AdExchanger文章:营销人的跨设备数据识别指南(2016年版)

译者是祝洁。由宋星审校。

本文翻译自AdExchanger的文章:

原文见:http://adexchanger.com/data-exchanges/2016-edition-marketers-guide-cross-device-identity/

cross-adexchanger

  行业越来越多采用跨屏技术的产生是因为设备的分裂化的加剧。

Luma的合伙人Brian Anderso在AdExchanger一月份的行业预演中说道,“我们原来讨论Cookie, 但是现在我们讨论跨设备。跨屏现在是在广告交易市场中实现受众个性化(广告)的一个关键性因素。“

也许把2016年称作“跨设备之年”还有点夸张,然而CPX旗下的Adready资深销售总监Mike Juhas说,“任何大规模的广告项目,跨屏策略都应该是不可或缺的一部分,这是底线。跨屏策略并不应该被看作今年才有的炙手可热的新兴策略”。

无论如何,只要消费者在手机上花费的时间持续增加,跨屏技术就是每个营销人的重点投放方向。但是艰巨的挑战依然存在,其中包括如何处理用户个人隐私,触达和准确率以及棘手的物联网。

快速回顾之前的业界努力

现在有两种主要的方法用做跨设备建立用户身份:确定性和概率论。

其中确定性匹配已知用户的数据加以匹配,一般是一个邮件地址用于多个设备的登陆 (比如Facebook,Google,Amazon,Twitter,AOL);概率论方法则借鉴多种匿名的数据信号比如IP地址,设备类型,浏览器类别,地域以及操作系统来创建设备之间的统计学意义上的关联 (比如Drawbridge,最近被Tapad收购,Crosswise, Adelphic, Adbrain)。

概率ID供应商经常用所谓的“真相设置”——以被许可使用的确定性数据为核心——在一段时间内不断训练他们的算法。

两个方法听起来泾渭分明,但是其实并不是。

有一种趋势在数据公司间发展,比如Oracle采用的混合的方式在某些案例中,用概率的组合去完善它们的确定性的匹配能力从而试图(将跨设备追踪能力)接近Facebook和Google这类大互联网公司用户的规模水平。

比如LiveRamp,他们依赖确定性数据来加速用户连接的产品,也利用概率性匹配为服务那种有额外触达率需求的客户,因此它们利用Drawbridge的构建消费者图谱。

正如 LiveRamp 产品VP Anneka Gupta 在2015年11月宣布与Drawdridge合作时告诉AdExchanger的,“ 确定性数据加上概率推断双管齐下,这对于像手机这类需要很长时间才能收集到具体数据的渠道很重要,只有这样才能扩大在此类渠道的触达。”

围墙花园

akindergarden_2  那些拥有客户数据的玩家——主要是Facebook Atlas以及Google,经过数月推敲之后,在今年6月终于推出了他们自己的跨屏解决方案。他们经常被称为“围墙花园 “ ,即迷人又有效率的香格里拉游乐场。它们拥有近于完美的跨设备身份识别匹配, 从而让广告主可以既获得广度又得到精度。然而广告主不能把这些经验带到其他地方,在”围墙花园“ 发生的只能留在那里而不能用于其它广告项目。

尽管很多营销人员通常发现这样的事实很令人沮丧,但是这并没有阻止他们向”围墙花园“投更多的钱,这从Facebook和Google 第四季度各自的高额收入就能得知。

Facebook已经反驳说这些都是为了用户隐私。Patrick Harris ,Facebook的全球代理总监说道,如果他可以有选择,他愿意把“围墙花园“变成 “隐私花园”。

隐私问题(尚无明确答案) 

设备的激增使得消费者更加困难,甚至是几无可能去屏蔽跨设备追踪。

基于cookie的追踪屏蔽仍然不能解决问题,正如Adobe隐私产品经理Vinay Goel 在六月在和客户和合作方关于他们即将推出的跨设备数据产品介绍会上承认的:“如果你清除了cookie然后用户又回访了网站,你还是将再一次被标记和追踪。这是基于cookie的屏蔽方法的缺陷和问题” 。虽然由数字广告联盟(DAA)创建的AdChoices和AppChoices等自我监管计划旨在帮助消费者了解他们的个人数据的在被谁使用,但其还是存在明显的局限性。

例如,用户自主免去被追踪的过程需要大量的精力,当用户不想被广告所追踪时,他必须在每个浏览器,每个设备上逐一的免除, 并且一直保持这样的设置偏好。这太耗费时间了。

这个行业只是还没有发展到可以一步完成广告免除,Genie Barton 在互联网广告责任会议上说道。Barton在联邦贸易委员会(FTC)11月在华盛顿特区举办的跨设备跟踪研讨会上进行了一次小组讨论,参加者有政策制定者,学者,隐私研究人员,技术专家和广告行业代表。

“当人们在广告领域探讨应该增加在交易中跨设备的监测时候,他们倾向于讨论概率性的解决方案,但是这有些挑战 ”联邦通信委员会首席技术专家Jonathan Mayer在早前的访谈说提到,” 如果他们可以提供跨设备追踪的屏蔽,他们可以通过相似性去实现,尽管无法完全保证屏蔽,但屏蔽可以自动转移到其他设备上。”

联邦贸易委员会的介入

optouts  FTC 的跨设备研讨会(workshop)是一个分水岭,虽然没有明确动机来规范却清楚的表明了委员会在关注着行业  。正如他们的惯例,FTC从用户角度抨击了问题。“ 我认为公平的说,这个领域飞速的发展有可能挑战了传统用户对于他们隐私保护的期望” 政策总监JustinBrookman在Workshop中说道。为研究的目的,Brookman和他的团队进行了一个很小的分析,范围包括20个包括新闻,体育,购物和游戏的网站以及这些网站的流量来源网站(总共100个网站) 来看跨设备监测在什么时间下发生。当跨设备监测发生的时候,就产生了问题,到底要有多少透明度在这里?用户在期待什么?他们希望被信息负载吗?如果跨设备追踪继续下去,消费者应该被告知吗?被怎样告知?

行业依然在解决这些问题,但是一些消费者并没有“坐以待毙”。

FTC 接受了大众在几个月内对于跨屏技术的评论。许多受访者对广告业有言可发,包括纽约的James说道 “ 请努力制止(广告)侵入几乎任何人的生活中” 。从Georgia来的Paula更接近问题出发点:“ 相关” 广告对我来说很消极,它并不积极。保护我的隐私要比挣钱更重要!”

万物皆联网

另外一个需要加在Brookman上的清单的是:当物联网进入我们眼帘时候,跨设备监测的隐私含义是什么?可以说,任何发出信号的东西都是我们的设备图谱中关乎隐私的,无论是Apple Watch还是连接的牙刷。

但是在众所周知的智能烤面包机变成厨房必不可少之物之前,智能电视已经是客厅必不可少的了。到2019年,智能电视将会占据超过50%以上的美、英、日家庭用户。

在去年11月,在FTC跨设备研讨会召开之前,一篇在ProPublica发表的文章指出,智能电视商Vizio 更新了它们的隐私政策从而开始收集和分享跨设备的用户信息给广告商。对此不感兴趣的用户必须要主动屏蔽广告监测。

在几天以后,Ars Technica的一篇文章就公开谴责一项名为音频信标的技术,就是利用嵌入广告中的不可见的高频声音来跟踪用户在各种设备(包括电视,手机和平板电脑)上的行为。这两种情况都引起了人们对隐私政策的重视,因为我们现在身处在一个到处是联网设备的世界中。

跨设备行业对于隐私保护来说还是一片未被开垦的荒原,对于创业者来说这是一片机遇的乐土,这两者完全取决于你的观点。 而且,隐私政策,已不是大多数消费者所认为的隐私政策,实际上只是法律文件,更多的只是被公司用于在违约情况下保护自己的权利。

(根据宾夕法尼亚大学教授和隐私权专家Joseph Turow的研究,55%至65%的美国消费者认为,当一个网站有隐私政策时,这意味着网站不会与其他公司分享用户数据,但他们的理解显然是错误的。)

“我们完全理解创新是很重要的一部分……但是如果你眯着眼看着你的电视,担心电视究竟在搜集什么样的数据,这可能会演变成一个危险的开端”,FTC的布鲁克曼在十一月的国际隐私专业协会活动中发表道。 “对于消费者,他们拥有的一切都是一个小黑盒,我们正在努力确保这些小黑盒代表的是消费者的利益。”

触达率和精准性

除了隐私问题,行业也有自己要处理的问题,即如何在覆盖面和准确性之间实现微妙的平衡。设备连接图谱——即设备相互连接的情况——只有当其大量的匹配都满足统计学意义上的相关性精度才有意义,这个图谱才是有效的。像Facebook和Google这样拥有大量用户数据的巨头,能同时达到覆盖广和精确度高。别的公司一般只能专精某一个方向。营销者也一样,如果他想要覆盖率广,那精准度必然会降低。反之亦然。

但是有一个额外的细微差别。 正如Adbrain数据平台主管Tim Abraham解释说:“准确度是一个指标,但不一定意味着就是人们认为的准确度。 在跨设备识别的上下文中,准确度可以计算为正确识别的匹配的数目,以及正确识别的不匹配的数目。 换句话说,它是概率预测正确的次数,但也包括来自它做出的总预测池的“不匹配”预测。 营销人员不太在意不匹配的预测,因为他们想要正确的设备匹配的预测。 但是实际上预测出非匹配的数量会大于预测出正确的匹配数量,所以这大大影响了准确度准确度的计算,使它看起来比它实际情况好多了。换句话说,设备连接图谱的准确性是来自于对不匹配数据准确预测,这实在是让人晕头转向。”

如果准确度是这么定义的话,那么市场上两家被Nielsen判定为准确度极高的概率性设备连接图,也值得令人深思。根据Nielsen, Tapad的设备连接图其准确率达到91.2%。 Drawbridge的准确度更高达97.3%。从另一个角度来比较,AOL在2014年与ComScore合作开展了一项验证项目时,结果准确率也不过为93%——这是一个确定性的数据集。那么,Tapad和Drawbridge的准确度为何如此之高呢? 答案可能在于准确率和匹配率之间的细微差别。虽然匹配率被定义为能够正确连接两个或多个设备多少次,但是准确率包括正确识别的不匹配。尼尔森将来自Tapad图和Drawbridge连接图的样本与来自其自己的第三方的数据作为真实集进行比较。

在Nielsen的测试中,Drawbridge的准确率为97.3%,但匹配率为10.3%。(Tapad没有公开发布其匹配率。)

IPG程序化交易平台Cadreon的副总裁和策略顾问Tyler Pietz解释说:“为了进行研究,我们很容易专注于那些能让你的公司看上去更好的统计数据——但你不能告诉广告客户你的匹配率只有10%。举个具体的例子,如果广告客户拥有100个电脑Cookie,并希望为每个Cookie找到一个相应的移动设备,那么10%的匹配率意味着在100个电脑中只有10个电脑的cookie 找到了它们相应的移动设备”。

在行业中围绕概率方法存在相当多的怀疑,并且跨设备识别和定向投放是否像销售它的供应商说的那样先进也值得怀疑。

如AOL的comScore数字所证明的,即使是确定性匹配也不是每一次都有100%准确度的。

跨设备整合

firstdance1

但这并没有减少跨设备领域的并购。最大的并购是Verizon在5月份以44亿美元收购AOL。Verizon可不是跨设备这场游戏的新手。 2012年,Verizon Wireless以Precision Market Insights的形式推出了一个可寻址的广告部门,其明确的目标是使用移动设备解决消费者身份。Verizon收购AOL的举动看起来像一个明确的迹象,电信巨鳄想要跟Facebook和Google分一杯羹。电信巨头们觉得他们没有及早参与到Facebook和Google长期以来主宰的营销行动中,“Drawbridge首席执行官Kamakshi Sivaramakrishnan说。 ”他们已经意识到,他们的平台在处理一系列交易数据,但他们没有拥有任何一块数据。 这是创建一个强有力的数字帝国的第一步,下一步是使用技术或以更加明确的方式连接设备。 在不久的将来,运营商将是非常活跃的收购方。

Kamakshi 预言的话果然实现了。 1月,Drawbridge的首要竞争对手Tapad被挪威移动运营商Telenor以3.6亿美元收购。

程序化电子邮件平台LiveIntent的首席执行官Matt Keizer写道,电信运营商在跨设备识别和定位方面看到了丰厚的潜力。

Keizer用了“财富之轮(wheel of fortunate)”作为比喻在AdExchanger的一个专栏中阐明了他的观点:Verizon和Telenor具有确定性数据的一部分,就是其设备及其各自的匿名ID。 他们认识到,最大的机会是有机会提高精确度或扩大规模,可以以最佳方式服务于跨设备和渠道的营销人员。 所以他们去购买他们尚未获取的另一部分,即分别采取购买AOL和Tapad的形式。 对我来说,购买这些公司以更接近解决“Wheel of Fortunate”中的谜题是解决是跨设备最明显的方式。 它只是冰山的一角。

译者注:《wheel of fortunate》是CBS在晚间7点档的黄金时段推出的节目,有一个年纪较大的名叫Sajak的男性主持人和一个名为Vannah White 女性主持人主持。 规则非常简单,三名选手转一个标有不同奖金和奖品的大转盘,每转一次可以猜出一个句子中可能存在的字母,如果猜对字母就会显示在大屏幕的相应位置。而你所需要做的就是猜出这个屏幕中的内容,大数情况下,内容都是美国的一些谚语,地点,食物,或者人名。如果全部猜对选手就可以获得转盘上显示的大奖,就这么简单。

此外,1月,Verizon通信的投资部门Verizon Ventures向意向目标平台Qualia投资了550万美元,该平台最近与跨设备供应商BlueCava合并,以利用其各自数据信号的组合。

这是时代的标志,Verizon Ventures执行董事Mark Smith告诉AdExchanger。

“能够采取意图数据和实时数据监测到消费者在哪,这对于跨屏时代是至关重要的 因为当今只看一个数据是不够的,”Smith说。 “两种数据结合起来,他们正在解决您如何投放广告的问题,也能解答移动设备投放是对销量或者决策有什么影响。

未经允许不得转载:版权归宋星及chinawebanalytics.cn所有宋星的数字观 » AdExchanger文章:营销人的跨设备数据识别指南(2016年版)
分享到: 更多 (0)

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址