GCP 簡介及 AD Tech 應用趨勢

Speaker: Harry Lin, Google Cloud Customer Engineer Lead

• Challenges
  • Data lives in silos
    • 資料是各自獨立的
  • For marketers - especially difficult to get a single view
    • Web Analytics, SEM, Ad Server, DSP, ...
  • Understading your customer?
    • 資料完全分散，無法連結的話就無法得到有價值的資訊，也就無法瞭解使用者。
• How can Google Cloud help you?
  • Google Analytics
    • Features
      • Acquisition & Behaviour Report
      • Enhanced e-commerce
    • Scenarios
      • 有多種不同的資料來源
        • 有 GA 的資料
        • 有自己收集的資料
        • 有跟其他合作伙伴拿到的資料
    • Insight 1-2-3
      1. Collect the data
         • BigQuery Data Transfer Service: Adwords, Double Click, Youtube
         • Direct Connectivity: Google Analytics 360 Suite, Firebase
         • Connectivity via Partners: informatica, Segment, talend, ...
         • 三種途徑將所有的資料都匯入 BigQuery
      2. Cleanse the data
         • BigQuery (Raw Data) => Cloud Dataprep (Data Analysts), Cloud Dataflow (Data Engineers) => BigQuery (Clean Data)
      3. Analyze & Visualize
         • Analyze: BigQuery, Microsoft Excel, Google Sheets, JDBC/ODBS connectors
         • Visualize: Google Data Studio, tableau, looker, BI/Analytics
• Attribution Modeling: Which of my Channels Drive the Most Success?
  • Multi-channel
    • 透過結合不同的 Custom ID，將資料一起灌到 BigQuery 分析，把使用者的行為連接起來。
      • Youtube, DoubleClick, Adwords, CRM
    • Cookie based or Session based mapping 得透過 CRM 的 Custom ID 連接
  • Data lifecycle on Google
    • Capture
    • Process
    • Store
    • Analyze
    • Use
  • Segment high value customers by behaviour
    • Fantasy Bingers
    • Action Weekly Tune-ins
    • Nightly Updates
    • Touch-and-Go Nature Clippers
  • Ingest Data into BigQuery
    • 有乾淨整理好的資料才能訓練出有用的模型，否則只是 garbage in, garbage out.
    • Indigest Data
    • Transform Data with Dataflow pipeline
    • Customer-Segmentation using ML/Clustering
      • Google Cloud Datalab
• Snapchat
  • QPS second only to Gmail
  • Bandwidth second only to Youtube
  • Monetization - Ads and Geofilters
    • In-App Image Search
    • 3V - Vertical Video Views
    • Custom Geofilters
    • Early Adopters

AD Tech 在 GCP 上的應用技術簡介及國外案例

• Impact of Maching Learning
  • 資料分析運用四大階段
    • 描述型分析：發生了什麼
    • 診斷型分析：為什麼發生
    • 預測型分析：未來會不會發生
    • 指示型分析：如何讓它發生
  • 汽車業
    • 物件偵測
    • 自動駕駛
  • 醫療業
    • 醫療影像辨識
    • 個人化投藥
  • 金融業
    • 金融趨勢分析
    • 異常偵測
      • 盜刷
      • 是否被詐騙
  • 電商
    • 分析使用者行為
• Impact of Ad Tech
  • 精準投放
  • Programmatic Buying
  • Media Planning Flow
    • What?
    • Who?
    • Where?
    • When?
    • How much?
  • Recommendation Engine
    • 相似廣告推薦
    • 相似廣告受眾推薦
    • 即時性推薦
      • 根據使用者當下的時間點、地點、溫度、溼度做推薦
  • Personalization
    • 抓出受眾的各個特徵
      • 比較不容易得到的是偏向心理層面的特徵，可能得透過平常的行為去進行分析。
    • 86% 的消費者證實個人化行銷會影響他們的購買決策
  • Audience Classification
    • Predict Click
      • 將有點擊廣告和沒點擊廣告的歷史資訊拿來訓練出模型，之後就可以拿來預測是否會點擊廣告。
      • 更複雜一點的就可以再加入更多的條件去做分類
  • Clustering
    • Lookalike audience
      • 可以達到不需要浪費過多的資源就達成有效的廣告頭放
  • Smart Bidding: Right time, Right user, Right bid
    • Google Adwords: 將行銷列表、時間、瀏覽器、作業系統等等作為競價條件
    • Real Time Budget Allocation
      • 不同的時間點設定不同的競價條件，達到即時動態調整預算，節省開銷且提升精準度
  • Cases
    • MainAd
      • 捨棄描述型的分析，採用了預測型的分析
        • 描述型分析：先競價、再驗收、後預測
        • 預測型分析：先預測、再競價、後驗收
    • Jivox
      • Creative Optimizer
      • Ad Content Recommendation Engine
      • Dynamic Audience Scoring
      • 作法
        • Know => Personalize => Engage
• 總結
  • 只要有最佳化、預測的需求，就有機會利用 ML 達到最好的成果。

Google Cloud Platform 客戶實例分享

• 禾多
  • 推播
  • Firebase
  • 一天約上百萬到上千萬則推播
  • Datalab
    • sklearn, TensorFlow
• Koodata
  • 從 AWS 轉換過來
  • 機房在台灣，速度比較快
  • AI 相關應用
  • 因為有使用 Google Adwords
• GMobi
  • IoT，最近新增了手機廣告平台
  • 需求：Realtime, Scalibility, Pricing, Reliability
• UrAd
  • Data Source 較多元，得經過非常多的處理。
  • Data business 相關的架構轉移到 GCP
    • Pub/Sub
    • 分析：Dataflow, Dataproc, Dataprep
    • 儲存：BigQuery, Cloud Storage