概述

1. 廣告樣式與場景

上圖是微博廣告目前商業(yè)場景流，“一屏四大流”。“一屏”指打開微博的 Fashion，“四大流”指占據(jù)微博商業(yè)化的主體，包括關(guān)系信息流、熱門流、評論流和熱搜流。右圖為廣告投放的后臺。

2. 廣告參與方

如上圖，做計算廣告首先面臨這些概念，根據(jù)不同的廣告主的規(guī)模和對公司的重要程度分為 KA 類和中小類。KA 類往往是進行廣量式的購買。中小類，常規(guī)的客戶會進行競價。

常見的計費方式有：CPE，CPM，CPD。

目前在互聯(lián)網(wǎng)市場在大規(guī)模推廣 OCPX，OCPX 作為一種需要很高的技術(shù)含量，也是一種很好的降低廣告主投放風險的售賣方式。

3. 計算廣告核心問題

這是廣告涉及到的三方：平臺（站方）、用戶、廣告主，在計算廣告設(shè)計時的核心問題是如何追求三方之間均衡的、整體的利益最大化。

4. 廣告投放流程

以上是一般的廣告的投放流程。這是從廣告主的視角、平臺的視角以及從用戶的視角來公共完成三方“相向而行”的活動：

廣告營銷策劃的流程：創(chuàng)建推廣計劃 -> 選擇人群受眾定向 -> 設(shè)置廣告預算 -> 設(shè)定廣告創(chuàng)意 -> 啟動廣告投放 -> 查看廣告效果 -> 下一步營銷決策。

精準廣告投放：針對廣告庫存請求，會對用戶進行精準用戶畫像刻畫，然后做廣告的召回，對廣告進行粗排和精排，挑選廣告，根據(jù)不同平臺進行廣告創(chuàng)意渲染工作，最后展示給用戶。

用戶內(nèi)容消費，比較簡單請看圖中流程。

微博廣告策略工程架構(gòu)體系演進

1. 微博廣告工程架構(gòu)發(fā)展史

微博商業(yè)化進程不斷的發(fā)展，支撐商業(yè)化的工程架構(gòu)會隨著具體的業(yè)務(wù)需求做改變。

剛開始做的是非信息流的廣告，按照傳統(tǒng)的方式會試投一些 banner 在微博，目前 banner 在微博的移動端已經(jīng)沒有了。從1.0版本簡單彈窗式的廣告系統(tǒng)，到2.0版本以粉絲通為代表的產(chǎn)品線陸續(xù)的孵化出來，這時候微博開始進行信息流廣告的研發(fā)。微博是國內(nèi)信息流廣告的第一家，在探索中孵化出一系列的廣告產(chǎn)品矩陣，為了產(chǎn)品的快速上線，復制了大量的廣告系統(tǒng)，為了改變這一狀況，隨著17年底超級粉絲通的上線，對廣告系統(tǒng)進行了整體重構(gòu)，從此微博廣告工程架構(gòu)進入了4.0時代。

2. 投放系統(tǒng)架構(gòu)4.0

上圖是17年的工程架構(gòu)圖，是隨著微博廣告產(chǎn)品線的探索演化出的工程架構(gòu)4.0版本，當時處于流量的藍海階段，所以通過配合廣告客戶和廣告預算的不斷增加，不斷提升廣告系統(tǒng)的穩(wěn)定性、高可用性、高并發(fā)來不斷的實現(xiàn)廣告收入的增長。因此我們也對系統(tǒng)進行了分層化的梳理，圖中藍色的區(qū)域是線上廣告投放系統(tǒng)最核心的鏈路。通過廣告請求，流量統(tǒng)一接入，接入包括微博多個產(chǎn)品矩陣，廣告的請求會對多個產(chǎn)品矩陣進行請求分發(fā)，通過統(tǒng)一流量價格評估，對用戶的請求進行響應(yīng)。整體上這樣一個引擎結(jié)構(gòu)是為了不斷的滿足產(chǎn)品提出的面對客戶的需求來進行的架構(gòu)設(shè)定。

其基本流程是廣告請求，廣告庫存接入，到總體流量的分發(fā)，請求用戶的畫像，經(jīng)過競價服務(wù)，會進行廣告觸發(fā)，會請求在線索引服務(wù)，形成比較完善的行為定向體系，包括：

1. 用戶的行為定向。在微博上的行為定向，比如，對話題的互動，熱門微博的互動，熱搜人群的互動等。

2. 社交關(guān)系定向。比如關(guān)注的大 V 信息，如果在某個大 V 信息下用戶的群體能理解為自然形成的社會群體，那么這個大 V 信息下面的粉絲群是可以進行選擇投放的。

3. 精準人群定向。是由平臺方或第三方的數(shù)據(jù)加工，或廣告主根據(jù)一次投放效果進行的召回，或已有的客戶信息形成的用戶粒度聚合后的數(shù)據(jù)包，這個就是精準用戶的集合。

4. 用戶屬性定向。包括用戶畫像，年齡、地域等。

以上是整體的在線投放流程，但是投放流程僅僅有以上這些是不夠的，還包括個性化庫存策略，廣告的負反饋的策略，智能頻次控制策略等，以及配套的 A/B Test 系統(tǒng)，這樣就形成了廣告投放的在線服務(wù)群。

由于流量來自于微博站方，所以微博廣告請求是無需流量反作弊的。存在的反作弊主要是針對互動回傳，也就是說廣告投后的后鏈路數(shù)據(jù)的回傳會有大規(guī)模的反作弊策略，當然也包括社交互動。然后會有一個實時的結(jié)算中心—結(jié)算系統(tǒng)，提供給廣告主需要的報表，以及與廣告主密切相關(guān)的賬戶系統(tǒng)，總體上形成了投后鏈路在線服務(wù)群。

之下是屬于近線的數(shù)據(jù)訪問，按照數(shù)據(jù)分類：用戶基礎(chǔ)數(shù)據(jù)、廣告定向數(shù)據(jù)、廣告實時流數(shù)據(jù)、算法模型訓練數(shù)據(jù)、廣告創(chuàng)意庫數(shù)據(jù)來制定線上這種實時訪問的需求。

最下面屬于線下的數(shù)據(jù)倉庫。線上投放完的數(shù)據(jù)會進入數(shù)據(jù)倉庫落地。

這就是廣告數(shù)據(jù)總線，實現(xiàn)數(shù)據(jù)流的方式一般通過 kafka 機制等實現(xiàn)，然后匯聚到數(shù)據(jù)倉庫里，對數(shù)據(jù)進行分門別類。

圖中最左邊廣告的監(jiān)控系統(tǒng)，會從系統(tǒng)的各個層面對系統(tǒng)進行業(yè)務(wù)運行狀況的監(jiān)控以及服務(wù)穩(wěn)定性的監(jiān)控、可用性的監(jiān)控。這些就是業(yè)務(wù)層面完整的一個工具鏈。原來多個產(chǎn)品線就逐漸聚合到這樣的一個系統(tǒng)當中。

4.0時代的架構(gòu)在整體上是為了“粗放式增長”而設(shè)定的工程架構(gòu)體系。這種粗放增長的客觀現(xiàn)實是，廣告預算供應(yīng)的持續(xù)提升和微博不斷供給的流量變現(xiàn)規(guī)模，以及不斷增加廣告主的數(shù)量、預算和規(guī)模，來實現(xiàn)廣告數(shù)的增長。這時對系統(tǒng)最大的考驗是系統(tǒng)的高可用性，以及做業(yè)務(wù)需求時，對研發(fā)效率的保證，這樣的架構(gòu)就是“粗放增長之下的產(chǎn)物”。

這個架構(gòu)體系是存在一些問題的（即紅框中的）：相對來說對策略模型是相當?shù)?，也就是從功能架?gòu)層面對算法模型的迭代是比較簡單的。比如 A/B Test 使用的是非常原始的 A/B Test，在這種在人口紅利的情況下能夠快速支撐廣告業(yè)務(wù)的增長，但是隨著人口紅利的消失，已經(jīng)不能很好的支撐廣告業(yè)務(wù)的增長，這時系統(tǒng)對策略模型的支持顯得異常重要。

3. 系統(tǒng)如何支持廣告增長的轉(zhuǎn)型

如何支撐廣告增長的轉(zhuǎn)型，會通過粗放型增長（擴流、擴廣告主、擴預算）轉(zhuǎn)型到精細化的增長，不斷的提升投放效果來促進收入的增長。這時對應(yīng)的系統(tǒng)需要進行轉(zhuǎn)型，在系統(tǒng)不斷完善的基礎(chǔ)上，實現(xiàn)策略模型的良好驅(qū)動。在這種情況下隨著算法不斷引入新的深度學習模型，整體的工程架構(gòu)也不斷的深耕細作，從原來的業(yè)務(wù)劃分方式（Target、Filter、Rank）轉(zhuǎn)型成面向算法策略（召回、模型、機制、排序）的劃分方式。

4. 流量漏斗模型

廣告系統(tǒng)常用的模型：流量漏斗模型。對其重新進行思考和定義：開始是對廣告進行召回，完成基于精準的最大概率展現(xiàn)，到相關(guān)性的挑選，再到以模型為核心的競價排序機制。

本文不會從算法角度去講解如何召回和相關(guān)性的機制等，主要是介紹工程是如何支持算法模型迭代的。

5. 面向策略的下一代投放架構(gòu)

在架構(gòu)系統(tǒng)4.0中的基礎(chǔ)上對在線投放引擎進行業(yè)務(wù)分級，以滿足新的流量漏斗模型。有以下關(guān)鍵點：

① 觸發(fā)、模型、策略機制向獨立縱深發(fā)展

系統(tǒng)在支持觸發(fā)、模型、策略迭代上能夠?qū)崿F(xiàn)很好的各自的獨立縱深發(fā)展，能夠做到各自的快速迭代，互不影響。

② 引入精益驅(qū)動思想，系統(tǒng)雙核驅(qū)動，釋放算法迭代效率

在做整體的精細化轉(zhuǎn)型的時候，系統(tǒng)需要不斷的進行嘗試，而嘗試要有一個很好的嘗試平臺，所以引入了精益驅(qū)動的思想。在線精益平臺包括：法拉第實驗平臺和法拉第精益洞察，這是一個比較好的促進業(yè)務(wù)模型迭代的工具鏈，更加注重數(shù)據(jù)的實時性和數(shù)據(jù)的密度。

系統(tǒng)架構(gòu)總體上分為：在線精益工具平臺、在線投放系統(tǒng)、近線數(shù)據(jù)訪問、數(shù)據(jù)模型加工（曝光機器學習平臺和在線實時流的機制）和離線數(shù)據(jù)平臺

③ 特征數(shù)據(jù)的實時性和密度，模型獨立化發(fā)展

重點說下在線投放服務(wù)，在服務(wù)中，會有流量接入，會有流量的觸發(fā)，會有觸發(fā)機制，包括多路觸發(fā)，通過多路觸發(fā)體制后，會有機制策略，包括模型預估服務(wù)，模型預估服務(wù)是聚合服務(wù)，會進行粗排、對數(shù)據(jù)進行裁剪，會在大規(guī)模分布式預估服務(wù)中完成，Ranker 也會基于預估進行精排。

特別說明一下，為什么進行粗排和精排，粗排我的理解是為了精排的性能考慮的，因為精排會涉及到大規(guī)模的精細計算，性能有可能會扛不住，所以需要粗排，而且在保證效果的情況下，為了性能的保證會有多級粗排。

最上面是法拉第實驗平臺和法拉第精益洞察。整體上會形成雙核引擎：一個良好的工程架構(gòu)體系和精益驅(qū)動的工具平臺。

6. 如何支持廣告物料的精準召回

從微博廣告的召回機制來看會有用戶標簽觸發(fā)、社交傳播觸發(fā)、精準人群觸發(fā)、內(nèi)容觸發(fā)、DNN 向量式觸發(fā)，經(jīng)過5路觸發(fā)，會進行 MIXER 廣告召回級的匯總，匯總后會有粗排策略、精排策略。

這里用到的信息，包括流量側(cè)和廣告?zhèn)取?/p>

流量策：

用戶畫像、請求上下文、歷史互動行為

廣告?zhèn)龋?/strong>