Hulu的大屏营销（五）数据和技术

智能大屏营销| 2020-07-10

【流媒体网】摘要：本篇将会对Hulu广告定向和投后转化率优化所使用到的核心算法进行介绍，同时总结了广告投放中存在相关的问题。

　　Hulu的创意多样的广告离不开其数据和技术的应用，本篇将会对Hulu广告定向和投后转化率优化所使用到的核心算法进行介绍，同时总结了广告投放中存在相关的问题。

　　a. 广告定向

　　a.1.用户相关定向

　　Hulu构建了用户画像系统作为用户定向的基础。底层是一个核心用户平台，负责用户数据的管理、版本控制以及每天的ETL等。

　　注入的数据来自三种数据源：

　　来自第三方数据平台的用户标签、属性；

　　Hulu平台用户使用行为等标签；

　　广告商提供的用户标签。

　　a.2.上下文相关定向

　　这里主要介绍AI在视频内容上下文情景广告中的应用。视频广告会在播放前及播放中插播，投放与视频上下文情节比较相关的广告，会减少广告对用户的干扰。另外，Hulu需要探测视频中的暴力血腥画面，这些内容是不适合投放广告的。

　　这个问题的核心是使用图像识别技术检测出视频每帧都出现了什么样的实体、情景以及氛围等。Hulu 结合业界的标准构建了自己的 Taxonomy 体系，分为情绪、物体、场景、位置以及声音几个大的分类。

　　考虑到获取大量数据样本的人力物力成本较大，Hulu最开始会借助于公开数据集（比如 Open Iamge、Places 365等），使用Inception V3、VGG等模型去生成一些标签，接下来会根据Hulu的场景进行少量的人工标注，对模型进行Finetune以及使用多模型融合决定最终的标签。

　　b.转化率优化

　　目前Hulu的转化率优化研究完全基于自身。Hulu在自己的视频里也会进行新剧的广告推广，例如一个15秒的预告，Hulu希望这些广告能投放给正确的用户，得到比较高的转化率。这个问题被建模成为CVR预估的问题，根据投放数据以及转化数据，通过机器学习来建模用户看到广告后7天、30天内的转化率，再次投放的时候把正确的广告投放给正确的用户。

　　转化率优化中的特征&模型

　　c. 广告投放中不可忽视的问题

　　c.1.因果推断

　　Hulu在评估广告转化率的时候，会考虑评估是否正确，广告是否有效。如果把广告投放给已经决定购车的用户，最后广告的转化率的评估非常高，但其实广告效果一般，因为你投不投用户都会去买。

　　这就需要引入Casual Inference作为评估指标，其核心思想是，评估该用户看和不看这个广告的收益分别是怎么样，最后将两者之间的差作为评估指标，使用Doubly Robust Estimator进行建模。同时，更重要的问题是如何根据 Casual Inference作为目标去进行转化率的优化，如何找到这些广告增益最大的用户，然后进行广告投放。

　　c.2共享账号