RTA是最近2-3年才兴起的一个产品投放模式,很多即便在广告领域工作多年的老司机也不一定了解(甚至听过)这个概念。
笔者最近看了一篇RTA的介绍文章(小聊RTA),通篇读完后仍然觉得是没有get到RTA关键点,总之就是读起来啰嗦、不过瘾。所以笔者从个人理解的角度重新做了个总结。欢迎大家交流与讨论。
RTA是什么
RTA(Realtime API)产品是直投与ADX(Ad Exchange)相结合的一种投放模式,即,每次请求时,广告平台都通过API询问广告主是否参竞,然后结合广告主返回的决策进行下一步广告的优选投放,最终提升广告主的广告投放效果。如下图。
备注:
(1)直投模式:简单理解就是广告主直接去媒体广告系统投放广告的模式,依赖于媒体数据和算法能力。
(2)ADX模式:媒体提供流量,广告主利用自有数据及投放模型完成投放,广告无法利用媒体侧投放模型。
RTA解决的问题
(1)精准人群定向:广告主基于自有数据(或模型)判定每次请求的用户价值,返回广告平台“是否参与本次竞价”的决策。
(2)流量实时筛选:平台实时询问广告主是否参竞,并结合广告主的实时回复进行最终流量优选;
有同学可能疑问,如果广告主把圈定的人群通过广告平台的DMP人群定向进行人群定向投放,是不是也可以达到同样的目的?
答案是肯定的。但很多时候,数据是一个公司的核心资产,广告主并不愿意过多泄漏数据。另外,如果广告主想把最近收集到的数据应用到广告投放中,就需要频频更新现在广告的DMP定向人群,操作成本也非常高。
因此,RTA就是体现出了它的优势:(1)无需给平台回传数据;(2)也无需频繁人工调整DMP定向人群。
备注:平台侧也会有缓存服务,所以也可以收集到广告主信息,所以仍然存在数据泄漏风险。
RTA产品流程
(1)广告主创建RTA广告,并将广告物料信息同步至平台侧;
(2)平台向广告主发送请求,询问是否参竞。平台出于性能和数据更新频率角度考虑,基本上都会缓存广告主返回的决策信息,保留一定时间窗口(例如,1小时)。
(3)广告主针对平台发出的每次请求判断是否参与竞价,并返回决策信息。平台侧一般预留响应时间为50ms-100ms。
(4)广告主决策不参与本次竞价时,广告平台则将广告主广告进行过滤。否则,将广告继续后续的粗排/精排等流程。
备注:笔者了解到,RTA基本是对广告主下所有参竞广告同时进行过滤or保留,不支持对广告主下广告粒度进行询问和过滤。
与RTB(Realtime Bidding)差异
借用“申探社”的两个图来解释RTA与RTB的区别:
(1)RTA广告,上面已经介绍,播放和排序策略主要在平台侧(或媒体侧),广告主侧只有决策权(参竞与否)。
(2)RTB,广告主通过DSP系统投放去ADX平台实时CPM报价采买流量,平台侧(或媒体侧)只按照出价进行排序和曝光。即,播放、排序和出价策略主要在DSP侧(或广告主自有平台),平台侧只能决定是否曝光。
RTA应用场景
对广告主的能力要求:
(1)广告主侧,需具备丰富的一方数据,且投放目标人群频繁变动。且关注数据安全,不愿意回传过多数据。
(2)广告主侧,具备一定技术能力(包括开发和建模),例如,完成RTA接口开发,数据收集(甚至建模能力)。
常见应用场景:RTA适用于用户拉新、高端商品广告投放等特别注重目标人群圈选的场景。
RTA未来发展
(1)目前,业界RTA主要是广告主决策是否参与竞价,实际上,还可以允许广告主引入自身算法能力,实现“对不同价值的用户实时出价”能力,即对每次请求返回cpc/cpa出价等,进一步提高买量效率。
(2)目前,RTA还主要作用于广告主粒度,即在本次请求中广告主下所有参竞广告批量过滤or保留,还不支持对广告粒度进行决策。这块预计也是一块优化空间。
RTA业界状态
头条、腾讯、快手等公司的广告投放平台,均已支持RTA,国外公司还很少听说。
References
1.RTA 广告产品能力详解:https://zhuanlan.zhihu.com/p/125464058?from_voters_page=true
2.小聊RTA:https://mp.weixin.qq.com/s/Zn6EauV8Zsh2W17urlgJyQ
3.申探社:深入互联网广告中的出价模式(下)— 联盟,RTB和RTA:https://mp.weixin.qq.com/s/9DgiIMNv8RhXQ9OndKTvpw
推荐阅读
斯坦福大学NLP组Python深度学习自然语言处理工具Stanza试用
太赞了!Springer面向公众开放电子书籍,附65本数学、编程、机器学习、深度学习、数据挖掘、数据科学等书籍链接及打包下载
数学之美中盛赞的 Michael Collins 教授,他的NLP课程要不要收藏?
模型压缩实践系列之——bert-of-theseus,一个非常亲民的bert压缩方法
关于AINLP
AINLP 是一个有趣有AI的自然语言处理社区,专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享,主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等,欢迎关注!加技术交流群请添加AINLPer(id:ainlper),备注工作/研究方向+加群目的。