亚马逊AWS肖红亮优化预测推荐量化

来源：营销时间：2022/11/22

治疗白癜风方法 http://baidianfeng.39.net/a_bdfnzhm/130903/4249431.html

整理丨LucyLu

年注定是营销分水岭的一年，万物皆可播、5G应用落地、短视频遍地开花......营销环境都在逐渐变革颠覆，尤其是AI、大数据为品牌营销提供了新的增长动能和发展路径。

“大数据是基础，是营销客户最宝贵的资产，就像石油，而AI更多的是去钻研数据的价值，更像钻井平台，两者一起去驱动业务创新。”肖红亮说道。

11月27日，在北京·中国大饭店举办的MorketingSummit第五届灵眸大赏，AWS与Morketing联合主办的亚马逊云文化技术双赋能专场中，亚马逊AWS解决方案架构师-肖红亮以《AI赋能数字营销行业创新》为主题做了分享。

34:05

以下为演讲实录，Morketing编辑整理：

在上个世纪50年代，AI就已经出现了，而随着近几年计算机能力的不断增长，AI才逐渐开始在很多行业、技术领域真正落地开花。今天我分享的话题是，AI如何在数字营销领域赋能客户？

洞察数字营销新变化、新要求

AI技术解锁营销新姿势

随着移动互联网的发展和5G时代的到来，创意的创作和传播方式都发生巨大变化。

首先短视频是的变化之一，如今用户大量生活时间都贡献给了短视频，它不仅是目前爆火的一种媒体传播方式，也是广告、营销玩家重视的新领域。

其次是社会化营销，在信息大爆炸的时代下，社交网络、电商社交化等话题依旧是重点，社交化营销也是未来需要考虑的重点方向。此外，则是一些新媒体的出现，如NewTV、OTT、视频网站的大量普及等，但目前用户还是更多的将自己的生活时间贡献给了手机及移动媒体。

与此同时，今年发生的一些黑天鹅事件，如疫情的出现，导致整个社会、行业都非常动荡，同时加速了一些行业的转型，对数据营销而言，的影响在于，广告主成本紧缩，对ROI的要求提高。

那么基于这些变化下，给广告主和广告平台带来了哪些新要求？

一是个性化内容，尤其对短视频而言，应该给受众提供一些个性化的、与之相匹配的、更能打动他的内容，并且这些内容的效果好坏可以被量化，如此才能知道下一步的营销。

二是度客户视图，信息爆炸时代，包括人与人、人与物、物与物等之间的关系复杂多样，在这些关系中要找出客户视图，这样才能更好地了解用户/客户，从而投放更精准的营销策略，提高投入产出比。

三是品效合一，即效果类广告和品牌类广告共同成长，效果类广告可以考核效果，但品牌类广告如何考核效果，给我们带来了一个新难题。

四是更精准的投放策略，现在数据的分析不能仅局限于白癜风，还需分析未来数据，如果能对未来广告的效果、广告库存等有非常精准的营销数据，不仅可以更好的指导未来定价，且能够让广告主有一个长期预期，从而合理规划投放预算。

在新变化和新要求下，传统的数据处理技术可能在某些方面已经无法满足市场需求。比如在处理数据时，不仅是分析用户数据和行为历史，还要加入时间维度、行为之间的关系维度及其他更复杂关系等，这时就无法通过大数据技术得到好的结果。另外大数据也无法分析一些如非结构化数据、视频、图片、音频等，但这些多媒体数据是现在传播营销创意最常用的技术。

而在这些领域，AI包括机器学习技术实则非常适合，它能从数据中钻取出非常复杂的隐含关系，帮助广告主实现更好的业务目标。实际上，掌握了机器学习能力，营销企业相当于占据了技术制高点，对未来的技术创新能够产生更好的动力。

广告客户、数字营销客户其实不缺数据，也不缺创新意识，缺的是如何利用数据技术以及如何找到业务上的创新和AI机器学习技术之间的契合点。所以未来大数据依然是基础，数据是营销客户最宝贵的资产，就像石油，而AI更多的是去钻研数据的价值，更像钻井平台，一起去驱动业务创新。

那么AWS是如何做的？构建一个更高性能、高安全、高可靠的综合性大数据平台，其数据平台应该具有这几个能力：储存和处理关系型数据，如用户行为、用户点击、投放过程日志等，以及半结构化数据，如视频、音频、图片等。

基于这些能力，AWS可以帮助数字营销领域的客户去改进媒体投放策略，创建新的用户体验如给不同用户推送不同内容，以及语音等，所以未来AI将是数字营销领域创新的主要推动力。

AI在数字营销领域的核心技术及落地场景

同时我也给大家总归了一些AI在数字营销领域的核心技术及落地场景，大致有几个方向：受众人群的拓展；优化流量、计算资源投入等流量整形；未来创意的效果可量化、虚假流量识别等。

实际上，AI在近5-10年间一直走向大众生活的方方面面，但在营销领域，真正落地的场景、案例并不多。亚马逊本身是营销平台，也积累了二十年左右的营销经验，可以提供给客户很多现成的AI解决方案、算法、成功案例等。接下来我会讲一些，AWS的客户有哪些真正落地的案例，希望给大家可以带来一些启示。

个场景是投放环节的成本优化，这是个非常典型的程序化广告投放流程。

首先，在媒体侧有一个广告展示的请求会发送给AdExchange，AdExchange接到请求后，会发布广告空位到它对接所有DSP平台。但随着效果类广告需求越来越高，AdExchange及DSP都会扩大自己的规模，AdExchange会对接很多DSP，DSP也会对接很多AdExchange。而当规模增长到一定程度时，底层计算资源、网络资源等成本就会非常的可观。

这也是AWS客户的真实案例，一位AdExchange的客户表示，他往DSP发布的biddingrequest最终只有10%会返回相应出价的response，也就是说有90%的biddingrequest被浪费掉。但如果将90%无效的biddingrequest过滤掉，就可以大大降低AdExchange对底层的计算，及网络投入的成本。

所以客户构建了一个平台，去统计之前所有bidding的行为和白癜风，从中得到了一些insight。当平台每次接收到媒体侧发来的请求时，就会自主判断这次的biddingRequest会有多少DSP选择出价，这时平台只会把biddingRequest发给有可能出价的DSP，节省剩下90%的流量。

这不仅节省了流量，实际底层计算资源也得到节省，因为每次发送都会占用计算资源，所以最终的成果是客户降低了75%的资源成本，但对营收的影响微乎其微。

第二个场景是预测广告库存。

刚才是效果类广告，但现在有大量品牌类广告寻找投放渠道，对于这些广告主而言，他们需要一些稳定客流，希望用户能够相对持续性的观看到广告，他们所以会对接大屏媒体、传统电视、视频网站、OTT等供应商，大规模推广广告，扩大品牌影响力。

这些广告主主要为大品牌，他们需要有对未来流量的预期，从而统一全年投放策略，因此广告主需要了解到，某一时间、某一地区、某个频道会有多少用户观看哪个节目，有哪些人群，这就是广告库存。如果可以精准地预测广告库存，那么广告主就能在年初规划一整年广告投入预算的比例，以及未来投放策略的设置等。

对广告平台来说，广告库存预测能力同样重要。因为可以知道未来流量的预期，就能指导流量定价；同时若能预测出未来的广告流量，就能对广告库存进行提前售卖。AWS总结出了一些独有的算法，能帮助客户更精准地预测未来一段时间的广告库存。

第三个场景是社交化广告推荐。

众所周知，效果广告本质上是物品推荐，目的是希望观看广告的用户对广告中的物品或内容感兴趣，从而发生点击、安装或购买等行为。在传统的需求侧来看，更多是通过CTR去预测一个创意或广告，用户对广告产生的兴趣，以及后续行为是什么？如预测点击率，就需要基于之前的白癜风去预测，再结合出价规则，去制定出价方式。

但传统机器学习算法的准确率并不高，随着深度学习网络的发展，现在整体的预测准确率已经提高了30%左右。

现在是信息爆炸的时代，会产生各种关系数据，人与人的关系构成了社交网络，物与物的关系构成了知识图谱，人与物之间的行为关系就是另外一种图类数据，如果进一步将这三种图类数据整合在一起，就会构成一个非常复杂的图数据，而这一技术可以帮助我们去挖掘用户和某一物品间的复杂关系。

度客户视图可以应用的其中一个场景是，方实名数据可以找到跟其他第三方匿名数据之间的关系，如广告主构建一个CDP平台，在平台中有他手的数据，并做好了用户画像，知道用户的兴趣爱好，但不能完整表现用户在其他APP或媒体上的行为模式，这时就需要去对接一些第三方数据，而第三方数据里有一些是匿名，如何跟实名数据产生直接联系呢？这就需要用到上述提及的视图中的数据，可以将具有关系的数据抽取出来，在同一个ID下构建起用户匹配的度视图，从而进一步了解用户行为，进行更精准化的营销。

有了度用户视图，又可以做到另外一种非常新的技术“图神经网络”，这也是社交化广告推荐领域比较火的一个话题。它不仅会考虑人与物之间的关联关系，还会考虑人与人、物与物等非常复杂的数据关系，进而给用户推荐产品或内容，如我的朋友喜欢这款产品，有可能我也会被推荐，因为我们兴趣偏好可能相同，当然这是更简单一点的关系。

第四个场景是创意效果被量化。

前面提到，现在都在追求品效合一，效果类广告可以考核技术指标，但品牌类，尤其是视频类广告如何考量？后期要如何改进创意得到更好的投放效果？如果要达到品牌广告效果可量化，首先要知道品牌广告的可量化指标是什么。在观看广告时，用户的流失率非常能体现创意的好坏，如果我不感兴趣或不喜欢广告里的人，就会选择跳过或换台。

一个视频广告中有多少元素会影响到指标？一个视频广告是由多个创意元素组合在一起，可能包括人、人物的表情和情绪、文字、品牌、音乐等，如果将这些元素分别拆开，跟用户流失率放到统一视图下，那么就能看到彼此之间的关联关系，也就能做到品牌广告效果可量化。

以下图为例，通过AI技术，将视频拆解成音乐、场景切换、篮球出现的时间和顺序、任务表情等元素，基于视频时间轴铺开，右上方就是整体投放效果的展现，蓝色线代表用户流失率，色代表平均指标。可以看到，蓝色指标比色要高，说明该视频能吸引用户观看，愿意花更多的时间停留，说明该视频创意是成功的。

但如果我们发现这次营销效果并不好，就可以了解到元素和指标产生哪些关系，进而动态调整，如更换音乐、减少场景切换、或更换演员等，再进行下一次投放，衡量投放效果是否有所改善。

其实，上述案例就是AWS的客户VidMob的解决方案，主要是基于VidMob，VidMob是一个视频创意制作平台，可以直接在Facebook上进行相应的广告投放，但有些创意效果好，有些效果差，但客户并不清楚原因，没有一个可量化的指标。

所以VidMob将元素拆解出来，拆解成不同的人、物、文字、语音，语音通过转文字的方式拆解成文字，再通过自然语言处理的方式去解读文字，发现一些关键字、情绪，把元素都跟效果指标铺平、集中展示，营销人员就不会一头雾水，可以去动态调整视频，从而提高整体营销活动的ROI。这是一个双赢的结果。

亚马逊AWS能为企业数字营销创新做什么？

接下来分享一下AWS服务架构，这个架构实际上是构建在AWS无服务器架构之上，所有应用的组件没有使用任何一台虚拟机，这样会给我们带来很多好处：

个，使用这些开箱即用的技术，如人脸识别、语音识别等，技术人员不需要有任何技术背景或技术基础，只需要简单的API调用；

第二个，客户不需要预制所有的资源，所有服务的调用，包括用户的访问都是按需付费；

第三个，服务扩容，流量突增时，我们需要考虑如何去做底层的计算资源横向扩容，或当流量峰值到了后，如何做缩容，但基于服务架构，所有的扩容和缩容都是AWS帮忙去做处理的；

第四个，把开发人员从基础架构的设计中剥离出去，开发人员可以专注在业务逻辑上，进而更快速地进行业务开发、版本迭代等，因此企业有任何创新想法都可以快速实施。

AWS为什么能在AI上面有相对快速的上手速度？因为AWS提供AI技术的全家桶，除了SaaS服务，还提供相应的平台层服务，对于初学者和专业人员，AWS都有相应的解决方案和服务。在AI技术方面，就算企业没有专业的算法工程师团队，也完全可以在AWS上快速验证想法。

另外如果企业有算法工程师，但没有底层的基础架构平台，也能基于中间的服务在AWS上快速构建机器学习算法、机器学习模型训练、模型托管，最终到模型监测，都可以全流程端到端完成。如果企业从零开始，构建可管控的AI平台，AWS也能提供非常丰富的计算资源，从零进行部署。

当然，AWS还有其他丰富的服务，这次主要总结的是数字营销跟广告行业相关的服务。首先AWS提供网络、存储、数据库、中间件、微服务处理等基础平台，可以帮助客户或营销类的客户构建广告创意投放的基础服务。其次还有数据平台，AWS也提供从数据注入、数据存储，到数据湖之上的数据处理和数据整现等，也都提供一整套的数据相关解决方案。是刚刚提到人工智能平台，客户可以在AWS上构建一整套数据化营销的全流程平台。

总结

实际上，人工智能在数字营销领域的一些应用还处在起步阶段，现在只是在数据分析、人群定向上有了些落地场景，但我相信不久的将来会有更多创意的场景出现。随着机器学习的发展、人工智能技术或其他前沿技术领域的发展，未来肯定会出现创意自动化产生、制作、广告自动化投放等可以代替传统人工的场景。

所以我希望营销从业者可以跟上步伐，快速使用相应的服务和解决方案，快速试错，AWS也会继续给客户提供更个性化、更优质、更有竞争力的技术。谢谢大家。