问风博客

—《商业的本质和互联网》作者：许小年互联网是世纪的一项伟大创新，互联网和移动通信技术相结合，极大地改变了经济的运行方式和人们的生活方式。多少企业家和投资家抓住了消费互联网的历史性机会，跃入创新创业的洪流，造就了谷歌、亚马逊、阿里巴巴和腾讯那样的巨型科技公司，成为互联网时代的宠儿。然而，更多的创业者却倒在了走向辉煌的道路上，数以亿计的投资随着他们的失败而付诸东流。一、前世网络人类有史以来发明的网络分

一、商业产品认知从抽象到具体将其分成三个不同的层级：第一层是商业变现逻辑，第二层是商业变现模式，第三层才是商业产品形态。常见的商业变现逻辑有三种，分别是流量变现、服务变现、数据变现。常见的商业变现模式有五种，分别是广告变现、电商变现、流量分发变现、增值服务变现、商业数据变现。、流量变现一般来说，一款C端产品开始做商业变现时需要拥有一定量级的用户。以一款App为例。当这款App的DAU（日活跃人数）

在实际的在线广告中，还有一项对广告效果影响巨大的技术，那就是创意优化。如何在基本的宣传诉求可比的前提下，结合受众定向对创意做调整，这是广告系统不能不考虑的重要问题。广告系统运营中另一个必须考虑的问题是建立一个灵活的实验框架（experimentationframework）。由于各种策略、算法、架构的调整，通过线下评测和模拟都很难完全反映线上的变化，因此，需要有一个线上的实验系统来确定其有效性。线

在所有在线广告产品中，需求方平台（DSP）是算法挑战相对较大的。首先，在实时竞价环境下，DSP需要提供重定向、新客推荐等定制化用户标签，而这既需要与第一方数据和商品库打通等繁杂的工程接口，又产生了一些新的建模问题，特别是像新客推荐这种第一方数据和第三方数据兼用的受众定向问题。其次，需求方平台需要像广告网络那样估计点击率，并且会遇到比广告网络更高的准确性要求，另外还需要在面向效果类广告主时同时估计点

广告点击率预测的目的是对检索后的广告候选进行排序。但是，我们不能简单套用搜索里的排序问题：点击率预测不能像搜索那样只要求结果排序的正确性，因为点击率需要乘以点击单价才能得到最后的排序。另外，在DSP这种产品中，需要尽可能准确地预测eCPM，用于出价。因此，作为各种广告系统中通用的一项技术，点击率预测更适合建模成回归（regression）问题而不是排序（ranking）问题。经典的点击率预估模型以

竞价交易是整个在线广告市场最关键的一次产品进化，它带来了广告技术的迅速发展。在竞价广告中，大量中小广告主的检索规模使得对计算的效率要求很高，如何根据广告的业务要求设计更高效的索引和检索技术，是竞价广告系统一项通用的关键技术。查询扩展可以看成是一个关键词推荐问题，但也需要考虑一些与广告领域相关的特点。广告网络中的反作弊、计价等模块，需要将系统日志快速加工处理并反馈给线上决策系统。另外，对用户行为和点

受众定向技术是对广告（a）、用户（u）、上下文（c）这个维度提取有意义的特征（这些特征也称为标签）的过程。上下文定向需要对广告所在的页面进行分析，然而这一分析过程与搜索引擎的爬虫有很大的不同。结合广告对上下文信息的需求特点，一般可以采用一种半在线的方式抓取和分析页面，这种方式避免了无效的页面分析计算，又能够快速地对需要分析的页面做出响应。行为定向是根据用户历史上的网络访问行为对用户打标签的过程。一

合约广告的关键特征，是广告投放的价格和量由双方协商约定。展示量合约广告的投送系统称为担保式投送系统。它依赖于受众定向、流量预测、点击率预测这项基本技术，并采用在线分配的方式完成实时决策。一是在未来流量分布未知的情形下，如何估计在线分配算法的极限性能；二是在根据历史数据能进行相对合理的流量预测的情形下，如何利用这些预测搭建一个实用的在线分配系统。流量预测是在线分配的基础，也是后面竞价广告系统中广泛使

重点关注个相关领域的背景知识：信息检索（InformationRetrieval，IR）、最优化（optimization）和机器学习（MachineLearning，ML）一、信息检索计算广告采用的是类搜索的技术框架，即检索加排序两段的决策过程。、倒排索引其核心目的是将从大量文档中查找包含某些词的文档集合这一任务，用O()或O(logn)的时间复杂度完成，其中n为索引中的文档数目。也就是说，利用

在计算广告中，无论我们讨论的是产品还是策略，都与技术的关系十分密切。计算广告也是一个典型的个性化系统。不过由于复杂的市场交易结构、多样的数据来源以及预算带来的约束，计算广告是目前工业界遇到的个性化系统中比较复杂的，也是相对成熟的。个性化系统与搜索系统都是互联网时代具有挑战性的大规模计算问题。由于数据规模的要求，它们一般都采用检索（retrieval）加排序（ranking）这样类搜索的系统架构，因