广告营销怎样摆脱玄学？

    投广告，到底是不是玄学？关于这个话题，我专门写过一篇文章《广告优化是一门玄学么？》。不过，很多小伙伴并没有被说服：你这不是睁眼说瞎话么？你说不是玄学，那优化师天天抱怨那些事该怎么解释？

    比如，电商客户经常抱怨：同样的商品，得建一大堆广告，像掷色子一样看哪个能起量。按说，这些不都应该差不多才对么？再比如，总说机器学习模型要有个学习期，可是学习期也太慢了，我们根本等不了啊！像这些“起量困难”、“成本飘忽”、“稳定性差”的事儿，你给解决解决看看？

    对此，经过沉思，我明白了一件事：可能我说的和大家看到的，都没错。从顶层设计看，广告确实是在博弈论指导下、由算法和数据驱动的理性工程。只不过，由于广告系统在长时间的演化中，迁就了各种场景下方向各异的探索，再加上部分技术方案可能已经需要迭代，这使得理论上应该表现出来的规律性，在实践中大大模糊甚至局部错乱，给大家带来了“玄学”的印象。

    那么怎么办呢？解铃还须系铃人，唯一的办法是向技术要效率，要确定性，摆脱玄学的魔咒！这就好比说：运动员成绩遇到了瓶颈期，你应该做的只能是科学训练，找到突破口，而不是去庙里求神拜佛。

    优化自己的技术底座，让广告系统更加稳定、高效地运行，给客户带来更确定的效果，是当下流量红利逐渐退去后各家广告平台商应苦修的内功。

怎样靠技术破解玄学？

    靠技术破解玄学的整体思路，其实就是AI方法论的最新实践，一方面体现在对多媒体信息的语义理解能力大大加强，另一方面靠流行的“大模型”思路，挖掘出更多深层的人货关系。然而，在应用这些AI能力之前，大规模的模型训练、部署和推理能力，是重要的基础，因此，基础设施的重要程度远超以往的机器学习。

    前面咱们提过，想找一个这方面的示例，给大家深度解读一下。正好，最近在腾讯广告一年一度的IN大会上，我听了腾讯公司副总裁蒋杰的演讲，他的分享与上述思路几乎是不谋而合。在会上，他提及腾讯广告从去年就开始推进底层技术升级，在克服广告投放“玄学”方面作出了重要探索，我们就以此为例，跟大家聊聊。

    会上分享的信息量很大，我帮大家拆解翻译一下，腾讯广告这次的系统升级可以理解为“123”，也就是“一大平台，两大模型，驱动三大指标”——在太极机器学习平台之上，构建“混元AI大模型"和"广告大模型"这两个大模型，让腾讯广告系统更加智能，助力广告主“起量、稳定性和成本”三大效果指标的达成。

    大多数技术升级是“缝缝补补又三年”，为啥腾讯广告这次要大费周章且不计成本地从机器学习或者说大模型这个角度来做技术升级？

    先从底层的太极机器学习平台的重要性说起。大家都知道，现在一天在系统上跑的广告数量，和十年前都不能在一个维度做对比了。这中间的广告营销数据体量可以说是浩如烟海，不仅体量大，维度还多。提升推荐的准确性，得在一个大规模的机器学习平台才能玩得转。另外，广告模型的在线更新、持续迭代等业务需求，也对底层的平台提出更大挑战。工欲善其事，必先利其器，这次蒋杰在会上介绍的太极机器学习平台，就好比是高端制造中量身打造的工业母机。

   值得关注的是，太极有个核心组件——分布式参数服务器AngelPS。它可支持10TB级模型训练、TB级模型推理和分钟级模型发布上线，而且各种先进的硬件加速能力都能利用。它的存在，能大大提升模型的发布和上线速度，效率和稳定性都上去了，自然就不再是玄学，不再需要堆计划来搏起量概率。

    大模型的前瞻性，之前的文章聊了很多，就不赘述了。那么混元AI大模型和广告大模型，这俩又都是干什么的呢？

    混元AI大模型，是腾讯自研的多模态AI模型，它能把素材里的视频、音频、文本联合起来理解，像人一样去解读和分析一则素材的商品、参数、宣传点等。

    听起来，这是个挺困难的任务，但大公司嘛，在这些基础研究上投入得起，混元AI大模型上线后，就横扫了跨模态检索领域5大权威测评集大满贯，在多模态理解领域国际权威榜单VCR、CLUE自然语言理解分类榜、CLUE总榜上都排第一。很多小伙伴可能感受不到这些奖项意味着什么，简单来说，有了混元AI大模型，广告素材里面的具体信息都被理解的明明白白，比如有几个人？是素人还是明星？在演什么情节？广告表达的情绪是什么？卖的是什么商品？广告系统都能了然于心。

    而广告大模型，是一个千亿维参数的广告决策模型。在广告的精排过程中，它可以把更长期更细致的历史数据、更多场景与页面的上下文信息、更大规模的样本都用起来。有了这么大的模型，量变带来了质变，算法逐渐产生了超越人类经验发现商机的智慧曙光。比如说：新品上市，市场部不知道哪些用户会感兴趣怎么办？原有用户群逐渐饱和，如何探索新的市场空间？不同定价的产品，怎么自动找到合适的受众？这些问题，在广告大模型的支持下，应该说都能产生质变。

    关于大模型，我们在《千亿参数的广告模型，是怎样炼成的？》一文中有过更详细的介绍，大家可以参考。

    实际上，这些能力也好、模型也罢，核心都是在用最新的AI方法论，构建数字广告场景中的两个核心能力：一个是理解能力，另一个是运算能力。

理解能力：让系统更懂“货”

    系统构建的理解能力，有两个层次：首先，不再把素材当成孤立的广告元素，而是通过理解素材背后所表达的内容和语义，分析出广告所传递的丰富信息，包括客户通过广告希望达成的营销目标，也包括广告中希望售卖的化妆品、课程、甚至是游戏产品。其次，通过内容理解，找到素材之间的联系，并进而找到与受众兴趣的关联度，从而实现更准确地推荐，高效达成客户的效果指标——“起量、成本和稳定性”。

    这就是这次腾讯广告系统升级的一大重点体现——以全面商品化，将广告系统建模的基本单元，由广告升级为商品，真正实现以生意的视角来投放和管理广告。

    在全面商品化这一路径下，通过解析出广告素材中的商品名称、规格等信息，配合与客户一起构建的行业化的知识图谱，就可以把同一个产品的不同素材绑定在一起，作为同样的一个“商品”来处理和建模。即使一个新素材首次出现在系统中，由于同产品的其他广告已经积累了不少数据，冷启动的起量过程，可以更快更稳健地完成。

    大会上提到了一个润百颜的案例，让我印象很深：以往，润百颜也是采用传统投放模式，以广告为中心，通过建多个广告组的方式来搏起量概率。现在，在系统的理解能力支撑下，他们和腾讯广告合作搭建起了商品知识图谱，丰富了商品特征；在这个基础上，润百颜一方面能以统一工作台的视角，从商品维度进行管理，聚合多个广告的投放数据做后续的营销决策；另一方面，基于丰富的商品表达，系统主导人货匹配，而非囿于过往的人工标签圈选，有效提升了对高价值群体的探索。

    也就是说，由于商品这个层级的引入，背后的模型早就知道它们是同样的一个商品，建模统计也都可以共享了。这样一来，以前有较好数据变现的商品，不容易因为新广告的随机表现被误杀，稳定性就大大提高了。

    通过商品化的方式，润百颜的起量成功率提升了25.43%，空耗率降低了43.68%，从这两个指标来看，玄学的问题得到有效缓解。而全面商品化的进程，后续也将在更多的行业覆盖。

运算能力：让系统主导推荐

    再说说运算能力，本质上是在用户与商品的空间里做探索，以期挖掘它们的潜在关系。说得通俗一点，就是找到哪些人群对你的产品感兴趣，人找对了，自然增长的成本就低了。

    运算能力大幅提升的关键，当然就是这次升级所提及的广告大模型。混元AI大模型获得了更丰富的特征以后，可以联动广告大模型，从而进行更准确、更高效地建模。而广告大模型本身，也有海纳百川的强大能力。

    以往广告投放的思路，从系统视角是怎么实现的？系统提供了大量人群标签，根据客户的经验挖掘出人群包，再组合选择这些标签来优化转化率和投放成本。在这样的方法论中，运算这一过程是算法建模辅助、人类经验主导。

    然而，从2017年AlphaGo战胜李世石以后，业界已经有了共识：只要目标明确、数据充沛，算法智能大大超越人类经验是必然的结果。围棋如此、广告也理应如此。只是，在这么大的问题上，如果模型达不到一个临界规模，那么就像发育还未成熟的大脑，实现不了这一“伟大”目标。

    而这次腾讯广告系统的升级，很可能已经摸到了这个临界点，最直接的市场观察就是：人群包全面下线了，人群与广告相匹配的运算过程，被彻底托付给了算法。在系统运算能力下，腾讯广告与客户能够更紧密地合作：

    一、协同客户定义真正的商业目标。以往投放端对推广目标的表达比较简单，比如“注册、下载”等，但客户真正的商业目标可能更加具体，可能是找到更多“在多少天内有多少次付费行为”的人群，传统投放平台碰到这个需求，估计得举手投降了。此外，不同客户的生意诉求不尽相同，升级后的系统可以围绕真正的生意目标快速通过模型优化。

    二、确定了商业目标以后，基于客户高质量的一方数据，广告系统能够对定制模型进行快速跑通和迭代。

    从某位网服客户那里了解到，他们是比较早“吃螃蟹”的一家：通过跟腾讯广告深入交流，确定了具体商业目标以后，整个定制化的模型花了7天就上线了。据我了解，以往这样的模型定制，没有两个月搞不定，更别说有时候还得等研发的排期。

    实践证明，通过定制化目标和定制化模型，放弃以往人群包的模式，把决策更多地交给广告系统的运算能力，效果也是不错的。这家网服客户的ROI提升了20%，平均出价和eCPM也提升了50%，从数据来看的话，有点儿AlphaGo大胜李世石那意思了。

    至于数据以外的一些观察，那就更有趣了。我在前面的文章里讲过一些例子，而在上面这个网服客户的实践中，他们也惊讶地发现，最后成本低、转化好的那批客户，与增长部门最初设想的出入很大，而他们自己设想的那些人群，ROI非常不好。看来，如果在人类经验的指导下做增长，可能这次投放已经失败了。

    理解也好、运算也罢，都是用算法智能补足人类经验的缺失，这个大趋势不可改变，而且在腾讯广告升级后的技术底座上，这样的临界点已经清晰地浮现在不远的前方。

@-@

    不得不说，蒋杰围绕广告系统升级所做的这次分享，让我这个技术从业者听得津津有味。腾讯广告的努力方向，跟我的理念十分契合：通过苦练内功，从平台基建到模型研发进行广告系统的一系列升级，坚守“向技术要效率、要确定性”的理念，这才是解决客户生意痛点、破解投放玄学的正道。这些努力和结果，让我们更加坚信，广告营销走向精细化、拥抱确定性增长，在数据、计算和智能的时代，是一定能解决的问题。

加入星球，探讨用户增长与变现专业话题