集客後的運用是轉換成金流的關鍵

【存取受眾資料運用】

在上一篇文章中，我們談到如何透過cookie存取網路使用者瀏覽過的網址及各種點擊資訊，匯集各種資料到廣告聯播網的DMP系統做資料清洗、篩選，促進數位廣告效益。本文要再進一步告訴各位讀者資料轉換及運用的「關鍵」，這才是之所以收集、清洗、篩選資料的重點所在。

「取回的cookie經過辨識與資料分析才能運用。」

由於cookie的儲存模式為純文字形態（即txt檔），檔案不大且長度受限，可存取的資料有限，因此儲存的使用者個資並非包山包海，通常只儲存基本、非機密性的個人資料，所以廣告聯播網可主動獲取的cookie資料並無法辨識網路使用者的身分，甚至可能連該使用者究竟是男性或女性都不清楚。

除非網站主願意主動分享自己站上的使用者登入資料給廣告聯播網，聯播網的系統再將該使用者的上站資料與登入後的狀態資料交集、比對，才有可能得到比較準確的資訊。例如，使用者的身分等，否則取回的cookie資料充其量只是「可能性」的資訊，譬如猜測使用者是誰。

既然用「猜」的，那麼就要有一套猜測的好方法，亦即資料的辨識方式，這才是所有資料分析中最困難、最麻煩的地方。

3.7.1資料辨識方式應涵括三個面相

「透過資料辨識描繪使用者的輪廓。」

網路使用者只要瀏覽過某個網頁，就會在 cookie上留下其曾經瀏覽過的URL（網址）紀錄，廣告聯播平台只要透過資料爬蟲或是快照來爬取資料，將URL上的內容儲存下來，傳送回去自己的資料庫進行內容標籤化的工作。

資料爬蟲（Crawler）簡單來說，就是由技術人員設計了一隻專門到各個不同網站抓取資料的程式。這支程式會依照指示，自動到各個目標網站，將資料存取回來。

快照（Snapshot）類似資料爬蟲，但不同之處是資料爬蟲會盡量將目標網站的資料收集回來，並且建立索引將資料結構化，而且每次出去收集資料的時間較長，下次要再去同個網站抓取資料會再經過一段時間。快照則是針對特定的某個網頁，將其資料存取下來，不會將之結構化。

至於內容標籤化則是為了要令抓回來的資料可以快速被找到，因此會針對各類不同的內容，分析出文章內的關鍵字，將關鍵字作為一個又一個的標籤。這些標籤，主要作為索引之用，然後再結合網站訪客的Cookie或是Section，將標籤反貼回到訪客身上，進而訪客從本來只是瀏覽歷程的狀態，會轉而成為對某些內容、某些資訊感興趣的受眾。

3.7.2 網站使用者快照或資料爬蟲流程

這階段的工作可透過人工或機器（即透過電腦自動運算功能分辨並標註資料）來處理。當廣告聯播網面對的網站不夠多以及頁面內容數量較少時，透過人工直接對每個URL的內容進行分類，並留下標記反而比較容易；但是，只要網站的數量變多，各網站的內容頁面數量大增，人工處理就變得非常吃緊與無力，這時候透過機器來處理會比較迅速、適當，可是若要利用機器去分辨，又必須涉及專業的自然語意分析領域，這又是另一個層次的技術了。

總之，我們稱以上這類資料辨識的工作為「內容比對」，即透過將內容比對產出的標籤，標記（tagging）使用者及其網路瀏覽資料。這邊指的使用者是指來瀏覽網站的人，實際上並不知道他（她）是誰，而是透過每個存取的cookie賦予一個ID，每個ID也都會在資料庫端存取一份，然後為ID貼上各類標記。

3.7.3 內容比對標籤與標記

貼標記的作用在於定義使用者的輪廓，在定義之前，工程師會先針對網站的使用者進行demography（人口學）定義分析，demography可能涵括了性別、年齡、消費水準、居住地、學歷等訊息，但資料的準確性通常不高。要提高準確性，還是得用cookie紀錄來做標籤化分析。

例如分析mobile01的網站，其網站屬性以3C商品居多，在這裡面閱讀的人們，通常都對3C商品產生高度興趣，而該網站內的不同討論版面，各有不一樣的主題與分類。有些分類可能跟地區有關、有些可能跟性別有關、有些可能跟年齡有關、有些甚至跟奢侈性商品有關，每種不同的關聯，都能先進行各別的定義。當訪客上門，留下的Cookie裡有其瀏覽資料，則會將該定義出來的標籤，反貼回到訪客的受眾個人資料之中。

舉例來說，根據某位使用者的cookie紀錄，發現他瀏覽過刮鬍刀、刮鬍泡泡、柔膚水、古龍水等商品的網頁，所以當cookie被傳回廣告聯播網後，「刮鬍刀」、「刮鬍泡泡」、「柔膚水」、「古龍水」等關鍵字就會被標記到該使用者上，並且資料分析人員會將該名使用者概分為「男性」身分，實際上cookie的紀錄並未明確指出該使用者究竟是男是女，完全是憑關鍵字來做判斷。

這是一種假設性的判斷，雖然不能說很精確，但卻可提供一份「可能性」的資料，或許無法十分確定使用者是否一如假設，可是在茫然模糊的資料大海裡，與其連該從何著手都不知道，不如先利用使用者接觸過的內容來定義使用者的大致輪廓。

至少經過標籤化的技術，將訪客轉為成為使用者輪廓（受眾）之後，成為可以適度篩選出廣告主期望的廣告受眾後，再將廣告投放出去，以免亂槍打鳥，群鳥亂飛，一隻都打不到。後續再透過每一次於受眾面前廣告曝光被點擊的情況，逐次修正使用者的輪廓。數位廣告的技術人員就這樣一次又一次從中（使用者點擊廣告的cookie紀錄）挖掘更精確的資料，精進使用者的demography定義。令廣告主想要受眾可以變得越加精確，令廣告效益能夠顯著出現。

【內容比對深入分析使用者興趣】

除了使用者的身分資料，內容比對還可比對出使用者的興趣，一樣是透過標記的方式，將各網站上的內容分析，包括使用者感興趣的事物及接觸這些內容的頻率，置入interest 類別（興趣類別）裡，並且可以在interest 類別下再細分精準興趣、相似興趣、模糊興趣等。我想大家應該都上過電子商務平台，只要瀏覽過幾項商品後，平台就會自動篩選出類似商品（如下圖），這就是內容比對的作用。

interest 類別底下的細項分類其實都差不多，差別在於精準性。只要使用者有在網站上進行過某些行動或具體的交易行為，就會被記錄下來並將資料傳送至資料庫做行為分析，將分析結果交叉寫入「精準興趣」資料中；至於「相似興趣」則是將該使用者與其他使用者比對，透過其他使用者的興趣資料來判定該使用者可能也有類似的興趣；「模糊興趣」則是分析比對已歸入資料庫的基礎資料來推測具有同樣demography的使用者可能擁有相似但頻率不高的興趣。

「反覆標記，精確定義使用者。」

經過內容比對等處理，cookie資料會愈來愈具有意義，因為其比對出來的內容持續增長，以使用者為中心的demography、interest、behavior（行為）資料內容會不斷地增長並愈來愈豐富，廣告主可以對準的受眾，其輪廓也會變得完整不少。

不過，請注意，以上談的都是如何豐富資料量，並不代表資料會變得更精準。嚴格來講，要讓使用者資料變得更準確，就得測試各種受眾的反應，觀察並記錄廣告與受眾之間的關係。例如，看到廣告有無採取行動點擊，要看幾次之後才會點擊，點擊是針對同類性的廣告點擊意願較高，還是什麼樣的廣告都會點，藉由反覆標記（tagging）來提高其精準性。標記的目的有二，一是將使用者定義的更精確，另一則是透過機器學習（Machine Learning）機制從網站中間接辨別使用者。

在技術還不成熟的時代，任何網路行為與資料都得透過人工辨識方式來輔助或標記，一直到技術獲得突破，電腦自動運算的結果達到一定準確度，如機器與人工運算的結果相似度達70％以上，愈來愈多的資料開始透由機器自動判斷處理，透由人與機器間的協作，資料的可用性也愈來愈佳。

因為每個網路使用者在每個網站上的行為都不大一樣，如瀏覽新聞網站可能是從Facebook或搜尋連結過去，瀏覽購物網站則可能是從廣告連結過去。不同類型的網站牽動的使用者行為都不同，因此得先定義網站的行為脈絡，也就是確認一個網站的瀏覽行為需不需要登入、有無購買、會不會結帳、是否需要其他必要行動才可以進入下一個單元，透過反覆標記，釐清這些網路上的行為，有助於加強資料的正確性，讓網路使用者的輪廓益發明顯，投遞的廣告也會更符合其需求與興趣，廣告效益自然增加。

【優化DMP才能真正幫助廣告主找到受眾】

廣告聯播網的DMP設計核心在於如何將廣告轉換為營運資金，將廣告轉換資金，說的容易做起來困難。DMP除必須面對網路使用者外，還要滿足代表著廣告主的廣告操作人員，加上網站、行動裝置app、其他數位裝置等不同平台能獲取的資料都不同。

而且現代的使用者，往往不是僅有一台上網電腦，很可能公司裡一台、家裡一台，手上還用著行動裝置，然後同一個人在不同裝置上有截然不同的使用行為，導致系統端在分析與解讀時，判斷為完全獨立的不同個體。操作人員投放的廣告，使用者是否會點擊，與廣告操作人員依據何種資料來投放相關廣告，這些資料都可作為學習參考依據，其各種不同類型的資料均會進入DMP之中，作為日後運算分析。

引導網路使用者按照廣告主的期待，接觸到廣告之後就採取下一步動作，是所有廣告聯播網面臨的最大挑戰。事實上，網路使用者的行為隨時都在變化，實在難以歸納出固定的脈絡。因此，當數位廣告技術發展到現在，為了要能提高廣告的點擊效益，開始出現程序化自動購買廣告服務。其技術令廣告能自動的執行，自動產生各類廣告素材，迅速產生無數組的廣告組合，經無數次透過電腦嘗試找出受眾願意點擊的脈絡，成為現在發展數位廣告技術的頂尖應用。

因此廣告投放要做到一定的準確性，除非擁有極大量的數據與非常高端的電腦運算、分析能力，否則是做不來的。面對這樣複雜的資料來源，DMP如何正確分析資料，提供精準的數據，找出正確的消費族群，提高廣告的效益遂為重要課題。

曾有朋友問我：「DMP是不是很容易（開發）啊？為何從2014到2015年的兩年間，如雨後春筍般地冒出來！」或許這麼說比較恰當，講了好幾年的大數據，真正落實到應用層面並較為人熟悉的就屬數位廣告聯播。

同樣的資料運算及分析技術也可應用到網路口碑分析與輿情預測，其他如醫療、農業、金融等運用大數據的領域，一般人較不容易接觸得到，當然不清楚發展狀況。反觀數位廣告，因為Google、Facebook等平台出現， AD Exchange也愈來愈普遍，才讓DMP等存在已久的應用伴隨著大數據一起浮上檯面，成為目前的廣告行銷顯學。