在上一篇文章里，我们分享的是流量端的商业化能力主要包含六大模块的第一块：提库存。

在这一篇文章里，核心分享的内容主题是“提升广告的填充率“

广告填充率，指的是当用户有广告展示需求（发起广告请求时），广告后台能够返回用户感兴趣的广告的比例。计算公式是广告的匹配量/用户的广告请求量，即用户与广告的匹配率，对应着广告的召回，表示用户可能感兴趣的广告的集合。

广告填充率的提升，核心在于三点：理解用户，引入广告并理解广告，然后建设各种标签和模型将两者进行匹配。

好比说，我们要卖货，首先要把“人”聚集起来并理解“聚集起来的人”都有什么属性和偏好。

然后针对性的引入更多、行业更丰富的货物（广告），同时对货物进行一定的理解和标记（行业/品牌/品类/关键属性/卖点等）。

然后对不同的用户匹配不同的货品，匹配的过程就是广告召回填充的过程。用户喜欢运动，那么就引入运动鞋、运动饮料、运动衣服等运动相关的商品货物。

围绕这上面广告填充率的提升三大核心点，我们就第一点“理解用户”展开讨论。

首先，对于流量侧的产品，提升广告的填充率，首先要做的是，提升对用户的理解。

对用户的理解拆分两个维度：一个是基础画像标签；一个是兴趣画像标签。

一般的能力建设会有以下几个方法。

一、策略一：完善用户基础画像数据。

基础画像信息，通常指的是用户年龄、性别、地域、常驻地、手机品牌，型号等等。通常是相对固定和客观的信息。

完善用户的基础画像数据，有以下一些方法。

1. 联动画像部门建设基础画像信息。

作为流量侧产品策划对于基础画像的能力建设更多是联动基础画像部门进行优化，需要关注画像标签的覆盖度和准确性。

标签的覆盖率：指的是在全量的媒体产品用户中，被打上标签的用户的占比。比如说，性别的覆盖率，指的是，在产品的用户中，有多少用户被打上了男/女的标签，有多少是未知性别的比例。

标签的准确性：表示被打的用户标签中，通过验证准确的比例。依然用上面男女性别的标签来说，在被打上男性的用户中，通过调研/数据验证等方式，明确是男的比例。

标签的覆盖率和准确率越高，表示对用户的理解越好。

2. 完善用户画像数据，最好可以建设账号体系。

流量产品侧需要关注所负责产品的画像标签的覆盖度，通常通过账号体系关联或者内部统一的用户ID关联。其中账号体系打通效果更好，当然难度会更大。

在基础画像数据的提升方面，拥有账号体系的产品比没有账号体系的产品更有优势。拥有账号体系，可以更好的将多设备的活动和应用进行关联，比如抖音、微信这些强账号体系的产品，即便用户跨设备使用，由于账号背后对应的人是一致的，那么用户画像信息和兴趣行为信息就能很好的收归于一个账号下。跨设备的用户识别就会更加精准。

相反，缺少用户体系的产品，较难处理跨设备跨平台和用户换新设备的数据统一问题。比如用户换手机，没有用户体系的产品，通过设备ID就只能认为这里是一个全新的用户。

下图是字节头条经常提示让用户账号登录。

3. 完善用户画像数据，需要流量侧提升设备ID的覆盖度和准确性。

用户画像的挖掘也是一个比较专业垂直的能力，会有相关的数据画像团队进行支持。作为流量侧的商业化产品策划，要从流量侧的角度入手。主要的优化点在于设备ID信息的覆盖度和准确度、用户设备信息的上报、用户行为数据上报等角度进行优化。

在这里，举一个例子，通常来说，⼴告侧的画像基于某个账号系统进行建设的，比如微信号、QQ号或者抖音号建设。但是其他工具或者信息流产品，比如腾讯的QQ浏览器或者字节的头条APP，⼤部分流量是⽆登录态，需要借助设备ID进⾏匹配（Mapping），需要画像查询后，在广告链路上进⾏应⽤。

所以，流量侧设备ID的上报就显得非常重要，通常优化思路有以下几点：

1）监测Oaid的获取成功率，获取OAID在不同的品牌和机型成功率是不同的，若没有及时更新信通院的SDK，在某些机型上获取成功率可能会很低，整体获取成功率应该在95%以上才是一个较好的获取率。

2）设备ID不同手机厂商大小写的处理，OAID有些会以大写的形式存在，有些会以小写形式存在，一般经过MD5加密后，很可能就匹配不上了。

3）建设统一获取ID的SDK:遇到内部有很多个流量产品（媒体）的情况下，为了更好的统一设备ID能力，最好可以将获取设备ID封装成SDK，这样可以统一标准化采集和加密方案。

4）ID Mapping 选择用户量更大的作为基础：在基础画像的匹配上，选择用户数据量大，数据更精准的应用进行映射匹配更好，比如社交应用，用户的年龄性别信息由于绑定了支付的原因，会比其他社交媒体更准确。所以，在基础画像 年龄、性别、地域上覆盖度和准确度都要更好。

二、策略二，挖掘用户兴趣画像，构建用户兴趣体系

兴趣画像是互联网领域中使用最广泛的画像，互联网广告、个性化推荐、精准营销等领域最核心的标签都是兴趣标签。

标签是用户属性、兴趣、行为等特征的抽象与简化的描述。

兴趣画像主要是从用户海量的行为日志中进行核心信息抽取、统计和标签化。

用户使用时长越长，内容丰富度越高的产品，对于用户的兴趣爱好刻画则越精准。内容型的产品，比如抖音、微信公众号、视频号、小红书等，由于用户长时间的消费内容，因此有大量的用户行为可以挖掘。

因此在构建用户兴趣画像之前需要对用户有行为的内容进行建模。

1. 基于目标建设用户的兴趣标签体系：

构建用户的广告兴趣画像，首先需要有用户的广告兴趣标签体系。

不同场景的标签体系是不同的，比如内容推荐标签体系核心是基于内容类别进行构建的，而广告的用户标签体系则是基于广告行业进行构建的。

广告的兴趣标签体系是基于广告行业来的。也就是说，广告行业的类目体系，直接构成了广告用户的兴趣画像标签体系的基础，他们基本是一一对应的。这一点，在广告用户兴趣画像的建设中相当重要。

比如，广告平台的奶粉行业类目体系是：母婴->奶粉，那么用户浏览相关奶粉内容信息时，兴趣画像的挖掘就应该将这些行为追加到对应的类目体系中，并根据用户的行为计算用户在该标签的权重。这样做的目的是更好理解，解析性更强。

2. 构建标签体系需要分层级，也要挖掘个性化的标签。

用户兴趣标签的挖掘，除了按行业类目进行细分，还需要挖掘个性化的标签。

兴趣画像的挖掘需要注意颗粒度，过细的粒度会导致标签没有泛化能力和使用价值，过粗的粒度会导致标签没有区分度。

例如用户在购物平台上看了“美素佳儿奶粉2段”这一商品，如果以单一商品进行兴趣画像就会显得画像过细，结果是只知道用户对“美素佳儿奶粉2段”有兴趣，在进行商品推荐时，也只能给用户推荐这款产品，从而缺乏泛化能力。

如果以食物作为兴趣画像，又会显得过于宽泛，如果给用户推荐”儿童饼干 ”可能又过于宽泛，从而导致推荐不够精准。

常见的做法是，给构建用户画像的时候，进行层次化的类目标签体系（主体或实体标签->三级类目标签->二级类目标签->一级类目标签）。

同时，建立不同的行业圈层不同的圈层对应不同的用户定义，在广告进行召回的时候，既从类目体系中进行匹配召回，也从不同圈层中进行召回。

下图是以游戏人群层级的示例个性化标签：

以上是关于加深用户理解，从而精准的对用户的需求进行刻画，有的放矢的扩展广告行业，提升广告填充率的方法。

接下来会从广告主角度来展开，如何提升广告的填充率。

未完待续......