美團在O2O場景下的廣告營銷

美團做爲中國最大的在線本地生活服務平臺，覆蓋了餐飲、酒店、旅行、休閒娛樂、外賣配送等方方面面生活場景，鏈接了數億用戶和數百萬商戶。如何幫助本地商戶開展在線營銷，使得他們能快速有效地觸達目標用戶羣體提高經營效率，是美團的核心問題之一，而機器學習相關技術在本地在線營銷場景下發揮着很是關鍵做用。

本文將從5個方面來介紹。首先，介紹O2O場景下廣告業務的特色，及其與B2B和B2C廣告業務的差異；其次，從商戶效果感知、用戶體驗和媒體平臺收益三個維度，介紹O2O廣告業務的最重要的考量指標；第三，從前兩節闡述的業務特色和考量指標出發，介紹O2O場景下在線廣告營銷的機制設計；第四，介紹O2O特有的實時場景化下的推送廣告；最後，簡要介紹O2O廣告系統相關的工具。

O2O場景下的廣告業務特色

在O2O業務模式和相關的平臺崛起以前，大品牌的商家因爲收入規模大、營銷費用充分，爲了提高品牌知名度依靠以下的途徑開展宣傳：傳統媒體（如電視、廣播、報紙）；互聯網流量（如傳統搜索引擎、門戶網站等）；戶外廣告（如公交地鐵車身、廣告牌、燈箱等）。經過上述媒介，商戶能快速接觸大量的用戶，宣傳品牌的形象。上述營銷方式也有其侷限。首先廣告投放的資金門檻較高，營銷預算有限的商戶沒法承擔相關費用；其次對於以直接效果爲導向的商家來講，上述投放形式過於粗放且沒法造成直接的購買轉化效果閉環。對於大多數的中小商家來講，他們營銷預算有限且更加註重直接的購買轉化，獲取潛在客戶的主要途徑是散發傳單、派發禮物、沿街喇叭廣告。可是，這些線下的營銷手段覆蓋到的潛在消費者較爲有限，而且這些方式沒法長期持續開展。

以美團爲表明的O2O本地生活服務平臺快速成長壯大，逐漸成爲廣大本地服務商戶在線營銷的最重要的手段之一。美團平臺上彙集了上億的消費者，他們使用平臺尋找商家、查詢優惠信息、瀏覽評論。對於商戶而言，他們是最直接的潛在消費者。經過在美團平臺開展在線營銷，商戶可以得到更多的展現機會吸引更多客戶到店消費。藉助於便利的在線諮詢、預約和支付手段，平臺上的廣告業務能夠造成了效果閉環，商戶能清晰準確掌握廣告投放的效果並以此優化廣告投放策略。

對於美團而言，平臺能夠基於對用戶大數據的挖掘和分析，在由時間、地點、用戶和關係構成的特定場景下，鏈接用戶線上和線下行爲，理解並判斷用戶情感、態度和需求，爲用戶提供實時、定向、創意的信息和內容服務。 O2O場景下的在線營銷廣告相較於傳統的B2C和B2B商業模式下的廣告有其獨特屬性，獨特性主要體如今移動化、本地化、場景化以及多樣性4個維度。

隨着寬帶無線接入技術和移動終端技術的飛速發展，人們逐漸開始使用手機等移動設備隨時隨地從互聯網上獲取信息和服務。在這個時代，不管是新聞閱讀、社交通訊仍是電子購物，人們都習慣於經過手機應用來直接知足自身的需求。事實上，美團在移動互聯網發展的初期就主動適應了這一歷史潮流，大力發展移動服務能力，目前已經有超過90%的交易行爲是經過移動互聯網服務達成的。O2O廣告做爲鏈接人和服務的本地化生活服務營銷模式，它有鮮明的移動化和本地化的特色。

• 移動化。它主要體如今精確性、即時性和互動性三個方面。經過移動設備的傳感器，咱們能精確瞭解用戶所處的地理位置，推送更加精準的廣告。絕大多數用戶隨時都把手機帶在身邊，因此廣告信息能及時推送給用戶。功能強大的各類移動應用，爲廣告提供了多種互動可能性，例如在美團App上，用戶直接能夠完成推廣商戶的信息查詢、排隊和交易。

• 本地化。以轉化效果爲導向的O2O廣告營銷，營銷的目標用戶是提供服務的本地商戶附近的人羣。在淘寶上，一雙皮鞋能夠對全國的用戶開展推廣和售賣，不管消費者在何地，物流和快遞都會準確地把貨物送達到消費者的手上。而在美團上，一家在五道口的火鍋店最佳的推廣對象是五道口附近的食客，這些食客才最有可能直接到火鍋店來消費。實際上，經過觀測實際的交易數據，咱們發現超過90%的交易中用戶和商戶的距離小於3千米。營銷活動要取得好的效果，必須針對性地選擇目標羣體，在O2O廣告中目標羣體就是本地化的用戶人羣。移動設備的精肯定位爲商戶發現目標人羣提供了保證。

• 場景化。消費者、移動設備、時間、空間構成了用戶消費需求的精準場景。PC時代，用戶的標識以Cookie爲載體，但Cookie極易清除，同時一臺電腦可能會被多人使用，這致使用戶信息很難有效串聯，連受衆年齡、居住地等基礎信息都沒法準確把握。而在移動互聯網時代一機一人的模式下，經過分析和挖掘用戶在平臺上留下的各類行爲足跡，咱們能對用戶方方面面的屬性和偏好進行解析和重構，產出十分精準的用戶畫像。在瞭解用戶的地理位置、消費意圖和行爲軌跡等用戶信息前提下，O2O廣告營銷能在由時間、地點、用戶和需求構成的特定場景下，爲用戶提供實時、定向和富有創意的營銷內容，鏈接用戶線上和線下的行爲。例如在一個陽光明媚的下午，對一個在CBD上班並有喝下午茶習慣的白領，平臺能夠適時地推送下午茶或者咖啡店商戶。

• 多樣性。O2O商業模式面對的是各式各樣的本地生活服務業務，不一樣的業務有着不一樣的特色，並對O2O廣告營銷也提出了不一樣的需求。舉個簡單的例子，不一樣的服務業務對目標用戶的本地性要求也截然不同：餐飲類服務對距離比較敏感，這一類服務商家的目標用戶羣體是商戶周邊的食客；婚紗攝影類服務對距離就沒那麼敏感了，這一類服務商家的目標羣體是全城的新婚夫婦。

商戶、用戶和平臺三者利益平衡

廣告系統和搜索系統、推薦系統，有着十分類似的系統架構：它們大都採用了檢索加排序的流程體系。基於這一點，有不少人認爲廣告業務和搜索推薦業務沒有區別。實際上，廣告業務有其獨特規律。廣告首先是一項商業活動，它的出現遠遠早於互聯網。做爲一種商業活動，商戶、消費者和媒體平臺三者的利益都要被重視和考慮，這些利益指標是廣告業務得以可持續健康發展的啓明燈。本節將從商業活動的角度出發，分析美團O2O廣告營銷中的商戶效果感知、用戶體驗和平臺收益這三項重要指標。

商戶效果感知

商戶在美團廣告平臺上進行廣告營銷的根本目的，是經過美團觸達更多的潛在消費者，得到最大的增量利益。 本地生活服務類型的商家的成本能夠分爲兩個部分：變更成本和固定成本。變更成本是隨着業務量變更而線性變更的成本，主要來自原料消耗。而固定成本是在必定時期內是不會隨着業務量的改變而改變的成本，如門面裝修的投入、店鋪的租金、店鋪服務人員的基本工資等。商戶若是沒有足夠的業務量，不能招攬足夠多的消費者，則單位業務量的成本會居高不下，致使嚴重虧損。所以，對於餐飲行業，商家的首要目標是提高翻桌率、減少空座率，而對於酒店行業，商家的首要目標是提高滿房率、減小空房狀況。固定成本的存在是本地商戶開展O2O廣告營銷的基本前提。

從商戶的角度出發，O2O廣告營銷的效果能夠從三個維度來衡量：廣告的可見性、廣告帶來的線上增量收益和廣告帶來的總體增量收益。

對於商戶來講，可見性是最初步且最直接的營銷結果，是商戶獲得的最快的效果反饋。廣告的可見性表示商戶的營銷信息已經開始經過媒體平臺去觸達潛在的消費羣體。所以，穩定可靠的廣告展示預期是贏得廣大商戶對O2O廣告營銷信任的最基礎要求。

廣告帶來的線上增量收益是指經過在美團等媒體平臺上的廣告投放帶來的線上收益。這一部分收益能夠分爲兩類：一類是直接的在線訂單帶來的收入，例如團購、酒店預訂等；另外一類則是在線預定等非直接交易帶來的收益。對這一部分收益，平臺方能給出準確的統計、分析並反饋給廣告商戶。對於外賣、婚紗攝影和酒店旅遊等對線上流量、線上交易依附度很高的行業來講，它們的線上收益佔總體收益的比例很是大，這個比例直接反映了商戶的經營活動的情況。

除了直接使用在線交易，用戶使用美團的另外一種場景是經過平臺查看商戶菜品、評價和地理位置等信息，而後直接到店進行消費。廣告給商戶帶來的總體增量收益即包含了這部分離線客戶引流帶來的收益。餐飲類的商戶的線上交易只佔門店總體收益的一小部分，所以，對廣告效果的衡量須要綜合考慮在線和離線兩部分收益。離線引流部分收益相對於在線交易收益較難準確統計，可是平臺能夠經過用戶的實時地理位置準確統計部分用戶的到店狀況，或者經過曝光、點擊至到店的數據漏斗模型對到店數據進行估計。將來隨着電子化支付方式的普及，平臺將能更好地對商戶的總體收益進行統計。

瞭解了O2O廣告營銷效果的主要衡量指標後，要肯定商戶的廣告投放成本是否真的較低，須要用到投入產出比（Return over Investment，ROI）這一經常使用的評價指標，即某次廣告活動的總產出與總投入的比例。對應於兩種廣告收益指標，ROI也能夠分爲在線支付ROI和總體ROI：在線支付ROI等於在線增量交易額除以廣告費消耗，總體支付ROI等於總體門店收入增量除以廣告費消耗。在廣告費預算有限的狀況下，商戶老是尋求優化廣告投放，提高ROI。

用戶體驗

有效地保障用戶體驗，是美團開展O2O廣告營銷的基本前提條件。平臺只有保障用戶體驗、對用戶有用，它的價值才能獲得體現。美團經過讓更多的用戶留存並活躍在平臺上，才能吸引更多的本地生活服務商戶來進行廣告投放，才能生成更大的流量用以廣告變現。

美團主要從短時間和長期兩個維度來進行用戶體驗指標的設計和度量。從信息曝光、用戶點擊和用戶交易這個用戶行爲漏斗出發，短時間用戶體驗指標主要考慮了點擊和交易狀況。第一個短時間用戶體驗指標是點擊率（Click through Rate，CTR），其數學表達爲點擊次數（Click）除以曝光次數（Impression）。點擊率反映了給用戶展現的商戶信息的質量和相關性，與用戶意向無關的、與用戶所處時間地點場景不匹配的廣告信息展現，不能知足用戶的需求、吸引用戶的點擊，從而致使較低的點擊率。點擊率這一指標又細分爲廣告曝光的點擊率和總體頁面的點擊率，前者度量了廣告自己的優劣，後者反映了廣告對總體信息呈現效果（天然結果加廣告結果）的影響。劣質的廣告除自身點擊率較低以外，還會攪擾用戶總體瀏覽行爲，使得用戶不能愉悅獲取須要的本地生活服務信息。

**CTR=點擊次數/曝光次數**

爲了得到真實的曝光，通常會在移動端進行埋點監控每一個POI在手機屏幕上實際展示的比例和時間，將超過必定展現比例和時間閾值的POI歸入曝光次數的統計。

第二個短時間用戶體驗指標是轉化率（Conversion Rate，CVR），其數學表達爲交易次數（Order）除以點擊次數（Click）。轉化率一樣反映了商戶信息展現的相關性和質量，和用戶需求不相匹配的商戶展現將不能促成交易的達成，從而致使較低的轉化率。和點擊率指標相似，轉化率指標亦可分爲廣告轉化率和總體頁面轉化率。其中廣告轉化率還和商戶的在線交易ROI成正比，準確有效的廣告投放，不只能夠提高用戶體驗，還能提高商戶的ROI。

**CVR = 交易次數/點擊次數**

長期用戶體驗指標以更長的時間跨度爲出發點，評價廣告對用戶的長期持續影響。長期用戶體驗指標主要包括回訪率和復購率兩個指標。回訪率是一個反映用戶長期留存的指標，其意義爲必定時期內用戶是否還會從新登陸和使用美團平臺。回訪率指標包括週迴訪率、月回訪率等。低質量的廣告投放，攪擾了用戶使用平臺方便獲取商戶信息的感覺和體驗，使得用戶脫離平臺以至流失，從而致使回訪率下降。復購率則反映了用戶消費體驗的指標，其意義是必定時期內用戶是否會從新購買某一個商家的服務。一樣，低質量的商戶服務會損害了用戶的消費體驗，使得用戶再也不進行一樣的消費，進而致使了復購率的降低。

爲了準確衡量廣告投放帶來的用戶體驗影響，除了進行策略變動對比測試以外，平臺會長期保留一小部分流量做爲對照組，不對這部分用戶開展廣告投放，經過比較總體流量和對照組上相關用戶體驗指標的差別，來肯定廣告對用戶體驗的長期影響，進而督促和指導平臺優化廣告投放策略。

平臺收益

美團做爲媒體平臺的目標是，在保障商戶ROI和用戶體驗的狀況下，優化流量變現效率，實現商戶營銷訴求和用戶消費訴求的最佳鏈接。

前兩節已經介紹了商戶ROI和用戶體驗的基本概念。咱們知道只有保障商戶的ROI，纔會有更多的商戶、更多的預算進入到廣告投放系統內；只有保障用戶的體驗，纔會有更多的用戶、更多的流量用於廣告變現。這二者決定了廣告業務這一塊奶酪的大小。

流量變現效率衡量單位流量所能帶來廣告收益。對於展現廣告業務，流量變現效率主要用千次廣告展現收益（Revenue per Mille，RPM）來表示。對於搜索廣告，流量變現效率主要用單次搜索廣告收益（Revenue per Search，RPS）來表示。

**廣告收入=曝光次數×CTR×CPC** **廣告收入=廣告主數×ARPU**

從流量供給端來看，廣告收入（Revenue）是廣告曝光次數、點擊率和點擊單價（CPC）的乘積；從流量需求端來看，廣告收入是廣告主數量和每用戶平均收入（Average Revenue Per User，ARPU）的乘積。在廣告商戶數、預算和流量狀況穩定的前提條件下，流量變現效率的提升主要經過點擊率和點擊單價兩個關鍵指標驅動，而這兩個指標的良性提升依賴於廣告投放的機制設計和投放算法，詳細內容將在下文展開陳述。

O2O廣告機制設計

前面介紹了美團O2O廣告營銷的特色，分析了商戶、用戶和平臺三者的利益狀況。本節將從上述特色和利益狀況出發，闡述美團實際業務中O2O廣告機制的設計原理，包括廣告位設定、廣告召回機制和廣告排序機制。

廣告位設定

在移動端，美團的天然結果以列表的樣式進行信息呈現，而廣告佔用列表中的固定位置（區間浮動固定位置）進行展示。從商戶的效果感知角度出發，固定位廣告形式能給商戶以較爲肯定的廣告展示預期，使得商戶有明確的競價標的（即固定展示位置）。

廣告位的設定，須要綜合考慮和平衡商戶、用戶和平臺三者的利益關係。過於密集的廣告位置設計和廣告展示會下降用戶尋找商戶信息的效率，影響用戶使用體驗。過於稀疏的廣告位置設計致使廣告展示機會過少，致使平臺流量變現效率能力不足。頭部廣告位對用戶體驗影響較大，可是能獲取更多的曝光，更有價值，更能激發商戶的出價意願。腰尾部廣告位對用戶體驗影響較小，可是廣告位曝光機率小，不能有效刺激商戶出價。美團的實際廣告位設定，一方面考慮了各個展位和業務的自身特色，另外一方面經過A/B測試進行多種方案的比較和選擇，最終選擇能有效兼顧用戶體驗、商戶效果和平臺收入的設計方案。

廣告召回機制

廣告召回在技術上與搜索和推薦十分類似。搜索場景廣告會使用用戶的查詢詞去廣告商戶索引中去尋找匹配的商戶，推薦場景廣告會根據用戶的意圖、位置等場景信息去匹配合適的商戶。

搜索廣告匹配中，一項重要技術是查詢改寫。一方面，咱們使用傳統的天然語言處理方法，對查詢進行有效分析（例如成分分析），完成同義和近義改寫；另外一方面，咱們使用深度語義類似度神經網絡模型（DSSM）和序列到序列模型（Sequence to Sequence）進行查詢的改寫，進一步提高廣告匹配的覆蓋率和準確性。

針對O2O商業模式的特色和廣告業務各方的利益，廣告召回機制在傳統搜索推薦召回機制基礎上進行了優化改進。咱們在召回中引入了逐層召回的理念，各層依次設置由緊到鬆的相關性水準（Match Level）控制召回廣告的質量，在當前相關性水準已經召回足夠數量廣告候選的狀況下，再也不進行後續召回。 相關性水準考慮多種相關性因素：查詢匹配模式、距離和星級等。例如針對Query匹配模式，廣告召回時會優先使用Query精確匹配模式召回，其次選擇模糊匹配模式，最後才嘗試採用語義匹配模式。針對距離因素，廣告召回會優先召回距離3千米內的商戶，其次選擇5千米內的商戶，最後嘗試全城召回。

相關性水準的設置應該充分考慮到不一樣O2O業務的特色。例如距離的設置上，對於餐飲類流量，系統會優先召回3千米內的商戶，而對於距離相對不敏感的婚紗攝影類流量，系統則會放寬限制，優先召回10千米內的商戶，或者直接採用全城召回策略。

廣告排序機制

和傳統的搜索廣告業務同樣，美團的廣告是按點擊計費（Cost Per Click，CPC）廣告，廣告主依據廣告的點擊價值進行出價（bid），廣告系統按照RankScore（RankScore爲出價和廣告質量度的乘積）進行廣告排序。在廣告系統中，廣告質量度通常用廣告的預估點擊率來衡量。

**RankScore=bid×CTR**

廣告按照RankScore排序後，會依據廣義第二價格（Generalized Second Price）進行計費。

charge i=（CTR i+1×bid i+1）/CTR i

由此可知，準確的預測廣告的點擊率是保障廣告收入和用戶體驗的前提。廣告點擊率預估問題是一個典型的監督機器學習問題，它的目標是在給定廣告商戶、用戶和查詢上下文的前提下準確預測點擊行爲發生的機率。這個監督學習問題的特徵咱們用x表示，目標用y∈{1，-1}表示（廣告曝光後得到點擊爲1，不然爲-1）。經過收集線上的廣告曝光和點擊日誌，咱們能夠得到大量的標註樣本{（𝑥i，𝑦i）}做爲監督學習的訓練數據。

咱們使用參數模型擬合這個機率：

其中，𝑤監督學習問題便是搜索𝑤使得目標損失函數最小的一個優化問題:

其中，𝐿(𝑦, 𝑓(𝑥, 𝑤))是模型的損失函數，在點擊率預估問題中通常使用負Log似然函數（Negative Log-Likelihood）做爲損失函數。優化問題（公式1）是原始的點擊率預估問題，優化問題（公式2）引入了正則項𝑅(𝑤)，用以控制模型的複雜度，防止模型過擬合。此外當咱們選擇L1範數做爲正則項的時候，咱們能得到稀疏解，縮減模型大小，進而減小線上服務加載模型的內存需求，提高模型的預測速度。下面咱們簡要介紹幾種經常使用的點擊率預估模型。

邏輯迴歸模型

邏輯迴歸模型是普遍應用的點擊率預估模型，它是一種線性模型，相應的優化問題有很是好的性質。它是一個無約束的凸優化問題，有全局惟一的最優解。它支持大規模的特徵，經過經常使用的梯隊方法能較快收斂到最優解。邏輯迴歸模型的可解釋性十分優良，經過特徵對應的權重咱們能很好分析各個特徵的重要性以及它們對點擊率的影響關係。

邏輯迴歸也有它的劣勢：首先，做爲線性模型，它的表達能力相對較弱，須要經過大量的特徵工程工做（例如，特徵組合）來彌補和提高模型的表達能力；其次，它須要進行大量的特徵預處理工做，例如特徵歸一化、離散化等。

邏輯迴歸做爲基礎模型和其餘模型相結合，揚長避短，充分發揮其做用。例如邏輯迴歸和梯度提高決策樹結合，經過梯度提高決策樹解決特徵離散化和特徵組合問題，並充分發揮邏輯迴歸對大規模特徵的支持和良好的優化問題性質。

因子分解機FM模型和場感知因子分解機FFM模型

FM模型和FFM模型是非線性模型，它們對特徵進行兩兩組合，提高了模型的表達能力。此外FM和FFM模型都對特徵進行向量化的表達和學習（Wi，Wi,fj）提高模型的泛化能力。FFM相對於FM引入了域的概念，在FM中特徵i和其餘特徵組合用的是同一個向量表示，而在FFM中特徵i和不一樣域的特徵組合會使用不一樣的向量表示，進一步提高了模型的複雜度和表達力。

人工神經網絡（Artificial Neural Network，ANN）

近幾年神經網絡模型強勢復興，以深度神經網絡爲表明的方法，在圖像識別、語音識別以及天然語言處理等領域超越傳統淺模型，取得了突破性的進展。在點擊率預估這個任務上，最近也涌現出一批深度神經網絡模型，取得了明顯的效果，其中典型的模型是Wide & Deep模型。

Wide & Deep模型包含Wide和Deep兩個部分。Wide部分能夠類比邏輯迴歸模型，能對相關特徵的做用進行很好的記憶。Deep部分相似FM模型和FFM模型，它們都對相關特徵進行了向量化的表示（Embedding）和學習，可是Deep部分經過複雜的網絡結構能夠表達更復雜的特徵交互和組合關係，提供了更好的泛化能力和表達力。

梯度方法是模型的優化（優化問題的求解）的基礎方法。公式3是使用標準梯度方法求解點擊率預估優化問題公式1的迭代步驟。在點擊率預估問題中，因爲訓練樣本數量龐大（十億、百億），直接應用公式3計算量巨大，迭代速度受限。所以在點擊率預估問題中，咱們通常使用隨機梯度降低法（Stochastic Gradient Descent，SGD）進行問題求解。在SGD方法（公式4）中，咱們使用一小部分樣本上的梯度對總體優化目標的梯度進行近似估計，加快參數迭代速度。其中b是樣本集合大小，當b=1時，咱們用單樣本的梯度來近似總體目標函數的梯度值。

在美團咱們使用參數服務器框架（Parameter Server）實現模型並行和數據並行，以解決包含大規模訓練數據和特徵的複雜模型求解問題，如圖1所示：

圖1 參數服務器框架

特徵工程方面，點擊率預估特徵主要從廣告、用戶和查詢這三個方面來挖掘和刻畫廣告展示場景（見圖2），特徵須要包含影響點擊率的方方面面，是模型成敗的重要因素。特徵的選取須要從業務場景出發。在O2O場景下，一個影響點擊率的重要特徵就是商戶和用戶之間的距離。

圖2 點擊率預估的特徵

O2O推送廣告

在O2O場景下，除了搜索推薦廣告，推送廣告也很是重要。推送廣告就是媒體在合適的時機將合適的廣告以消息的形式推送給合適的人羣。推送廣告的主要目標是：提高用戶活躍度、實現人羣精準觸達。美團註冊用戶有3.5億，可是日活躍用戶只有3000萬，年活躍用戶也只有1億，還有很大一部分用戶平時不登陸美團App，或者登陸次數不多。給這部分用戶推送廣告，引導用戶打開App，有助於提升用戶活躍度。另外一方面，推送廣告經過豐富的人羣定向，實現精準投放。要實現精準觸達，須要作到兩點：有完整的用戶畫像，用戶畫像包含屬性標籤、偏好標籤和行爲標籤，咱們以此來判斷用戶對廣告的興趣；智能匹配技術，將廣告精準定位到合適的用戶上。

推送廣告的特色是：主動觸達、用戶意圖不明確。理論上來講，推送廣告能夠在任意時間給任意用戶推送任意廣告，而搜索廣告只能在用戶搜索或者篩選的時候給用戶展現廣告。但推送廣告的劣勢是用戶意圖不明確，而搜索廣告具備搜索詞或者明確的篩選條件，這些都是明確的用戶意圖。因此相比搜索廣告，推送廣告更須要精準的受衆定向。

受衆定向

經常使用的定向方式有下面幾種：

• 時間定向。時間定向可以讓品牌根據消費者行爲、營業時間，甚至是季節性活動或特殊事件來進行廣告投放。舉個例子，美髮沙龍只有白天營業，若是定向時間包括了晚上非營業時段，那麼用戶在晚上非營業時間看到廣告後，沒法經過打電話來預定，這樣就沒有轉化。

• 重定向。它指根據用戶的歷史行爲，將曾在商家發生過瀏覽、收藏、購買等行爲的用戶做爲商家的精準定向人羣，進行廣告推送，拉回用戶完成轉化。一般狀況下，消費者不會看過就能記住，你須要重定向。根據重定向推送廣告是經過視覺方式提醒消費者有關商家產品信息的好方式。消費者看到後可能會想：「啊，我忘了要買這雙鞋……」而這種麪包屑式的提醒方式每每可以誘使他們點擊併購買。重定向方式是全部定向方式中最精準、投資回報率最高的。

• 地理位置類定向。它指的是根據用戶實時地理位置（通常是蜂窩信息或者GPS經緯度）作一些定向，有助於幫助商家觸達那些正在前往商家所在區域的消費者，包括距離定向、商圈定向等。這種定向方式在移動設備上投放廣告時有着很是重要的做用。好比本地的一家美髮沙龍，想要招攬本地生意，那麼就可使用地理位置定向技術在特定半徑內進行宣傳。若是這家店在三角區內有髮廊的特許經營權，那麼它就可使用該技術進行一個以上定位。固然針對各區域進行定向的時候，商家能夠根據區域內業務發展情況調整出價。

• 人口屬性定向。人口屬性標籤包括性別、年齡、收入水平、婚姻情況、是否有車、是否有小孩等。經過人口屬性標籤，能夠將廣告推送給相關消費者，就是可能購買的人羣，具體選擇什麼標籤主要取決於商家銷售的是什麼產品。例如婚紗攝影類商家會選擇婚姻情況標籤爲「未婚」的人羣進行廣告投放，美甲美睫類商家會選擇性別標籤爲「女性」的人羣進行廣告投放。這些標籤裏面，性別、年齡這種標籤比較容易獲得，由於用戶註冊的時候就提供了相關信息；而收入水平這種標籤須要經過預估獲得。使用人口屬性定向的時候，標籤既不能過於籠統，也不能太過細分。例如美甲美睫商家選擇年齡標籤的時候，一方面，不能選擇0~60歲，這種人羣太泛了，低年齡段和高年齡段人羣可能沒有很強烈的美甲美睫需求。另外一方面，也要防止對人羣太過細分，例如，儘管最終可能須要選擇一個更細化的年齡標籤，但卻不能僅僅定位爲一個具體年齡，若只選擇22歲的人羣，這可能致使人羣覆蓋不完整。時刻記住目標受衆，但在定位的時候得找到一個折中的辦法。

• 行爲定向。它是從用戶的行爲數據中挖掘用戶興趣偏好，從而推送相應的廣告。行爲數據包括頻道、商家詳情頁、團單詳情頁的瀏覽和點擊，用戶評論和打分等。興趣偏好通常分爲長期、短時間和實時偏好。當咱們挖掘用戶長期偏好的時候，使用的是「一段時間內的行爲」，須要對不一樣時間的行爲計算不一樣的權重，由於用戶的興趣是動態變化的，三個月前用戶商圈偏好是A，可能如今搬家了商圈偏好變成了B。爲了衡量不一樣時間行爲權重，將行爲累計控制在一段時間內，通常使用滑動窗口法和時間衰減法。興趣偏好包括品類偏好、價格偏好、商圈偏好等。品類偏好指的是用戶偏好的商品和服務的品類，例如，用戶喜歡吃川湘菜仍是江浙菜，喜歡火鍋仍是自助餐；價格偏好指的是用戶的消費水平，例如，用戶點外賣價格區間是偏好0~20元價位仍是偏好20~40元價位。

• 新客推薦。即Look-alike，以廣告主的老顧客做爲種子信息，結合廣告平臺的大數據，尋找出老顧客具備的某種特徵或規律，爲廣告主找到具備相同特徵或規律的潛在顧客。這種方式可在保證精準定向效果的同時，擴大用戶覆蓋面。例如一個川菜館廣告主想投放廣告，目標人羣除了在本店消費過的顧客外，還能夠選擇在別的川菜館或者湘菜館消費過的顧客，由於他們可能口味差很少。

用戶在平臺上的搜索、瀏覽、收藏、購買等行爲會被記錄下來，造成用戶日誌。經過對用戶日誌的分析和挖掘獲得用戶畫像，包括用戶基本屬性、興趣偏好、行爲標籤等。廣告定向是廣告和用戶匹配的過程，爲每一個廣告找到適合的受衆羣體。廣告投放後，須要統計定向效果，包括定向精準程度和覆蓋率。精準定向廣告的運做流程如圖3所示。

圖3 精準定向廣告流程

爲了實現廣告和用戶的匹配，首先須要爲廣告的受衆人羣進行初步假設，即肯定廣告感興趣的人羣，並將其與用戶畫像標籤映射起來，這一步要靠產品調研和分析獲得。而後根據這個初步假設肯定廣告投放的定向條件，匹配到符合條件的人羣。

• 單個定向條件的表示。每個定向條件都用一個<Key, Value>對來表達。好比，職業分爲學生和白領兩種，定向條件爲學生時表示爲 <"Professional", "Student">。
• 組合定向條件的表示。廣告主設定的定向條件組合每每很是複雜，是各類不一樣定向條件的組合，涉及交、並、取反等操做。咱們採用析取範式（Disjunctive Normal Form，DNF）的形式來存儲廣告的定向條件。下面以幾個例子來講明DNF的表達方式。

• • DNF1: （30歲 男性）∪（25歲 女性）
• • DNF2: （廣東人 廣東男性）∪（北京人 北京品牌新客）
• • DNF3: （非男性）∪（男性 實時位置在店鋪周圍2千米範圍）∪（喜歡美食的）

在這樣的表達形式中，有兩點須要說明：第一，每一個DNF能夠分解成一個或者多個合取範式（Conjunction Normal Form，CNF），DNF1 ＝ C1∪ C2，其中，C1 ＝（30歲 男性）， C2 ＝（25歲 女性）；第二，每一個CNF能夠分解成一個或者多個條件的交。上例中的C1 ＝ A1 ∩ A2，其中A1 ＝ 30歲，A2 ＝男性。

• 定向條件匹配。定向匹配過程如圖4所示。一個定向請求包括用戶ID和廣告投放ID，首先根據用戶ID去取用戶標籤，根據廣告投放ID取定向包，將定向包解析表達成DNF的形式，而後與用戶標籤進行匹配。
• 定向效果評價。定向效果通常從質和量兩個方面進行評估。質指的是精準程度，主要指標是點擊率和轉化率。量指的是覆蓋程度，主要指標是用戶覆蓋率、廣告主使用率以及定向方式對應的流量佔比。

圖4 定向匹配過程

在美團推送廣告中，重定向方式點擊率和轉化率最好，但覆蓋率最低；地理位置定向和人口屬性標籤擁有更普遍的人羣，效果相對較差。實際採用哪一種定向，須要看廣告主的推廣需求，廣告主須要綜合考慮精準程度和覆蓋率的平衡。

O2O廣告系統工具

「工欲善其事必先利其器」，有效的工具是一個優秀高效的廣告生態的重要組成部分。本節咱們從面向開發人員、面向廣告主和運營人員兩個角度進行簡述。

面向開發人員的系統工具

面向開發者的工具主要包含三個方面：離線數據分析工具、實時數據分析工具以及在線廣告系統調試工具。

離線數據分析工具支持從各個維度（廣告位、廣告類型、時間、區域、算法策略等）統計廣告業務的各項關鍵指標（召回率、點擊率、轉化率、RPS/RPM、CPC等），檢視廣告系統的短板和漏洞，幫助廣告算法和工程團隊發現問題和尋找潛力。

實時數據分析工具從時效性角度彌補離線數據分析的缺點，幫助開發者儘早發現數據異常，更快地響應和修復問題。在背後支撐這些分析方法的是Hive、Spark、Elasticsearch和Druid等大數據處理工具。如圖5所示是實時消耗數據分析工具。

圖5 實時消耗數據分析工具

在線廣告系統調試工具是針對單個廣告主或單個查詢等具體問題的排查。經過調試工具可方便構造模擬請求並查看單個服務處理詳細信息，收集各個廣告流程步驟（召回、排序和創意優選等）的信息，跟蹤和定位線上實時環境中各步驟的問題。除了線上問題排查以外，調試工具也是開發階段用於驗證策略效果和算法正確性不可或缺的手段。如圖6所示是在線廣告調試工具的基本界面。

圖6 在線廣告調試工具界面

面向廣告主和運營人員的工具

面向廣告主和運營人員的工具包括廣告主出價預估和排名預估、商戶效果漏斗分析、帳戶診斷等相關工具。面向廣告主的工具幫助廣告主更好地衡量和感知廣告效果，讓其瞭解市場競爭狀況，協助其有效主動地優化廣告投放效果。面向運營人員的工具能讓運營人員對廣告主的投放狀況有更清晰的瞭解，進而幫助其更好地指導和服務廣告主。

1. 效果漏斗分析工具

如前文所述，O2O廣告從在線展現到用戶進店消費須要通過點擊和轉化多個流程，爲了幫助廣告主優化總體投放效果，咱們在推廣後臺提供了效果漏斗分析工具。效果漏斗分析工具主要包括曝光/訪問量/感興趣/到店三層漏斗，同時給出相應的問題診斷和優化建議，如圖7所示：

圖7 效果漏斗分析工具

2. 推廣實況工具

感知廣告展現位置以及競價實況是投放中的廣告主核心需求之一。但個性化智能排序技術體系和帶有地理位置限制屬性的O2O廣告場景下，因爲用戶個性標籤、地理位置等緣由會致使廣告主看不到本身投放中的廣告在客戶端曝光，廣告主難以分析緣由，也不知道如何優化現有的廣告投放。

推廣實況工具提供查看排名、模擬出價和診斷優化功能。廣告主能夠查看選定商圈、類目、地理位置等特定條件下的實時排名，也能夠查看去個性化後通常狀況下的平均排名。同時工具對於廣告展示位次太低或得不到展現的狀況會給出具體的緣由和相應提示。廣告主可根據提示調整投放設置，好比對出價太低致使排名靠後狀況建議調高出價，經過工具能夠實時查看調整後的新排名狀況，如圖8所示：

圖8 推廣實況工具

3. 流失訂單分析工具

流失訂單分析工具基於門店流失訂單記錄提供對比分析功能。流失訂單是指最近一週內用戶對商家A進行了點擊，但實際去B、C商家下單的流量算做A的流失訂單。分析工具根據用戶的點擊下單行爲數據幫商家分析自身與用戶最終下單商家之間的差距在哪裏。好比對酒店商家，工具會提供商家平均房價、平均評分、商家首圖等信息對比，廣告主從中能夠分析出訂單流失緣由，如圖9所示：

圖9 流失訂單分析工具

4. 廣告收益模擬器

爲吸引潛在新廣告客戶入駐，廣告收益模擬器爲商家提供廣告收益預估功能。該工具基於門店的歷史非廣告時期點擊轉化率、門店所在商圈流量以及競爭對手狀態等信息，預估門店投放廣告後可以帶來的新增流量和訂單量，幫助新客戶快速瞭解廣告產品，創建投資回報預期。同時經過該工具，商戶能夠方便地跳轉到推廣通平臺進行註冊和投放。此外，模擬器也可協助銷售人員對商圈流量以及商圈可承載廣告數進行預估，讓銷售人員更有針對性地開拓市場，提高新籤成功率，如圖10所示：

圖10 廣告收益模擬器

總結

本章從O2O廣告的特性出發，介紹了O2O廣告利益相關方的主要關注指標。O2O廣告是美團的核心問題之一。本章着重介紹瞭如何應用機器學習方法提高廣告投放的效果和效率，以及本地場景化的推送廣告。此外，還簡要展現了O2O廣告平臺相關的工具。

做者簡介

亦平，2013年6月加入美團，目前負責美團搜索廣告算法策略，曾負責美團搜索排序工做。

招聘信息

美團廣告平臺全面負責美團到店餐飲、到店綜合（結婚、麗人、休閒娛樂、學習培訓、親子、家裝）、酒店旅遊的商業變現。搜索廣告基於數億用戶、數百萬商家和數千萬訂單的真實數據作挖掘，在變現的同時確保用戶體驗和商家利益。歡迎有意向的同窗加入搜索廣告算法組。簡歷請投遞至：zhouyayue#meituan.com

參考文獻

[1] Huang, P.-S., He, X., Gao, J., Deng, L., Acero, A., & Heck, L. (2013). Learning deep structured semantic models for web search using clickthrough data. In Proceedings of the 22nd ACM international conference on Conference on information & knowledge management (pp. 2333-2338). [2] Sutskever, I., Vinyals, O., & Le, Q. V. (2014). Sequence to sequence learning with neural networks. In Advances in neural information processing systems (pp. 3104-3112). [3] Juan, Y., Zhuang, Y., Chin, W.-S., & Lin, C.-J. (2016). Field-aware Factorization Machines for CTR Prediction. In Proceedings of the 10th ACM Conference on Recommender Systems (pp. 43-50). [4] Cheng, H.-T., Koc, L., Harmsen, J., Shaked, T., Chandra, T., Aradhye, H., . others. (2016). Wide & deep learning for recommender systems. In Proceedings of the 1st Workshop on Deep Learning for Recommender Systems (pp. 7-10). [5] Li, M., Zhou, L., Yang, Z., Li, A., Xia, F., Andersen, D. G., & Smola, A. (2013). Parameter server for distributed machine learning. In Big Learning NIPS Workshop (Vol. 1). [6] Edelman, B., Ostrovsky, M., & Schwarz, M. (2005). Internet advertising and the generalized second price auction: Selling billions of dollars worth of keywords.