新一代智能定向，如何满足千差万别的营销需求？

摘要

定向（Targeting）是电商营销中至关重要的一个概念和环节，它是商家表达营销意图的最直接的工具，同时也会深刻影响整个营销活动的效果。随着大数据分析与挖掘技术的成熟与落地，基于标签画像的DMP定向和基于AI技术的智能定向逐渐普及，成为当前电商系统主流的定向方法，但是也表现出一些新的问题。

本文将回顾当前定向系统的现状和问题，并介绍京东为解决这一问题而研发的新一代智能定向系统Smart DMP，它能够弥补传统定向的缺点，显著提升定向的效果。Smart DMP在京东推荐广告业务中落地以来，相对于传统定向，其带来CTR的提升超过15%，商家的使用比例超过50%，有效提升广告营销的效果和效率，相关成果也被国际顶级推荐系统学术会议RecSys2020收录为会议论文。

01

背景

在电商系统中，定向一般指商家为自己的营销计划选定目标受众的过程。定向往往是营销计划中必不可少且至关重要的一个环节，其效果的好坏不仅影响受众的用户体验（平台的用户留存与增减），也会影响商家的营销效果和收入（商家的留存与增减）。以广告营销为例，在广告系统中，商家通过出价的方式让其商品获得在用户面前展示的机会，那么商家的预算最终要去争取哪些用户的展现，取决于商家的营销目的。如果是促销/清库存，则选择高频购买用户或者高转化用户最为高效；如果是拉取新用户，则选择竞品的受众人群较为合理；如果是做品牌知名度推广，则有可能要选择更为边缘的潜在用户。在这个过程中如果定向做的不好，一方面商家的营销效果会变差，营销积极性会下降，资金投入也会更少；另一方面，受众用户也会因为推送商品相关性差而体验降低，进而影响整个电商平台的用户留存和增长

由此可见，一个优秀的定向系统对用户、商家和平台来说是三方共赢的事情。那么优秀的定向系统需要哪些特性能？

总结来说，主要有两个方面：

第一，允许商家自由地表达营销意图及商家可干预。这一点是非常重要的，因为定向的起点是营销活动，而商家是营销活动的根本发起方和资金投入方，如果他们不能有效表达自己的营销意图和目的，不能决定自己的预算流向，那么活动本身就可能不复存在。

第二，定向效果好，即广告和用户的相关性高，这一点是对营销效果的保证，因为不论何种营销目的，其最终的诉求都是希望用户对商家的广告产生行为，比如点击、购买、关注、收藏等等，那么发生行为的概率高，即为相关性高。而且相关性高往往意味着更好的用户体验

后面将会介绍实际场景中当前定向系统想要同时满足这两点并不容易以及Smart DMP定向如何做到同时两者兼顾的。

02

DMP定向系统

DMP定向是一种基于大数据标签分析的定向方法，也就是为业界所熟知的就是基于标签的定向。DMP定向的核心是DMP系统，它非常方便商家进行营销目的表达，因为DMP标签往往是语义上可理解的，商家通过标签表达意图的门槛很低，而且对于包含这种语义标签的人群，有利于投后分析，包括报告生成，复盘等等，这一点对于成长性商家的经验积累也非常重要。

但是DMP定向也有显而易见的缺点，定向效果直接由标签选择的质量决定，虽然标签人群圈选的门槛很低，但是圈选高质量标签人群却是一件极其专业的事情，其原因主要是两个方面：

第一，DMP标签数量众多，标签组合更是天文数字，从中选取合适的标签需要丰富的经验；

第二，语义标签和真实的相关性没有必然关系，比如“运动达人”人群标签很难做到高度准确，不能保证其中的所有用户都对当前的运动类商品感兴趣。以上问题往往导致只有头部大型商家的专业营销团队才能做好DMP定向，对大量普通商家而言，DMP标签人群的相关性没有保证，使得真实的行为发生率（点击/购买/加购/收藏等）也比较低。

03

智能定向

随着AI技术的不断发展，近些年智能定向也开始落地。与DMP定向不同，智能定向系统中，定向完全由算法托管，商家只需要提供预算、出价策略和商品即可。可以看到，智能定向没有显式人群圈选的过程，用户是否是目标用户由算法在线评估。一般来说，算法会基于预估的点击率或者转化率来判定目标用户，因此智能定向的相关性是有保证的，但是对于商家而言，其营销体验不好，主要表现在三个方面：

第一，商家无法对定向结果进行干预，不能自由地表达自己的营销意图，这使得他们在使用智能定向工具时对预算的投入非常谨慎；

第二，基于预估点击率/转化率的定向方法也不能全面的满足商家的营销目的，比如拉新/品牌推广等；

第三，由于AI模型的可解释性差，导致投后的报告产出、数据分析和营销复盘相比于DMP定向来说都单薄了很多，商家通过智能定向获得投放经验和成长值变少。

04

Smart DMP定向

Smart DMP是京东新一代智能定向框架，相对于DMP定向和传统智能定向，Smart DMP成功调和了商家意图表达和人群定向相关性建模之间的矛盾，显著提升京东广告广告业务中人群定向的效果和效率。

1 系统框架

在Smart DMP中，商家开始要做的事情与智能定向是一样的，即：选择投广告的商品、设定预算以及制定出价策略。同时会有一个已经训练好的相关性模型（RMM）来度量任意一个商品和用户的相关性。基于RMM，Smart DMP首先会为商家选定的商品召回一个高相关性的用户集合。虽然这个用户集合已经有较好的相关性保证，但是若直接用于最终的目标人群，则会与传统智能定向一样没有反映商家的营销意图。为此，Smart DMP允许商家在一开始的时候同时进行人群标签组合的选择，但是这个人群标签不能在一开始直接生效，否则会与RMM冲突。为了解决这个问题，我们引入了“延迟干预机制”，即标签组合的选择是在定向的开始处进行，但是标签的生效在相关性模型之后。具体来说，为了使标签生效，我们进一步开发一个标签模型（TMM）来丰富用户画像，然后基于画像从候选集中选择满足商家定向需求的人群作为最终的目标人群。

在这个框架中可以看到，RMM保证相关性，延迟干预机制和TMM反映商家的营销意图，使得最终的定向人群满足最开始的优秀定向系统的要求。而且，更重要的是，这个过程商家是无感知的，从商家侧来看，他在smart DMP上要做的事情和在DMP定向上要做的事情是没有区别的，但是定向的效果却可以大大提升。

2 RMM与TMM

RMM是一个评估商品和用户相关性的模型，为了兼顾效果和性能，我们设计了一个长短时行为模型LSBM，它同时考虑用户的长时兴趣和短期偏好来评估相关性。长时兴趣和短时兴趣使用self-attention来建模，最后通过DNN来预测相关性分数。

TMM是一个标签挖掘模型，在Smart DMP中，TMM直接复用了DMP的标签模型。

3 在线服务框架

Smart DMP的框架图是从商家的角度出发设计的，当其服务于线上系统时，则需要从用户的角度梳理整个逻辑。当用户请求过来时，首先通过RMM召回高相关性的商品广告集合。然后根据商品检索每个商品广告的营销计划id以及商家在此营销计划中选择的标签组合。同时TMM也会根据当前用户请求生成当前用户的标签。然后将与当前用户标签匹配的商品广告保留并送到Ranking模型进行排序和top-k的推荐。

4 线上效果

AB实验：可以看到Smart DMP上线之后，推荐的CTR，CPC，eCPM等核心指标都有很大的提升。

进一步对比Smart DMP与传统DMP定向，可以看到前者点击率相对提升超过15%。

我们也统计了自上线以来一年时间里面，使用Smart DMP的商家占比，可以看到占比持续提升到50%多，目前是京东广告定向中使用最广的定向工具。