浅谈广告策略产品的体验设计思路

浅谈广告策略产品的体验设计思路

2021年｜类型：原创｜标签：经验沉淀

在设计领域，我们梳理问题有很多种体验设计的工具，出发点都是从用户出发，去发现并定位问题，最终落地到解决方案。在机器学习领域，基于具体场景，我们看到了另一种解决问题的方法——函数方法。

写在前面

刚刚进入广告领域的时候，拥抱了非常多的专业名词。每个广告人应该都经历过专有名词的学习爬坡之旅，自动出价、开启一键起量、ROI策略等等。每日三省吾身，这是什么、怎么生效、效果可信吗？一入策略深似海，在过往接触到策略也只是策略的冰山一角。策略设计，似乎并不是体验设计领域独有的词，还可能是策略算法设计、策略框架设计等等。

策略的切入点不一样、受众不一样，生效深度不一样，大家听到的策略的涵义也就不一样。在接触广告策略产品的过程中，逐步发现了设计师在广告策略产品中可以主动参与的触点。正值下一代广告系统探索实践期，从设计师的视角梳理，策略产品的体验设计跟功能产品的体验设计有何不同，设计流程是怎样的，又有哪些常见的设计模式。设计可以主动的发力点和机会点又是什么。以供大家参考。

策略是什么

在具体的业务场景下，通过数据分析、借助技术团队提供的算法或者AI能力等方法，最终实现商业、增长或风控等方面的目标。

按方法

数据策略：将数据分析与建模作为方法。
算法策略：有成熟业务场景的企业期望通过 AI 技术解决现有业务问题。

按目标

商业策略：服务于营收、利润等商业目标，通过广告、增值服务、佣金等常见商业模式的应用，实现商业目标最大化，同时兼顾与用户体验的平衡。
增长策略：服务于用户增长、活跃度增长等目标，例如通过广告投放策略优化、降低获客成本；通过 EDM、短信等触达用户的通道，设计更有效的推送策略。往往需要按照一定用户画像或来源渠道进行细分，并设计不同的策略来尽可能逼近增长的最优解。
风控策略：减少企业未来的潜在损失，包括但不限于资金风险和政策风险。资金风险又可分为企业资金风险和用户资金风险，前者如防骗贷、防漏洞，后者如防欺诈、防盗用。

按场景

搜索策略：大致分为 Google 这类通用搜索引擎，也包括知乎这些垂直应用的搜索。解决以下问题：

怎样根据用户的查询返回准确的搜索结果，对搜索结果进行排序，并把符合用户意向的搜索结构排在前面？
是否有办法提前预测用户的搜索意图？怎么进行搜索提示、纠错和消歧？
怎么判断网页等内容的质量？

推荐策略：大致分为内容推荐与商品推荐。前者包括图文资讯、长短视频音频等应用的推荐系统；后者包括各大平台电商等的首页、详情页推荐系统。解决以下问题：

怎么样解决冷启动的问题，包括业务从 0 到 1 没有反馈数据的冷启动，以及新用户或新内容、商品的冷启动。
有哪些用户、内容或商品相关的线索能用来帮助提升推荐效果。
怎样评估和测试多种推荐方法的优劣。

广告策略：比搜索、推荐复杂很多。大体上可以根据所在的业态角色的不同，解决以下问题：

对于广告主：怎样实现投放成本最小化，怎样识别作弊和虚假流量。
对于流量主：怎样实现广告收入最大化。
对于广告平台：怎样设计一个良好的策略或机制，能够在广告主投放成本最小化、流量主收入最大化、用户体验三者或者至少其中两者之间取得平衡。

调度策略：通常需要同时考虑调度和匹配。调度一般指时间与空间约束下的资源协调，匹配一般指市场供需双方的匹配。大体上可以根据市场供需的角色的不同，解决以下问题：

单边市场调度：供需双方中的需求方影响力有限，在需求一定的情况下，怎么在实效性和有限资源的约束条件下解决最优化调度的问题。以电商供应链、物流配送企业为主。
双边市场调度：平台对供需双方都具备一定的影响力和控制力。调度与匹配解决的是在局部环境下出现供需不平衡情况时的最优匹配问题。以婚恋、招聘为主。
三边市场调度：最复杂的场景。典型场景如外卖。平台为用户、商户、骑手提供服务，同时解决用户需求与商户供给的匹配问题、外卖订单与骑手的匹配问题，以及骑手配送的调度问题。

广告策略的产品形态

产品形态是最开始令人迷惑的地方，似乎哪里都可以听到策略，但大家口中的策略不尽相同。这是因为策略所面向受众的差异性带来的。按照广告的业态角色来理解是比较合适的

面向广告主

广告主可以直接操作的两大类投放策略和数据策略，通常会存在前端页面，具备一定的操作。

投放策略

单目标 oCPX：为广告主提供基于投放目标和出价的效果自动优化，持续提高广告主的广告的效率和投入产出比。
双目标 oCPX：目前微信流量和非微信流量的双目标优化的实现不一样，前者是两阶段优化策略，后者是智能深度优化策略。
自动出价：根据广告主的投放诉求和预算，合理高效地花完广告预算、并寻找最低转化成本的出价优化产品。
一键起量：广告主设置一笔起量预算，系统会在 6 小时内快速花完预算，帮助广告激进探索，获取曝光量，期间转化成本可能偏高。
优先拿量：系统会为你的广告尽快消耗预算，并在必要时提高竞价。你的实际成本可能会略超出目标出价。
稳定拿量：系统会尽可能使你的实际成本贴近目标出价，同时尽量保证拿量稳定。
限制成本上限：系统会在尽量不超过你的广告目标出价的前提下获取更多转化。

数据策略

ROI 策略：支持广告主基于不同人群的价值差异调整 eCPM。

面向流量主

以流量主获取更多预算，提高广告填充率为目标，进一步提升流量的商业价值的流量策略。除此之外，还有流量主还有新流量的接入、新形态探索、生态建设等等。

面向广告平台

为广告系统提供通用的、基础的策略，如召回、粗排、精排、冷启动、调价等。为行业、流量优化提供可扩展定制化接口等。

召回：原始定向、ANN 支路、TAG 支路；
粗排：聚量优选、业务过滤、Docwash 洗脸、多样性排序；
精排：eCPM 排序机制、调序、业务过滤等；

面向行业

负责深挖行业特有的策略，游戏大推、电商大促都有相应的策略进行扶持。

广告策略产品的生命周期

广告业务中，eCPM 的计算公式是绝大部分广告策略产品的基石。拆解最基本的计算公式，会再次引入出价因子、校准因子、行业因子、流量因子、用户体验因子等，以连乘的形式对 eCPM 产生作用。但目前 eCPM 的因子有近 100 个，物理含义不清晰，排查问题难以快速归因，形成辛普森悖论。但除了 eCPM 类策略，还有非 eCPM 类策略，如 XS 优选、联盟网赚、微信合约等等。当前排序框架因子过多、策略开花。有些策略在某行业生效甚至会挤压其他行业，势必不是长久之计。

现阶段了解到的下一代广告系统正在探索新的框架，eCPM 计算将按照流量商业价值、广告用户价值以及平台生态价值进行重塑。除此之外，梳理因子，制定准入准出机制。通过优胜劣汰的方式让策略主动进化。通过收紧策略准入门槛，除了直接走常规放量流程的实验以外，还可以发起 HoldBack 实验 (控制组 5% 流量，实验组 95% ) 来验证长期的效果，以及发起反向实验 (控制组 95% 流量，实验组 5% 流量) 来剔除某个策略的影响来进行验证。

广告策略产品的设计流程

发现问题

行业背景

2020 年以前，浅层目标作为主要的优化目标，数据量大，不同行业的共性大。2020 年以来，广告主的需求发生了明显变化，越来越追求深层效果目标，但问题也是明显的，数据稀疏，行业差异性显著。导致策略产品在行业应用差异巨大。通用的做法是以小见大，在发现问题的行业里试水，建立标杆表现，再放量至其他行业。同一行业不同赛道，也存在发展阶段的不同、数据链路的差异性、数据类型的完善程度、数据稀疏等问题。在这个环节需要确认的是策略产品的行业背景。

竞品调研

市场上行业遇到的问题和机会点是普遍存在的，在面对相同机会点时，我们可能与友商站在同一起跑线上，与信任客户建立更深度的合作关系成为这一问题的核心解法；也有可能被友商抢占先机，则更注重快速调研市场上成熟的做法，以及具体行业的应用效果，补齐能力缺口。

用户研究

策略产品追求全局最优解。策略产品非常多，按面向受众群体、面向生效环节、面向行业、面向流量的各种策略及其因子，最终考核效果全局最优。功能产品着重考虑核心用户群体的诉求。策略产品需要考虑每个细分群体的诉求，规划不同的策略。

数据分析

策略产品对数据分析和模型算法有一定的理解要求。功能产品可以站在客户的角度思考用户需要什么，策略产品更多的是从数据层面寻找规律。

定位问题

目标

我们在思考广告策略产品的目标时，可以从面向的受众群体出发，它可以为广告主、流量主、广告平台带来什么好处，解决哪个行业哪些客户的具体问题。

解决

由目标可知，策略依赖于具体行业某类客户的具体问题。我们期望解决问题的手段可以从小处着手，而不是在一开始就局部最优。在梳理策略的产品形态时，经常遇到行业扶持类策略，扶持了自身行业，却挤占了其他行业的配额。我们期望但单个策略能够平衡好局部最优与全局最优，使之成为通用技巧，从而推进策略整体进化。

构建方案

在构建整个产品设计时，策略产品与功能产品最大的不同点在于引入了算法工程师、数据工程师这类角色进来。在构建方案的过程中多了几次自循环，以满足各角色的输出可以相互支撑方案整体可行。我们按照产研团队的角色构建流程。

产品：看准市场方向，吸引来自行业运营和客户需求，通过数据分析挖掘机会点，例行产品化职责，输出需求文档、描述详细的业务逻辑。
算法：以业务建模为核心，需要定义业务的边界以及输入、输出，并用函数等模型语言描述业务，这部分工作决定了后续的模型研究工作的方向与执行方案。模型研究包括模型训练需要的样本数据的收集和准备、模型特征的提取、模型的训练以及离线验证和评估。
设计：理解需求文档和业务建模，找准策略产品的设计目标，输出交互、视觉、重构、文案等交付物。
前端、后台：基于业务逻辑、业务建模、体验设计评估实现方式，包括但不限于开发量评估、可行性评估、投产比评估等。

验证方案

测试与发布

例行回归测试，保证新上线的策略产品不会引入新的错误。根据推进计划，按规模放量验收，直至全量。

线上评估

策略产品更注重定量评估。功能产品往往看的是时间序列上的趋势变化，策略产品通常用A/B测试实验看单一变量对效果的影响或通过数据建模的方式分析每个变量的影响。

广告策略产品的设计模式

信任增强

01 申明隐私和数据保护协议

说明：从进入到后续使用，都需要针对数据安全与用户进行沟通。许多策略产品依靠用户数据来实现更加精准的人群定向。2021年11月1日开始实施的《个人信息保护法》提出了更高的要求。我们建议涉及到用户数据的产品，在进入就立即询问用户权限，并让用户可以轻松直观的设置。如需要，还可以披露用户选择后的时间，以便后续可以方便用户进行更新与关停。在提示用户设置或查看他们的权限时，请解释使用他们数据的目的和原因，并确保解释易于理解。
案例：数据保护协议设计。广告主取消签署《数据保护协议》后，平台暂不支持涉及到一方数据的产品能力。基于协议，梳理了全平台因此而产生的禁用操作，明确告知广告主那些是暂不可用的操作，并给出禁用原因。

02 储备行业与流量的知识

说明：各行各业的数据链路差异大，充分理解行业，了解行业数据的特点。与行业专家建立合作，减少以后对数据集的迭代。各流量的优劣势不一，限制也不尽相同。对于广告平台侧的策略产品，需要权衡流量分配以提升整体收益；对于流量侧的策略产品，则需要提高填充率。为策略产品找到合适的切入点，也是策略产品显著提效的重要手段。
案例：ROI策略。ROI策略的切入点离不开行业特性。房产、家居、汽车等行业，都有低频高客单且决策链条长两个明显特征，导致在实际广告投放中效果不理想，后链路数据稀疏。掌握实际的行业与流量的知识可以帮助我们找到广告策略产品的机会点。

03 鼓励用户实践与反馈

说明：为用户提供实操教学、反馈和纠错的机会。当策略产品以用户不期望或不想要的方式运行时，请确保他们可以选择反馈。并且，尽可能多地使用该反馈来改进模型。一旦用户提供反馈，请确认收到了反馈，甚至让他们知道系统将如何响应反馈。
案例：广告诊断。当用户认为广告诊断的结论与基于自身经验的判断不匹配时，可以直接反馈。

数据求准

01 完善数据准备

说明：数据规划、准备、收集、接入、治理、衡量等过程环节越好，最终输出的质量就越好。如果从一开始就没有对数据质量有足够的关注，下游的数据应用就会受到影响。这种数据效应成为data cascades，在受到实际影响之前，很难诊断和检测。对数据进行良好的接治量能够帮助我们避免下游问题。可以通过建立一些专项来提高完善数据工作：与行业专家合作、批量收集、及时反馈、拥抱噪音；
案例：一方数据治理专项中，数据链路随着迭代不断精细。在 1.0 版本中，仅仅可以看到“客户✕链路✕节点”的数据情况，在后续的迭代中，除了整合 OG，还将节点下的关键行为、关键行为下的属性、属性对应的属性值进行更细粒度的描述，使数据刻画的维度能细腻，为衡量与应用进一步夯实基础。

02 检查数据标注

说明：对于监督学习，准确的数据标签是实现相关机器学习输出的关键因素。标签可以通过自动化流程或由专员来完成。有效、高效地执行工具可以更有可能正确地标注数据。当数据标注遇到难以调和的标签，可以检查是否是更深层次的数据或标签问题。
案例：在原数据标注平台和用户特征平台中，都提供了平台用户主动矫正标签准确与否的操作。

03 接受噪音数据

说明：模拟真实世界，在开发训练集时，避免追求完美。请考虑希望从用户那里获得哪些数据，确保数据在训练集中得到正确的体现。
案例：ROI策略，在智能加强中使用数据表的方式选择样本。多张数据表将融合为一个训练集。同一用户在多张数据表的多个用户字段出现时将进行随机去重。

04 维护数据集

说明：通过维护数据质量来保持产品体验。及时监控数据集以发现问题。训练数据和实时数据之间的差异，关注数据集的变化以及影响。
案例：数据建模，接入数据表的样本校验。数据表内的数据更新会导致数据集在使用时不满足基本条件。

05 权衡准确率和召回率

说明：根据策略产品定位，明确目标是更多结果还是更高质量的结果。在设计策略产品时，评估系统给出的建议是广泛的（优先考虑召回率）还是准确的（优先考虑准确率）之间的权衡。这一决定将对最终用户体验产生重大影响。优先准确率：在高风险领域（如医疗）中建模，且失误带来的风险很高。模型输出建议更加保守，并且只输出可靠的建议。这种场景下，优先考虑准确率。优先召回率：在较低风险的领域（如信息流），且对推荐列表的排序不是问题，用户将获得更多的结果，可能有偶发性的意外与不相关。这种场景下，优先考虑召回率。
案例：数据建模，从预测结果中提取人群。

策略向善

01 为策略产品建立合适的期待

说明：策略产品可以做到什么、做不到什么做需要明确告知用户。因为策略产品是概率性的，可能会在某个时候给出意外甚至错误的输出。这使得帮助用户校准他们对策略产品的能力和输出变得至关重要。通常的做法是明确好策略产品的功能和限制。
案例：一键起量。可以提升广告冷启动率，快速判断广告潜力。但这款策略产品不保证一定能冷启动成功，不保证冷启动预算一定会在 6H 花完，不保证转化成本。广告本身设置、素材本身的问题，加上复杂的实时环境变化。为一键起量建立合适的期待非常重要。

02 为策略产品阐明具体的目标与收益

说明：帮助用户了解策略产品可以达成什么，又是如何使得部分体验变得更好或提供新价值，而不是解释基础技术是如何实现的。当然，解释文档所需要的技术细节，也因策略产品面向的用户而异。
案例：潜力广告。阶梯式提价预计增加的曝光比例，将性价比最高（曝光涨幅/出价涨幅）的出价点披露给用户。

03 为策略产品提供必要的解释

说明：解释是为了理解，而不是为了完整性。将信息减少到必要的程度，提供他们做决策、做操作所需要的信息，不要试图解释系统中发生的一切。因为策略产品背后的基本原理通常过于复杂而无法用简单的句子来概括。如果向用户解释策略产品背后的原理至关重要，请确保它出现在稳定、便捷的帮助中心、营销介绍里面。
案例：ROI策略，在智能加强中使用数据表的方式选择样本。上线需满足“基于数据表融合，用户去重后xx字段不为空的数据行数不小于xx，低于xx将导致计算失败”。这是一个后端校验的限制条件，在前端无法被实时校验。页面的目标是降低用户操作后上线失败的几率，除了可以做一些最基础的前端校验以外，也需要非常仔细地讲清楚操作所需要的信息。

04 为策略产品提供明确的限制

说明：限制条件即策略红线，常见的限制条件有：法律法规的限制，《个人信息保护法》、《未成年人保护法》的限制等；用户体验的限制，微信朋友圈每日广告数量上限等；项目资源的限制，机器资源、配额占用等；流量的限制，流量形态的限制等；行业的限制，游戏行业的限制；
案例：ROI策略，使用智能加强有 Quota 限制。为了降低对资源的消耗，每个账户有相应的 Quota 限制。

05 为策略产品提供详细的说明文档

说明：在策略产品的流程界面之外，帮助用户更好的理解产品是如何工作的。这可以帮助用户加深对策略产品基本原理的理解，提供“如何使用”也可以帮助用户在特定语境下掌握操作技巧。这可以在收集用户反馈的阶段，回收到更可靠的信息。需要额外注意的是，这类说明文档，通常都离开了当前界面，中断了用户原本的操作。
案例：腾讯广告知数帮助文档。

06 为策略产品梳理完备的错误类型

说明：了解用户可能遇到的错误类型并制定解决计划。在产研阶段就为策略产品在某些时候做出错误预测做好准备。梳理策略产品可能出现的错误以及后果。对于给定的错误以及误报、漏报预测的预期影响，可以建立一些机制：通过解释来管理用户的操作预期、在预测失败时，提供手动控制、进一步提高客服支持等；
案例：数据建模，接入数据表的样本校验。典型的后端校验，失败的原因可能有：样本数据量级不满足条件；字段及其值不可识别；字段值不在规定范围内；相同日期下同一ID不可同时为正负样本等等。这些都是训练样本常见一些错误。

07 为策略产品提供可逆的操作

说明：让用户低成本的尝试策略产品，这尤其适用于那些急于入门的新用户、在深入了解之前没有时间充分考虑的新用户，以及那些在完全了解系统提供的内容之前对策略产品持谨慎态度的用户。即使在入门后，也应尽可能继续使用户的操作和决策可逆。常见可以提供清晰可见的撤消、编辑、删除等操作来实现。
案例：数据建模，接入数据表的样本校验。用户每次进入页面会刷新数据表是否可用，不可用的场景下，及时提供用户编辑操作。

08 为策略产品选择熟悉的表达

说明：某些策略产品，可能想通过炫酷视觉元素和高大上的文案来传达策略的魔力。陌生的元素可能会提高学习门槛，降低对产品的理解。避免过度包装，通过熟悉、舒适的表现层来帮助用户上手新策略，这能够帮助他们聚焦手头的核心任务，建立信任感。
案例：表现层里面除了视觉元素以外，还有被冠以“智能”的文案，都存在增加理解门槛的风险。通常以最简单直白的语法，或者形象的比喻，就可以向用户阐明，闪烁其词与语义模糊，通常词不达意，尽量避免。

09 为策略产品提供可信赖的参考系

说明：参考系可以增加用户的信任感。用户可能不信任策略产品的输出，我们建议在给出策略产品的输出的同时，给到一定的参考系建议。可以是来自第三方的评价、系统相关指标的中位数、行业领域的成功经验等等。
案例：广告诊断的演进中，曾经尝试向用户披露相同竞争环境下行业标杆、竞争对手的表现。具体的案例可以参考友商的做法。

10 为策略产品尝试披露置信度

说明：在某些情况下，您可以通过披露模型置信度来帮助用户衡量对策略产品输出的信任程度，这些披露解释了策略产品在其预测中的确定性以及其他替代方案。
案例：数据建模，模型训练结果中披露 AUC 和 Logloss。为什么不是直接用 Accuracy？因为很多机器学习的模型对分类问题的预测结果都是概率，如果要计算 Accuracy，需要先把概率转化成类别，这就需要手动设置一个阈值，如果对一个样本的预测概率高于这个预测，就把这个样本放进一个类别里面，低于这个阈值，放进另一个类别里面。所以这个阈值很大程度上影响了 Accuracy 的计算。使用 AUC 或者 Logloss 可以避免把预测概率转换成类别。在效果广告中，我们实际要衡量的是每个用户对不同广告的排序能力，需要计算的是对于每个用户的二分类结果，是一个更细粒度的二分类。这样传统的 AUC 就不太适用。于是就有了GAUC (Group AUC)，实际计算的是每个用户的 AUC，通过加权平均得到 GAUC，从而降低不同用户之间的排序结果不好比较这一影响。而 Logloss 反映了样本的平均偏差，经常作为模型的损失函数来做优化。Logloss 越小越好，物理意义为：衡量 pCTR 与实际 CTR 的拟合程度。

控制谋稳

01 选择低风险的策略产品尝试自动化

说明：在确定产品流程自动化时，请权衡利害关系，以及用户对自动化的适应程度。比较适用于低风险、完善的策略产品中，例如内容推荐系统。尽量避免在高风险、或者新产品使用。造成用户信任度降低或者出错的可能性变大。
案例：通过建立规则实现降低人工成本的自动化产品，属于低风险且用户可控的领域。除此之外，自动出价在起量期成本可能会飘，激进程度间于一键起量和手动出价之间，过了起量期后会探寻最低转化成本。这也是体现自动化控制谋稳的一种体现。

02 分阶段地实现策略产品的自动化

说明：批判性地考虑自动化和用户控制之间的平衡。在用户指导下，从自动化程度最低开始，逐步提高自动化程度。确保用户轻松调整自动化的程度。
机会点：腾讯广告知数分了三个版本，基础版、行业专业版以及私有化Plus版本。未来基于客户的使用情况以及效果，基于核心指标评估客户等级，基于客户等级开放平台能力与权益。

03 让用户监督策略产品的自动化

说明：保持用户对自动化的监督可以让用户比较安心，用户可以在出现问题时及时纠正。同时可以设置监督的权限，在必要时回收权限。
机会点：ROI策略，使用智能加强有 Quota 限制。可以根据广告主的使用和效果自动分配quota，将效果不好的策略自动下线，并自动上线替补策略。

04 当自动化失败时，将策略产品的控制权交还给用户

说明：若策略产品无法按照预期完成任务、在执行过程中出现故障、在执行结果中提供质量不佳的输出时，直接阐明中断、错误的原因，并为用户提供可以操作的备选方案，最直接的方式就是让用户接管，甚至需要提供额外的说明文档乃至人工支持。
案例：腾讯广告知数，通过企业微信建立用户与产研团队的及时对话。当用户遇到棘手问题时，产研团队会第一时间定位问题并提供支持。

写在最后

利用设计思维探索广告策略产品的机会点，乃至策略产品的机会点，要求设计师大致掌握所在业务的核心原理，初步了解行业与流量的特性，具备基础的数据分析能力。在广告领域，eCPM 是怎么计算的，行业的数据链路具备怎样的特点，客户考核点是什么，转化回传的周期有多长等等。这可以让体验设计深入浅出，即深入底层逻辑，又以界面产品浅出。在设计流程和设计模式下思考业务应用的体验缺口，或许是成熟业务与海量数据下，策略产品的设计切入点。

参考文献

《策略产品经理：模型与方法论》
《什么是好的广告策略》