标签：conversion 互联网 cookie
DSP 在进行投放的时候通常按照如下流程：
步骤1:识别用户:
DSP 系统通常会在广告展示的时候，同时放置一个检测点，这样当互联网用户第一次访问 广告主的网站时，就会种下一个cookie，这样DSP就可以追踪到这个网民的在广告主网站上的行为数据。DSP还会和媒体以及第三方DMP进行合作，进行 Cookie Mapping，以便在竞价前能够识别该用户。
步骤2:受众选择:
对广告主的每个推广活动, 制定一个模型，该模型以在广告主的网站上发生转化行为（转化行为可以是注册，点击，购买，下载等等）的用户为正例，没有发生转化行为的用户为负例。建立模型后，对所有的用户预估转化概率p(c | u),即该用户u有多大的概率会在广告主的网站上发生转化行为（c表示conversion），去掉大多数转化概率非常小的用户，将目标用户根据转化概率 高低分到不同的投放计划中。这样我们对每个活动就找到了很多的目标用户，而且这些用户根据他们的质量高低，被分别放在不同的投放排期中。
步骤3:进行实时竞价：
当adx(Ad Exchange)把请求发过来的时候，DSP会拿到以下信息：当前广告位的信息，当前用户的 cookie和终端信息。DSP需要在指定时间内（通常100ms内），根据对当前用户的分析，并且结合当前广告位，根据自己的bidding算法，来要决定是否要买这次展现，投放哪个compaign的广告，出价是多少（bidding），并向Ad exchange返回出价信息？如果超过时间DSP没有响应，则 exchange默认DSP放弃这次竞价。
步骤4:展现广告：
如果赢得了展现机会，则DSP返回创意，用户就会在该广告位看到该创意。
步骤5:追踪转化：
DSP在广告主的网站上埋了点，就能知道用户是否在这次展现之后进行了转化行为。根据这些数据统计转化率，每个转化平均成本等指标，汇总成报告给广告主
DSP 受众选择算法：
1. Low-level Model:这个模型的作用是做初选。所有在活动对应的广告主网站上发生转化行为的用户作为正例，其他的用户作为负例。该模型的特征只有一类，就是用户历史访问过的URL。采用线性方法降低维度影响
2. High-level Model: 这个模型的作用是细选。模型的样本和Low-level Model一样，特征就不限于用户访问过的URL了，可以是这个用户的各种挖掘出来的属性标签，包括可解释的分类标签，不可解释的聚类，与广告主网站的关联特征等。也就是给用户打标签的方式
DSP 竞价算法
标签：conversion 互联网 cookie
原文地址：http://11926581.blog.51cto.com/11916581/1851120
