抖音信息流广告怎么投放

抖音信息流广告分为单页广告和原生广告两种，单页广告和原生广告主要的区别是：单页广告无抖音账号，不可关注。而原生广告支持关注广告主抖音账号。以下我们就来介绍下抖音信息流广告两种优化方式。

抖音信息流广告展现模式主体分别有：表单、微信公众号、卡券、电话拨打、地图、APP下载。账户的申请通常是一个比较常规的流程。从准备资质材料、授权盖章到首次充值快的话通常3天就能全部搞定。 这里面比较值得注意的是，产品内不能包含医疗、敏感内容、抖音竞品等相关功能（有相关资质也不行），不过审就要先把相关内容去掉或者另找方法（比如商务层面的沟通）。

　　抖音信息流广告的优势是将广告与产品完全融为一体，全屏展示无干扰，广告主信息得以更好地传达，转化率更高。抖音信息流广告有更好的用户体验，它不会强制打断用户的观看进度，如一些长视频网站在影片的头部和中部会添加一分钟左右的广告视频，影响用户的观影体验。

　　再加上抖音精准分发的机制，不断的给用户定义标签，使得用户接受到的产品信息贴合度更高，实现了千人千面的产品推送效果。一个计划，包括如下几个核心模块：用户定向、出价、投放策略、视频、落地页。

先说用户定向，这里面分为精准定向和泛定向。

精准定向就是你根据你目标用户的画像对投放的地域、年龄、性别都做出精准的定义，只面向这些精准人群做广告。

泛定向就是你不限制这些条件（相关选项选择不限），通过抖音自己的后台模型学习到那些更适合你的素材和产品的用户。

这里面我个人的建议是，如果你的目标用户是一个受众特别广泛、基数特别大的群体，比如电商、游戏，前期还是有必要通过限制定向的方式缩小你的用户范围，以期更快学习到适合你的目标用户的（大型S级宣传推广节除外）。 但是如果你是某个垂直领域的产品，本来用户群体就比较小，就可以通过前期泛定向的方式先尽量扩大曝光，快速跑出适合你产品的稳定模型，一般一个计划覆盖几千万甚至上亿的用户是正常的，如果少于这个量级可能跑量就会遇到困难。 另外一点比较重要的就是人群包的问题，排除已经安装或者已经转化的人群基本都是一个必选项，这里面头条会为我们提供一个默认的已安装人群。 关于出价，一般来讲，对于新计划，初期出价要比我们的期望成本高出一些，但是这里面也有几个注意事项： 一是除了我们自身出价，我们还要关注竞品或者行业的出价状态，比如你所在行业大家平均出价是50元，你非要出5元，那肯定是跑不出去的。 另外一个是新计划出价抢量也要注意成本的控制，出价最多也不能超过你设定目标价的140%，不然后面即便量级成功跑出去了，也可能面临成本超过目标价太多，很难压制下来的窘境。 因为抖音信息流是按照ocpm的方式进行消耗的，所以同样的CPM,消耗是一样的，这个时候后端转化率越好,计划成本越低。

这里面值得注意的一点是对于尚处于学习期的计划，可以先不以成本作为核心考核要素。因为这个时候学习模型尚未稳定，有可能出现你的出价是10块，最终跑出50块一个的情况，但是只要你的计划过了测试期，即产生的转化数超过了20个，通常这个成本就会向你的出价贴近。 关于投放策略，头条的后台提供了均衡投放、优先跑量、优先低成本3种策略。每家公司都可以根据自己的目标选择对应的策略进行跑量。 关于视频，如果想打造一支成功的抖音信息流广告，就要在视频内容上下功夫，伪装成一支普通视频，让用户在不知不觉中看完一支广告，并且对产品产生超高的记忆点。 如今短视频营销已经成为主流，要想通过一支视频来激发用户的购买欲和关注度，广告主应从产品卖点和视频内容两方面进行考虑。

① 充分了解投放产品

首先，投放产品前先要了解其所在的行业、生态链以及市场环境。其次，精准定位产品的用户画像，覆盖意向用户。

② 情节设置要夺人眼球

当我们刷到某一支视频时，如果开头不够精彩，我们会直接跳过。因此，广告的开头切忌拖沓，它决定着一直广告视频的完播率。并且要在短时间内通过情节的跌宕起伏吸引用户的注意力，传递品牌信息。

在众多信息流广告中为大家剖析一个成功案例进行参考：该信息流广告的投放主体是一款小说阅读APP“番茄小说”。

视频开头一位父亲阻拦儿子不要再去山上看那只“母狼”，儿子执意要去因此展开了激烈的争吵，儿子称那只“母狼”才是自己的母亲，若不是“母狼”的喂养，就没有现在的自己。争吵到激烈之处，儿子摔门而出。此时，父亲面露恐慌地说道：“不好!“。

视频到这里就戛然而止了。观众跟随视频的引导下，引发了无限的遐想。“母狼”为何给孩子喂奶儿子出门后，父亲为何如此恐慌，这其中到底隐藏着哪些秘密这些情节让观众在心中埋下伏笔，引起观众深思。

该条信息流广告的新颖之处在于，视频在结尾处设置了悬念，让观众揣测情节走向。此时再展示广告主体，从而引导用户下载“番茄小说“去观看完整内容，能更好地实现转化。

由于短视频受时间限制，视频要在有限的时间内将品牌、创意和卖点都传递给用户。拿抖音的头部网红李佳琦举例，主页中的所有视频都是统一风格，即封面会标明评测的品牌，视频中直接进行口红试色，这种简明扼要的测评视频和有感染力的口播形式深受用户的喜爱和追捧。

关于落地页，直达步骤：信息流广告播放--落地直达卡片弹出--用户点击后进入全屏落地页样式。

如今，碎片化阅读的习惯已经使得用户的审美标准更加严苛，其注意力不会长时间锁定在一个页面。首页负责引流后，落地页展示产品优势，最终获取用户信息或进行引流。对于落地页的设计要秉持着与广告创意相符的原则，以免与用户的期望有所出入，造成兴趣用户流失的情况。

那么如何让广告不像广告呢用户体验是第一位的，信息流广告要像这个平台的“原生内容”，例如抖音信息流广告就要做的像一支爆款视频，视频内容要自然地融入其中。

在视频的创作上，应注重情节设置，避免广告植入过于生硬。相较于硬广，用户能减少对信息流广告的抵触心理，将注意点更多的放在视频内容上。

信息流广告成功的法宝是向用户传递商品的价值，而非广告。在商业植入中，要凭借广告创意，避免引起观众的反感，从而让观众感叹广告还能这么打。

随着抖音的火爆程度持续发酵，抖音的商业价值也是水涨船高，为品牌营销带来了新的市场。由于抖音的受众多为年轻群体、这类用户的购买力强，对于新鲜事物的接受程度普遍较高，成为了抖音的主力军。如果你想在抖音投放广告可以+我V 13631174188哦~

论文：

论文题目：《Search-based User Interest Modeling with Lifelong Sequential Behavior Data for Click-Through Rate Prediction》

地址： https://arxivorg/pdf/200605639pdf

这是阿里妈妈发表在2020SIGIR上面的又一篇佳作，让我们来阅读一下这篇论文吧。

在CTR/CVR预估领域中，用户历史行为对CTR/CVR预估的建模是很有指导意义的，用户的历史行为序列中潜藏着用户丰富的”兴趣点“，用户的每一次行为都是某个方面兴趣的一种反应。比如我喜欢各种口红产品、喜欢洗面奶、但是又对某个牌子不是特别感兴趣，基于这些兴趣的驱动，我可能浏览、点击过很多相关领域的内容或商品，那这些历史行为是否对我未来行为的预测有帮助呢，答案是肯定的。正是基于上述这种主观的行为模式，我们才需要对用户的历史行为进行建模，用户行为队列越长，包含的用户兴趣也就越丰富，但是同样也会带来更大的挑战，其实用户的兴趣是发散的多元的，如何从发散多元的用户兴趣中找到真正对当前任务有帮助的兴趣是十分重要的。

在介绍这篇论文之前建议先去看一下阿里的另一篇论文MIMN，也是基于用户长序列进行CTR预估的论文，但是MIMN存在着几个问题，一个是因为，当用户行为序列的长度进一步增加（例如，增加10倍或比十倍更多）时，MIMN无法精确捕获给定特定候选项的用户兴趣。另一个是因为，MIMN不能很好的解决延时和存储这两个瓶颈上的棘手问题，也就是说部署到线上到时候如何才能做到延时跟其他轻量模型相近。

在淘宝中，用户的浏览序列长度可能达到上千甚至上万个，怎么高效且有效的利用这种长序列信息呢？阿里妈妈提出了SIM模型来进一步从用户丰富的长期历史行为队列中挖掘用户有价值的兴趣点，并且提供一种长行为序列线上服务化的可行性方案，接下来就来看看这篇论文吧。

模型总览：

SIM分为两个阶段，这两个阶段都有自己的核心部分，文章中将长序列用户行为特征的建模分为了两个模块，即Genral Search Unit（GSU）和Exact Search Unit（ESU），这两部分就是两个阶段的核心模块了。先简单的介绍下这两个模块的作用吧。GSU如图所示，简单理解就是从几百上千的用户长序列中挑选出TopK个跟候选Item最相似的K个Item，类比与推荐系统中的召回模块，先降低长序列物品的长度，在进行后续任务。另一个是ESU，这个模块的作用是对刚刚GSU抽取出来对K个物品进行序列建模，得到一个能代表用户长序列兴趣对向量，并利用这个向量进行后面对排序。

GSU的主要任务是从长度为T的序列中抽取出K个跟候选item相似的item，GSU有两种方式来选取TopK个物品，分别是hard-search 和soft-search。前面也提到了GSU类比于推荐系统中的召回阶段，而在多路召回中，一般也有基于Embedding的召回和基于策略规则的召回，其中hard-search就是基于规则的召回，soft-search就是基于Embedding的召回，下面来详细讲一下这两种方法。

这种方法比较直观而且实施起来比较简单，就是我们从候选行为序列中按照给定规则筛选出与当前目标任务相关的候选集，举个例子，我在淘宝上历史浏览过很不同种类的商品（比如电子产品、口红、男鞋等等），当候选广告是iphone12时，hard-search方法会从我历史行为队列中筛选出电子产品相关的行为进行建模，用于PCTR预估，而口红、男鞋大概率就不会对这次预估产生影响，通过上面这个例子大家应该能明白这种基于规则和策略的思路。论文中指出hard-search方法使用的是商品类别作为筛选的标准。

这种方法是基于Embedding的抽取方式，从上面的模型图的左侧可以看到整个soft-search的结构。这个部分也是一个子模型，模型的输入是候选Item和长序列，目标是CTR预估，用这种方式来学习候选Item和长序列Item的embedding信息。有了Embedding后，就可以将候选广告embedding和历史行为中的embedding算一个内积相似度，利用近似最近邻检索方法（论文中用的是ALSH）来得到topK相关的候选行为序列。

在这个子model中，DNN的输入是候选item  和Ur的concat，其中Ur：

注意，如果用户行为增长到一定程度，则不可能将整个用户行为直接输入模型。 在这种情况下，可以从长序列用户行为中随机采样子序列集，这些行为仍需遵循原始序列的相同分布。

这种方法的缺点就是计算开销比较大，不如基于规则的hard-search方便，优点就是效果应该会更好一些。但是论文中也提到了两种方法在效果上的差异不是特别的大，所以最后基于性能和效果的折中，采用了hard-search这种比较简单的方式。

从模型整体上来看，这部分主要是利用从GSU抽取出来的K个Item得到一个能代表用户长期兴趣的向量，并配合其他特征送的DNN里面做整体的CTR预估任务。

论文中对这K个来自GSU对item是用self-attention进行序列建模的：

其中 为：

concat中第一个是原始的embedding，第二个是关于时间的embedding。

根据self-attention的方式，我们又得到了一个向量h(K)。

这里，第二个子model也进行了ctr预估，特征是模型图上面画出来 input，还有个dien，dien前面的文章以及介绍过了，就不再赘述。

最后的loss是：

其中α和β是控制损耗权重的超参数。 在我们的实验中，如果GSU使用软搜索模型，则将α和β都设置为1。具有硬搜索模型的GSU是非参数的，并且α设置为0。

广告推荐系统对线上的计算耗时要求还是比较严格的，因为要保证用户最基本的用户体验。随着用户行为序列的进一步增长，采用传统的方式直接对长序列用户行为进行计算耗时和内存占用会增长的特别快，所以需要有针对性的对线上系统进行一定的升级和改造。文章提到在hard-search和soft-search的选择中，是基于大量的离线实验结果最终决定采用hard-search这种方便快捷有效的方式，同时信息损失也在可以接受的范围内。

一般的线上部署的系统架构图是这样：

为了让SIM能更好的给用户带来低延时的体验，阿里构建了SIM的Online Seving结构：

可以看到对于用户的行为序列，论文采用的是对每个用户采用的是两层索引的结构：key-key-value，第一个key是user_id，第二个key是category ids，value是用户行为序列中属于对应类别的item。用这种方式可以很快的通过这个索引树找到属于统一category的物品。

线上A/B Test实验效果：

用户的历史行为对于整个CTR/CVR预估任务越来越重要了，如果不考虑时间和存储，那么把所有的序列输入到模型中作为长期兴趣关键点是可以精确的定位出用户的长期兴趣的，但是由于性能的原因就不得不考虑用特殊的方法对这个长序列进行一次筛选，筛选的K个物品都是跟候选Item相似的物品，能做到裁剪的效果还不会带来CTR预估的损失。在进行筛选过程中还分为了两种方法，但是为了部署到线上，就要考虑性能最好的hard-search方式进行TopK筛选任务，这种方式跟Embedding筛选的效果是差不多的，但是速度比Embedding快，所以采用这种方式。

未来应该还会有更多针对序列推荐的论文，单纯的对长序列阶段还带来一定的兴趣偏差，所以如何有效挖掘用户更丰富行为特征背后的商业价值是需要好好思考的。