RTA功能:别拿垃圾量“糊弄”我!
关注并将「人人都是产品经理」设为 ★ 星标
每天早上更新,与你一起成长
广告拉新成本日益上涨,付费成本也在不断攀升。在现有竞价基础上,RTA技术可以让广告主能充分利用自身数据,筛选数据量。本文具体介绍了RTA功能及其应用,希望对你有所帮助。
广告主x最近很是苦恼,广告拉新的获客成本不断攀升,付费成本也水涨船高。
一方面,一些重点广告位的效果大幅下降,转化用户也不是x所期望的,与平台的定向用户存在偏差。
另一方面,公司的合规要求也越来越严格,敏感后端数据无法回传给媒体侧,媒体能够获取的数据量也减少,从而阻碍了ocpx模型的优化进程。
经过多方调研,x发现媒体的RTA功能可解燃眉之急。
在现有的竞价基础上,RTA技术通过新增的一种定向能力,让广告主能充分利用自身数据,来筛选流量。这不仅能解决用户定向的问题,还能极有效地处理数据安全问题。
于是,广告主x毅然地开始了他艰难的RTA之旅……
RTA是什么
首先,对于广告主x来说,充分了解RTA是什么,以及它的工作原理是很必要的。
通过实时接口,平台向广告主下发请求数据,广告主可以根据自己的数据和模型来判断并反馈决策信息,平台结合反馈信息进行预估和优选,最终进行竞价并提升投放效果。
举一个简单的例子:
用户A在网上冲浪,平台在短时间内做出反应,我要给这个用户曝光广告;
于是向广告主x下发请求,“嘿,我有一个用户,他的用户id是xxx……,你要投吗?”;
广告主x收到消息后,迅速作出反应,将这个用户与设定的投放标准一一对比;
结果,x发现这个用户并不符合标准,这妥妥的就是黑名单里的用户,投放纯属是浪费资源。于是,x就跟平台说:“不投”;
用户A也就没看到x的广告;
当然,不是广告主通过RTA平台向平台说“投”,广告马上就能曝光的。现实远比例子复杂得多,还包含了很多其他的环节。具体流程请看下图:
广告服务一般会经历多个流程,包括广告召回、广告过滤、广告排序等步骤,最终将广告传给前端展示给用户。
广告系统会根据用户的画像信息和实时行为数据等向广告主发送RTA请求。
在收到RTA请求后,广告主会根据自己的广告投放策略和目标受众进行实时决策,判断是否参与竞价。
系统返回决策信息,一般包括是否参竞/出价等。
在广告主决定不参与本次竞价时,广告平台会对其广告进行过滤处理。否则,广告平台会继续进行后续的粗排、精排等流程,以确保广告的有效展示。
如何搭建RTA
1. 综合评估
在充分了解RTA的原理后,广告主x更加坚定了使用RTA的决心。
然而,RTA功能不是每个广告主都能使用的。广告平台在考虑数据安全和时效性等因素时,会设定一些接入门槛。
在接入之前,广告主需进行以下综合评估,看自身是否有能力接通RTA功能:
消耗:为了避免数据输出风险,广告平台通常仅向重要客户(KA客户)开放RTA功能。广告主需要评估自身的资金能力和消耗规划,以确定是否符合开通RTA功能的资格;
技术:RTA是一个实时接口,对时效性要求非常高。因此,广告主的开发者必须具备较强的技术能力,才能进行接入并充分利用相关功能;
数据:RTA的使用需要结合广告主方的数据和广告平台的技术能力。因此,广告主需要具备一定的数据分析能力,能够基于自身的数据对流量进行打分和筛选,以评估流量的价值;
2. 搭建注意点
广告主x在评估自身后,决定接入RTA功能。
然而,接入RTA功能的过程也不是一帆风顺的,这里面还是有一些方面需要注意。
2.1 硬性要求
广告平台对QPS和超时控制的要求一般都会写在RTA对接文档上,广告主只要保证在标准范围内就没问题。
QPS:
当广告主对接完各大平台的RTA功能后,各平台,像广点通、巨量、百度等,每次都会向广告主服务器发送RTA请求,这势必会导致广告主服务器的QSP量很大。
以电商行业为例:每到大促期间,像双十一、618,广告投放增加,加上用户天然的大促购物属性,各广告平台的RTA请求大幅增加,这对广告主服务器的压力很大,甚至会扛不住。
因此,广告主需要确保支持的QPS比广告平台日高峰的QPS大一些。
超时控制:
RTA对时效性要求很高,所以当一旦出现超时等问题时,不同平台的处理机制不太一样。有些平台在超时后会默认广告主不需要本次流量;有些平台则相反,会默认广告主主动曝光本次流量。
举个例子:广告主x在接渠道b的时候就忽略了超时控制的问题,没有及时跟广告平台明确RTA的超时时间和超时处理逻辑,导致渠道b在刚接入RTA功能的一周时间内根本没有量。
因此,提前明确RTA的超时标准是必要的。
2.2 灵活规定
在仔细研究各渠道的RTA功能后,广告主不仅要了解各家对RTA的使用差异,还要设定自己的RTA标准。主要考虑以下几个方面:
缓存设置:
为了提高QPS,在搭建RTA平台时,广告主可以设置缓存机制,可优先使用缓存数据。
在此过程中,需要考虑缓存过期的问题,除了设定过期时间外,还需结合业务逻辑及时删除缓存。
举个例子:广告主x有一个账户的RTA策略为:投放人群为沉默30天内的用户,即30天内未打开应用的用户;那么一旦有用户的沉默天数超过30天,有关这些用户的缓存信息就会被删除。
控制粒度:
控制RTA的粒度可以到达广告账号、广告计划等维度,在不同平台上的控制粒度不太相同,粒度更细可让广告主进行精准投放。
举一个例子:
目前大部分平台可以在账号的维度上进行控制,因此,在对接RTA时,广告主x将账号设置其控制维度。
然而,在对接华为商店时,广告主x发现,一个应用只能拥有一个华为商店投放账号,RTA是在任务的维度上建立,在账号的维度上控制RTA请求已经是不现实了。
因此,具体问题具体分析,对华为商店,广告主x必须特殊处理。
3. 成果验收
在搭建好RTA平台之后,广告主x就可以正式使用RTA功能了。
在使用一段时间之后,他验收成果,主要从以下几个方面来分析:
超时率:高超时率会影响广告平台和广告主开发者的体验,无法到达预期效果;
RTA有效返回占比:如果该比例过低,可能会导致RTA的消耗不足,从而对RTA的效果提升存疑;
RTA消耗占比:与参与RTA的比例类似的指标,反映了RTA在整体广告投放中的占比情况;
RTA匹配分析:通过结合监测链接的数据和有效的RTA返回数据进行分析,以评估RTA的最终匹配情况;
RTA广告效果:与非RTA广告相比,对比RTA广告的转化效果;
RTA如何应用
RTA在拉新和拉活场景中发挥重要作用。广告平台和广告主通过利用RTA功能,可以实现广告曝光的精准过滤,并提升广告主的转化效果,有效优化广告投放策略。
1. 拉新场景
针对拉新场景,广告平台通常会根据应用的当前状态判断用户是否”安装”了应用。
广告主针对未安装用户会进行细分,常见的做法是将没有安装应用的用户分为纯新增用户和卸载回流用户。
以广告主x为例:
对于从没安装过App的用户,将其定义为新用户;
对于卸载回流的用户设定了时间限制,不接受卸载90天内的用户;
此外,对于纯新增用户和卸载回流用户的出价也可能不同。
RTA能够很好地解决以上场景。它不仅能够帮助广告平台过滤掉无效的广告曝光,同时还能提升广告主的转化效果。
2. 拉活场景
在拉活场景中,利用RTA能够使运营更加精细化。对于以提升DAU为目标的场景,一种简单的方法是定义符合拉活规则的人群,过滤掉主动启动应用的用户,然后针对符合标准的用户进行拉活,从而实现预算和效果的最大化。
还是以广告主x为例:目前广告主x在拉活场景下对RTA功能的开发使用还比较初级。他将一周未打开App的用户定义为拉活用户,拉活场景主要针对7天未活跃的用户进行投放。
更精细化的做法是通过模型预测某个用户当天是否会主动启动应用,并计算一个得分。得分较低的用户意味着他们主动打开应用的几率较小,因此需要依靠广告来拉活。这种方法可以节省大量的预算。
更进一步的做法是根据用户的ARPU值或者LTV进行拉活。由于不同用户的拉活价值不同,例如在电商产品中,有些用户消费能力较高,而有些用户只是浏览而不购买。因此,根据不同用户的价值进行不同的出价和拉活方案是必要的。
RTA VS RTB
RTA是一种叠加在直投&程序化广告投放基础体系之上的接口标准和特定功能,或者说是现有投放模式上推出的创新模式,RTA功能开通不会影响广告系统原有体系的所有功能,换句话说,RTA并不会影响RTB生态体系。
所以RTA与RTB(RTB的内容,请看“RTB广告:我是如何每年省下1个亿的”)的关系是锦上添花,而不是取而代之。
下图可以清晰地看出两者的关系。
目的:RTA主要是提高广告主的决策权,能决定自己投什么用户;RTB生态体系基于SSP、DSP、ADX展开,是为了更大化地利用流量;
广告归属:RTA的广告创建位于广告平台侧;RTB的广告创建位于DSP平台,也就是所谓的广告平台侧;两者相同;
流量筛选:RTA将实时个性化流量筛选的能力开放给广告主,广告主可自行筛选流量;RTB的DSP对于流量的选择和控制能力达到了极致;但是,RTA和RTB的流量筛选并不冲突,几乎是同时进行的;
购买方式:广告主可以通过直接购买广告位的方式同时享受RTA功能和RTB技术;
数据使用:RTA主要可以利用广告主方的数据;RTB更多地依赖广告交易平台的数据;两者结合在一起,可使广告主的投放更精准;
虽然RTA和RTB的目的不同,但是这两者是生态共融,极大的满足了广告主的需求;
总结
文中例子基于实际业务改编,进行了一定程度的模糊化处理。然而,本篇文章为读者提供了相对全面的RTA技术相关资讯。相信本文提供的信息可以为广告主选取适合自己的技术方案和实现精准定向投放提供有力帮助。
值得注意的是,不论RTA的流量筛选逻辑如何,广告主都需要合理评估自身需求和能力,量力而为,设置合适的计算模型。
这是因为复杂的模型计算通常需要大量的时间,可能无法满足RTA对时效性的要求。因此,在实际操作中需要权衡时效性和计算耗时的问题。这需要综合考虑算法复杂度、计算资源、数据处理速度等因素。
作者:烧肉女士
题图来自 Unsplash ,基于 CC0 协议
微信扫码关注该文公众号作者