互联网广告-1-广告业务简介

互联网广告-1-广告业务简介

广告的生意逻辑

互联网广告发展始于1978年，当时数字设备公司在ARPAnet上发出了第一封邮件广告。1994年，《连线》杂志网站Hotwired推出首个横幅广告，初期点击率高达44%，但随着广泛应用迅速下降。中国互联网广告起步于1997年3月，IBM和Intel在比特网上投放横幅广告。搜索广告于1995年由雅虎推出，1998年Goto.com(后更名为Overture)创新性地引入了按点击付费和关键词竞价模式，该公司后被雅虎收购，成为谷歌和百度等搜索引擎竞价广告的前身。搜索广告因基于用户主动搜索而具有高相关性。1997年，为提高点击率，弹窗广告应运而生，能立即吸引用户注意。随后，富媒体技术被广泛应用于展示类广告，通过动画、声音、视频和交互性元素提升广告吸引力，主流网站通常设置这类广告自动关闭或缩小，并提供用户关闭选项。

如今，广告已经成为互联网最主要的商业模式之一。以2023年数据为例：

Google (Alphabet): 广告收入占总收入的约80%，是全球最大的数字广告平台
Meta (Facebook): 广告收入占总收入的约98%，主要来自Facebook和Instagram
阿里巴巴: 广告收入占总收入的约40%，主要来自淘宝、天猫等电商平台
字节跳动: 广告收入占总收入的约80%，主要来自抖音、今日头条等平台
百度: 广告收入占总收入的约60%，主要来自搜索广告
腾讯: 广告收入占总收入的约15%，主要来自微信、QQ等社交平台

三方博弈

本质上，广告是把用户的注意力打包贩卖给商家，即所谓"流量生意"，其主要参与方包括广告主、媒体和各类上下游第三方等。

而流量变现生意最主要的三个参与角色就是：广告主（出钱）、媒体平台（赚钱）、用户（出时间）。平台的利益点是最大化自己的收入、广告主的利益点是花钱的ROI和买到的用户总量、而用户则关心app的体验和诉求满足（广告不完全是负向）。互联网广告的商业模式、本质上是使用算力促成三方最有效率的交易（撮合业务）。大厂们主要投入精力打造的，就是一个能更有效率平衡好三方利益从而达成最多交易的系统。

graph LR A["广告投放: 有约束的优化问题"] A --> B["约束: 用户体验"] A --> C["约束: 客户体验"] A --> D["最大化: 匹配效率 (用户 × 广告)"] B --> B1["屏蔽不安全不合规的广告 (也属于风险控制型)"] B --> B2["广告比例的控制 (adload/adgap)"] B --> B3["相似广告的频率控制"] B --> B4["低质广告曝光量控制"] C --> C1["疲劳能力 (持续性 / 总转化 / 单计划转化)"] C --> C2["成本和ROI达标"] C --> C3["出价策略"] C --> C4["赠付政策"] D --> D1["属于Exploration & Exploitation问题"] D1 --> D2["模型(CTR/CVR/deepCVR)麻烦的越准越好"] D1 --> D3["冷启动策略 (Exploration)"] D --> D4["约束: 机器开销 (机器增加的边际回报递减)"] D --> D5["源头分层匹配(召回/粗排/精排): 先简单后复杂，最优化匹配效果"]

在博弈中，各方决定的因素分别有

广告主决定：

出价
- 广告系统本质上是一个拍卖系统、平台将用户的每一次观看通过拍卖机制卖给广告主，因此出价是广告主最重要的诉求表达方式
- 广告主通常需要在ROI和量之间获得一个平衡：要求的ROI越高（控制成本）、能拿到的流量越少（出价越低）
- 归因问题：对于广告主来说、最难的是算清ROI，这其中就涉及到归因问题，即计算多少用户是因为广告而付费的，广告主可以选择自归因、媒体平台归因、三方归因（传闻苹果就是想做归因才加强了某些隐私政策）等；这其中的难点主要是媒体和广告主各掌握一部分数据。
素材（和创意）：视频、图片、标题文案等。
- 广告主最重要的抓手，即使在互联网广告中，通常情况下也决定一半以上广告的成败
- 近年随着平台营销内容总量增多、营销内容和自然内容深度融合、AIGC等，平台更希望广告主投出高质量素材，素材重要性更加大
基建
- 主要指新建关停广告计划、创意等，大广告主会试图用更多创意复制来拿到更多流量（由于平台预估variance），但平台视角希望竞价主要受到出价和素材质量影响，会对抗这一类推基建的做法
- 平台通常的策略是对广告主的复制行为进行软硬打压、优化机器学习的系统性variance（例如减少id类特征重要性）等
定向：
- 主要是广告主出价和实际考核目标对不齐时候一种优选流量和人群的做法、大广告主的ADX\RTA等高级功能也是定向的变种；小客户主要依赖人群包
- 在深度出价场景中作用不大、模型会拉齐各场景下转化成本
数据交换：讲一些广告主数据（例如实时转化）回传或通过联合建模、联邦学习等手段跟平台共享，提高平台撮合效率
产品组合：投放是多渠道、多产品下ROI和跑量的最优化问题，广告主最终的目标是全局ROI和买量最大化
投诉

平台决定：

提高撮合效率
- 优化广告系统，包括排序（Ranking）算法、工程效率和算力成本等；本质上是推荐系统/搜索系统的优化
- 拍卖机制设计、设计更好的排序目标（如引入用户体验、生态价值）和融合策略
- 策略：一些机器学习无法预估的目标通过人为干预排序的策略（boost）类手段引入撮合和排序、例如广告冷启动、用户体验保护等
出价（产品和策略）：朝向自动化
- 平台拿到广告主出价之后，通常会在出价上面叠加许多产品和策略，例如
  - 风控（Risk Control）策略：由于广告主出价点和计费点通常是分离的(后文会谈到)、平台会计算"应该收广告主的钱"——即广告主价值，并动态调整出价保证广告主实际付出的成本不会偏离该值太远
  - 流控（Flow Control）策略：根据流量预估，控制广告主相对均匀合理的在一天内花完预算
  - 自动出价策略：广告主不明确表达出价、只表达预算，平台按照一定优化算法帮广告主花预算；相当于通过平台数据和算法优势把出价权从广告主方拿过来；在国外是主流
  - 出价扰动策略：保障广告主体验、对于系统的CTR CVR高低估问题、用出价进行纠偏；相当于对机器学习的结果打补丁
  - 和排序策略叠加的一些策略：例如广告的冷启动、稳定性等；通过两个模块共同作用
- 出价策略的核心的调整是围绕给广告主更好的ROI（更低成本）或更多跑量、保证他们的体验和留存
广告归因
- 广告主做归因的目的是算清楚自己的ROI、出价和分配预算；平台需要归因的目标首先是对于预估模型做样本拼接、其次是算清楚广告主视角的ROI指导策略迭代、同时大平台还会把归因能力产品化提供给客户，作为一种营销服务(增效度量服务)
广告产品的设计：转化目标的深度化
- 互联网广告产品的发展趋势：引导广告主向更接近最终交易的目标出价
  - 更深度的出价对齐广告主真正关心和考核的ROI、更方便表达目标和策略、也方便平台控制
  - 但这依赖于平台预估能力和数据能力的变强，因为竞价和收费（“计费点”）是曝光前发生的，所以需要在曝光前预估转化率、ROI等才有可能实现直接售卖"转化"。最早广告只能按照曝光卖、后续随着技术进步，目标越做越深，广告主才有可能按照点击、转化、ROI等出价（“出价点”）
  - 作为平台、会推动广告主更加闭环交易和更向ROI出价、一方面会提高交易效率，另一方面更多数据和环节掌握在平台手里、广告主将有更大的留存动力和迁移成本，长期平台可以多抽成
  - 广告投放产品的演化

广告类型	出价类型	名称	出价	计费点	eCPM (千次展现收益)	计费cost
效果广告	CPM (cost per mille-impression)	按千次展示计费	CPM_bid	send/show	CPM_bid*1000	eCPM/1000
	CPC (cost per click)	按点击计费	CPC_bid	click	CPC_bidctr1000	eCPM/(CTR * 1000)=CPC_bid
	CPA (cost per action)	按转化计费	CPA_bid	convert	CPA_bidctrcvr*1000	eCPM/(CTR CVR 1000)=CPA_bid
	oCPC (optimized cpc)	优化的cpc	CPA_bid	click	第一阶段：CPC_bid CTR 1000 第二阶段：CPA_bid CTR CVR * 1000	eCPM/(CTR 1000)=CPA_bid CVR
	oCPM (optimized cpm)	优化的cpm	CPA_bid	send/show	第一阶段：CPM_bid 第二阶段：CPA_bid CTR CVR * 1000	eCPM/(CTR CVR 1000)=CPA_bid CTR CVR
品牌广告	CPT (cost per time)	保时广告	合同	合同	-	-
	GD (guaranteed delivery)	保量广告	合同	合同	-	-

用户决定：

正反馈和负反馈：平台同时在保护用户的体验和试图探知用户对营销内容忍耐的底线、因此会通过功能和数据采集等手段尽量多得让用户反馈，常见用户反馈包括
- 显式反馈：点赞收藏加购、点踩（dislike）、report
- 隐式反馈：停留市场、跳出率、搜索场景下换搜率等
- 问券（NPS）和投诉渠道等
- 最终行为：用户受不了会流失
激励
- 近年来、随着营销券个性化进展，也出现了很多广告和营销券一体化的广告产品，其原理是通过激励激发用户购买、激励成本平台和广告主分担

广告主视角下的广告逻辑

广告主预算决策逻辑

广告是B端业务，广告主在决定给一个平台预算时涉及到立项，组织审批，说服等。不仅周期较长，而且组织中利益相关方通常倾向于保守决策，因此作为小平台拿到广告主的预算本身不是一件容易的事情，也使得头部流量平台有了更强的规模效应和壁垒。

国内外存在较大不同，以国内情况而言：

两种预算制度：
- 规划制预算：
  - 适用对象：大型企业/上市及待上市公司（包括图中提到的"我们"）
  - 特点：**基于"精准"而非"效率"**的年度/季度财报预算决策
  - 重点：总预算/各个科目预算的首要因素是花完，其次才是效率
  - 举例：从销售角度来看，每个财务季度的倒数第三周左右去见客户是最优的时机
- 滚动制预算：
  - 适用对象：短平快完成生产-销售-回款闭环的企业，特别是电商/互联网企业
  - 特点：将上个周期收入的特定比例（XX%）投入到下个周期（通常以周为单位）
  - 代表：在电商/互联网领域较为普遍的财务制度
预算决策流程的两个要素：
- 组织架构要素：
  - 原则：预算决策遵循"自上而下"的分解方式
  - 特点：不同层级组织决定不同节点的预算分配
  - 影响：不同客户由于组织架构的差异，其决策流程也不尽相同
- 考核要素：
  - 原则：拿到预算就需要考核成果
  - 关键点：虽然"投入预算就要看到收入"是绝对的政治正确
  - 实际情况：并非每笔预算都能直接看到短期收入产出
  - 举例：行业中经常讨论的"品效问题"，即投资多少资金用于长期品牌建设，以及投资多少资金用于短期带来收入的效果投入

广告主预算决策流程

节点一：业务目标到营销预算。广告主每年根据业务目标调整营销预算，主要属于高层和战略决策（结合竞品、三方市场调研等）一般有三个方向：
- 收入优先：适用于准备上市公司，关注市值，以X倍于收入增长率为目标
- 利润优先：适用于衰退期公司，因成本控制是最快路径，目标是在相同效率下降低成本X%
- 份额优先：每提高1%市场份额能带来5-10%的溢价空间，需根据细分市场计算拉动份额所需预算
节点二：品效分配。通常是预算决策第一刀
- 品牌预算：落地到传统营销的CMO（Media是大头）
- 效果预算：分配到电商/线下的Trade Marketing团队
- 特殊预算：CEO/COO层面决策的专项预算（如奥运赞助等）
- 近年出现了第四种分配路径：针对品效一体的大型互联网平台（如腾讯/字节/阿里）的专门预算
- 决策逻辑
  - 仍然是高层决策，但数据比较重要，尽量算清楚每种广告的ROI
    - 效果广告最好计算、主要用归因或MMM等方法
    - 品牌广告很难算清楚，已有的广告理论都无法和"增长"命题结合特别好，CMO在CEO层面的话语权在减弱，面临更多效果预算，电商渠道的争夺
  - 生意不好的广告主倾向增加效果预算，生意好的则保持品牌预算
    - 品牌预算是主要传统预算，不会被完全吃掉，品效之间比例随经济周期呈钟摆状
节点三：Marketing Mix Model (MMM) 将预算拆到各渠道
- 效果广告算清楚比较简单，通常拆分为线上（电商，主要和电商平台分钱）和线下零售（跟销售架构走，包括自营、三方等）
- 品牌广告通常分为不同赛道，和三方（代理商、Agency）合作，算清楚不同渠道的ROI和最佳组合来分配预算
  - 赛道
    - 传统媒介
      - 类型：电视台/报纸/杂志/电台等
      - 度量标准：收视率
      - 标杆媒介：央视/五大卫视
    - 数字媒介（硬广）
      - 类型：Display类，买人/买点位
      - 度量标准：iGRP (N+Reach)
      - 标杆媒介：巨量/腾讯
    - 社交（软广）
      - 类型：社交媒体+内容媒体，买KOL买明星
      - 度量标准：粉丝数、点赞量、转发量
      - 标杆媒介：微博/小红书
    - 户外
      - 类型：楼媒、电影院、地铁、飞机场、车站等
      - 度量标准：OTS (opportunity to see)、OTC (Opportunity to contact)
      - 标杆媒介：分众
    - 搜索
      - 类型：百度/360/搜狗
      - 度量标准：CTR、click#
      - 标杆媒介：百度
    - AIOT
      - 类型：OTT/智能音箱/智能家电等
      - 度量标准：?（华为、小米、GroupM在推动标准）
      - 标杆媒介：华为、小米
  - 难点：每个赛道都有自己不同的度量体系、打通很难、不同类型渠道间有效组合较难实现
  - 总体来说，传统媒体，搜索，户外在守、数字媒体/社交在攻，AI/IOT在前期探索
  - 客户很多情况下会留少量（5%）不背KPI的预算来探索新媒介
节点四：渠道内媒介选择
- - 媒介选择特点：
  - 由Media head和采购Head共同决策，媒介选择同一赛道中的媒介预算是零和的
  - 需要在不同媒介的价格/体量/评估效果中找平衡点
  - 数字广告/硬广是按Reach来考核和结算
  - 区分主要媒介和补量媒介
  - 补量媒介的预算取决于主要媒介的弱势

通常通过三方背书的媒介价值研究来争取预算：
- 通过TA覆盖、频次、库存数量、价格、互动形式等证明先进性

节点五：流量选择
- 确定单个媒介预算后，需要考虑不同的流量售卖形式（竞价、CPT等）、点位、价格等如何有效组合
- 确定最后组合方案包括横向确定marketing mix（横向预算分配），纵向确定序列化（纵向的单个受众接触顺序）来确定不同端拿到的预算配比
- 媒体要优化的是如何用最少流量拿到客户需要的价值（效率）

eg 一个广告主的预算池

graph LR %% 主要节点 Start[业务目标] --> Budget[营销预算] %% 预算分类 Budget --> Brand[品牌] Budget --> Effect[效果] Budget --> Mega[专项\nMega\nCampaign] Budget --> Platform[平台预算] %% 品牌营销渠道 Brand --> Traditional[传统媒介] Brand --> Digital[数字媒介硬广] Brand --> Social[社交软广] Brand --> Outdoor[户外] Brand --> Search[搜索] Brand --> AIOT[AIOT] %% 效果营销渠道 Effect --> Ecommerce[电商广告] Effect --> Trade[Trade Marketing] %% 专项营销 Mega --> Sports[体育营销] Mega --> Events[大事件] %% 媒体选择 Social --> MediaA[媒体A] Social --> MediaB[媒体B] Social --> MediaC[媒体C] %% 流量选择 MediaA --> FlowA[流量A] MediaB --> FlowB[流量B] MediaC --> FlowC[流量C] %% 样式 classDef red fill:#ff0000,color:#fff class Platform,AIOT red

营销科学/营销技术（MarTech）/数据科学扮演的角色

传统上，这些"科学"和技术手段主要解决广告主预算分配的如下问题

业务目标到营销预算：结合历史信息、宏观经济信息、竞品信息等，预估未来GMV、收入、市占（Market Share）等，主要是经营分析、时间序列预估等技术
品效预算分配
- 品效协同策略：往往是定制化的研究，回答两组预算如何有效组合问题，基本上是预估出一个最大化收益的预算分配（需要考虑归因、最优化、触达频次等问题），例如品效协同研究
- 度量指标问题：需要打通品效的度量，例如抖音的5A人群体系；通过GMV倒推需要触达不同类人群的量，相当于品牌触达和GMV间兑换
- 增效度量：回答广告真实的效果，讲"增量价值"，可以通过增效度量实验（一部分人群不投）、离线模型等方法去计算
- 品牌力问题：通过声量（百度指数、BrandZ等）去度量
Marketing Mix/流量选择：算法逻辑有Marketing Mix Model和归因
- 归因是将转化归因到单个用户级别，回答什么样广告触达带来了某一个次转化
- Marketing Mix Model是聚合级别（eg 媒体或渠道）、分析不同媒体组合对最终交易的影响
媒体选择
- 大部分赛道不需要考虑跨媒介协同，主要在数字媒介/硬广中需要考虑，因为以Reach为目标
  - 跨媒介协同的触发条件：
    - 当客户的Reach目标很大时
    - 单个媒介没有足够库存能覆盖足够多/足够频次的受众时
- 使用两个算法逻辑：
  - MixReach（跨媒体）
  - Reach Curve（跨屏）
  - 目标：最优化算法，让广告主用最少的预算拿到最大的Reach量
- 跨媒介协同的难点：
  - Reach的复杂性
  - 标签偏差问题（例如：媒介A认为某ID是男，媒介B认为是女，如何协同？）
  - 不同媒介数据不打通情况下如何计算数据交叉
- 解决方案：通过大小数据融合的方式实现

主要使用的技术

增效度量实验
- 大广告主有能力通过人群打通（三方数据提供、DMP打通）等分人群做AB实验
- 小广告主自己通过投放和不投放广告（起停投）数据统计，计算广告的ROI
- 对于品牌广告，还要结合调研防范（Brand Lift Study）
归因：归因有许多不同的模型，其实都是回答"什么触点是有效触达了用户，对用户的交易决策有影响" 大的逻辑有两种
- Last Click（最后点击归因）
  - Google提供，有利于搜索预算
  - 通过Linktag技术追踪媒介转化
  - 适用于搜索结果更近的场景（如Google、阿里京东等后链路媒介）
  - 技术和算法门槛低，适合用户决策周期短的行业（如游戏、金融等）
- MTA（Multi-Touch Attribution，多触点归因）
  - Facebook提供，有利于前链路广告
  - 收集用户在各媒介和电商页面的行为痕迹, 分析特定时间周期内的转化路径
  - 对"起了作用"的媒介按照不同算法分配预算：
    - 逻辑回归进行预算分配
    - 平均分配\线性分配
    - 时间衰退等
  - 需要较强的数据处理和ID打通能力
  - 更科学，对预算分配指导作用也更好
Marketing Mix Model
- 关注细分市场中的投入产出关系，判断不同营销组合的短期和长期转化拉动作用
- 分析因素：
  - 自营销售投入
  - 竞品投入的负向影响
  - 收入产出关系
- 技术和数据门槛相对较低：分析粒度在细分市场层面，不需要到个体受众层面
- 方法
  - 参数方法：广告消耗与交易（GMV）之前构建参数方程，基于利润最大化分配预算
    - marketing response function：构建广告和转化的关系，通常基于弹性假设（ln y = a + b * ln x）描述边际效应递减
    - 可以考虑触点之间交叉影响，多期影响等（做时序模型）
    - 有很多成熟技术方案，例如 Facebook的Robyn包
  - 非参数方法：通过归因类方法算出边际ROI、不断调整让各渠道边际ROI相等（最大化利润）
    - Shapley归因：不同触点对转化贡献
    - Markov归因：不同触点在user journey影响
- 和最优化方法结合
  - 近年有金融类模型例如Markowitz模型、Black-Litterman模型用于在媒体/触点分配预算的应用
- 更高级的，和增效实验、因果推断等方法结合对技术能力要求较高

近年来，随着业务发展，marketing science团队和客户也会建立更深度的合作，为客户提供解决方案，例如

广告主自动化投放/素材优化
- 利用机器学习发现什么样的素材优质、自动化定位和生产优质素材（生产、测试、最优化预算分配）
客户的数字化解决方案
- 帮助客户在本地/端部署机器学习模型，做自动化（用户付费预估、用户LTV预估、关键行为挖掘）等，例子
- 解决方案产品化：从操作手册、白皮书到showcase、到平台化产品推广（通过云产品等）例如
  - 游戏营销和投放
  - 游戏获客
  - 本地模型（银行）
- 出海
  - 帮助客户选品、素材优化、做SEO（挖掘热点词、品类哟花等）

平台视角的广告生意

平台手段
- 出价产品 & 策略：
  - 最重要的抓手很多产品是修改出价公式实现的（eg 次留双出价 roi、每次付费出价）
  - 出价扰动策略（gmv/退款率互动率关键行为）
- 模型
  - 特定场景小模型和大模型bagging
  - 数据优化
    - 和广告主联合建模（二方数据）
    - 引入三方数据、服务商数据等
- 流量
  - 流控：平台式交的流量选择（过滤低质）
  - 手动流量匹配 & EE策略
  - 拓展流量
  - 优化端能力（题材、功能、券）& 样式（点击缩小、券、外观）
Hidden cost：涉及到rank_advv, 长短期价值等
转化：
- 深浅度取决于 1.）广告主诉求 2.）广告主能回传的数据的可优化性（和抖音用户行为结合）机器是否能估准
  - 闭环：广告主仅表达诉求即可所有数据都有
  - 线上闭环：游戏小说工具转化在线上广告主采集 & 回传
  - 非闭环（线索）：距离ROI太远深度转化难（现在"入推"有了线上化和ROI2）
归因：决定ROI计算
- 广告主 vs 平台 vs 三方都可以归因（eg 苹果停idfa）：归因的目标是告诉广告主媒体的价值（争到预算）& 什么样当时更合理
- 增效度量：CLS/BLS 做实验；离线–uplift因果模型匹配
广告主手段：feed场景需要广告主多表达；搜索场景需要广告主多做"词"
- 素材：最重要的手段制作适合不同客户的素材（优质=人群广 & 转化高）
- 基建（计划）：平台需要治理"内卷"，冷启动 & 衰减一体两面
- 出价：广告主需要在量和质之间平衡找到合适转化深度；不同广告主对目标客户的盈利空间不一样，因此同行业客户出价也可能差很远
- 定向：前后端转化目标不齐的情况下进行优选流量的一种方法；ocpx场景下作用弱（bid一样的时候，模型能拉齐各条件下cpa)；大客户有人群包、adx、rta等玩法
- - 数据交换 & 产品组合 & 投诉：做转化目标 or 扰动出价；非实时数据可以联邦学习

过去10年互联网广告市场发生了什么（2013-2023）

广告产品的变化和发展趋势
- 互联网广告规模首次超过电视广告
  - 2018年全球互联网广告规模首次超过电视广告
  - 中国市场在2014年互联网广告规模已达1574亿元人民币，超越电视广告
- 用户从PC互联网向移动互联网转移
  - 中国在互联网产品领域走在世界前列
  - 2021年国内广告产品市场规模接近5500亿元人民币
头部玩家的变化
- 广告媒介表现形式的变化
  - PC 互联网时代的广告形式
    - 主要形式：文字链、图片、图文
      - 例子：百度搜索结果页的关键词广告
    - 文字链广告的优点
      - 广告素材文件占用空间少、加载快
      - 页面占用空间少、位置灵活
      - 对用户干扰较少
    - 图片和图文广告的兴起：图片更容易吸引用户注意力
      - 例子：百度品牌专区广告的富媒体样式
  - 视频广告的兴起：视频比图片信息维度更丰富
    - PC 互联网时代的视频广告
      - 集中在视频网站（如优酷、土豆、爱奇艺、腾讯视频）
      - 特殊样式的大尺寸广告
  - 移动互联网时代的广告形式
    - 智能手机的普及推动视频广告快速发展
      - 数据来源：Questmobile 2021年1月至6月数据
    - 短视频广告的优势
      - 短视频比例远超中长视频
        
        短视频定义：1分钟以下；中视频定义：1分钟到30分钟；长视频定义：30分钟以上
    - 短视频广告高效的原因
      - 用户心智的底层结构
        
        短时记忆容量小，短视频更高效
      - 用户注意力在移动互联网时代的变化
        
        注意力被不同App吸引，集中时间变短
        
        用户期待在短时间内吸收更多信息或在不同信息间切换
        
        广告需要在短时间内给予集中刺激
  - 短视频广告的崛起
    - 字节跳动的成功
      - 移动互联网和短视频双重红利
      - 2021年字节跳动在互联网广告市场中的地位
        
        超过腾讯和百度，仅次于阿里巴巴
- 用户互动形式
  - Web 1.0：单向信息，只读
    - 用户被动接受广告内容
    - 头部玩家：搜索引擎（百度、谷歌、搜狗）、门户网站（新浪、搜狐、腾讯网、凤凰网、汽车之家）、视频网站（优酷、土豆、爱奇艺、腾讯视频）
  - Web 2.0：网络为渠道进行人际沟通
    - 用户生成内容（UGC）和社交网站及应用的兴起
    - 社交类网站和App（微博、微信、陌陌）
      - 例如微信朋友圈广告，用户可以点赞、评论、不再显示
    - UGC型网站和App（哔哩哔哩、抖音、快手、小红书）
      - 视频广告与用户原创内容相结合，用户可点赞、评论、转发、关注
    - 电商平台（淘宝、美团）
      - 用户浏览、挑选商品、下单、支付，电商平台生成订单并发货
  - Web 3.0：人工智能、关联数据和语义网络构建
    - 目前业界对其概念众说纷纭，暂不展开
- 内容呈现逻辑
  - 广告产品的重要性变化
    - Web 1.0单向用户互动类型广告产品的重要性降低
    - 百度搜索广告的重要性下降，新的广告产品特征受到关注
  - 精准定向广告的兴起
    - 用户终端的变化
      - 智能手机更容易收集用户碎片化行为，如位置数据
    - 头部玩家的数据及其应用积累
      - 腾讯：微信、QQ强账号体系，持续数据收集
      - 阿里：电商购买数据，了解用户商品偏好
      - 字节跳动：今日头条、抖音等App，获取用户内容兴趣和多维度行为数据
    - 互联网数据应用技术的发展
      - 广告效果数据监控与追踪技术、动态广告创意、人群拓展、数据管理平台等
    - 精准定向广告的优势
      - 为不同用户推送不同广告，提高广告投放效果，兼顾用户体验
      - 头部玩家的市场份额-马太效应
        
        阿里巴巴、字节跳动、腾讯、百度占有超过75%的中国互联网广告市场份额
        
        数据积累和应用的马太效应（强者越强，弱者越弱）
  - 广告产品头部玩家内容呈现逻辑的变化
    - 从千人一面逐渐发展到千人千面
    - Web 1.0 和 Web 2.0 早期主要采取传统广告形式（如电视广告）
      - 向所有用户呈现统一的品牌和产品信息
      - 通过多次展现吸引用户注意力，引起好感，产生购买行为

未来发展趋势

广告变现瓶颈原因
- 外部环境变化
  - 例子：今日头条图文形式在2016年后不再是主流，字节跳动转向抖音短视频
    - 解决方法：关注外部环境变化，紧密联系关键客户
- 广告产品单价天花板：单一变现模式会遇到发展瓶颈
  - 例子：抖音布局其他变现模式（直播、电商、支付、本地生活）
- 缺乏新的成功用户产品
  - 例子：百度在移动互联网时代，百度搜索引擎的重要性下降
  - 解决方法：发展新的用户产品
    - 例子：百度外卖尝试 O2O 本地生活服务，但未成功
    - 成功应对广告变现瓶颈的例子：微博、微信、抖音等通过新的用户产品实现可持续发展
趋势
1. 技术红利推荐信息流等形态吃完了；用户剩下精细化（互联网广告增速）
2. 技术红利的逻辑：赢家通吃 36kr 中等规模陷阱
3. 现在多体裁多业务混排（直播商城各种起来）
4. 经营协同逻辑走自动投诊断帮广告主花钱
广告主与媒体权力闭环化分成逻辑的成立垄断 - 闭环化
交易所的逻辑规模效应（类比金融）
向上下游的挤压：代理公司没有做头了
广告主视角的竞争胜男：广告主抓手其实不多

头部玩家变迁迅速，未来速度只会加快
广告市场大盘的头部效应仍会持续
- 未来广告市场更加依靠数据和技术
- 拥有大数据的少量头部玩家占据大部分市场份额
广告产品的媒介终端由智能手机 + 移动互联网拓展到车联网、物联网
- 5G、智能硬件、智能座舱等技术与应用的发展
- 移动互联网红利向车联网、物联网转移
- 智能手机不再是唯一主要终端，可能出现新的头部玩家
广告产品的媒介形式会有新的变革
- 媒介形式从视频继续进化
- 虚拟现实（AR/VR/MR）相关应用最有可能
- 元宇宙概念的落地与应用需关注
广告产品的用户互动形式会进一步进化
- 用户操作不再局限于手部动作
- 出现更多身体部位的互动和新的、有趣的互动玩法
- 广告与用户生活联系更加紧密
广告产品的内容呈现逻辑可能会出现混合趋势
- 精准定向广告依然是主流
- 数据、策略、建模、算法是重要改进方向
- 内容合规和用户数据隐私保护意识普及
- 相关法规政策出台，用户和有关部门对内容呈现有更多掌控权
- 用户拥有更多自主权，选择是否接受使用用户数据的精准定向广告