XANDR数据科学高级总监Samuel Seljan

数字和电视广告（曾经在文化和技术上有不同的生态系统上）最终融合，以改善营销人员的目标和吸引消费者的目标。

随着收视习惯从传统的线性电视转移到支持互联网的连接电视（CTV）或其他视频点播选项时，广告商努力努力以大规模吸引观众。有趣的是，可以使用一些用于将数据从电视受众推广到数字受众的相同技术可用于将可寻址的数字库存转化为不可原谅的库存。

自动捕获和分发数据

广告技术公司是大数据，机器学习和人工智能的早期采用者。很容易理解原因。

网站和应用程序生成了广告商可以用来实现可量化目标的大量数据。自动化绩效广告的关键方面是可行的，对当今的营销人员来说是有意义的。结果，大型科技公司以及独立的广告科技公司已经大规模地应用了机器学习，并取得了巨大的成功。

但是，电视广告依靠传统的面板数据来衡量广告范围。这些数据虽然严格生成和建模，但对数字广告中使用的技术的不太适合。

机器学习在中小型数据集上根本无法正常工作。基于树木的方法，例如随机森林，梯度增强的树木和深度神经网络，可以自动学习输入变量（功能）和目标变量（例如点击）之间的复杂关系的过程。

但是，当与较小的数据集一起使用时，这些方法通常无法将信号与噪声区分开。可以对数据分布方式做出假设的统计方法往往更有效。

广告客户正在采用其他创新来破坏传统的电视广告购买。数据驱动的线性（DDL）购买使用具有丰富受众描述的示例数据，以推断出更多汇总数据的特征，例如网络上的斑点和日间级别。

尽管与机器学习的规模不同，但优化DDL广告系列仍然需要准确的预测和高效，复杂的优化例程。

使用适量的数据来衡量性能

两种媒介的性能测量相似。

尽管数字广告利用逐渐融合的事件来培训复杂的，有监督的学习模型，但衡量电视广告的有效性更具挑战性。但是，精明的电视购买者可以使用网络和应用分析，面板调查以及其他方法来优化购买方式。

当电视广告包含数据的价值时，数字广告将面临着巨大的反击太多了数据。政府和工业隐私法规已经消除了使机器学习技术成功的大部分燃料：即，与交易事件和广告曝光相关的大量个人级别标识符。

尽管归因建模远非完美，但机器仍可以对应该显示哪些广告的价格以及以什么价格进行显示。

预测广告的未来

那么，调节后数字广告商的下一步是什么？他们肯定会比复制线性电视的型号更糟。线性电视是不可生育的，但是DDL使其更有效。

同样，广告科技公司可以开发技术来从示例数据中学习，根据其上下文来推断该数据，并利用这些发现为买卖双方提供更强的结果。

最终解决方案看起来不像DDL。即使随着隐私政策的变化，还有更多的数字数据。广告商仍然可以根据上下文关注定位。结果，任何新解决方案都可能使用机器学习。但是，在电视广告中，数据科学家将不得不仔细校准模型的统计输出。在Xandr，我们已经在开发这些方法 - 它们表现出巨大的希望。

例如，我们可以根据广告请求中许多功能的复杂组合来预测细分爱游戏PT电子用户的成员资格。比逻辑回归（如逻辑回归）更复杂的增强算法更准确。

同时，上下文受众是推理的，因此买家可以通过购买上下文细分市场来知道他们可以接触多少人。典型的监督学习模型不太适合解决这种拼图，因此我们将其作为统计公式呈现，其中了解人群的某些内容提供了基本的见解。

广告行业将继续努力应对目标和身份的未来。同时，可以使用和融合电视和数字广告中使用的最佳技术的数据科学家可以在越来越注重隐私意识的世界中实现强大而精确的目标。