商业化广告项目

0:00

/661.12

1×

1. 项目背景

随着视频内容平台用户基数的增长，商业化广告成为平台变现的重要支柱。然而，当前的广告投放存在效率低下的问题，商家难以精准触达目标用户，同时数据仓库提供的数据颗粒度较粗，无法有效支撑数据科学团队的分析与优化。为提升广告收益并增强平台竞争力，构建一个用户标签系统成为商业化战略转型的关键阶段。针对以上问题，首先要做的就是通过用户行为与特征数据对用户进行标签化，以支持精准广告投放与数据驱动的运营。

当前视频内容平台在商业化广告中面临以下核心问题：

• 广告投放效率低：缺乏用户标签体系，导致广告匹配不准，转化效果不佳。
• 商家满意度下降：投放效果不理想，影响商家对平台的信任与投入。
• 数据应用能力薄弱：数仓数据维度有限，难以支撑数据科学团队对用户进行精细化建模。

为解决这些问题，需构建一套基于数据驱动的用户标签系统，通过数据采集、标签生成、动态更新，提升广告投放的精准性与数据支持能力，优化平台的商业化生态。

基于目前的这个问题，衍生出了两个子问题：

⭐️第一，既然要对用户进行标签化，那么应该用什么样的标准来定义用户的标签呢？合理的标签标准可以有效提升广告投放的匹配效率。针对这个问题，采用的方法是结合业务规则与历史数据分析的综合方式。

⭐️第二，如何聚合用户数据？围绕哪些指标来计算用户的特征与偏好，以便更好地为商家推广和数据科学团队提供支持呢？

2. 开始建模

为解决上述问题，我们将按照以下标准步骤进行建模：

• 梳理业务过程
• 确定粒度
• 设计维度
• 设计事实

以下是具体建模步骤：

Step 1: 业务需求拆解 → 明确分析目标

核心问题定位：

🔍“由于缺乏用户标签体系，广告投放效率低，商家无法精准触达目标用户，同时数据仓库数据颗粒度不足，限制了数据科学团队的分析能力 —→ 如何通过用户标签化识别用户兴趣、行为特征和消费潜力，为广告投放提供精准画像并为数据分析提供高质量支持。”

最终目标：

通过构建用户标签系统，优化广告投放效果并提升数据分析能力。具体方法包括：

1. 对用户进行标签化，基于行为和属性生成用户画像。
2. 实现数据驱动的广告投放策略，通过动态标签更新持续优化。

关键指标定义：

根据项目背景与建模设计，以下是该用户标签系统的关键指标体系及其定义，分为广告效果、用户标签质量、数据支持能力和商业化收益四大类：

一、广告效果指标（核心目标：提升投放精准度）

二、用户标签质量指标（核心目标：确保标签有效性）

三、数据支持能力指标（核心目标：增强分析效率）

四、商业化收益指标（核心目标：验证商业价值）

梳理业务过程

商业化广告业务的目标是通过广告投放为平台创造收益，同时优化用户体验和广告主效果。以下是核心业务过程的详细梳理：

1. 广告主创建与审核：
   • 广告主在平台创建广告计划，设定目标人群、预算、投放时间，并上传素材。
   • 平台审核素材合规性，审核通过后分配广告位。
2. 广告匹配与投放：
   • 用户在平台上观看视频或浏览内容时，触发广告系统。
   • 系统根据用户画像（年龄、兴趣等）和广告目标，匹配并展示广告，记录曝光。
3. 用户交互：
   • 用户可能点击广告、完成转化（如购买）或跳过广告。
   • 系统实时记录用户的交互行为（如曝光、点击、转化）。
4. 数据采集与分析：
   • 通过埋点采集广告交互和用户行为数据。
   • 数据分析生成用户标签（如“高消费用户”）和广告效果指标（如CTR、CVR）。
5. 反馈与优化：
   • 向广告主提供效果报表，优化投放策略。
   • 更新用户标签，调整广告匹配逻辑。
6. 结算与收益：
   • 根据投放效果（曝光、点击、转化）计算费用，与广告主结算。

关键数据点：用户行为、广告曝光、点击、转化、广告主信息、广告位信息。

Step 2: 确定粒度

核心原则：

• 不可再分：粒度需足够细，确保支持所有分析需求。
• 一致性与扩展性：适应不同场景（如视频广告、横幅广告）和后续需求。

确定的粒度：

• 原子粒度：用户与广告的单次交互行为（包含广告的曝光，他们两个可以合并）
  • 具体定义：每次曝光、点击或转化作为一个独立记录。
  • 示例：用户A在2023-10-01 10:00:00看到广告B的曝光是一条记录，用户A在10:01:00点击该广告是另一条记录。
• 理由：
  • 这种粒度能完整记录用户与广告的交互过程。
  • 支持灵活聚合（如按天、按用户、按广告汇总），满足标签生成和效果分析需求。

Step 3: 设计维度

维度表提供分析视角和上下文信息，以下是基于商业化广告业务设计的维度表：

1. dim_user（用户维度表）

• 字段：
  • user_id：用户ID（主键，唯一标识用户）
  • age：年龄
  • gender：性别（如“男”“女”“未知”）
  • region：地区（如“北京”“上海”）
  • device_type：设备类型（如“iOS”“Android”）
  • registration_date：注册时间
  • last_login_time：最后登录时间
• 作用：
  • 提供用户基础信息，用于生成用户画像和标签（如“高活跃用户”）。
  • 支持分析不同用户群体对广告的响应情况。

2. dim_ad（广告维度表）

• 字段：
  • ad_id：广告ID（主键，唯一标识广告）
  • advertiser_id：广告主ID（外键，关联dim_advertiser）
  • ad_type：广告类型（如“视频广告”“横幅广告”）
  • target_audience：目标人群描述（如“18-25岁男性”）
  • start_date：投放开始时间
  • end_date：投放结束时间
  • ad_content：广告素材描述（如视频URL或图片URL）
• 作用：
  • 描述广告的基本属性，支持广告效果分析和投放策略优化。

3. dim_advertiser（商家/广告主维度表）

• 字段：
  • advertiser_id：广告主ID（主键，唯一标识广告主）
  • advertiser_name：广告主名称（如“耐克”“携程”）
  • industry：所属行业（如“运动品牌”“旅游服务”）
  • contact_info：联系信息（如邮箱或电话，可选）
  • create_time：广告主注册时间
• 作用：
  • 表示广告主信息，支持分析不同行业或广告主的投放效果。

4. dim_product（商品维度表）

• 字段：
  • product_id：商品ID（主键，唯一标识商品）
  • product_name：商品名称（如“跑鞋”“背包”）
  • category：商品分类（如“运动用品”“旅行装备”）
  • brand：品牌（如“耐克”“北面”）
  • price：价格（如“299.99”）
  • product_status：商品状态（如“在售”“下架”）
• 作用：
  • 描述广告涉及的商品信息，支持分析“哪些商品的广告转化率高”。
  • 在广告落地页指向具体商品时尤为重要。

5. dim_search_keyword（搜索词维度表）

• 字段：
  • search_keyword_id：搜索词ID（主键，唯一标识搜索词）
  • keyword：搜索词内容（如“跑鞋”“旅游攻略”）
  • category：所属分类（如“运动用品”“旅游”）
  • search_frequency：搜索频率（如“每日1000次”）
  • hot_score：热度评分（如“0-100”，基于算法计算）
  • create_time：首次被搜索的时间
• 作用：
  • 表示用户搜索的关键词，支持分析用户兴趣和搜索词与广告的相关性。
  • 可用于生成用户标签（如“搜索‘旅游攻略’的用户标记为‘旅游爱好者’”）。

Step 4: 设计事实

确定了粒度以后，思考一下具体的事实表如何建立，

事实表记录业务活动的关键度量数据，以下是基于商业化广告业务设计的事实表：

• dwd_ad_impression_fact（广告曝光事实表）
  • 字段：impression_id, ad_id, user_id, timestamp, device_type, ad_slot_id, is_valid
• dwd_ad_click_fact（广告点击事实表）
  • 字段：click_id, ad_id, user_id, timestamp, device_type, ad_slot_id, click_url, is_valid
• dwd_user_behavior_fact（用户行为事实表）
  • 字段：behavior_id, user_id, content_id, behavior_type, timestamp, duration

• 设计说明：
  • 该表记录用户与广告的每一次交互，粒度为单次行为，与确定的原子粒度一致。
  • interaction_type 区分曝光、点击和转化，支持计算CTR、CVR等指标。
  • timestamp 和 session_id 提供时间和上下文信息，便于分析用户行为序列。
  • 与维度表通过外键关联，形成星型模型，便于多维度查询。