网红和自媒体，实际上靠影响力而非流量和数据变现。如果将影响力变现与流量和数据变现收入进行对比，前者的价格往往是后者数十倍；通过这三种资产通过商业产品的形式转化变成收入的过程，叫做上商业化（monetization），所以说无论数据变现还是影响力变现，都是建立在流量变现的基础上的，而这样的体系也就是计算广告技术所支撑的现代的商业化产品体系
大数据跟广告息息相关，从数据来源，处理方式和应用方向这三个角度来看，大数据问题都有鲜明的特点
1.行为数据：规模其实不大，但要求一致性和实时性非常高，用IOE的计算架构为交易数据处理提供成熟方案
2.全量加工：海量数据处理而设计的计算的储存技术（NoSQL等）
3.自动化应用：将数据处理结果直接发送给业务进行自动决策的引擎，从用户行为数据收集，到受从定向，再到线上根据用户标签的自动决策，整个过程都是自动化进行的，人的作用只是建立流程和调整策略
我们都知道，广告是由已确定的出资人通过各种媒介进行的有关产品的，通常时有偿的，有组织的，综合的，劝服性的非人员的信息传播活动。而且根本目的是广告主通过媒体达到低成本的用户接触，这就需要用到ROI(ROAS)这一指标
广告表达形式社交广告,横幅广告（HTML5)实现动态素材，视频广告，邮件营销广告，固定位导航等，我们通常叫展示广告，他的售卖模式为合约广告，采用合同的方式约定某一广告位在某一时间段为特定广告主所独占，并且根据双方的要求，制定广告创意和投放策略。
广告原理其实就分位三部分，选择，解释，态度；再进一步分解，就是曝光，关注，理解，接受，保持，决策；定性来说，越靠前，其效果对点击率的影响越大，越靠后其效果对转化影响越大，但以上各个阶段划分绝非孤立和绝对的，而某一向具体的广告策略或技术。往往会对几个阶段的效果同事发生影响，有好多帖子有具体操作，我就不具体细说了
广告技术特点有着重要指导意义，如下
1.技术和计算导向
2.效果的可衡量性
3.创意和投放方式的标准化
4.媒体概念多样性
5.数据驱动的投放决策；
重点讲一下4，对于电商而言，门户网站，垂直网站，搜索引擎，电商网站上，在转化链路上一个比一个跟靠近购买行为，越接近转化媒体上的广告，其带来的流量就可以达到越高的ROI,但同时离“引导潜在用户”这样的广告目的越远
这里的i代表从第1次到第T次之间的某一次广告展示。我们优化的目标就是在这T次上展示上的的总收入®与总成本(q)的差，即总体的利润。对于某一个具体的广告主，有时存在预算的限制，有时存在投放量的保证，这也是广告作为一项商业活动的关键特征之一，其实当每天总预算一定，还可以继续优化，我这里就不讲了，我把图表附上
表达式中的a,u,c这3个变量分别代表广告、用户与上下文（广告被展示时所处的具体环境与场景)，即广告活动的3个参与主体，显然，广告展示的收入或成本与这3个因素都有关。
我这里有一个隐含的假设，即整体的收入或成本可以被分解到每次展示上。显然，这一假设并不合理，但是考虑到实际线上决策时，必须对每次展示马上完成计算，从实用角度出发我们仍然采用这一假设。在实际系统中，可以采用频次控制、点击反馈等方法来解决多次展示之间效果相关性的问题
广告收入的分解和常用计费模式
收入分解为重点讲CPM,其实用数学语言来说，cpm=r（a,u,c)=μ(a,u,c)*v(a,u,c),其中μ表示点击率，v表示点击价值
计费模式有很多，CPT,CPM,CPC,CPS/CPA/ROI,oCPX;重点讲oCPX,是fb采用的，这里的X是M,也可能是C，也就是说，fb会根据后续的转化目标进行优化，他也会承担点击率和点击价值估计的任务
竞价的机制设计
当a广告被放在s位置上，其收益为ras=μsva，做个假设，比如点击率μ仅与位置s有关，而点击价值v仅与广告a有关
都知道广告本质就是价高所得，即为位置拍卖，他是跟定价问题相关，这时我们就必须理解GSP（也叫广义第二高价）和社会福利最优（VCG），GSP这指的是在只有一个位置的拍卖中，向赢得该位置的广告商收取其下一位广告主的出价，这样的拍卖也叫作Vickrey拍卖。在搜索广告这种有多个位置的拍卖过程中，很容易凭直觉将第二高价策略推广成这样的策略:对每个赢得位置的广告主，都按照他下一位的广告主出价来收取费用。社会福利最优就不说了，但对于fb就是个p，fb是以平台收入最优的，不在细说了，最近瞬烧大家都有体会
我们常说这个广告不花钱了，提点价，通常会提0.5-1，为啥要提0.5-1呢？其实是根据迈尔森拍卖所导致的
我们假设某个广告主a的点击期望收益va为一个随机变量，其概率密度函数为a，累积分布函数为Fa，而广告主a的出价为ba。为了简化问题，我们先假设所有广告候选的点击率没有差别，在这种情形下，最优的拍卖机制如下。
(1)将广告主的出价映射成一个虚拟出价
(2)以0作为虚拟出价上的MRP，对出价者进行过滤
(3)在虚拟出价上按第二高价方式进行定价，并转换回真实出价域来扣费
总结起来，这种机制不保证按照出价的高低进行排序，甚至有时还会拒绝所有的出价者。当a皆为[0,1]区间的均匀分布时，此机制等价于第二高价加上0.5的底价。其作用直观上也很好解释:对于那些期望收益很可能比较高的大玩家，我们会通过虚拟出价的变换对其进行一定程度的惩罚，以刺激其出更高的价格。
不仅会影响定价结果，甚至还会影响排序结果，很难向广告主解释其公平性，因此，实践当中各大广告平台虽然或多或少地会采用一些迈尔森拍卖的思想(如对出价能力强的买家进行一定程度的价格歧视)，但很少直接采用迈尔森拍卖的形式作为市场规则。当然，即使有的平台确实采用了类似的机制，也不会公开宜称。
其实还想说点出价策略，定价过程，oCPX整个理解和机器学习的东西，但是是在因为个人精力有限，下次再说吧
