Pembelian terprogram: pembelian iklan otomatis

2021.06.09 17:21 BY     Affcountry Advertiser   |    Webmaster

Pembelian terprogram: pembelian iklan otomatis

Struktur terprogram

Pembelian terprogram adalah pembelian otomatis iklan bertarget dalam format lelang untuk pengguna tertentu berdasarkan minat dan kebutuhan mereka. Ada sejumlah layanan dan platform untuk tujuan ini.

Pemasok Data -

penyedia data. Mereka dibagi menjadi dua kelompok: mereka yang menawarkan segmen audiens yang dikumpulkan dari data yang diproses (Pemasok Data yang Diproses), dan mereka yang menyediakan data mentah (Pemasok Data Mentah).

SSP (Platform Sisi Pasokan) -

platform bagi penerbit untuk memungkinkan jaringan dan situs periklanan menjual ruang iklan.

Ad Exchange -

pertukaran iklan. Tempat ditampilkan untuk dijual kepada pengunjung jaringan periklanan dan situs web penerbit, dan bertanggung jawab untuk menerima tawaran dari DSP dan mengumumkan pemenangnya.

Jaringan Iklan

adalah jaringan spanduk iklan. Ini berisi spanduk dan mengelola tampilannya dengan bantuan Server Iklan, yang mengirimkan iklan ke situs penerbit, menghitung jumlah tampilan, klik, dan mengelola pengoptimalan kampanye.

DSP (Demand Side Platform) -

perusahaan yang membeli data dari pemasok dan menggunakannya dalam periklanan. Artikel ini terutama akan fokus pada pekerjaan platform ini.

DSP (Demand Side Platform) -

alat untuk pembelian otomatis iklan online, berinteraksi langsung dengan SSP (Supply Side Platform), jaringan iklan (Ad Network), pertukaran iklan (Ad Exchange) dan situs web (dalam terminologi periklanan online mereka disebut penerbit).

Tujuan utama DSP adalah membeli tayangan iklan dengan harga optimal dan menampilkan iklan kepada pengguna dengan cara yang paling sesuai dengan kebutuhan pengiklan.

DSP bekerja dengan berbagai format iklan: spanduk, video, iklan di aplikasi seluler, dan apa yang disebut iklan asli, yang disamarkan oleh situs atau konten aplikasi.



Strategi kerja DSP (targeting)

Strategi kerja DSP targeting DSP bekerja dengan sejumlah pengiklan, yang masing-masing menjalankan beberapa kampanye (terkadang jumlahnya mencapai ribuan). Setiap kampanye memiliki strategi terpisah untuk pembelian tayangan iklan, yang terdiri dari serangkaian penargetan. Mari kita lihat yang paling umum.

Penargetan menurut daftar domain (situs).

Tawaran DSP hanya jika permintaan dari SSP berasal dari situs tertentu. Cara ini biasanya digunakan oleh pengiklan yang ingin iklannya berada dalam konteks tertentu.

Penargetan geografis

Tawaran DSP jika permintaan berasal dari pengguna yang berlokasi di kota tertentu atau bahkan dalam kode pos tertentu (relevan di negara-negara seperti AS atau Inggris). Lokasi ditentukan oleh platform DSP berdasarkan alamat IP yang disertakan dengan permintaan SSP.

Frekuensi penargetan tayangan

Pembatasan frekuensi mengacu pada kemampuan untuk menghindari terlalu sering menampilkan spanduk yang sama kepada pengguna. Maksud dari pembatasan ini adalah jika, misalnya, setelah 20 tampilan pengguna tidak melakukan tindakan target (klik, pesanan, atau yang lainnya), tidak masuk akal untuk menghabiskan uang untuk membeli tayangan untuk pengguna ini.

Selain membatasi tayangan sepanjang waktu, DSP biasanya memungkinkan Anda menetapkan batas untuk satu menit, satu jam, satu hari, dan satu minggu. Karena sangat tidak masuk akal untuk "membombardir" pengguna dengan semua 20 pertunjukan di menit pertama.

Penargetan ulang

Pendekatan ini memungkinkan Anda untuk menampilkan iklan kepada pengguna yang telah mengunjungi situs pengiklan, tetapi pergi tanpa melakukan tindakan target (misalnya, membeli, mengisi formulir, atau menelepon). Seperti yang ditunjukkan statistik, pengguna seperti itu masih dapat dibujuk dengan mengingatkan mereka akan keberadaan mereka.

RTB memberikan dorongan untuk pengembangan retargeting. Terhubung ke sejumlah besar SSP dan memiliki akses ke miliaran tayangan iklan, DSP memiliki kemampuan untuk "menjangkau" hampir semua pengunjung situs pengiklan.

Perlu disebutkan salah satu ekstensi penargetan ulang - penargetan ulang dinamis (DCO - pengoptimalan materi iklan dinamis). Dalam hal ini, pengguna diperlihatkan spanduk yang dipersonalisasi berdasarkan riwayat kunjungannya ke situs pengiklan. Misalnya, pengguna yang telah melihat sepuluh pasang sepatu akan diperlihatkan spanduk dengan harga.

Penargetan menurut segmen audiens

Penargetan menurut segmen audiens Jenis penargetan ini memungkinkan Anda menampilkan pesan yang relevan kepada pengguna yang tertarik dengan topik tertentu (misalnya, mobil atau olahraga), serta orang-orang dari demografi tertentu (misalnya, pria berusia 25-40).

Biasanya, DSP membeli data DMP (Data Management Platform) tentang pengguna. DMP secara teratur (misalnya, sekali sehari) mengunggah basis data pengguna ke DSP, yang digunakan untuk memproses permintaan lelang dan membuat keputusan tentang iklan apa yang ditawarkan kepada pengguna ini.

Opsi yang lebih maju juga dimungkinkan ketika DSP mempelajari informasi dari DMP secara real time, yaitu, mengirimkan permintaan ke DMP setelah setiap permintaan dari SSP.

Pengoptimalan prediktif

Semua penargetan di atas hanya menentukan logika untuk memilih pengguna untuk menampilkan iklan. Namun, mereka tidak mempengaruhi definisi ukuran tawaran.

Bekerja dengan DSP, yang hanya memiliki penargetan yang dijelaskan di atas, melibatkan pekerjaan manual - pemasar atau manajer lalu lintas harus memilih sendiri tarif dan chatur penargetan tergantung pada hasil kampanye iklan (harga efektif per klik atau konversi). Tetapi dalam masyarakat pasca-industri, tenaga kerja mahal, dan ada kemungkinan kesalahan yang tinggi karena faktor manusia.

Untuk tujuan ini, beberapa DSP menerapkan algoritma optimasi prediktif (terkadang algoritma ini disebut "prediktor" atau "prediktor"). Mari kita pertimbangkan pekerjaan mereka pada sebuah contoh:

Mari kita bayangkan bahwa seorang manajer pemasaran bank telah memutuskan untuk meluncurkan kampanye iklan untuk produk baru. Untuk melakukan ini, ia memilih beberapa lusin situs dengan audiens yang aman (penargetan berdasarkan domain), dan memilih kota-kota besar di mana cabang bank diwakili (penargetan geografis).

Biasanya algoritma optimasi prediktif bersifat universal dan juga dapat memprediksi kemungkinan tindakan target lain, seperti pembelian (konversi).