一文读懂脸书、谷歌赖以生存的数据驱动广告布

小提示：您能找到这篇{一文读懂脸书、谷歌赖以生存的数据驱动广告布}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的一文读懂脸书、谷歌赖以生存的数据驱动广告布内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

广告行业可以说是历史悠久，但随着科技的进步以及广告网络大爆发，数据驱动的广告布局已经成为当下主流。数据驱动的广告布局指的是通过数据支持，广告主向更有可能对广告内容感兴趣的消费者展示广告，以提高品牌知名度或业绩的能力。

但广告领域除了有大型科技公司复杂的广告投放数据驱动系统外，还有另一股不可小觑的中坚力量——广告代理商。它们数量众多，并且战斗在数据驱动营销的第一线。尽管与大型科技公司采取的方式和想要达到目的不同，广告代理商仍有一项非常依赖数据的核心工作内容：广告预算分配。

广告战役指的是在同一个大主题下的一系列广告。一个广告战役里有数条到几十条广告之多。广告战役的好处是，把一个信息从不同角度反复传播，可以强化记忆。

广义上，你可以把广告代理商看作是为客户管理和执行完整广告战役的公司，包括内容创作、营销策略设计、与广告主的单点接触、集中账户管理，当然还有数据分析。大型科技公司与广告代理商有着非常紧密的依存关系。

全球广告支出在2020年预计达到6150亿，而Facebook作为一家以广告业务为主要收入来源的科技公司，广告代理商的投资选择对它来说就异常重要了。（说白了广告代理商都是Facebook的金主爸爸。）

广告商需要做的事情是通过不断地评估业绩vs.成本、用户对广告的反馈vs.年龄、性别覆盖和转化率vs.媒体类型等指标，来灵活分配广告资源来满足客户（也就是品牌）的目标。

在如今的市场中，品牌的终极目标是知名度和业绩（awareness & performance)。这种客户目标决定了广告业务的目标，也决定了相关分析所需要的数据。

我们可以将广告视为广告战役的基本单元，广告通常在不同的媒体类型上投放，并且每种广告都可能有不同的目标，它们共同构成了广告战役的综合目标。比方说，有的广告可能是为了提高品牌知名度，使公众了解品牌的产品或服务，因此我们关注的是这个广告的覆盖面、展示次数和受众人口统计数据，像是年龄和性别。

而同一广告战役中的其他广告，则可能是为了提高产品业绩而进行投放的，目的是将受众重新定向到可以购买产品或注册服务的地方。在这种情况下，则需要通过跟踪例如点击和点击率（CTR：Click-through Rate）这样的指标生成的转化和流量进行分析。

广告代理商通过各种媒体进行投放，包括互联网、电影、广播、电视、新闻和户外媒体。代理商中的数据科学家们设计了能够从不断变化的数据中提取并提供有用的消费者洞察的数据分析解决方案。而这些洞察是为了在广告战役期间支持关键的商业决策，并让客户了解他们正在进行的战役的各种关键统计数据。一个非常经典的应用场景是：

我们在电视上花费太多，却没有得到预期的结果，因此我们决定给电视预算设置了上限。

Facebook拥有我们超过40%的数字广告预算，难道就没有其他广告平台了吗?Snapchat、Pinterest怎么样?

要回答以上问题，并且时刻根据广告战役在跨平台间的表现，需要完善且强有力的数据解决方案，在一段时间内以自动化的方式提取、处理和分析数据（根据客户预算的大小而定），最终以可视化的形式在诸如DOMO、AmazonQuicksight或Power BI之类的数据可视化工具上提供消费者洞察。而提取原始数据的渠道以及原始数据的结构和形态在广告投放的不同渠道上也有所不同。

如果你要面试一份广告代理商的工作，一定会被问到这样一个问题：如果我们要给客户做一个广告战役，我有哪些渠道可以投放，并且要如何获取这些营销数据？

以下是几个比较常见的广告渠道和获取方式：

数字化广告

可以理解为互联网中的任何内容。Facebook Ads，Google Ads找营销公司，Youtube Advertising以及其他任何带有广告的网络门户。由于这些公司基本都是技术公司，他们会公开一个API（Application Programming Interface，应用程序接口）以便品牌提取广告战役的相关数据，甚至为最流行的编程语言提供一些数据包。

电影开场前的广告

电影开场前的十五分钟一般都是广告时间，这个时间段播出的广告的确能吸引更多客户。不知道你是否有发现，

电影公司会提供其电影票房和上座率的有关数据，于是代理商可以通过已知的广告曝光次数来了解广告的影响范围。然而这里有一个bug，那就是电影正式开始以后才姗姗来迟的观众并不在影前广告的辐射范围内。

电视广告

和影院差不多，电视广告的覆盖范围需要由供应商（电视台）提供。电视台全天候（24/7）收集覆盖率数据，而这可能就是他们提供给广告代理商的数据。

广播、新闻和OOH媒体

OOH指的是Out of Home Media，就是围绕生活周围环境的广告（比如户外广告牌、出租车车身的广告等等），而且它不仅包括传统户外广告，还包括新兴的环境媒体广告。

代理商需要在整个广告战役期间不断地向投放广播、新闻和OOH的平台连续地收集有关计划预算、已用预算、曝光数、覆盖率、点击次数、受众人口统计数据和转化率之类的原始数据。

营销数据解决方案

从数据工程的角度来看，我们希望将所有这些数据以自动化的方式按计划收集到一个对象存储中，比如AWS S3、Microsoft Azure存储帐户或GCP云存储。

对于提供API的平台，我们可以使用脚本定期向Facebook、Google等广告供应商的端点发送请求，并将相应的数据推送到云端的存储空间。其余不提供API的平台，需要通过在平台中建立Custom Report来获取数据或由第三方手动提供数据的，我们需要一种能让他们访问我们存储空间来自动化数据获取的过程。这个方法就是让一个SFTP服务器连接到我们的存储空间，每当服务器收到一个文件时，它就会将其映射到对象存储文件夹中相应的位置。

一旦我们把所有这些数据源连接起来，数据提取过程就完成了。我们指定的存储空间将会持续的从不同的渠道和平台接收这些广告战役相关的数据，这称为Data Lake。

当我们收集完所有需要的数据，下面一步需要做的是ETL（指的是，Extract-Transform-Load, 是将不同来源的数据经过抽取、清洗转换之后，以相同的格式加载到数据库的过程）。这个过程包括重命名、数据类型分配、正规表达式、将数据表进行合并或连接的操作或转换文件格式等等。这些操作一般可以在Hadoop、Spark等工具框架或AWS Glue、Microsoft Azure Data F朋友圈推广渠道有什么好处actory或GCP Dataproc等云管理解决方案中实现，我们还可以利用诸如python的panda这样的开源分析包来进行。ETL的过程既可以是人工手动来触发执行，也可以设定特定的时间自动运行。

最终，该解决方案需要将转换后的数据存储到另一个云对象存储中，或者更好是能存储在云托管的数据仓库中，例如Amazon Redshift，Microsoft Azure Synapse和GCP Big Query。

广告代理商将根据这些数据提供自己选择的数据可视化工具，而商业智能部门将进行最终的Dashboard/可视化设计，不过前提是该解决方案在有新的原始数据时会自动更新最终用于可视化和建模的数据集。

基本上品牌和广告代理商每天大大小小的会议都围绕着这些可视化结果进行，并且几乎每天都有成千上万的美元依赖于数据分析来动态分配。