在使用程序化进行广告投放过程中，我们能收集到每个广告物料在不同时间段内的不同效果表现。对于广告主而言，一定希望能有效区分哪种物料是用户感兴趣的、能够促成转化的，以此来指导后续的物料制作。这个过程被称为创意优化，通常情况下，创意优化需要如下几个步骤：
1. 物料从被展示到点击，数据会经历从媒体端发送请求，到广告平台返回物料给媒体、媒体端展示的过程，我们可以获取到这么几个基本信息：
a. APP ID
b. 广告位类型
c. 广告呈现的设备
d. 广告呈现的设备的IP地址
e. 广告呈现的尺寸
f. 广告呈现的时间
2. 把以上信息清洗分析，会得到以下更加详细的数据：
a. APP ID—— APP 的名称，类型
b. 广告位类型——开屏/插屏/Banner/信息流
c. 广告呈现的设备——iOS/安卓系统，以及是什么样的版本
d. 广告呈现的设备的IP地址——广告呈现的设备所在地（北京/上海/广州等）
e. 广告呈现的尺寸——640*100/1280*200等
f. 广告呈现的时间——可以把时间进行24小时划分
3. 通过数据分析，如果把同一个广告物料进行点击数据求和统计后，简单来看可以得到如下曲线（示例曲线）——
4.以上图例为示范，假设我们在该时间段内投放的数据是有多份物料在投放，我们取21点的峰值进行比对，会得到以下类似情况——
通过分析，明显可以看得到物料1的情况优于物料2。如果要保持投放结果一直有较高的点击，仅从物料的角度来说，应对物料的成分进行继续分析才可以得到更加完美的数据。
以上手动分析方法虽然可以在一定程度上进行数据分析，但每次分析非常耗时，下面我们以ADXING广告行在阿里云上的操作实践分析为例，介绍如何将以上步骤进行智能化操作。
1. 通过SLS日志服务将最原始的数据展示行为从每台日志存取机器上拉取，存储；
2. 通过阿里云的图像识别功能，将物料图片进行打标，将会得到图片相应的标签；
3. 将日志与格式化的图像标签存储到ODPS当中，作为同步存储数据源；
4. 再使用阿里云机器学习模块，根据需要的场景进行算法处理。如采取加权采样对同步的数据进行采样，再使用机器学习算法（在阿里云PAI上面已经直接可以与ODPS集成）进行数据处理；
5. 将模型部署到Max Compute当中，参与实时的数据计算。对于不符合条件的物料输出给广告系统，直接将物料下限进行替换，并继续进行数据处理，直至达到满足要求的物料被投递到APP当中。
閱讀更多 ADXING廣告行 的文章
