一、合约的发展

在线广告的初始阶段，媒体与广告主的代理商是市场的重要参与者，线下广告的逻辑也被照搬到了线上。广告位合约是最早产生的在线广告售卖方式，即媒体与广告主约定在某一时间段内某些广告位上固定投放该广告主的广告，相应的结算方式为CPT。这种方式的强曝光属性可以有效地给用户带来品牌冲击；长期独占式的购买有利于形成 “ 橱窗效应 ”；同时也可以向广告主提供一些其他的附加服务。这种做法的缺点也非常明显，即无法做到按受众投放广告，则无法进行深入的效果优化。
合约广告的另一重要形式是按CPM的展示量合约，约定缺点一次广告活动的投放总量和展示单价，售卖对象由“广告位”进化到“广告位+人群”，是在线广告发展史的一个里程碑。从供给方产品和技术的复杂程度来看，CPM展示量合约广告甚至比竞价产品系统更加复杂，也直接催生了受众定向技术。

二、受众定向

随着在线广告和业务的发展，产生了各种各样的受众定向方法，这些方法的综合应用使广告的精准程度越来越高。受众定向有两点需要关注：一是定向的效果，即符合该定向方式的流量高出平均效果的水平；二是定向的规模，即这部分流量占整体广告库存流量的比例。

常见受众定向方法

如上图所示，受众定向的一些典型方法：

• 地域定向（geo-targeting）：由于很多广告主的业务具有地域性。所以其作用相当重要，也是所有在线广告系统都必须支持的定向方式。
• 人口属性定向（demographical targeting）：其主要标签包括年龄，性别，教育程度，收入水平等。它主要是根据用户特征来判定的。
• 频道定向（channel targeting）：他是完全按照供应方的内容分类体系将库存按照频道划分，对各频道的流量投放不同的广告。这种定向方式比较适合于那些离转化需求比较近的垂直类媒体。如汽车，母婴，购物导航，军事等。
• 上下文定向（contextual targeting）：将频道定向这种方式加以推广，可以根据网页的具体内容来匹配相关的广告，这就是上下文定向。其粒度可以是关键词，主题，也可以是根据广告主的需求确定的分类。上下文定向是ADN中首选的定向方法之一。
• 行为定向（behaviorial targeting）：它是展示广告中非常重要的一种定向方式，其框架根据用户的历史访问行为了解用户兴趣，从而投放相关广告。
• 精准位置定向（hyper-local targeting）：由于移动设备投放广告时我们可以获取其精准位置，它可以使大量区域性非常强的小广告主（如餐饮，美容等）有机会投放精准定位的广告。
• 重定向（retargeting）：对某个广告主过去一段时间的访客投放广告，以提升效果。
• 新客推荐定向（look-alike targeting）：根据广告主提供的种子访客信息，集合广告平台更丰富的数据。为广告主找到行为上相似的潜在用户。
• 动态定价（dynamic pricing）：例如团购也是一种变相的广告形式。
• 场景定向（scenario targeting）：移动环境下的新问题，根据使用手机的不同背景状态进行决策。
  受众定向标签体系：一些反映用户兴趣的受众定向方法，需要一个标签体系，将用户映射到一个或几个标签上去。一般来说，标签体系有两种组织方式：一种是按照某个分类法（taxonomy）制定一个层次标签体系，其中上层标签是下层标签的父节点，在人群覆盖上是包含关系。另一种是兴趣标签的组织方式，根据广告主的具体需求设置相应的标签，所有的标签并不能在同一个分类体系中描述，也不存在明确的父子关系。这种半结构化或者非结构化的标签体系通常包含比较精准的标签的集合，主要适应于多种目标特别是效果目标并存的广告主精准流量选择要求。

三、展示量合约（担保式投送）

展示量合约指的是约定某种受众条件下的展示量，并按照事先约定的单位展示量价格(CPM)来结算。虽然从交易模式上来看，展示量合约仍然是比较传统的交易模式，但从技术层面看，已经反映了互联网广告计算驱动的本质：分析得到用户和上下文的属性，并由服务端根据这种属性及广告库情况动态决定广告候选。
展示量合约售卖的是某特定人群上的广告曝光次数，而人群不同于确定的广告位，因此必须在合约中约定投放的量，因此就需要流量预测（traffic forecasting）。流量预测主要有三个用途：

• 售前指导。事先尽可能准确预测各人群标签的流量。
• 在线流量分配。当一次曝光同时满足两个以上合约的要求时，则需要决策进行分配。
• 出价指导。广告主需要根据自己预估的出价了解可能获得的流量。
  流量预测对展示量合约非常重要，但本质上还是被动地统计流量情况，在一些情形下，还可以主动影响流量，以利于合约达成，即流量塑性（traffic shaping）。
  展示量合约中，各个合约要求的人群可能重叠，就需要设计合理的在线分配策略，使各个合约得到满足，通常简化为二部图（bipartite graph）匹配问题。

参考资料

[1] 刘鹏, 王超. 计算广告：互联网商业变现的市场与技术. 人民邮电出版社, 2019.
[2] https://blog.csdn.net/mytobaby00/article/details/79841638
[3] https://www.jianshu.com/p/7f586e5b80b5

枢始得其环中，以应无穷。是亦一无穷，非亦一无穷也。故曰：莫若以明。 ——《庄子·齐物论》