04.02 ADXING廣告行如何利用阿里雲實現創意智能優化？

在使用程序化進行廣告投放過程中，我們能收集到每個廣告物料在不同時間段內的不同效果表現。對於廣告主而言，一定希望能有效區分哪種物料是用戶感興趣的、能夠促成轉化的，以此來指導後續的物料製作。這個過程被稱為創意優化，通常情況下，創意優化需要如下幾個步驟：

1. 物料從被展示到點擊，數據會經歷從媒體端發送請求，到廣告平臺返回物料給媒體、媒體端展示的過程，我們可以獲取到這麼幾個基本信息：

a. APP ID

b. 廣告位類型

c. 廣告呈現的設備

d. 廣告呈現的設備的IP地址

e. 廣告呈現的尺寸

f. 廣告呈現的時間

2. 把以上信息清洗分析，會得到以下更加詳細的數據：

a. APP ID—— APP 的名稱，類型

b. 廣告位類型——開屏/插屏/Banner/信息流

c. 廣告呈現的設備——iOS/安卓系統，以及是什麼樣的版本

d. 廣告呈現的設備的IP地址——廣告呈現的設備所在地（北京/上海/廣州等）

e. 廣告呈現的尺寸——640*100/1280*200等

f. 廣告呈現的時間——可以把時間進行24小時劃分

3. 通過數據分析，如果把同一個廣告物料進行點擊數據求和統計後，簡單來看可以得到如下曲線（示例曲線）——

4.以上圖例為示範，假設我們在該時間段內投放的數據是有多份物料在投放，我們取21點的峰值進行比對，會得到以下類似情況——

通過分析，明顯可以看得到物料1的情況優於物料2。如果要保持投放結果一直有較高的點擊，僅從物料的角度來說，應對物料的成分進行繼續分析才可以得到更加完美的數據。

以上手動分析方法雖然可以在一定程度上進行數據分析，但每次分析非常耗時，下面我們以ADXING廣告行在阿里雲上的操作實踐分析為例，介紹如何將以上步驟進行智能化操作。

1. 通過SLS日誌服務將最原始的數據展示行為從每臺日志存取機器上拉取，存儲；

2. 通過阿里雲的圖像識別功能，將物料圖片進行打標，將會得到圖片相應的標籤；

3. 將日誌與格式化的圖像標籤存儲到ODPS當中，作為同步存儲數據源；

4. 再使用阿里雲機器學習模塊，根據需要的場景進行算法處理。如採取加權採樣對同步的數據進行採樣，再使用機器學習算法（在阿里雲PAI上面已經直接可以與ODPS集成）進行數據處理；

5. 將模型部署到Max Compute當中，參與實時的數據計算。對於不符合條件的物料輸出給廣告系統，直接將物料下限進行替換，並繼續進行數據處理，直至達到滿足要求的物料被投遞到APP當中。