美團作為中國最大的線上本地生活服務平臺，覆蓋了餐飲、酒店、旅行、休閒娛樂、外賣配送等方方面面生活場景，連線了數億使用者和數百萬商戶。如何幫助本地商戶開展線上營銷，使得他們能快速有效地觸達目標使用者群體提升經營效率，是美團的核心問題之一，而機器學習相關技術在本地線上營銷場景下發揮著非常關鍵作用。
本文將從5個方面來介紹。首先，介紹O2O場景下廣告業務的特點，及其與B2B和B2C廣告業務的差別；其次，從商戶效果感知、使用者體驗和媒體平臺收益三個維度，介紹O2O廣告業務的最重要的考量指標；第三，從前兩節闡述的業務特點和考量指標出發，介紹O2O場景下線上廣告營銷的機制設計；第四，介紹O2O特有的實時場景化下的推送廣告；最後，簡要介紹O2O廣告系統相關的工具。
O2O場景下的廣告業務特點
在O2O業務模式和相關的平臺崛起之前，大品牌的商家由於收入規模大、營銷費用充分，為了提升品牌知名度依靠如下的途徑開展宣傳：傳統媒體（如電視、廣播、報紙）；網際網路流量（如傳統搜尋引擎、入口網站等）；戶外廣告（如公交地鐵車身、廣告牌、燈箱等）。通過上述媒介，商戶能快速接觸大量的使用者，宣傳品牌的形象。上述營銷方式也有其侷限。首先廣告投放的資金門檻較高，營銷預算有限的商戶無法承擔相關費用；其次對於以直接效果為導向的商家來說，上述投放形式過於粗放且無法形成直接的購買轉化效果閉環。對於大多數的中小商家來說，他們營銷預算有限且更加註重直接的購買轉化，獲取潛在客戶的主要途徑是散發傳單、派發禮物、沿街喇叭廣告。但是，這些線下的營銷手段覆蓋到的潛在消費者較為有限，並且這些方式無法長期持續開展。
以美團為代表的O2O本地生活服務平臺快速成長壯大，逐漸成為廣大本地服務商戶線上營銷的最重要的手段之一。美團平臺上聚集了上億的消費者，他們使用平臺尋找商家、查詢優惠資訊、瀏覽評論。對於商戶而言，他們是最直接的潛在消費者。通過在美團平臺開展線上營銷，商戶能夠獲得更多的展示機會吸引更多客戶到店消費。藉助於便利的線上諮詢、預定和支付手段，平臺上的廣告業務可以形成了效果閉環，商戶能清晰準確掌握廣告投放的效果並以此優化廣告投放策略。
對於美團而言，平臺可以基於對使用者大資料的挖掘和分析，在由時間、地點、使用者和關係構成的特定場景下，連線使用者線上和線下行為，理解並判斷使用者情感、態度和需求，為使用者提供實時、定向、創意的資訊和內容服務。 O2O場景下的線上營銷廣告相較於傳統的B2C和B2B商業模式下的廣告有其獨特屬性，獨特性主要體現在移動化、本地化、場景化以及多樣性4個維度。
隨著寬頻無線接入技術和移動終端技術的飛速發展，人們逐漸開始使用手機等移動裝置隨時隨地從網際網路上獲取資訊和服務。在這個時代，無論是新聞閱讀、社交通訊還是電子購物，人們都習慣於通過手機應用來直接滿足自身的需求。事實上，美團在移動網際網路發展的初期就主動適應了這一歷史潮流，大力發展移動服務能力，目前已經有超過90%的交易行為是通過移動網際網路服務達成的。O2O廣告作為連線人和服務的本地化生活服務營銷模式，它有鮮明的移動化和本地化的特點。
-
移動化。它主要體現在精確性、即時性和互動性三個方面。通過移動裝置的感測器，我們能精確瞭解使用者所處的地理位置，推送更加精準的廣告。絕大多數使用者隨時都把手機帶在身邊，所以廣告資訊能及時推送給使用者。功能強大的各種移動應用，為廣告提供了多種互動可能性，例如在美團App上，使用者直接可以完成推廣商戶的資訊查詢、排隊和交易。
-
本地化。以轉化效果為導向的O2O廣告營銷，營銷的目標使用者是提供服務的本地商戶附近的人群。在淘寶上，一雙皮鞋可以對全國的使用者開展推廣和售賣，無論消費者在何地，物流和快遞都會準確地把貨物送達到消費者的手上。而在美團上，一家在五道口的火鍋店最佳的推廣物件是五道口附近的食客，這些食客才最有可能直接到火鍋店來消費。實際上，通過觀測實際的交易資料，我們發現超過90%的交易中使用者和商戶的距離小於3公里。營銷活動要取得好的效果，必須針對性地選擇目標群體，在O2O廣告中目標群體就是本地化的使用者人群。移動裝置的精確定位為商戶發現目標人群提供了保證。
-
場景化。消費者、移動裝置、時間、空間構成了使用者消費需求的精準場景。PC時代，使用者的標識以Cookie為載體，但Cookie極易清除，同時一臺電腦可能會被多人使用，這導致使用者資訊很難有效串聯，連受眾年齡、居住地等基礎資訊都無法準確把握。而在移動網際網路時代一機一人的模式下，通過分析和挖掘使用者在平臺上留下的各種行為足跡，我們能對使用者方方面面的屬性和偏好進行解析和重構，產出十分精準的使用者畫像。在瞭解使用者的地理位置、消費意圖和行為軌跡等使用者資訊前提下，O2O廣告營銷能在由時間、地點、使用者和需求構成的特定場景下，為使用者提供實時、定向和富有創意的營銷內容，連線使用者線上和線下的行為。例如在一個陽光明媚的下午，對一個在CBD上班並有喝下午茶習慣的白領，平臺可以適時地推送下午茶或者咖啡店商戶。
-
多樣性。O2O商業模式面對的是各式各樣的本地生活服務業務，不同的業務有著不同的特點，並對O2O廣告營銷也提出了不同的需求。舉個簡單的例子，不同的服務業務對目標使用者的本地性要求也大相徑庭：餐飲類服務對距離比較敏感，這一類服務商家的目標使用者群體是商戶周邊的食客；婚紗攝影類服務對距離就沒那麼敏感了，這一類服務商家的目標群體是全城的新婚夫婦。
商戶、使用者和平臺三者利益平衡
廣告系統和搜尋系統、推薦系統，有著十分相似的系統架構：它們大都採用了檢索加排序的流程體系。基於這一點，有很多人認為廣告業務和搜尋推薦業務沒有區別。實際上，廣告業務有其獨特規律。廣告首先是一項商業活動，它的出現遠遠早於網際網路。作為一種商業活動，商戶、消費者和媒體平臺三者的利益都要被重視和考慮，這些利益指標是廣告業務得以可持續健康發展的啟明燈。本節將從商業活動的角度出發，分析美團O2O廣告營銷中的商戶效果感知、使用者體驗和平臺收益這三項重要指標。
商戶效果感知
商戶在美團廣告平臺上進行廣告營銷的根本目的，是通過美團觸達更多的潛在消費者，獲得最大的增量利益。 本地生活服務型別的商家的成本可以分為兩個部分：變動成本和固定成本。變動成本是隨著業務量變動而線性變動的成本，主要來自原料消耗。而固定成本是在一定時期內是不會隨著業務量的改變而改變的成本，如門面裝修的投入、店鋪的租金、店鋪服務人員的基本工資等。商戶如果沒有足夠的業務量，不能招攬足夠多的消費者，則單位業務量的成本會居高不下，導致嚴重虧損。因此，對於餐飲行業，商家的首要目標是提升翻桌率、減小空座率，而對於酒店行業，商家的首要目標是提升滿房率、減少空房情況。固定成本的存在是本地商戶開展O2O廣告營銷的基本前提。
從商戶的角度出發，O2O廣告營銷的效果可以從三個維度來衡量：廣告的可見性、廣告帶來的線上增量收益和廣告帶來的整體增量收益。
對於商戶來說，可見性是最初步且最直接的營銷結果，是商戶得到的最快的效果反饋。廣告的可見性表示商戶的營銷資訊已經開始通過媒體平臺去觸達潛在的消費群體。因此，穩定可靠的廣告展現預期是贏得廣大商戶對O2O廣告營銷信任的最基礎要求。
廣告帶來的線上增量收益是指通過在美團等媒體平臺上的廣告投放帶來的線上收益。這一部分收益可以分為兩類：一類是直接的線上訂單帶來的收入，例如團購、酒店預訂等；另一類則是線上預約等非直接交易帶來的收益。對這一部分收益，平臺方能給出準確的統計、分析並反饋給廣告商戶。對於外賣、婚紗攝影和酒店旅遊等對線上流量、線上交易依附度很高的行業來說，它們的線上收益佔整體收益的比例非常大，這個比例直接反映了商戶的經營活動的狀況。
除了直接使用線上交易，使用者使用美團的另一種場景是通過平臺檢視商戶菜品、評價和地理位置等資訊，然後直接到店進行消費。廣告給商戶帶來的整體增量收益即包含了這部分離線客戶引流帶來的收益。餐飲類的商戶的線上交易只佔門店整體收益的一小部分，因此，對廣告效果的衡量需要綜合考慮線上和離線兩部分收益。離線引流部分收益相對於線上交易收益較難準確統計，但是平臺可以通過使用者的實時地理位置準確統計部分使用者的到店情況，或者通過曝光、點選至到店的資料漏斗模型對到店資料進行估計。未來隨著電子化支付方式的普及，平臺將能更好地對商戶的整體收益進行統計。
瞭解了O2O廣告營銷效果的主要衡量指標後，要確定商戶的廣告投放成本是否真的較低，需要用到投入產出比（Return over Investment，ROI）這一常用的評價指標，即某次廣告活動的總產出與總投入的比例。對應於兩種廣告收益指標，ROI也可以分為線上支付ROI和整體ROI：線上支付ROI等於線上增量交易額除以廣告費消耗，整體支付ROI等於整體門店收入增量除以廣告費消耗。在廣告費預算有限的情況下，商戶總是尋求優化廣告投放，提升ROI。
使用者體驗
有效地保障使用者體驗，是美團開展O2O廣告營銷的基本前提條件。平臺只有保障使用者體驗、對使用者有用，它的價值才能得到體現。美團通過讓更多的使用者留存並活躍在平臺上，才能吸引更多的本地生活服務商戶來進行廣告投放，才能生成更大的流量用以廣告變現。
美團主要從短期和長期兩個維度來進行使用者體驗指標的設計和度量。從資訊曝光、使用者點選和使用者交易這個使用者行為漏斗出發，短期使用者體驗指標主要考慮了點選和交易情況。第一個短期使用者體驗指標是點選率（Click through Rate，CTR），其數學表達為點選次數（Click）除以曝光次數（Impression）。點選率反映了給使用者展示的商戶資訊的質量和相關性，與使用者意向無關的、與使用者所處時間地點場景不匹配的廣告資訊展示，不能滿足使用者的需求、吸引使用者的點選，從而導致較低的點選率。點選率這一指標又細分為廣告曝光的點選率和整體頁面的點選率，前者度量了廣告本身的優劣，後者反映了廣告對整體資訊呈現效果（自然結果加廣告結果）的影響。劣質的廣告除自身點選率較低之外，還會攪擾使用者整體瀏覽行為，使得使用者不能愉悅獲取需要的本地生活服務資訊。
為了獲得真實的曝光，一般會在移動端進行埋點監控每個POI在手機螢幕上實際展現的比例和時間，將超過一定展示比例和時間閾值的POI納入曝光次數的統計。
第二個短期使用者體驗指標是轉化率（Conversion Rate，CVR），其數學表達為交易次數（Order）除以點選次數（Click）。轉化率同樣反映了商戶資訊展示的相關性和質量，和使用者需求不相匹配的商戶展示將不能促成交易的達成，從而導致較低的轉化率。和點選率指標類似，轉化率指標亦可分為廣告轉化率和整體頁面轉化率。其中廣告轉化率還和商戶的線上交易ROI成正比，準確有效的廣告投放，不僅可以提升使用者體驗，還能提升商戶的ROI。
長期使用者體驗指標以更長的時間跨度為出發點，評價廣告對使用者的長期持續影響。長期使用者體驗指標主要包括回訪率和復購率兩個指標。回訪率是一個反映使用者長期留存的指標，其意義為一定時期內使用者是否還會重新登入和使用美團平臺。回訪率指標包括週迴訪率、月回訪率等。低質量的廣告投放，攪擾了使用者使用平臺方便獲取商戶資訊的感受和體驗，使得使用者脫離平臺以致流失，從而導致回訪率降低。復購率則反映了使用者消費體驗的指標，其意義是一定時期內使用者是否會重新購買某一個商家的服務。同樣，低質量的商戶服務會損害了使用者的消費體驗，使得使用者不再進行同樣的消費，進而導致了復購率的下降。
為了準確衡量廣告投放帶來的使用者體驗影響，除了進行策略變更對比測試之外，平臺會長期保留一小部分流量作為對照組，不對這部分使用者開展廣告投放，通過比較整體流量和對照組上相關使用者體驗指標的差異，來確定廣告對使用者體驗的長期影響，進而督促和指導平臺優化廣告投放策略。
平臺收益
美團作為媒體平臺的目標是，在保障商戶ROI和使用者體驗的情況下，優化流量變現效率，實現商戶營銷訴求和使用者消費訴求的最佳連線。
前兩節已經介紹了商戶ROI和使用者體驗的基本概念。我們知道只有保障商戶的ROI，才會有更多的商戶、更多的預算進入到廣告投放系統內；只有保障使用者的體驗，才會有更多的使用者、更多的流量用於廣告變現。這兩者決定了廣告業務這一塊乳酪的大小。
流量變現效率衡量單位流量所能帶來廣告收益。對於展示廣告業務，流量變現效率主要用千次廣告展示收益（Revenue per Mille，RPM）來表示。對於搜尋廣告，流量變現效率主要用單次搜尋廣告收益（Revenue per Search，RPS）來表示。
從流量供給端來看，廣告收入（Revenue）是廣告曝光次數、點選率和點選單價（CPC）的乘積；從流量需求端來看，廣告收入是廣告主數量和每使用者平均收入（Average Revenue Per User，ARPU）的乘積。在廣告商戶數、預算和流量情況穩定的前提條件下，流量變現效率的提高主要通過點選率和點選單價兩個關鍵指標驅動，而這兩個指標的良性提高依賴於廣告投放的機制設計和投放演算法，詳細內容將在下文展開陳述。
O2O廣告機制設計
前面介紹了美團O2O廣告營銷的特點，分析了商戶、使用者和平臺三者的利益情況。本節將從上述特點和利益情況出發，闡述美團實際業務中O2O廣告機制的設計原理，包括廣告位設定、廣告召回機制和廣告排序機制。
廣告位設定
在移動端，美團的自然結果以列表的樣式進行資訊呈現，而廣告佔用列表中的固定位置（區間浮動固定位置）進行展現。從商戶的效果感知角度出發，固定位廣告形式能給商戶以較為確定的廣告展現預期，使得商戶有明確的競價標的（即固定展現位置）。
廣告位的設定，需要綜合考慮和平衡商戶、使用者和平臺三者的利益關係。過於密集的廣告位置設計和廣告展現會降低使用者尋找商戶資訊的效率，影響使用者使用體驗。過於稀疏的廣告位置設計導致廣告展現機會過少，導致平臺流量變現效率能力不足。頭部廣告位對使用者體驗影響較大，但是能獲取更多的曝光，更有價值，更能激發商戶的出價意願。腰尾部廣告位對使用者體驗影響較小，但是廣告位曝光概率小，不能有效刺激商戶出價。美團的實際廣告位設定，一方面考慮了各個展位和業務的自身特點，另一方面通過A/B測試進行多種方案的比較和選擇，最終選擇能有效兼顧使用者體驗、商戶效果和平臺收入的設計方案。
廣告召回機制
廣告召回在技術上與搜尋和推薦十分相似。搜尋場景廣告會使用使用者的查詢詞去廣告商戶索引中去尋找匹配的商戶，推薦場景廣告會根據使用者的意圖、位置等場景資訊去匹配合適的商戶。
搜尋廣告匹配中，一項重要技術是查詢改寫。一方面，我們使用傳統的自然語言處理方法，對查詢進行有效分析（例如成分分析），完成同義和近義改寫；另一方面，我們使用深度語義相似度神經網路模型（DSSM）和序列到序列模型（Sequence to Sequence）進行查詢的改寫，進一步提升廣告匹配的覆蓋率和準確性。
針對O2O商業模式的特點和廣告業務各方的利益，廣告召回機制在傳統搜尋推薦召回機制基礎上進行了優化改進。我們在召回中引入了逐層召回的理念，各層依次設定由緊到鬆的相關性水準（Match Level）控制召回廣告的質量，在當前相關性水準已經召回足夠數量廣告候選的情況下，不再進行後續召回。 相關性水準考慮多種相關性因素：查詢匹配模式、距離和星級等。例如針對Query匹配模式，廣告召回時會優先使用Query精確匹配模式召回，其次選擇模糊匹配模式，最後才嘗試採用語義匹配模式。針對距離因素，廣告召回會優先召回距離3公里內的商戶，其次選擇5公里內的商戶，最後嘗試全城召回。
相關性水準的設定應該充分考慮到不同O2O業務的特點。例如距離的設定上，對於餐飲類流量，系統會優先召回3公里內的商戶，而對於距離相對不敏感的婚紗攝影類流量，系統則會放寬限制，優先召回10公里內的商戶，或者直接採用全城召回策略。
廣告排序機制
和傳統的搜尋廣告業務一樣，美團的廣告是按點選計費（Cost Per Click，CPC）廣告，廣告主依據廣告的點選價值進行出價（bid），廣告系統按照RankScore（RankScore為出價和廣告質量度的乘積）進行廣告排序。在廣告系統中，廣告質量度一般用廣告的預估點選率來衡量。
廣告按照RankScore排序後，會依據廣義第二價格（Generalized Second Price）進行計費。
由此可知，準確的預測廣告的點選率是保障廣告收入和使用者體驗的前提。廣告點選率預估問題是一個典型的監督機器學習問題，它的目標是在給定廣告商戶、使用者和查詢上下文的前提下準確預測點選行為發生的概率。這個監督學習問題的特徵我們用x表示，目標用y∈{1，-1}表示（廣告曝光後獲得點選為1，否則為-1）。通過收集線上的廣告曝光和點選日誌，我們可以獲得大量的標註樣本{（?i，?i）}作為監督學習的訓練資料。
我們使用引數模型擬合這個概率：
其中，?監督學習問題即是搜尋?使得目標損失函式最小的一個優化問題:
其中，?(?, ?(?, ?))是模型的損失函式，在點選率預估問題中一般使用負Log似然函式（Negative Log-Likelihood）作為損失函式。優化問題（公式1）是原始的點選率預估問題，優化問題（公式2）引入了正則項?(?)，用以控制模型的複雜度，防止模型過擬合。此外當我們選擇L1範數作為正則項的時候，我們能獲得稀疏解，縮減模型大小，進而減少線上服務載入模型的記憶體需求，提升模型的預測速度。下面我們簡要介紹幾種常用的點選率預估模型。
邏輯迴歸模型
邏輯迴歸模型是廣泛應用的點選率預估模型，它是一種線性模型，相應的優化問題有非常好的性質。它是一個無約束的凸優化問題，有全域性唯一的最優解。它支援大規模的特徵，通過常用的梯隊方法能較快收斂到最優解。邏輯迴歸模型的可解釋性十分優良，通過特徵對應的權重我們能很好分析各個特徵的重要性以及它們對點選率的影響關係。
邏輯迴歸也有它的劣勢：首先，作為線性模型，它的表達能力相對較弱，需要通過大量的特徵工程工作（例如，特徵組合）來彌補和提升模型的表達能力；其次，它需要進行大量的特徵預處理工作，例如特徵歸一化、離散化等。
邏輯迴歸作為基礎模型和其他模型相結合，揚長避短，充分發揮其作用。例如邏輯迴歸和梯度提升決策樹結合，通過梯度提升決策樹解決特徵離散化和特徵組合問題，並充分發揮邏輯迴歸對大規模特徵的支援和良好的優化問題性質。
因子分解機FM模型和場感知因子分解機FFM模型
FM模型和FFM模型是非線性模型，它們對特徵進行兩兩組合，提升了模型的表達能力。此外FM和FFM模型都對特徵進行向量化的表達和學習（Wi，Wi,fj）提升模型的泛化能力。FFM相對於FM引入了域的概念，在FM中特徵i和其他特徵組合用的是同一個向量表示，而在FFM中特徵i和不同域的特徵組合會使用不同的向量表示，進一步提升了模型的複雜度和表達力。
人工神經網路（Artificial Neural Network，ANN）
近幾年神經網路模型強勢復興，以深度神經網路為代表的方法，在影象識別、語音識別以及自然語言處理等領域超越傳統淺模型，取得了突破性的進展。在點選率預估這個任務上，最近也湧現出一批深度神經網路模型，取得了明顯的效果，其中典型的模型是Wide & Deep模型。
Wide & Deep模型包含Wide和Deep兩個部分。Wide部分可以類比邏輯迴歸模型，能對相關特徵的作用進行很好的記憶。Deep部分類似FM模型和FFM模型，它們都對相關特徵進行了向量化的表示（Embedding）和學習，但是Deep部分通過複雜的網路結構可以表達更復雜的特徵互動和組合關係，提供了更好的泛化能力和表達力。
梯度方法是模型的優化（優化問題的求解）的基礎方法。公式3是使用標準梯度方法求解點選率預估優化問題公式1的迭代步驟。在點選率預估問題中，由於訓練樣本數量龐大（十億、百億），直接應用公式3計算量巨大，迭代速度受限。因此在點選率預估問題中，我們一般使用隨機梯度下降法（Stochastic Gradient Descent，SGD）進行問題求解。在SGD方法（公式4）中，我們使用一小部分樣本上的梯度對整體優化目標的梯度進行近似估計，加快引數迭代速度。其中b是樣本集合大小，當b=1時，我們用單樣本的梯度來近似整體目標函式的梯度值。
在美團我們使用引數伺服器框架（Parameter Server）實現模型並行和資料並行，以解決包含大規模訓練資料和特徵的複雜模型求解問題，如圖1所示：
特徵工程方面，點選率預估特徵主要從廣告、使用者和查詢這三個方面來挖掘和刻畫廣告展現場景（見圖2），特徵需要包含影響點選率的方方面面，是模型成敗的重要因素。特徵的選取需要從業務場景出發。在O2O場景下，一個影響點選率的重要特徵就是商戶和使用者之間的距離。
O2O推送廣告
在O2O場景下，除了搜尋推薦廣告，推送廣告也非常重要。推送廣告就是媒體在合適的時機將合適的廣告以訊息的形式推送給合適的人群。推送廣告的主要目標是：提升使用者活躍度、實現人群精準觸達。美團註冊使用者有3.5億，但是日活躍使用者只有3000萬，年活躍使用者也只有1億，還有很大一部分使用者平時不登入美團App，或者登入次數很少。給這部分使用者推送廣告，引導使用者開啟App，有助於提高使用者活躍度。另一方面，推送廣告通過豐富的人群定向，實現精準投放。要實現精準觸達，需要做到兩點：有完整的使用者畫像，使用者畫像包含屬性標籤、偏好標籤和行為標籤，我們以此來判斷使用者對廣告的興趣；智慧匹配技術，將廣告精準定位到合適的使用者上。
推送廣告的特點是：主動觸達、使用者意圖不明確。理論上來說，推送廣告可以在任意時間給任意使用者推送任意廣告，而搜尋廣告只能在使用者搜尋或者篩選的時候給使用者展示廣告。但推送廣告的劣勢是使用者意圖不明確，而搜尋廣告具有搜尋詞或者明確的篩選條件，這些都是明確的使用者意圖。所以相比搜尋廣告，推送廣告更需要精準的受眾定向。
受眾定向
常用的定向方式有下面幾種：
-
時間定向。時間定向能夠讓品牌根據消費者行為、營業時間，甚至是季節性活動或特殊事件來進行廣告投放。舉個例子，美髮沙龍只有白天營業，如果定向時間包括了晚上非營業時段，那麼使用者在晚上非營業時間看到廣告後，無法通過打電話來預約，這樣就沒有轉化。
-
重定向。它指根據使用者的歷史行為，將曾在商家發生過瀏覽、收藏、購買等行為的使用者作為商家的精準定向人群，進行廣告推送，拉回使用者完成轉化。通常情況下，消費者不會看過就能記住，你需要重定向。根據重定向推送廣告是通過視覺方式提醒消費者有關商家產品資訊的好方式。消費者看到後可能會想：“啊，我忘了要買這雙鞋……”而這種麵包屑式的提醒方式往往能夠誘使他們點選併購買。重定向方式是所有定向方式中最精準、投資回報率最高的。
-
地理位置類定向。它指的是根據使用者實時地理位置（一般是蜂窩資訊或者GPS經緯度）做一些定向，有助於幫助商家觸達那些正在前往商家所在區域的消費者，包括距離定向、商圈定向等。這種定向方式在移動裝置上投放廣告時有著非常重要的作用。比如本地的一家美髮沙龍，想要招攬本地生意，那麼就可以使用地理位置定向技術在特定半徑內進行宣傳。如果這家店在三角區內有髮廊的特許經營權，那麼它就可以使用該技術進行一個以上定位。當然針對各區域進行定向的時候，商家可以根據區域內業務發展狀況調整出價。
-
人口屬性定向。人口屬性標籤包括性別、年齡、收入水平、婚姻狀況、是否有車、是否有小孩等。通過人口屬性標籤，可以將廣告推送給相關消費者，就是可能購買的人群，具體選擇什麼標籤主要取決於商家銷售的是什麼產品。例如婚紗攝影類商家會選擇婚姻狀況標籤為“未婚”的人群進行廣告投放，美甲美睫類商家會選擇性別標籤為“女性”的人群進行廣告投放。這些標籤裡面，性別、年齡這種標籤比較容易得到，因為使用者註冊的時候就提供了相關資訊；而收入水平這種標籤需要通過預估得到。使用人口屬性定向的時候，標籤既不能過於籠統，也不能太過細分。例如美甲美睫商家選擇年齡標籤的時候，一方面，不能選擇0~60歲，這種人群太泛了，低年齡段和高年齡段人群可能沒有很強烈的美甲美睫需求。另一方面，也要防止對人群太過細分，例如，儘管最終可能需要選擇一個更細化的年齡標籤，但卻不能僅僅定位為一個具體年齡，若只選擇22歲的人群，這可能導致人群覆蓋不完整。時刻記住目標受眾，但在定位的時候得找到一個折中的辦法。
-
行為定向。它是從使用者的行為資料中挖掘使用者興趣偏好，從而推送相應的廣告。行為資料包括頻道、商家詳情頁、團單詳情頁的瀏覽和點選，使用者評論和打分等。興趣偏好一般分為長期、短期和實時偏好。當我們挖掘使用者長期偏好的時候，使用的是“一段時間內的行為”，需要對不同時間的行為計算不同的權重，因為使用者的興趣是動態變化的，三個月前使用者商圈偏好是A，可能現在搬家了商圈偏好變成了B。為了衡量不同時間行為權重，將行為累計控制在一段時間內，一般使用滑動視窗法和時間衰減法。興趣偏好包括品類偏好、價格偏好、商圈偏好等。品類偏好指的是使用者偏好的商品和服務的品類，例如，使用者喜歡吃川湘菜還是江浙菜，喜歡火鍋還是自助餐；價格偏好指的是使用者的消費水平，例如，使用者點外賣價格區間是偏好0~20元價位還是偏好20~40元價位。
-
新客推薦。即Look-alike，以廣告主的老顧客作為種子資訊，結合廣告平臺的大資料，尋找出老顧客具有的某種特徵或規律，為廣告主找到具有相同特徵或規律的潛在顧客。這種方式可在保證精準定向效果的同時，擴大使用者覆蓋面。例如一個川菜館廣告主想投放廣告，目標人群除了在本店消費過的顧客外，還可以選擇在別的川菜館或者湘菜館消費過的顧客，因為他們可能口味差不多。
使用者在平臺上的搜尋、瀏覽、收藏、購買等行為會被記錄下來，形成使用者日誌。通過對使用者日誌的分析和挖掘得到使用者畫像，包括使用者基本屬性、興趣偏好、行為標籤等。廣告定向是廣告和使用者匹配的過程，為每個廣告找到適合的受眾群體。廣告投放後，需要統計定向效果，包括定向精準程度和覆蓋率。精準定向廣告的運作流程如圖3所示。
為了實現廣告和使用者的匹配，首先需要為廣告的受眾人群進行初步假設，即確定廣告感興趣的人群，並將其與使用者畫像標籤對映起來，這一步要靠產品調研和分析得到。然後根據這個初步假設確定廣告投放的定向條件，匹配到符合條件的人群。
- 單個定向條件的表示。每一個定向條件都用一個<Key, Value>對來表達。比如，職業分為學生和白領兩種，定向條件為學生時表示為 <"Professional", "Student">。
- 組合定向條件的表示。廣告主設定的定向條件組合往往非常複雜，是各種不同定向條件的組合，涉及交、並、取反等操作。我們採用析取正規化（Disjunctive Normal Form，DNF）的形式來儲存廣告的定向條件。下面以幾個例子來說明DNF的表達方式。
-
- DNF1: （30歲 男性）∪（25歲 女性）
-
- DNF2: （廣東人 廣東男性）∪（北京人 北京品牌新客）
-
- DNF3: （非男性）∪（男性 實時位置在店鋪周圍2公里範圍）∪（喜歡美食的）
在這樣的表達形式中，有兩點需要說明：第一，每個DNF可以分解成一個或者多個合取正規化（Conjunction Normal Form，CNF），DNF1 ＝ C1∪ C2，其中，C1 ＝（30歲 男性）， C2 ＝（25歲 女性）；第二，每個CNF可以分解成一個或者多個條件的交。上例中的C1 ＝ A1 ∩ A2，其中A1 ＝ 30歲，A2 ＝男性。
- 定向條件匹配。定向匹配過程如圖4所示。一個定向請求包括使用者ID和廣告投放ID，首先根據使用者ID去取使用者標籤，根據廣告投放ID取定向包，將定向包解析表達成DNF的形式，然後與使用者標籤進行匹配。
- 定向效果評價。定向效果一般從質和量兩個方面進行評估。質指的是精準程度，主要指標是點選率和轉化率。量指的是覆蓋程度，主要指標是使用者覆蓋率、廣告主使用率以及定向方式對應的流量佔比。
在美團推送廣告中，重定向方式點選率和轉化率最好，但覆蓋率最低；地理位置定向和人口屬性標籤擁有更廣泛的人群，效果相對較差。實際採用哪種定向，需要看廣告主的推廣需求，廣告主需要綜合考慮精準程度和覆蓋率的平衡。
O2O廣告系統工具
“工欲善其事必先利其器”，有效的工具是一個優秀高效的廣告生態的重要組成部分。本節我們從面向開發人員、面向廣告主和運營人員兩個角度進行簡述。
面向開發人員的系統工具
面向開發者的工具主要包含三個方面：離線資料分析工具、實時資料分析工具以及線上廣告系統除錯工具。
離線資料分析工具支援從各個維度（廣告位、廣告型別、時間、區域、演算法策略等）統計廣告業務的各項關鍵指標（召回率、點選率、轉化率、RPS/RPM、CPC等），檢視廣告系統的短板和漏洞，幫助廣告演算法和工程團隊發現問題和尋找潛力。
實時資料分析工具從時效性角度彌補離線資料分析的缺點，幫助開發者儘早發現資料異常，更快地響應和修復問題。在背後支撐這些分析方法的是Hive、Spark、Elasticsearch和Druid等大資料處理工具。如圖5所示是實時消耗資料分析工具。
線上廣告系統除錯工具是針對單個廣告主或單個查詢等具體問題的排查。通過除錯工具可方便構造模擬請求並檢視單個服務處理詳細資訊，收集各個廣告流程步驟（召回、排序和創意優選等）的資訊，跟蹤和定位線上實時環境中各步驟的問題。除了線上問題排查之外，除錯工具也是開發階段用於驗證策略效果和演算法正確性不可或缺的手段。如圖6所示是線上廣告除錯工具的基本介面。
面向廣告主和運營人員的工具
面向廣告主和運營人員的工具包括廣告主出價預估和排名預估、商戶效果漏斗分析、賬戶診斷等相關工具。面向廣告主的工具幫助廣告主更好地衡量和感知廣告效果，讓其瞭解市場競爭情況，協助其有效主動地優化廣告投放效果。面向運營人員的工具能讓運營人員對廣告主的投放情況有更清晰的瞭解，進而幫助其更好地指導和服務廣告主。
1. 效果漏斗分析工具
如前文所述，O2O廣告從線上展示到使用者進店消費需要經過點選和轉化多個流程，為了幫助廣告主優化整體投放效果，我們在推廣後臺提供了效果漏斗分析工具。效果漏斗分析工具主要包括曝光/訪問量/感興趣/到店三層漏斗，同時給出相應的問題診斷和優化建議，如圖7所示：
2. 推廣實況工具
感知廣告展示位置以及競價實況是投放中的廣告主核心需求之一。但個性化智慧排序技術體系和帶有地理位置限制屬性的O2O廣告場景下，由於使用者個性標籤、地理位置等原因會導致廣告主看不到自己投放中的廣告在客戶端曝光，廣告主難以分析原因，也不知道如何優化現有的廣告投放。
推廣實況工具提供檢視排名、模擬出價和診斷優化功能。廣告主可以檢視選定商圈、類目、地理位置等特定條件下的實時排名，也可以檢視去個性化後一般情況下的平均排名。同時工具對於廣告展現位次過低或得不到展示的情況會給出具體的原因和相應提示。廣告主可根據提示調整投放設定，比如對出價過低導致排名靠後情況建議調高出價，通過工具可以實時檢視調整後的新排名情況，如圖8所示：
3. 流失訂單分析工具
流失訂單分析工具基於門店流失訂單記錄提供對比分析功能。流失訂單是指最近一週內使用者對商家A進行了點選，但實際去B、C商家下單的流量算作A的流失訂單。分析工具根據使用者的點選下單行為資料幫商家分析自身與使用者最終下單商家之間的差距在哪裡。比如對酒店商家，工具會提供商家平均房價、平均評分、商家首圖等資訊對比，廣告主從中可以分析出訂單流失原因，如圖9所示：
4. 廣告收益模擬器
為吸引潛在新廣告客戶入駐，廣告收益模擬器為商家提供廣告收益預估功能。該工具基於門店的歷史非廣告時期點選轉化率、門店所在商圈流量以及競爭對手狀態等資訊，預估門店投放廣告後能夠帶來的新增流量和訂單量，幫助新客戶快速瞭解廣告產品，建立投資回報預期。同時通過該工具，商戶可以方便地跳轉到推廣通平臺進行註冊和投放。此外，模擬器也可協助銷售人員對商圈流量以及商圈可承載廣告數進行預估，讓銷售人員更有針對性地開拓市場，提升新籤成功率，如圖10所示：
總結
本章從O2O廣告的特性出發，介紹了O2O廣告利益相關方的主要關注指標。O2O廣告是美團的核心問題之一。本章著重介紹瞭如何應用機器學習方法提升廣告投放的效果和效率，以及本地場景化的推送廣告。此外，還簡要展示了O2O廣告平臺相關的工具。
作者簡介
亦平，2013年6月加入美團，目前負責美團搜尋廣告演算法策略，曾負責美團搜尋排序工作。
招聘資訊
美團廣告平臺全面負責美團到店餐飲、到店綜合（結婚、麗人、休閒娛樂、學習培訓、親子、裝潢）、酒店旅遊的商業變現。搜尋廣告基於數億使用者、數百萬商家和數千萬訂單的真實資料做挖掘，在變現的同時確保使用者體驗和商家利益。歡迎有意向的同學加入搜尋廣告演算法組。簡歷請投遞至：zhouyayue#meituan.com
參考文獻
[1] Huang, P.-S., He, X., Gao, J., Deng, L., Acero, A., & Heck, L. (2013). Learning deep structured semantic models for web search using clickthrough data. In Proceedings of the 22nd ACM international conference on Conference on information & knowledge management (pp. 2333-2338). [2] Sutskever, I., Vinyals, O., & Le, Q. V. (2014). Sequence to sequence learning with neural networks. In Advances in neural information processing systems (pp. 3104-3112). [3] Juan, Y., Zhuang, Y., Chin, W.-S., & Lin, C.-J. (2016). Field-aware Factorization Machines for CTR Prediction. In Proceedings of the 10th ACM Conference on Recommender Systems (pp. 43-50). [4] Cheng, H.-T., Koc, L., Harmsen, J., Shaked, T., Chandra, T., Aradhye, H., . others. (2016). Wide & deep learning for recommender systems. In Proceedings of the 1st Workshop on Deep Learning for Recommender Systems (pp. 7-10). [5] Li, M., Zhou, L., Yang, Z., Li, A., Xia, F., Andersen, D. G., & Smola, A. (2013). Parameter server for distributed machine learning. In Big Learning NIPS Workshop (Vol. 1). [6] Edelman, B., Ostrovsky, M., & Schwarz, M. (2005). Internet advertising and the generalized second price auction: Selling billions of dollars worth of keywords.
