美团O2O广告营销中的机器学习技术
AI(人工智能)技术已广泛应用于美团的众多业务App到大众点评App，从外卖到出租车，从旅游到婚礼亲子，美团数百名最好的算法工程师致力于AI该技术应用于搜索、推荐、广告、风险控制、智能调度、语音识别、机器人、无人配送等领域，帮助数亿美团消费者和数百万商家改善服务和体验，帮助每个人吃得更好，生活得更好。AI基于技术，美团建立了世界上最大、最复杂的多人、多点实时智能配送调度系统；AI美团推出了业内首款大规模落地的企业应用级语音交互产品，为50万骑手配备了智能语音系统；基于AI技术，美团建立了世界上最大的菜肴知识库，为200多万商家和3亿多商品绘制了知识地图，为数亿用户提供了准确的用户肖像，建立了世界上最大、最复杂的用户O2O智能推荐平台。世界上最大的生活服务互联网平台美团的大脑是如何构建的？我们已经发表了几篇文章AI in 美团系列文章希望全面揭示各种技术的内幕信息（文章末尾附有链接）。此外，业内首本关于互联网机器学习实践的书《美团机器学习实践》即将上市。请期待。本文选自书中第11章。
背景
美团作为中国最大的在线本地生活服务平台，涵盖餐饮、酒店、旅游、休闲娱乐、外卖配送等生活场景，连接数亿用户和数百万商家。如何帮助当地商家进行在线营销是美团的核心问题之一，使他们能够快速有效地达到目标用户群，提高业务效率，机器学习相关技术在当地在线营销场景中发挥着非常关键的作用。
本文将从五个方面进行介绍。首先，介绍O2O广告业务的特点及其场景B2B和B2C广告业务的差异；其次，从商家效果感知、用户体验和媒体平台收入三个维度介绍O2O广告业务最重要的考虑指标；第三，介绍前两节描述的业务特点和考虑指标O2O网络广告营销机制设计；第四，介绍O2O独特的实时场景推送广告；最后，简要介绍O2O与广告系统相关的工具。
O2O广告业务的特点
在O2O在业务模式和相关平台兴起之前，大品牌企业依靠以下方式进行宣传：传统媒体（如电视、广播、报纸）、互联网流量（如传统搜索引擎、门户网站等）。；户外广告（如公交车、地铁车身、广告牌、灯箱等）。通过上述媒体，商家可以快速联系大量用户，宣传品牌形象。上述营销方法也有其局限性。首先，广告的资本门槛较高，营销预算有限的商家不能承担相关费用；其次，对于以直接效果为导向的商家，上述形式过于广泛，无法形成直接购买转化效果的闭环。
对于大多数中小企业来说，他们的营销预算有限，更注重直接购买转型。获取潜在客户的主要途径是分发 ** 沿街分发礼品和喇叭广告。然而，这些线下营销手段覆盖的潜在消费者相对有限，这些方法不能长期持续。
以美团为代表的O2O本地生活服务平台发展迅速，逐渐成为本地服务商家在线营销最重要的手段之一。数亿消费者聚集在美团平台上。他们使用该平台寻找商家，查询优惠信息，浏览评论。对于商家来说，他们是最直接的潜在消费者。通过在美团平台上进行在线营销，商家可以获得更多的展示机会，吸引更多的顾客到商店消费。借助便捷的在线咨询、预订和支付手段，平台上的广告业务可以形成闭环效应，商家可以清晰准确地掌握广告效果，优化广告策略。
对于美团来说，该平台可以在时间、地点、用户和关系的特定场景下，连接用户的在线和离线行为，了解和判断用户的情绪、态度和需求，为用户提供实时、有针对性、有创意的信息和内容服务。
O2O与传统相比，场景下的在线营销广告B2C和B2B商业模式下的广告有其独特的属性，主要体现在四个维度：移动、本地化、场景化和多样性。
随着宽带无线接入技术和移动终端技术的快速发展，人们逐渐开始使用手机等移动设备随时随地从互联网上获取信息和服务。在这个时代，人们习惯于通过手机应用直接满足自己的需求，无论是新闻阅读、社交还是电子购物。事实上，美团在移动互联网发展初期就积极适应这一历史趋势，大力发展移动服务能力。目前，90%以上的交易行为是通过移动互联网服务实现的。O2O广告作为连接人和服务的本地化生活服务营销模式，具有独特的移动和本地化特点。
移动。它主要体现在三个方面：准确性、即时性和交互性。通过移动设备的传感器，我们可以准确地了解用户的地理位置，并推送更准确的广告。绝大多数用户随时带着手机，因此广告信息可以及时推送给用户。各种功能强大的移动应用程序为广告提供了各种交互可能性，如美团App用户可以直接完成推广商户的信息查询、排队和交易。本地化。以转化效果为导向O2O广告营销，营销的目标用户是当地商家附近提供服务的人。在淘宝上，一双皮鞋可以推广和销售全国各地的用户。无论消费者在哪里，物流和快递都会准确地将货物交付给消费者。在美团，五道口火锅店最好的推广对象是五道口附近的食客，这些食客最有可能直接去火锅店消费。事实上，通过观察实际交易数据，我们发现90%以上的用户与商家之间的距离小于3公里。为了取得良好的营销活动效果，我们必须选择目标群体O2O广告中的目标群体是本地化的用户群体。移动设备的准确定位为商家找到目标群体提供了保障。场景。消费者、移动设备、时间和空间构成了用户消费需求的准确场景。PC时代，用户标识Cookie为载体，但Cookie它很容易被删除，而且一台计算机可能被许多人使用，这使得用户信息难以有效地串联起来，甚至无法准确地掌握观众年龄、居住地等基本信息。在移动互联网时代分析和挖掘平台上用户留下的各种行为脚印，我们可以分析和重构用户的属性和偏好，并产生非常准确的用户肖像。在了解用户地理位置、消费意图和行为轨迹的前提下，O2O广告营销可以在由时间、地点、用户和需求组成的特定场景可以为用户提供实时、有针对性、有创意的营销内容，连接用户的线上和线下行为。例如，在一个阳光明媚的下午，在 ** 有喝下午茶习惯的白领可以及时推送下午茶或咖啡店商家。多样性。O2O商业模式面临着各种本地生活服务业务，不同的业务有不同的特点，对O2O广告营销也提出了不同的需求。举个简单的例子，不同的服务业务对目标用户有不同的本地要求：餐饮服务对距离敏感，这类服务商家的目标用户群体是商家周围的食客；婚纱摄影服务对距离不那么敏感。这类服务商家的目标群体是全市的新婚夫妇。商家、用户和平台的利益平衡
广告系统与搜索系统和推荐系统有着非常相似的系统结构：大多数都采用了搜索和排序的过程系统。基于此，许多人认为广告业务与搜索推荐业务没有什么不同。事实上，广告业务有其独特的规则。广告首先是一项商业活动，它的出现远远早于互联网。商家、消费者和媒体平台作为一种商业活动，应重视和考虑其利益。这些利益指标是广告业务可持续健康发展的亮点。本节将从商业活动的角度分析美团O2O商家效果感知、用户体验、广告营销平台收入三个重要指标。
感知商家的效果
商家在美团广告平台上进行广告营销的根本目的是通过美团获得更多的潜在消费者，获得最大的增量利益。
当地生活服务型企业的成本可分为两部分：变更成本和固定成本。变更成本是随业务量变化而线性变化的成本，主要来自原材料消耗。固定成本是指在一定时期内不会随着业务量的变化而变化的成本，如立面装修投资、店铺租金、店铺服务人员的基本工资等。如果商家没有足够的业务量，不能吸引足够的消费者，单位业务量的成本将很高，导致严重的损失。因此，对于餐饮业来说，企业的主要目标是提高周转率，降低空置率，而对于酒店业来说，企业的主要目标是提高完整性率，减少空置房屋的情况。固定成本的存在是当地商家的发展O2O广告营销的基本前提。
从商家的角度来看，O2O广告营销的效果可以从三个维度来衡量：广告的可见性、广告带来的线上增量收益和广告带来的整体增量收益。
对于商家来说，可见性是最初和最直接的营销结果，也是商家获得的最快的效果反馈。广告的可见性表明，商家的营销信息已经开始通过媒体平台接触到潜在的消费者群体。因此，稳定可靠的广告展示预期是赢得商家O2O最基本的广告营销信任要求。
广告带来的在线增量收入是指美团等媒体平台上广告带来的在线收入。这部分收入可分为两类：一类是直接在线订单带来的收入，如团体购买、酒店预订等；另一类是非直接交易带来的收入，如在线预订。只有对于这部分收入，平台才能给予准确的统计、分析和反馈给广告商。对于外卖、婚纱摄影、酒店旅游等高度依赖在线流量和在线交易的行业，其在线收入占总收入的很大比例，直接反映了商家的商业活动。
除了直接使用在线交易外，用户使用美团的另一个场景是通过平台查看商家的菜肴、评估和地理位置，然后直接去商店消费。广告给商家带来的整体增量收入包括这部分离线客户排水带来的收入。餐饮商家的在线交易只占商店整体收入的一小部分。因此，广告效果的衡量需要综合考虑在线和离线收入。与在线交易收入相比，离线排水收入难以准确统计，但平台可以通过用户的实时地理位置准确统计部分用户的到达情况，或通过曝光和点击到达商店的数据漏斗模型估计商店数据。未来，随着电子支付方式的普及，平台将能够更好地统计商家的整体收入。
了解了O2O在衡量广告营销效果的主要指标后，为了确定商家的广告成本是否真的很低，需要使用投入产出比（Return over Investment，ROI）这一常用的评价指标，即广告活动的总产出与总投资的比例。对应于两个广告收入指标，ROI也可分为在线支付ROI和整体ROI：在线支付ROI除广告费用外，在线增量交易额的总支付等于ROI这意味着整个商店的收入增加除以广告消费。在广告预算有限的情况下，商家总是寻求优化广告，提高ROI。
用户体验
美团开展了有效保障用户体验的工作O2O广告营销的基本前提。只有通过保证用户体验，对用户有用，才能体现平台的价值。只有让更多的用户留在平台上，美团才能吸引更多的本地生活服务商进行广告，产生更多的流量进行广告实现。
美团主要从短期和长期两个维度设计和测量用户体验指标。从信息曝光、用户点击和用户交易漏斗出发，短期用户体验指标主要考虑点击和交易。第一个短期用户体验指标是点击率（Click through Rate，CTR），其数学表达为点击次数（Click）除曝光次数外（Impression）。
点击率反映了向用户展示的商业信息的质量和相关性。与用户意图无关的广告信息显示不能满足用户的需求，吸引用户点击，导致点击率低。点击率指标分为广告曝光点击率和整个页面点击率。前者测量了广告本身的优缺点，后者反映了广告对整体信息呈现效果（自然结果和广告结果）的影响。除了低点击率外，劣质广告还会干扰用户的整体浏览行为，使用户无法愉快地获取所需的本地生活服务信息。
CTR=点击次数/曝光次数
为了获得真正的曝光，通常在移动终端上埋葬监控每个点POI实际显示在手机屏幕上的比例和时间将超过一定比例和时间阈值POI计入曝光次数。
第二个短期用户体验指标是转化率（Conversion Rate，CVR），数学表达为交易次数（Order）除点击次数外（Click）。转化率也反映了商家信息显示的相关性和质量。与用户需求不匹配的商家显示将无法促进交易的实现，导致转化率较低。与点击率指数类似，转化率指数也可分为广告转化率和整体页面转化率。其中，广告转化率也与商家在线交易ROI成正比，准确有效的广告，不仅能提升用户体验，还能提升商家ROI。
CVR = 交易次数/点击次数
长期用户体验指标以更长的时间跨度为出发点，评估广告对用户的长期持续影响。长期用户体验指标主要包括回访率和回购率。回访率是反映用户长期保留的指标，意味着用户是否会在一定时间内重新登录和使用美团平台。回访率指标包括周回访率、月回访率等。
低质量的广告投放，搅扰了用户使用平台方便获取商户信息的感受和体验，使得用户脱离平台以致流失，从而导致回访率降低。复购率则反映了用户消费体验的指标，其意义是一定时期内用户是否会重新购买某一个商家的服务。同样，低质量的商户服务会损害了用户的消费体验，使得用户不再进行同样的消费，进而导致了复购率的下降。
为了准确衡量广告投放带来的用户体验影响，除了进行策略变更对比测试之外，平台会长期保留一小部分流量作为对照组，不对这部分用户开展广告投放，通过比较整体流量和对照组上相关用户体验指标的差异，来确定广告对用户体验的长期影响，进而督促和指导平台优化广告投放策略。
平台收益
美团作为媒体平台的目标是，在保障商户ROI和用户体验的情况下，优化流量变现效率，实现商户营销诉求和用户消费诉求的最佳连接。
前两节已经介绍了商户ROI和用户体验的基本概念。我们知道只有保障商户的ROI，才会有更多的商户、更多的预算进入到广告投放系统内；只有保障用户的体验，才会有更多的用户、更多的流量用于广告变现。这两者决定了广告业务这一块奶酪的大小。
流量变现效率衡量单位流量所能带来广告收益。对于展示广告业务，流量变现效率主要用千次广告展示收益（Revenue per Mille，RPM）来表示。对于搜索广告，流量变现效率主要用单次搜索广告收益（Revenue per Search，RPS）来表示。
广告收入=曝光次数×CTR×CPC
广告收入=广告主数×ARPU
从流量供给端来看，广告收入（Revenue）是广告曝光次数、点击率和点击单价（CPC）的乘积；从流量需求端来看，广告收入是广告主数量和每用户平均收入（Average Revenue Per User，ARPU）的乘积。在广告商户数、预算和流量情况稳定的前提条件下，流量变现效率的提高主要通过点击率和点击单价两个关键指标驱动，而这两个指标的良性提高依赖于广告投放的机制设计和投放算法，详细内容将在下文展开陈述。
O2O广告机制设计
前面介绍了美团O2O广告营销的特点，分析了商户、用户和平台三者的利益情况。本节将从上述特点和利益情况出发，阐述美团实际业务中O2O广告机制的设计原理，包括广告位设定、广告召回机制和广告排序机制。
广告位设定
在移动端，美团的自然结果以列表的样式进行信息呈现，而广告占用列表中的固定位置（区间浮动固定位置）进行展现。从商户的效果感知角度出发，固定位广告形式能给商户以较为确定的广告展现预期，使得商户有明确的竞价标的（即固定展现位置）。
广告位的设定，需要综合考虑和平衡商户、用户和平台三者的利益关系。过于密集的广告位置设计和广告展现会降低用户寻找商户信息的效率，影响用户使用体验。过于稀疏的广告位置设计导致广告展现机会过少，导致平台流量变现效率能力不足。头部广告位对用户体验影响较大，但是能获取更多的曝光，更有价值，更能激发商户的出价意愿。腰尾部广告位对用户体验影响较小，但是广告位曝光概率小，不能有效 ** 商户出价。
美团的实际广告位设定，一方面考虑了各个展位和业务的自身特点，另一方面通过A/B测试进行多种方案的比较和选择，最终选择能有效兼顾用户体验、商户效果和平台收入的设计方案。
广告召回机制
广告召回在技术上与搜索和推荐十分相似。搜索场景广告会使用用户的查询词去广告商户索引中去寻找匹配的商户，推荐场景广告会根据用户的意图、位置等场景信息去匹配合适的商户。
搜索广告匹配中，一项重要技术是查询改写。一方面，我们使用传统的自然语言处理方法，对查询进行有效分析（例如成分分析），完成同义和近义改写；另一方面，我们使用深度语义相似度神经网络模型（DS ** ）和序列到序列模型（Sequence to Sequence）进行查询的改写，进一步提升广告匹配的覆盖率和准确性。
针对O2O商业模式的特点和广告业务各方的利益，广告召回机制在传统搜索推荐召回机制基础上进行了优化改进。我们在召回中引入了逐层召回的理念，各层依次设置由紧到松的相关性水准（Match Level）控制召回广告的质量，在当前相关性水准已经召回足够数量广告候选的情况下，不再进行后续召回。
相关性水准考虑多种相关性因素：查询匹配模式、距离和星级等。例如针对Query匹配模式，广告召回时会优先使用Query精确匹配模式召回，其次选择模糊匹配模式，最后才尝试采用语义匹配模式。针对距离因素，广告召回会优先召回距离3公里内的商户，其次选择5公里内的商户，最后尝试全城召回。
相关性水准的设置应该充分考虑到不同O2O业务的特点。例如距离的设置上，对于餐饮类流量，系统会优先召回3公里内的商户，而对于距离相对不敏感的婚纱摄影类流量，系统则会放宽限制，优先召回10公里内的商户，或者直接采用全城召回策略。
广告排序机制
和传统的搜索广告业务一样，美团的广告是按点击计费（Cost Per Click，CPC）广告，广告主依据广告的点击价值进行出价（bid），广告系统按照RankScore（RankScore为出价和广告质量度的乘积）进行广告排序。在广告系统中，广告质量度一般用广告的预估点击率来衡量。
RankScore=bid×CTR
广告按照RankScore排序后，会依据广义第二价格（Generalized Second Price）进行计费。
由此可知，准确的预测广告的点击率是保障广告收入和用户体验的前提。广告点击率预估问题是一个典型的监督机器学习问题，它的目标是在给定广告商户、用户和查询上下文的前提下准确预测点击行为发生的概率。这个监督学习问题的特征我们用x表示，目标用y∈{1，-1}表示（广告曝光后获得点击为1，否则为-1）。通过收集线上的广告曝光和点击日志，我们可以获得大量的标注样本{（ i， i）}作为监督学习的训练数据。
我们使用参数模型拟合这个概率：
其中， 监督学习问题即是搜索 使得目标损失函数最小的一个优化问题:
其中， ( , ( , ))是模型的损失函数，在点击率预估问题中一般使用负Log似然函数（Negative Log-Likelihood）作为损失函数。优化问题（公式1）是原始的点击率预估问题，优化问题（公式2）引入了正则项 ( )，用以控制模型的复杂度，防止模型过拟合。此外当我们选择L1范数作为正则项的时候，我们能获得稀疏解，缩减模型大小，进而减少线上服务加载模型的内存需求，提升模型的预测速度。下面我们简要介绍几种常用的点击率预估模型。
逻辑回归模型
逻辑回归模型是广泛应用的点击率预估模型，它是一种线性模型，相应的优化问题有非常好的性质。它是一个无约束的凸优化问题，有全局唯一的最优解。它支持大规模的特征，通过常用的梯队方法能较快收敛到最优解。逻辑回归模型的可解释性十分优良，通过特征对应的权重我们能很好分析各个特征的重要性以及它们对点击率的影响关系。
逻辑回归也有它的劣势：首先，作为线性模型，它的表达能力相对较弱，需要通过大量的特征工程工作（例如，特征组合）来弥补和提升模型的表达能力；其次，它需要进行大量的特征预处理工作，例如特征归一化、离散化等。
逻辑回归作为基础模型和其他模型相结合，扬长避短，充分发挥其作用。例如逻辑回归和梯度提升决策树结合，通过梯度提升决策树解决特征离散化和特征组合问题，并充分发挥逻辑回归对大规模特征的支持和良好的优化问题性质。
因子分解机FM模型和场感知因子分解机FFM模型
FM模型和FFM模型是非线性模型，它们对特征进行两两组合，提升了模型的表达能力。此外FM和FFM模型都对特征进行向量化的表达和学习（Wi,Wi,fj）提升模型的泛化能力。FFM相对于FM引入了域的概念，在FM中特征i和其他特征组合用的是同一个向量表示，而在FFM中特征i和不同域的特征组合会使用不同的向量表示，进一步提升了模型的复杂度和表达力。
人工神经网络（Artificial Neural Network，ANN）
近几年神经网络模型强势复兴，以深度神经网络为代表的方法，在图像识别、语音识别以及自然语言处理等领域超越传统浅模型，取得了突破性的进展。在点击率预估这个任务上，最近也涌现出一批深度神经网络模型，取得了明显的效果，其中典型的模型是Wide & Deep模型。
Wide & Deep模型包含Wide和Deep两个部分。Wide部分可以类比逻辑回归模型，能对相关特征的作用进行很好的记忆。Deep部分类似FM模型和FFM模型，它们都对相关特征进行了向量化的表示（Embedding）和学习，但是Deep部分通过复杂的网络结构可以表达更复杂的特征交互和组合关系，提供了更好的泛化能力和表达力。
梯度方法是模型的优化（优化问题的求解）的基础方法。公式3是使用标准梯度方法求解点击率预估优化问题公式1的迭代步骤。在点击率预估问题中，由于训练样本数量庞大（十亿、百亿），直接应用公式3计算量巨大，迭代速度受限。因此在点击率预估问题中，我们一般使用随机梯度下降法（Stochastic Gra ** nt Descent，SGD）进行问题求解。在SGD方法（公式4）中，我们使用一小部分样本上的梯度对整体优化目标的梯度进行近似估计，加快参数迭代速度。其中b是样本 ** 大小，当b=1时，我们用单样本的梯度来近似整体目标函数的梯度值。
在美团我们使用参数服务器框架（Parameter Server）实现模型并行和数据并行，以解决包含大规模训练数据和特征的复杂模型求解问题，如图1所示：
图1 参数服务器框架
特征工程方面，点击率预估特征主要从广告、用户和查询这三个方面来挖掘和刻画广告展现场景（见图2），特征需要包含影响点击率的方方面面，是模型成败的重要因素。特征的选取需要从业务场景出发。在O2O场景下，一个影响点击率的重要特征就是商户和用户之间的距离。
图2 点击率预估的特征
O2O推送广告
在O2O场景下，除了搜索推荐广告，推送广告也非常重要。推送广告就是媒体在合适的时机将合适的广告以消息的形式推送给合适的人群。推送广告的主要目标是：提升用户活跃度、实现人群精准触达。美团注册用户有3.5亿，但是日活跃用户只有3000万，年活跃用户也只有1亿，还有很大一部分用户平时不登录美团App，或者登录次数很少。给这部分用户推送广告，引导用户打开App，有助于提高用户活跃度。
另一方面，推送广告通过丰富的人群定向，实现精准投放。要实现精准触达，需要做到两点：有完整的用户画像，用户画像包含属性标签、偏好标签和行为标签，我们以此来判断用户对广告的兴趣；智能匹配技术，将广告精准定位到合适的用户上。
推送广告的特点是：主动触达、用户意图不明确。理论上来说，推送广告可以在任意时间给任意用户推送任意广告，而搜索广告只能在用户搜索或者筛选的时候给用户展示广告。但推送广告的劣势是用户意图不明确，而搜索广告具有搜索词或者明确的筛选条件，这些都是明确的用户意图。所以相比搜索广告，推送广告更需要精准的受众定向。
受众定向
常用的定向方式有下面几种：
时间定向。时间定向能够让品牌根据消费者行为、营业时间，甚至是季节性活动或特殊事件来进行广告投放。举个例子，美发沙龙只有白天营业，如果定向时间包括了晚上非营业时段，那么用户在晚上非营业时间看到广告后，无法通过打电话来预约，这样就没有转化。重定向。它指根据用户的历史行为，将曾在商家发生过浏览、收藏、购买等行为的用户作为商家的精准定向人群，进行广告推送，拉回用户完成转化。通常情况下，消费者不会看过就能记住，你需要重定向。根据重定向推送广告是通过视觉方式提醒消费者有关商家产品信息的好方式。消费者看到后可能会想：“啊，我忘了要买这双鞋……”而这种面包屑式的提醒方式往往能够诱使他们点击并购买。重定向方式是所有定向方式中最精准、投资回报率最高的。地理位置类定向。它指的是根据用户实时地理位置（一般是蜂窝信息或者GPS经纬度）做一些定向，有助于帮助商家触达那些正在前往商家所在区域的消费者，包括距离定向、商圈定向等。这种定向方式在移动设备上投放广告时有着非常重要的作用。比如本地的一家美发沙龙，想要招揽本地生意，那么就可以使用地理位置定向技术在特定半径内进行宣传。如果这家店在三角区内有发廊的特许经营权，那么它就可以使用该技术进行一个以上定位。当然针对各区域进行定向的时候，商家可以根据区域内业务发展状况调整出价。人口属性定向。人口属性标签包括性别、年龄、收入水平、婚姻状况、是否有车、是否有小孩等。通过人口属性标签，可以将广告推送给相关消费者，就是可能购买的人群，具体选择什么标签主要取决于商家销售的是什么产品。例如婚纱摄影类商家会选择婚姻状况标签为“未婚”的人群进行广告投放，美甲美睫类商家会选择性别标签为“女性”的人群进行广告投放。这些标签里面，性别、年龄这种标签比较容易得到，因为用户注册的时候就提供了相关信息；而收入水平这种标签需要通过预估得到。使用人口属性定向的时候，标签既不能过于笼统，也不能太过细分。例如美甲美睫商家选择年龄标签的时候，一方面，不能选择0~60岁，这种人群太泛了，低年龄段和高年龄段人群可能没有很强烈的美甲美睫需求。另一方面，也要防止对人群太过细分，例如，尽管最终可能需要选择一个更细化的年龄标签，但却不能仅仅定位为一个具体年龄，若只选择22岁的人群，这可能导致人群覆盖不完整。时刻记住目标受众，但在定位的时候得找到一个折中的办法。行为定向。它是从用户的行为数据中挖掘用户兴趣偏好，从而推送相应的广告。行为数据包括频道、商家详情页、团单详情页的浏览和点击，用户评论和打分等。兴趣偏好一般分为长期、短期和实时偏好。当我们挖掘用户长期偏好的时候，使用的是“一段时间内的行为”，需要对不同时间的行为计算不同的权重，因为用户的兴趣是动态变化的，三个月前用户商圈偏好是A，可能现在搬家了商圈偏好变成了B。为了衡量不同时间行为权重，将行为累计控制在一段时间内，一般使用滑动窗口法和时间衰减法。兴趣偏好包括品类偏好、价格偏好、商圈偏好等。品类偏好指的是用户偏好的商品和服务的品类，例如，用户喜欢吃川湘菜还是江浙菜，喜欢火锅还是自助餐；价格偏好指的是用户的消费水平，例如用户点外卖价格区间是偏好0~20元价位，还是偏好20~40元价位。新客推荐。即Look-alike，以广告主的老顾客作为种子信息，结合广告平台的大数据，寻找出老顾客具有的某种特征或规律，为广告主找到具有相同特征或规律的潜在顾客。这种方式可在保证精准定向效果的同时，扩大用户覆盖面。例如一个川菜馆广告主想投放广告，目标人群除了在本店消费过的顾客外，还可以选择在别的川菜馆或者湘菜馆消费过的顾客，因为他们可能口味差不多。用户在平台上的搜索、浏览、收藏、购买等行为会被记录下来，形成用户日志。通过对用户日志的分析和挖掘得到用户画像，包括用户基本属性、兴趣偏好、行为标签等。广告定向是广告和用户匹配的过程，为每个广告找到适合的受众群体。广告投放后，需要统计定向效果，包括定向精准程度和覆盖率。精准定向广告的运作流程如图3所示：
图3 精准定向广告流程
为了实现广告和用户的匹配，首先需要为广告的受众人群进行初步假设，即确定广告感兴趣的人群，并将其与用户画像标签映射起来，这一步要靠产品调研和分析得到。然后根据这个初步假设确定广告投放的定向条件，匹配到符合条件的人群。
单个定向条件的表示。每一个定向条件都用一个<Key, Value>对来表达。比如，职业分为学生和白领两种，定向条件为学生时表示为 <"Professional", "Student">。组合定向条件的表示。广告主设定的定向条件组合往往非常复杂，是各种不同定向条件的组合，涉及交、并、取反等操作。我们采用析取范式（Disjunctive Nor ** l Form，DNF）的形式来存储广告的定向条件。下面以几个例子来说明DNF的表达方式。* DNF1: （30岁 男性）∪（25岁 女性）* DNF2: （广东人 广东男性）∪（北京人 北京品牌新客）* DNF3: （非男性）∪（男性 实时位置在店铺周围2公里范围）∪（喜欢美食的）在这样的表达形式中，有两点需要说明：第一，每个DNF可以分解成一个或者多个合取范式（Conjunction Nor ** l Form，CNF），DNF1 ＝ C1∪ C2，其中，C1 ＝（30岁 男性）， C2 ＝（25岁 女性）；第二，每个CNF可以分解成一个或者多个条件的交。上例中的C1 ＝ A1 ∩ A2，其中A1 ＝ 30岁，A2 ＝男性。
定向条件匹配。定向匹配过程如图4所示。一个定向请求包括用户ID和广告投放ID，首先根据用户ID去取用户标签，根据广告投放ID取定向包，将定向包解析表达成DNF的形式，然后与用户标签进行匹配。定向效果评价。定向效果一般从质和量两个方面进行评估。质指的是精准程度，主要指标是点击率和转化率。量指的是覆盖程度，主要指标是用户覆盖率、广告主使用率以及定向方式对应的流量占比。图4 定向匹配过程
在美团推送广告中，重定向方式点击率和转化率最好，但覆盖率最低；地理位置定向和人口属性标签拥有更广泛的人群，效果相对较差。实际采用哪种定向，需要看广告主的推广需求，广告主需要综合考虑精准程度和覆盖率的平衡。
O2O广告系统工具
“工欲善其事必先利其器”，有效的工具是一个优秀高效的广告生态的重要组成部分。本节我们从面向开发人员、面向广告主和运营人员两个角度进行简述。
面向开发人员的系统工具
面向开发者的工具主要包含三个方面：离线数据分析工具、实时数据分析工具以及在线广告系统调试工具。
离线数据分析工具支持从各个维度（广告位、广告类型、时间、区域、算法策略等）统计广告业务的各项关键指标（召回率、点击率、转化率、RPS/RPM、CPC等），检视广告系统的短板和漏洞，帮助广告算法和工程团队发现问题和寻找潜力。
实时数据分析工具从时效性角度弥补离线数据分析的缺点，帮助开发者尽早发现数据异常，更快地响应和修复问题。在背后支撑这些分析方法的是Hive、Spark、Elasticsearch和Druid等大数据处理工具。如图5所示是实时消耗数据分析工具：
图5 实时消耗数据分析工具
在线广告系统调试工具是针对单个广告主或单个查询等具体问题的排查。通过调试工具可方便构造模拟请求并查看单个服务处理详细信息，收集各个广告流程步骤（召回、排序和创意优选等）的信息，跟踪和定位线上实时环境中各步骤的问题。除了线上问题排查之外，调试工具也是开发阶段用于验证策略效果和算 ** 确性不可或缺的手段。如图6所示是在线广告调试工具的基本界面：
图6 在线广告调试工具界面
面向广告主和运营人员的工具
面向广告主和运营人员的工具包括广告主出价预估和排名预估、商户效果漏斗分析、账户诊断等相关工具。面向广告主的工具帮助广告主更好地衡量和感知广告效果，让其了解市场竞争情况，协助其有效主动地优化广告投放效果。面向运营人员的工具能让运营人员对广告主的投放情况有更清晰的了解，进而帮助其更好地指导和服务广告主。
1. 效果漏斗分析工具
如前文所述，O2O广告从在线展示到用户进店消费需要经过点击和转化多个流程，为了帮助广告主优化整体投放效果，我们在推广后台提供了效果漏斗分析工具。效果漏斗分析工具主要包括曝光/访问量/感兴趣/到店三层漏斗，同时给出相应的问题诊断和优化建议，如图7所示：
图7 效果漏斗分析工具
2. 推广实况工具
感知广告展示位置以及竞价实况是投放中的广告主核心需求之一。但个性化智能排序技术体系和带有地理位置限制属性的O2O广告场景下，由于用户个性标签、地理位置等原因会导致广告主看不到自己投放中的广告在客户端曝光，广告主难以分析原因，也不知道如何优化现有的广告投放。
推广实况工具提供查看排名、模拟出价和诊断优化功能。广告主可以查看选定商圈、类目、地理位置等特定条件下的实时排名，也可以查看去个性化后一般情况下的平均排名。同时工具对于广告展现位次过低或得不到展示的情况会给出具体的原因和相应提示。广告主可根据提示调整投放设置，比如对出价过低导致排名靠后情况建议调高出价，通过工具可以实时查看调整后的新排名情况，如图8所示：
图8 推广实况工具
3. 流失订单分析工具
流失订单分析工具基于门店流失订单记录提供对比分析功能。流失订单是指最近一周内用户对商家A进行了点击，但实际去B、C商家下单的流量算作A的流失订单。分析工具根据用户的点击下单行为数据帮商家分析自身与用户最终下单商家之间的差距在哪里。比如对酒店商家，工具会提供商家平均房价、平均评分、商家首图等信息对比，广告主从中可以分析出订单流失原因，如图9所示：
图9 流失订单分析工具
4. 广告收益模拟器
为吸引潜在新广告客户入驻，广告收益模拟器为商家提供广告收益预估功能。该工具基于门店的历史非广告时期点击转化率、门店所在商圈流量以及竞争对手状态等信息，预估门店投放广告后能够带来的新增流量和订单量，帮助新客户快速了解广告产品，建立投资回报预期。同时通过该工具，商户可以方便地跳转到推广通平台进行注册和投放。此外，模拟器也可协助销售人员对商圈流量以及商圈可承载广告数进行预估，让销售人员更有针对性地开拓市场，提升新签成功率，如图10所示：
图10 广告收益模拟器
总结
本章从O2O广告的特性出发，介绍了O2O广告利益相关方的主要关注指标。O2O广告是美团的核心问题之一。本章着重介绍了如何应用机器学习方法提升广告投放的效果和效率，以及本地场景化的推送广告。此外，还简要展示了O2O广告平台相关的工具。
参考文献
[1] Huang, P.-S., He, X., Gao, J., Deng, L., Acero, A., & Heck, L. (2013). Learning deep structured se ** ntic models for web search using clickthrough data. In Proceedings of the 22nd ACM international conference on Conference on infor ** tion & knowledge ** nagement (pp. 2333-2338).[2] Sutskever, I., Vinyals, O., & Le, Q. V. (2014). Sequence to sequence learning with neural networks. In Advances in neural infor ** tion processing systems (pp. 3104-3112).[3] Juan, Y., Zhuang, Y., Chin, W.-S., & Lin, C.-J. (2016). Field-aware Factorization Machines for CTR Prediction. In Proceedings of the 10th ACM Conference on Recommender Systems (pp. 43-50).[4] Cheng, H.-T., Koc, L., Harmsen, J., Shaked, T., Chandra, T., Aradhye, H., . others. (2016). Wide & deep learning for recommender systems. In Proceedings of the 1st Workshop on Deep Learning for Recommender Systems (pp. 7-10).[5] Li, M., Zhou, L., Yang, Z., Li, A., Xia, F., Andersen, D. G., & Smola, A. (2013). Parameter server for distributed ** chine learning. In Big Learning NIPS Workshop (Vol. 1).[6] Edel ** n, B., Ostrovsky, M., & Schwarz, M. (2005). Internet advertising and the generalized second price auction: Selling billions of dollars worth of keywords.
作者简介
2013年6月加入美团，目前负责美团搜索广告算法策略，曾负责美团搜索排序工作。
如果有问题，可以扫描下方二维码，加入美团计算广告俱乐部，跟作者直接进行交流。（如群已满，加美团小助手微信 MTDPtech，回复【计算广告】，小助手拉你入群 ）
https://weixin.qq.com/g/ATaypo4HxImIOE9- (二维码自动识别)
团队简介
美团点评算法团队是整个美团点评技术团队的“大脑”，涵盖搜索、推荐、广告、智能调度、自然语言处理、计算机视觉、机器人以及无人驾驶等多个技术领域。帮助美团点评数亿活跃用户改善了用户体验，也帮助餐饮、酒店、结婚、丽人、亲子等200多个品类的数百万商户提升了运营效率。目前，美团点评算法团队在人工智能领域进行积极的探索和研究，不断创新与实践，致力于应用最前沿的技术，给广告大消费者带来更好的生活服务体验。
图书推荐
我们“美团技术团队”公众号之前已经发布过很多AI和算法方面的文章，但从中很难了解算法工程师完整的工作流程。
告诉大家一个好消息，美团算法团队多位技术专家集体编写的《美团机器学习实践》一书即将出版。这本书详细地讲述了最热门的人工智能技术如何应用于搜索、推荐、计算广告、风控、图像处理等各种场景，如何在美团这个全球最大生活服务互联网平台实际落地，敬请期待。
预售链接
>> 京东商城 <<
>> 当当网 <<
>> 天猫商城 <<
招聘信息
美团广告平台全面负责美团到店餐饮、到店综合（结婚、丽人、休闲娱乐、学习培训、亲子、家装）、酒店旅游的商业变现。搜索广告基于数亿用户、数百万商家和数千万订单的真实数据做挖掘，在变现的同时确保用户体验和商家利益。欢迎有意向的同学加入搜索广告算法组。简历请投递至：zhouyayue#meituan.com
也许你还想看
【AI in 美团】深度学习在OCR中的应用
【AI in 美团】深度学习在文本领域的应用
【AI in 美团】深度学习在美团搜索广告排序的应用实践
http://weixin.qq.com/r/9HVSSg3EOFBHrUkp9yDm (二维码自动识别)
