推荐系统和计算广告的相通之处

01伪广告逻辑从第一篇文章“数据与广告系列1：第一次*计算广告”，从数据和算法的角度来看，他是一个逻辑，倾向于候选资源的排名，我们会发现有许多类似的场景。例如，我们做EDM精准营销。在有限的营销预算中，我们通过E-mail将信息推送给候选人，希望带来高转换。事实上，这是一个排序用户池的过程，然后根据预算截取Topn并发送电子邮件。另一个例子是团购网站，或导航网站，或更直接的电子商务货架商品展示，事实上，也指定了条件，在有限的候选人集中，如何排序问题。再比如推荐系统更像是广告的本质逻辑，如何选择候选集，如何在有限的展示场景下安排候选资源。事实上，这些场景有点像伪广告的形式，当然，深入分析肯定是有区别的。经过多年的推荐系统，对推荐系统还是比较熟悉的，我们用推荐系统进行进一步的分析。对于推荐系统或广告来说，推荐系统和计算广告的本质相似之处在于候选资源的有效排名。所谓的候选资源当然是指广告领域的广告池，推荐系统可能非常丰富，需要看到不同的业务场景，如电子商务是商品，信息是各种信息，视频场景是视频，当然，也有跨类型的分流推荐场景。所谓有效排名是从匹配的角度出发的。当然，只有一个基本目的，那就是效果转化（品牌广告也是如此，但它的周期太长，很难跟踪，但目的保持不变）。03推荐系统和计算广告的本质区别在于不同的观点。对于广告商来说，他对自己的广告有一定程度的曝光/转换相关需求，即一般来说，资源是现实的，需要匹配他的流量。对于推荐系统来说，更多的场景是用户流量是固有的，里面丢失的资源相对开放，也就是说，他对哪些资源的具体曝光要求较低，更多的是从用户的角度来匹配更合适的内容。因此，从这个角度来看，归根结底，广告更多的是从广告商的角度来匹配流量，而推荐系统更多的是从用户的角度来推荐/匹配资源。并不是说两者只取一，而是站在不同的角度，思维方式也略有不同。第二，资源的组织方式也不同。对于广告来说，它非常注重其广告的创意体现（即从广告的角度思考），因此每一种资源（候选广告）实际上都是由大量的人工努力产生的（当然，现在很多人都是通过机器学习自动产生创造力的），因为这部分也是影响转型的重要组成部分。然而，对于推荐系统，所有丢失的候选集只是广泛传统资源的一部分。更重要的是，它不是选择资源的包装，而是选择和排序的过程。第三个是最大的差异–竞价。这又回到了第一条。广告从广告商的角度思考问题，分配或匹配流量。当同一流量的多重需求出现时，出现了竞价逻辑，完美地解决了这个问题。对于推荐系统，显然没有这种需求，因为在正常情况下，在同一平台上，服务是用户，只要用户付费，给你哪种商品不给！然而，有一种特殊的情况。这种推荐逻辑可以立即改变为类似广告的逻辑。例如，如果将BC两种产品与A用户匹配（假设匹配度一致、价格一致、转化率一致，甚至类别一致，但如品牌/供应商不同），但场景形式中只有一个资源坑，无论是B还是C，如果没有其他先决条件，都是随机的。但假设我们与BC相应供应商讨论的扣点不一致（所谓扣点是按销售份额结算的模式），我们可以考虑在这个时候仔细选择。因为这有点类似于广告投标的逻辑，在同样的情况下，我当然愿意给我带来更高的利润商品（更少的扣），更少的扣商品通过投标（更少的扣，相同的价格，意味着平台可以得到更多的销售份额，伪装的投标）赢得显示资源。虽然我们大多数人在衡量推荐系统的效果时很少深入跟踪最终利润，但大多数人都在评估点击率和转化率的效果，但不可否认的是，一个真正好的推荐系统仍然需要考虑最终的商业价值，甚至持续的转化能力等等。除了竞价，还有其他一些，比如收费方式、轮换逻辑等。，这也是不同的。甚至有些是独一无二的，但不是重点。04计算广告的多态化和本质。如果上述推荐系统增加了供应商的思维逻辑，推荐系统的逻辑在几分钟内就变成了类似广告的逻辑。事实上，广告有很多形式，并不局限于其载体形式。常见的形式包括横幅轮换资源位置、类似列表的逻辑以及通过搜索嵌入的广告。当然，目前流行的社交形式广告是不可或缺的。事实上，所谓的广告核心是掌握我们第一篇文章中广告的基本逻辑、广告商的需求、流量计算匹配优化、转换估计计算、部分资源流量竞价逻辑等。核心是通过低价有效接触广告商，其外部包装形式和应用场景是次要的，内部数据驱动的核心逻辑一般是相互关联的。在下一章中，我们可以探索社交广告的方向，也可以探索其他垂直和垂直广告的方向，但内部的内部驱动因素或多或少会挂上数据。