程序化广告行业（49/89）：平台对接与用户识别技术全解析

程序化广告行业（49/89）：平台对接与用户识别技术全解析

大家好！在之前的博客中，我们逐步探索了程序化广告行业的诸多重要内容。一直以来，我都希望能和大家一起深入学习这个领域的知识，共同进步，这也是我持续分享的动力。今天，我们将继续深入探讨程序化广告中DSP与外部平台对接的更多细节，以及关键的用户识别与ID映射技术。

一、DSP与Trading Desk及PDB的对接要点

1. DSP与Trading Desk对接
   • 对接方式差异：DSP与Trading Desk（TD）对接主要有API和Pre - bid两种方式。采用API方式时，如果TD只对接报表查询接口，广告投放由DSP平台负责，TD仅能查询投放数据；若TD同时对接报表查询和投放策略设置接口，广告主可在TD平台设置活动策略，DSP依据这些策略出价 。而Pre - bid对接则是DSP在出价前将流量转发给TD，TD结合自身投放策略和DMP数据做出价决策并反馈给DSP。在这种方式下，TD在活动策略设置上更具自主性，比如可利用自有DMP数据，且能横跨多家DSP平台实现预算和频次控制。
   • 对接关键考量：Pre - bid对接对延迟时长要求极高，由于RTB竞价要求DSP在100ms内返回出价响应，所以DSP通常要求TD在20 - 30ms内返回出价决策，否则视为不出价。因此，双方对接前需进行延迟性测试，且同源机房的对接效果更佳。此外，在正式投放前，执行方要使用TD进行小量投放并测试对数，确保双方数据差异在标准范围内，避免后期争议。
2. DSP与PDB对接
   • PDB模式特点：PDB（程序化直接交易）模式的核心是保价保量，买卖双方需确保按照约定的流量量进行交易。采购流量有两种方式，100%采购模式操作相对简单，但无法挑选受众，可能造成广告费用浪费；1:1.5退量模式则允许买方挑选目标受众，流量质量更高，但对广告投放平台的技术要求也更高，需要精准把控退量计算。
   • 退量算法关键：在1:1.5退量模式中，退量算法至关重要。简单的固定退量比方式并非最优，因为渠道流量存在波动，可能导致目标受众覆盖率偏低。最优的退量算法是结合目标退量比例、历史退量比例和上一分钟的退量比例，进行分钟级的实时动态调整出价比例，以确保投放更多目标人群并保证整体退量比。

二、用户识别与ID映射技术剖析

1. 用户识别原理
   • PC端的困境：在PC端，通常使用cookie来标识用户，但cookie存在诸多问题。其生命周期较短，一般3个月左右就会过期，而且容易被电脑管理软件清理。一旦cookie过期，重新“种”的cookie无法与原cookie匹配，导致无法识别同一用户。此外，不同浏览器的cookie相互独立，不同技术平台“种”的cookie命名规则和所属域名不同，使得各平台间无法共享数据，除非建立cookie映射关系。
   • 移动端的优势：移动端相对稳定，安卓使用Android - ID或IMEI号，iOS使用IDFA号来识别用户。这些设备号ID周期稳定，且各技术平台获取的设备号ID一致，能更准确地识别用户。
2. cookie映射技术
   在程序化广告的流程中，不同参与者对PC用户的cookie命名方式不同。为了识别同一用户，就需要cookie映射技术。通过这种技术，可以将不同参与者的cookie串联起来，实现对同一用户的追踪和识别，从而为精准广告投放提供支持。

三、代码示例：模拟PDB退量算法

下面用Python代码模拟一个简单的PDB退量算法，帮助大家更好地理解其实现逻辑。假设我们已知目标退量比例、历史退量比例和当前分钟的流量数据，通过算法来决定是否对当前流量进行曝光。

# 假设目标退量比例为0.3，历史退量比例为0.25
target_return_rate = 0.3
historical_return_rate = 0.25


def pdb_return_algorithm(current_flow, target_user_flag):
    # 假设每分钟流量波动范围在80 - 120之间
    flow_fluctuation = 100 + (current_flow % 40) - 20
    current_return_rate = (historical_return_rate * 0.4 + target_return_rate * 0.6) * (1 + (flow_fluctuation - 100) / 100)
    if target_user_flag:
        return True
    else:
        if current_return_rate > target_return_rate:
            return True
        else:
            return False


# 模拟当前流量为100，是否为目标用户为False
current_flow_example = 100
is_target_user = False
result = pdb_return_algorithm(current_flow_example, is_target_user)
if result:
    print("对当前流量进行曝光")
else:
    print("不曝光当前流量")

上述代码只是一个简单的模拟示例，实际的PDB退量算法会更加复杂，需要考虑更多的因素和数据，但通过这个示例，大家可以对退量算法的基本思路有一个初步的认识。

写作这篇博客花费了我大量的时间和精力，从复杂的平台对接知识到技术细节的梳理，再到代码示例的编写，每一步都希望能帮助大家更好地理解程序化广告行业。如果这篇文章对您有所帮助，希望您能点赞、评论支持一下，也请关注我的博客，后续我还会继续分享更多相关知识，咱们一起在这个领域不断探索、共同进步！