行動廣告與大數據資料分析策略與執行� --- 商務觀點分享�

Vpon 行動科技    數據科學家 趙國仁

Agenda & Objectives�

Vpon intro.

Big Data & Data Science - 4V, Metromap, CEO’s view

Mobile Ads Big Data - AdN, RTB, DSP, … - Spark, Kafka, Docker, HDFS, Couchbase, … - Sample bidding strategy, …

Reach + Richness + Range

Vpon in Taiwan�

1,700萬 每月接觸超過 1,700 萬不重複裝置

17億 每月可遞送廣告量達 17 億次以上

1,000家 服務超過 1,000 家的知名品牌廣告主

Source: UU, Q2 2014, Vpon Inc.�

Vpon in Asia�

亞太區 涵蓋大陸、 港澳台、星馬、印尼、泰國、菲律賓、日韓

60億 每月可遞送廣告量達 60 億次以上�

Source: UU, Q2 2014, Vpon Inc.�

週間行動上網時段分析�

0� 1� 2� 3� 4� 5� 6� 7� 8� 9� 10� 11� 12� 13� 14� 15� 16� 17� 18� 19� 20� 21� 22� 23�

3G� Wi-Fi�

Source: UU, Q2 2014, Vpon Inc.�

平日白天使用3G、晚上8點後使用Wi-Fi� � l  白天上班、上課的時段，使用3G上網較Wi-Fi普遍，從早上7點通勤時段曲線開始成

長，尤其是中午休息時段12點時呈現高峰。�

l  對比上季數據，晚間使用Wi-Fi時段提早1小時，約20點後即開始出現成長，最高峰時段呈現在22點，並從0點開始驟降，顯示上網行為和消費者生活型態息息相關。�

周末行動上網時段分析�

Source: UU, Q2 2014, Vpon Inc.�

周末夜間上網增加、9點後行動用量開始成長� � l  周末民眾普遍睡得較晚，相較周間行動上網從9點開始才出現明顯成長，同時白

天時段3G和Wi-Fi的使用是持平的。�

l  晚間時段一樣以Wi-Fi的使用量較高，不過使用時段明顯拉長，夜間使用量相較平日增加，顯示消費者周末較晚睡。�

0� 1� 2� 3� 4� 5� 6� 7� 8� 9� 10� 11� 12� 13� 14� 15� 16� 17� 18� 19� 20� 21� 22� 23�

3G Wi-Fi

0� 1� 2� 3� 4� 5� 6� 7� 8� 9� 10� 11� 12� 13� 14� 15� 16� 17� 18� 19� 20� 21� 22� 23� 0� 1� 2� 3� 4� 5� 6� 7� 8� 9� 10� 11� 12� 13� 14� 15� 16� 17� 18� 19� 20� 21� 22� 23� 0� 1� 2� 3� 4� 5� 6� 7� 8� 9� 10� 11� 12� 13� 14� 15� 16� 17� 18� 19� 20� 21� 22� 23�

各系統上網時段分析�

Source: UU, Q2 2014, Vpon Inc.�

iPad夜間使用量高� � l  比較各系統上網時段，可明顯發現iPad從晚間21點開始使用量提升持續到夜間1點，

顯示消費者回到家中使用平板的機率高 。�

l  手機的整體使用時段較類似，但相較Android，iPhone使用者晚間19點後的使用量呈現持平，推測iPhone螢幕較小的關係，使用者轉換使用平板電腦的機會較高，而Android則因螢幕較大的關係沒有此狀況。�

Android iPhone iPad

Thu� Fri� Sat� Sun� Mon� Tue�

端午連假行動上網情況�

端午節

連假行動流量提升� � l  通常於連續假期，行動上網流量都會上升，這個月端午假期雖然只有3天，但相

較前週同期，流量成長約1.2倍。

Source: UU, Q2 2014, Vpon Inc.�

5/22-5/27 5/29-6/3

捷運血案事件行動上網情況�

Tue   Wed   Thu   Fri   Sat   Sun   Mon  

鄭捷血案當日

5/13-5/19 5/20-5/26

Source: UU, Q2 2014, Vpon Inc.�

時事影響行動流量� � l  觀察板南線週邊行動流量，在鄭捷血案事件發生後持續一週，行動流量相較上

一週明顯偏低(約-­‐11%)，顯示消費者搭乘捷運和使用手機的比例降低。

板南線周邊行動流量

Big Data & Data Science�

Data Economy�

傳統 -­‐>  數位經濟學

High REACH

RICHNESS

High

Low

Tradi;onal  Economy

Internet  Economy

(quality)

(quan;ty)

Vpon大數據運作模組�

•  Profile  •  Classifica;on  •  Recommenda;on

Retarge1ng

中國超過2億

香港超過600萬

台灣超過1,700萬

收集用戶使用行為 大數據分析資料庫

20GB/dayé

20TB/yearé

透過多重數據分析找出資料背後的價值

Challenge: 大數據特色 - 4V�

資料量大 資料多樣性

資料輸入  和處理速度快

資料真實性

Data Science Metromap �

Data Science Venn Diagram�

Data Science Performance�

Performance  (CTRé,  CVRé,  CPIê)  of  AdNet  and  DSP

Data Algorithms

Tools

Problem-­‐solving  Thinking

Data Science Performance�

Performance  (CTRé,  CVRé,  CPIê)  of  AdNet  and  DSP

Data Algorithms

Tools

Source:  hVp://becomingadatascien;st.wordpress.com/

Data Scientist as CEO of Data�

Source: 經理人(117)

Reach & Richness in Mobile Ads�

AdN à RTB�

Source:  Chandrakanth(2012),  Theorem  India

RTB Bidding Flow�

Source:  Adsmogo  Mobile  Ads  eXchange  v1.2

AdN à DSP�

n Seller(Publisher / Developer) l p(imp/req) é l p(Revenue) éê • Revenue = CPM * IVR�

n Buyer l Reach é CPC/CPI ê l Targeting é �

n AdNà DSP l p(profit) l Publisher à AdX l Service desk à self help�

Code Size Comparison�

Source:  Matei  Zaharia(2013)

Performance Comparison�

Source:  Matei  Zaharia(2013)

Integrated Framework�

Source:  Matei  Zaharia(2013)

Data Sharing in Spark�

Source:  Matei  Zaharia(2013)

Example: Logistic Regression�

Source:  Matei  Zaharia(2013)

Logistic Regression Performance�

Source:  Matei  Zaharia(2013)

Example: Logistic Regression� n  val data = spark.textFile(...).map(readPoint).cache()

n  var w = Vector.random(D)

n  for (i <- 1 to ITERATIONS) {

n  val gradient = data.map(p =>

n  (1 / (1 + exp(-p.y*(w dot p.x))) - 1) * p.y * p.x

n  ).reduce(_ + _)

n  w -= gradient

n  }

n  println("Final w: " + w)�

Source: Matei Zaharia(2013)�

Internet as a mass media�

“Half  the  money  I  spend  on  adver;sing  is  wasted;  the  trouble  is  I  don‘t  know  which  half.”

-­‐-­‐  John  Wanamaker,  ~  1875

Current Challenges�

Find  the  "best  match"  between  a  given  user  in  a  given  context  and  a  suitable  adver;sement.     -­‐-­‐  Dr.  Andrei  Broder  and  Dr.  Vanja  Josifovski,  Standford  University

How  to  iden;fy?

Limited  Info. Budget?  Crea;ve?...

Bid  Price?

Channels play different roles in the customer journey�

Source:  hVp://www.thinkwithgoogle.com/

Advertiser Utility: The Value Funnel�

CPM  campaign:                            Revenue  =  N/1000  ⋅CPM  

CPC  campaign:                            Revenue  =  N  ⋅  CTR  ⋅  CPC  

CPA  campaign:                            Revenue  =  N  ⋅  CTR  ⋅  CVR⋅  CPA  

How DSP Track & Optimize Bidding�

• Pixel/Beacon:  landing,  browse,  shopping  cart,  conversion  …

• Cookie  in  web  (Cookie  mapping) •  IDFA/AID  in  mobile

Audience  Tracking

• Feature  engineering/Pre-­‐generated  tags,  Look  alike,  Re-­‐targe;ng

• Privacy  -­‐>  Campaign-­‐based

• P(c|u) Audience  Selec;on

• Campaign/Ad,  TA,  Crea;ve…

• Base/up  bound  price,  freq.  cap…

Campaign

Mgmt

• 100ms • Winning  probability  func;on,  Traffic  forecas;ng Real-­‐;me  bidding

• Click,  CTR Impression

• CVR,  CPA Conversion

Demand-side platform and its bidding engine in RTB�

Traffic forecasting�

n An impression on Jeremy Lin BBS post of MiuPTT� n Two product ads�

n A: Linsanity T-Shirt� n B: Baseketball shoes�

n Not optimized if only bid for highest price� n B bid higher than A� n Inventory A is much fewer than inventory B�

Bidding Price Calibration�

n Forecasting l Sampling & learn�

n On-line adjustment

l Feedback control & Re-learn n Loss reason

l Prior Probability Shift

• Budget, Freq. cap, … l Competition

3R (Reach+Richness+Range) in Mobile Ads�

Vpon大數據分析�

•  廣告點選行為  •  使用裝置  •  使用APP  •  廣告偏好  •  使用時間  •  定位區域  •  社群行為….

•  分類  •  分群  •  推薦系統  •  Retarge;ng  

•  分眾投放溝通  •  個人化行銷  •  搭配其他媒體

條件投放

整合其他資料庫  Ex.  客戶既有CRM  資料庫、社群粉絲資訊(facebook  fans)…  

收集用戶行為 連結廣告主資料 大數據分析 優化精準投放

Vpon在亞洲擁有超過3.8億不重複使用者，透過每次的廣告遞送持續收集使用者行為數據，每月處理超過10TB的資料量，以多重的數據探勘法，幫助廣告主找到最有價值的潛在消費者。Vpon 有效地優化行動廣告的投放，遞送給使用者最適合的廣告曝光，降低預算成本，促進轉換率，進而提高整體的廣告效益。�

Second-Party Data First-Party Data

成功案例：優化廣告成效�

一般成效 優化成效

CTR (廣告點選率)

+3.6倍

81%

85%

TOTAL  廣告曝光量  (Impression)

- 5倍

一般成效 優化成效

l  Vpon實際運用大數據協助廣告主以使用者關聯性分析，透過點擊廣告的使用者行為找出類似的潛在使用者投放廣告，其CTR表現成效為未優化前的3.6倍。

l  以推薦演算法精準鎖定準目標族群，有效減少多餘的曝光浪費，降低預算成本。透過優化分析後，即使減少5倍的曝光量，實際能接觸的TA比例並無減少太多。

準TA接觸率 準TA接觸率

成功案例：優化轉換成效�

一般成效 優化成效

+3.6倍 CTR(廣告點選率)

CVR(轉換率)

一般成效 優化成效 再優化

CVR(轉換率)

l  運用大數據分析演算，將廣告投放給更精準的族群，雖然在CTR的表現只有提高一點點，但Vpon成功將轉換率提升3.6倍。

l  大數據透過時間和資料的累積，我們可以持續優化成效，Vpon經過多層的演算法，成功於第一次優化帶來4.9倍的轉換率，再次優化繼續提升1.8倍。

+4.9倍

+1.8倍

-­‐  Roger  Mar;n  Rothman  School  of  Management,  Toronto

If  only  aVach  importance  to  quan;fy  the  business  model,  it  will  not  have  the  ability  to  find  a  poten;al  growth  opportuni;es:  "The  pursuit  of  quan;fying  the  biggest  problem  is  that  people  ignore  the  context  of  the  behavior  generated,  detached  from  the  context  of  the  event,  and  have  not  been  included  in  the  model  ignores  variables  effec;veness.  "

企業若只重視量化模式，將無法擁有尋得潛在成長契機的能力：「追求量化最大的問題在於，忽略人們產生行為的脈絡，把事件從情境中抽離，且忽略沒有被納入模式中的變數效力。」  

3R：Reach+Richness+Range�

大數據經濟學

Reach

Richness

High

High

Low

使用者接觸量(Reach  of  UU)  

資料豐富度  (The  power  source  of  behavioral  forecas;ng)  

Range

High 使用者情境 (The  audience  affiliate  of  whole  context)  

使用者情境(Range)影響大數據精準度�

Brand Awareness

View

Ra;ng

Reach

TV campaign

Conversions

Click

Impression

Request

Range

Mobile Campaign

Actions

Traffic

Buzz

Reach

Offline Campaign

Reach

Richness

以現今消費者多螢的使用習慣，每一波的活動宣傳，單一媒體的成效表現數據，和其他媒體的宣傳搭配息息相關。

Takeaway ~�

n  RTB, SSP, AdX, DSP�

n  Data Scientist as CEO of Data / Data Consultant�

n  Big Data Pricing Engine� l  Scalable Big data infrastructure�

l Spark, Kafka, Docker, HDFS, Couchbase, …� l  Bidding Strategy & Design of Pricing Engine�

n  Reach, Richness, Range� l  Reach：audience span, base of segmentation� l  Richness：relatedness(contribution) to conversion (target)� l  Range：affiliation with audience�

ü  Integrated, all media, full context engaging factors�

BIG DATA

Humility  謙虛

Humanity

人性

資料始終為了人性

感謝：� Vpon  大數據技術團隊

Vpon  大數據資料分析團隊

台灣資料科學愛好者年會 主辦單位

誠徵：� 各類（大數據）開發人才

104      Vpon