作者 | 黃崇遠 （題圖：來自於tantupix.com,CCO協議圖片）

01 僞廣告邏輯

從第一篇文章《數據與廣告系列一：初識在線計算廣告》中，從數據和算法的角度，他就是一個偏向於候選資源排序的邏輯，我們會發現還有很多類似的場景。

比如，我們做EDM精準營銷，有限的營銷預算裏，將信息通過E-mail推送給候選人，期望帶來高轉化，其實就是將用戶池排序的過程，然後根據預算截取TopN來發郵件。

再比如，團購網站，或者導航網站，或者更直白點電商的貨架商品陳列，其實也是指定了條件，在有限的候選集裏，如何排序的問題。

再再比如，推薦系統，就跟廣告的本質邏輯更像了，在有限的展示場景下，如何選擇候選集，如何排列候選資源。

這些場景其實都有點像僞廣告的形態，當然，深入分析肯定是有差異的。做了好些年的推薦系統，對於推薦系統還是有些熟悉的，我們以推薦系統來做進一步的分析。

02 推薦系統和計算廣告的相通之處

對於推薦系統或者廣告來說，其本質相同點都是候選資源的有效排序問題。

所謂候選資源在廣告領域裏當然是指廣告池，而對於推薦系統來說可能就很豐富了，需要看不同的業務場景，比如電商裏就是商品，資訊裏就是各種資訊，視頻場景裏就是視頻，當然也存在跨類型導流的推薦場景。

而所謂的有效排序，則是立足在匹配度的角度上出發的，當然本質目的都只有一個，就是效果轉化（品牌廣告也同樣，只不過他週期太長，難以追蹤，但目的是不變的）。

03 推薦系統和計算廣告本質差異

對於差異點來說，首先是思考角度不同，對於廣告主來說，他對於自己投放的廣告是有一定程度上的曝光/轉化相關的訴求存在的，即大體上資源是現實存在，且需要給他匹配流量。

而對於推薦系統來說，更多的場景是用戶流量是固有存在的，裏頭丟什麼資源是相對開放的，即他對於具體曝光哪個資源的訴求較低，更多是站在用戶的角度上，給用戶匹配更合適的內容 。

所以，從這個點來說，歸根結底就是廣告更多是站在廣告主的角度，去給他匹配流量，而推薦系統更多是站在用戶的層面上去給他推薦/匹配資源。不是說兩者只取一，只不過站的角度不一樣，思考方式也是略有不同的。

第二就是資源的組織方式也是不同的，對於廣告來說，非常注重於其廣告的創意體現（這就是上面說是站在廣告投放的角度思考問題），所以每個資源（候選廣告）其實都是大量人工的付出而產出的（當然，現在很多通過機器學習自動生成創意），因爲這部分也是影響轉化的重要組成部分。

但對於推薦系統來說，所有丟出去的候選集只是茫茫常規資源中的一部分而已，更多的不在於說對於選出資源的包裝，而在於選擇和排序的過程。

第三就是最大的差一點--競價。這又回到了第一條，廣告是站在廣告主的角度思考問題，來爲其分配或者匹配流量，當出現同個流量多方需求的時候，競價的邏輯就出現了，完美的解決了這個難題。而對於推薦系統來說，顯然是不存在這個訴求的，因爲常規情況下，都在同個平臺內，服務的是用戶，只要用戶買單，給你哪個商品不是給呢！

但是，有一種比較特俗的情況，立馬可以把這種推薦邏輯變更爲類似廣告的邏輯，比如假設給A用戶匹配上了BC兩個商品（假設匹配度一致，價格一致，轉化率一致，甚至品類都一致，但是比如品牌/供應商不同），但是場景化的形態裏只有一個資源坑位，到底是給B還是C，如果沒有其他前置條件，就隨意了。

但是假設說我們跟BC對應供應商談的扣點是不一致的（所謂扣點，就是按銷售分成的結算的模式），那麼此時我們就可以考慮慎重選擇了。因爲這已經有點類似廣告競價的邏輯了，同等情況下，我當然願意將這個資源給能給我帶來利潤更高的商品（扣點少的），扣點少的商品通過競價（扣點少，價格又相同，意味着平臺方能拿到更多的銷售分成，變相的競價）拿下了這個展示資源位。

雖然，我們大部分衡量推薦系統效果的時候比較少去深入下去追蹤最終的利潤那一層，大部分都是在點擊率，轉化率這層做效果評估，但不可否認，真正一個好的推薦系統，還是需要考慮到最終的商業價值的，甚至還要考慮持續化的轉化能力等等諸如此類。

除了競價之外，還有就是其他的一些諸如計費方式，輪轉邏輯等等，也是有差異的，甚至部分都是獨有特性，但不算是重點了吧。

04 計算廣告的多態化和本質

從上述推薦系統如果加了供應商思考邏輯，推薦系統邏輯分分鐘就變成了類似廣告的邏輯，而實際上廣告的形態本來就很多，並且也並沒有拘泥於其載體形態。

常見的有banner輪播資源位的形態，還有類似榜單的邏輯，還有通過搜索做的搜索嵌入的廣告，當然還少不了當前比較火熱的社交形態的廣告等等。

其實所謂廣告核心是抓主我們第一篇中的廣告本質邏輯，廣告主的訴求，流量計算匹配優化，轉化預估的計算，一些資源流量競價的邏輯等。

核心是服務於廣告主通過低價進行用戶的有效觸達，而其外在的包裝形態，應用場景都是次要的，內在數據驅動的核心邏輯大體上是相通的。

在下個章節裏，我們可以會往社交廣告方向探索，也可能針對廣告其他垂直縱向的廣告方向探索，但多少都會掛上數據在裏頭的內在驅動因素。

本系列其他文章：

《數據與廣告系列一：初識在線計算廣告》

廣而告之時間：

針對於文中所說到推薦系統，同樣也是數據在各個領域應用的常見形態，比如手機裏的各種電商/音樂/視頻/資訊各類的APP，多少都有推薦系統的身影，個性化式的用戶體驗已經是個常態。

如果對於這塊感興趣的技術或者產品，乃至於運營朋友，可以看一下去年業餘時間整理的一個圖文體系，非常適合對推薦系統有個全面認知，從概念到數據到算法，再到結構到產品。

最後，感謝關注我的公衆號『數據蟲巢』，數據與廣告系列會持續寫下去，如果你對數據和廣告的話題感興趣，歡迎繼續關注，以及點贊推薦給朋友。

如果想加入大數據技術微信羣『暢聊大數據』的朋友，可以加我微信mute88，加的時候備註好，我拉你入羣。