大量受众数据的积累与丰富的数据分析经验是广告运营优化的基石，有了基石才能决定优化维度的多少，优化维度的细分决定了更科学、更合理、更准确、更节省的出价成交体系，爱点击运营也运用价值判断引导决策原理，使得在完成用户KPI的同时，更合理科学地控制广告投放成本。

1. 决策前每个分支结合点都代表一种排列组合，每个排列组合到最终决策都有一条路径，一种排列组合都会有一个价值判断机制，最后形成各种价值有高有低的组合路径引导运营出价决策，实现最优组合及最低花销比。

2. 找到最具性价比组合后，根据KPI要求，进行复制，同时考虑流量分摊，当最优组合出现流量满足不了时，选择第二档次好组合继续释放流量。

有了DMP, 有个受众数据，强大的算法也是保证广告主最需要的用户能够接收到广告主希望展现的品牌宣传调性。古语云：“物以类聚，人以群分”，这句话不仅揭示了物与人的自组织趋向，更隐含了“聚类”和“人群”之间的内在联系。 爱点击也将古人的智慧结合到现代算法科学中，通过以物拟人，以物窥人的方式，还原用户物理身份背后那个最真实的人物。

关键词标签算法模型

在我们的程序化运营中，有关键词生成人群包定向的操作，这个关键词定向背后就是关键词标签模型所发挥的作用。关键词标签模型就是将某个标签与某个物理身份对应，将用户不同情感梯度的网上行为对应该标签。

如果把关键词标签比作一根竹签，上面串了不同梯度网上行为的糖葫芦。一个用户有不同关键词标签，每个关键词标签的情感梯度也不一样，通过排列组合，将关键词词频触达最多的，情感梯度最深的用户挑选成人群包，作为广告运营优化中一支重要的人群优化条件。许多关键词标签组成关键词标签库，作为受众对象模型的基础元数据。

受众对象算法模型

在我们的程序化运营中，有受众对象人群包定向的操作，受众对象标签模型也基于用户全部关键词标签的深浅度进行加权归一化处理。将用户物理身份对应的全部关键词标签进行权重映射函数分析，刻画出关键词对于用户的重要程度，形成了受众对象标签模型。

可以把受众对象标签想象成一个草桩，上面密密麻麻的插满了不同口味的糖葫芦。有的是重口味的兴趣，有的是轻口味的兴趣。关注度越强，信号越强，该兴趣的口味就越重。受众对象模型又是受众聚类模型的原子单元，可以形象地理解为多维聚类空间中的一个”点”。通过受众聚类算法，将含有相似关键词标签集合的用户聚合在一起，就组成了受众聚类模型。

受众聚类类型

在我们程序化运营中，经常会进行人群兴趣标签优化操作，其背后主要是受众聚类模型算法的支持。将某个兴趣标签口味重的糖葫芦（用户）聚合在一起，聚类算法的宗旨和评判标准是同类对象相似度尽可能大，而各个类之间的相似度尽可能小。

相似或不相似的描述是基于数据描述属性的取值来确定的，通常是用各对象在多维空间中的距离来表示。爱点击将聚类算法进行融合改进，使得整个聚类算法更加符合实际广告投放需求，将分层算法与划分算法结合到一起，克服了偏向发现相似大小和圆形形状聚类的问题；同时在处理高维数据和异常数据时也表现得更加高效稳定。

除了强大的海量数据收集能力与算法支持能力外，爱点击在广告运营优化中也尽量规避潜在的风险。爱点击创建了

1. 异常流量报警机制，对于媒体极短时间内流量爆量制定了接口请求关闭措施；

2. 定向过滤筛查，是对不同定向操作后产生的无流量情况，进行过滤筛查，找出未出流量的问题出在哪个操作环节；

3. 操作日志功能，可以追述过往操作优化中的可取之处。

程序化广告运营中，目前主要是品牌广告为主，但很多时候也会和效果广告作为一个整体，进行全盘优化和分析，配合效果广告提升效果。品牌广告在其中以目标受众的触达，后续行为为主要出发点。

以一家3C行业的客户为例，其主要广告投放在重要电商节之前，以达到电商节中扩大销量的目的。我们程序化品牌广告在电商前的预热广告和电商节后的延续性广告，提升了其在电商平台的销量。

预热期，我们先通过品牌调性素材体现出该品牌定位高端的特性，同时我们根据该3C声音产品的使用场景，制定出了和声音有关的人群调性，从数据中发现真正专注音乐，对音质有要求的专业人士不是占多数，且多数是关注影视音设备的人士。而大多数人是把音乐作为一个背景在相关场景中的应用。

我们在运营优化中将平时喜欢浏览关键词为“比特流”，“降噪阻抗”“频率响应”，“动圈换能器”等高词频用户组成专业人士包，同时对于普通用户，定位在学习场景下的学生人群，健身房场景的健身人士，通勤场景的办公室白领人群（主要是从事设计，广告，动画），游戏场景下的游戏专注人群等。这些受众人群也是根据受众对象模型算法得出的有效人群定向。最后配合效果广告投放，取得不错的电商销售效果。