程序化广告行业（12/89）：需求方与需求方服务深度剖析

程序化广告行业（12/89）：需求方与需求方服务深度剖析

大家好！一直以来，我对程序化广告行业充满了探索的热情，在不断学习的过程中积累了不少有价值的知识。今天就想把这些知识分享出来，和大家一起学习进步，深入了解程序化广告行业中需求方与需求方服务的相关内容。

一、程序化广告的需求方构成

程序化广告的需求方主要包括广告主和代理商，根据广告投放目的和业务类型，又可细分为效果类需求方和品牌类需求方。

（一）效果类需求方

效果类需求方涵盖效果广告主直客和广告代理公司。效果广告主大多来自游戏、电商等行业以及其他中小企业。这些企业投放广告的主要目标是提升直接转化效果，比如促进游戏下载、商品购买等，附带进行品牌宣传。由于这类广告主的投放效果较易衡量，例如游戏的下载量、电商的成交量等数据清晰明确，所以他们对程序化广告的接受程度较高，也更愿意尝试新的投放模式。在结算方式上，多数采用预付款形式，不过大预算的广告主可能会要求月结等后付方式。像37、游族等游戏企业，唯品会、京东等电商平台，以及广发、招行等金融机构，携程、同程等在线旅游平台，都是典型的效果类广告主。

（二）品牌类需求方

品牌类需求方包含品牌广告主直客和4A广告代理。品牌广告主直客主要集中在汽车、快消品等传统行业，他们投放广告的核心目的是进行品牌宣传，在此基础上追求转化效果的提升。按照公司规模和投放预算，品牌广告主可分为大型和中小品牌广告主。行业里常说的品牌程序化广告，一般指大型品牌广告的程序化购买。这类大型品牌广告主，如宝洁、伊利、欧莱雅等，广告预算充足，但账期较长，通常为3 - 6个月，这就要求广告供应商具备充足的资金流。

大型品牌广告主的代理商多为4A广告代理公司，分为国际4A和中国本土4A。国际4A有WPP集团、Omnicom集团等知名企业；中国本土4A则有蓝色光标、广东省广告有限公司等。这里的4A最初是美国广告代理协会的简称，该协会对成员公司标准严格，成员多为大规模综合性跨国广告代理公司，如今“4A”已成为国际品牌广告代理公司的代名词，不一定特指协会成员。中国4A是中国商务广告协会综合代理专业委员会的俗称，由各地广告公司发起成立，如1996年广州成立的4A协会，成员包含本土和外资公司。

二、需求方服务之需求方平台（DSP）

（一）DSP的进入者类型

DSP为需求方提供实时竞价投放平台，不同类型的企业通过不同方式进入DSP领域。

• 广告代理或广告网盟转型：这类公司因手握大量广告主资源，切入DSP具有天然优势。他们可以组建技术团队自主开发DSP，也能购买技术解决方案进行私有化部署，还可以直接收购DSP公司，好耶就是这类转型的典型代表。
• Ad Exchange或SSP布局：这些公司本身掌握大量流量资源，为了直接对接广告主资源，凭借自身已有的技术能力，通常选择组建团队开发DSP，百度、阿里、腾讯、优酷等公司都是如此。
• 纯技术公司切入：一些纯靠技术起家的公司，看好程序化广告领域的发展前景，利用自身技术优势迅速切入DSP行业，舜飞|BiddingX是其中的代表。
• 大预算广告主自建：大预算广告主，像携程、网易等，由于投放预算充足，一方面希望高效利用自有数据提升投放效果，另一方面追求投放过程的透明化，所以选择组建技术团队开发DSP或购买技术解决方案进行私有化部署。

（二）DSP的平台类型

DSP有多种分类方式，不同类型的DSP在业务模式、服务对象和资源对接等方面各有特点。

• 按资源业务分类：分为纯DSP和混合型DSP。纯DSP，如舜飞|BiddingX、品友DSP等，专注于对接Ad Exchange进行广告投放；混合型DSP除对接Ad Exchange外，还会自建Ad Network或广告交易平台进行流量采购，360点睛（原聚效DSP） + 360 MAX（原聚效Ad Exchange）就是混合型DSP的代表。
• 按对接资源和服务对象分类：有纯Web端DSP、移动DSP、跨屏DSP、DSP +等类型。纯Web端DSP主要对接Web端流量和服务对象，目前正向跨屏DSP方向发展；移动DSP专注于移动端流量和广告主；跨屏DSP整合了PC和移动的流量，实现多端投放；DSP +则根据不同维度进一步细分，如按广告主类型、垂直行业、资源类型等划分，但实际中效果DSP也常服务品牌客户，纯效果DSP较少见。
• 按所有者背景分类：可分为第三方独立DSP和大型媒体私有DSP。第三方独立DSP，如舜飞|BiddingX、品友DSP，通过接入各类Ad Exchange/SSP流量进行竞价投放；大型媒体私有DSP，像腾讯DSP、新浪DSP等，依托自身媒体流量开展业务。

三、代码实例：模拟DSP广告投放决策过程

下面通过一段Python代码模拟DSP在广告投放时的决策过程。假设我们有多个广告主的投放需求，以及不同的广告位资源，DSP根据广告主的出价、目标受众匹配度和广告位质量等因素来决定广告投放。

# 广告主数据，每个广告主是一个字典，包含广告主ID、出价、目标受众标签
advertisers = [
    {"advertiser_id": 1, "bid": 2.5, "target_audience": ["sports", "tech"]},
    {"advertiser_id": 2, "bid": 1.8, "target_audience": ["fashion", "beauty"]},
    {"advertiser_id": 3, "bid": 2.2, "target_audience": ["travel", "outdoor"]}
]

# 广告位数据，每个广告位是一个字典，包含广告位ID、质量得分、受众标签
ad_slots = [
    {"slot_id": 101, "quality_score": 0.8, "audience_tags": ["sports", "tech"]},
    {"slot_id": 102, "quality_score": 0.6, "audience_tags": ["fashion", "lifestyle"]},
    {"slot_id": 103, "quality_score": 0.7, "audience_tags": ["travel", "outdoor"]}
]

# 模拟DSP广告投放决策函数
def dsp_ad_placement(advertisers, ad_slots):
    placement_result = []
    for slot in ad_slots:
        best_advertiser = None
        max_score = 0
        for advertiser in advertisers:
            # 计算匹配得分，这里简单假设为出价 * 质量得分 * 目标受众匹配度（有一个匹配标签为1，否则为0）
            match_score = 1 if any(tag in advertiser["target_audience"] for tag in slot["audience_tags"]) else 0
            score = advertiser["bid"] * slot["quality_score"] * match_score
            if score > max_score:
                max_score = score
                best_advertiser = advertiser
        if best_advertiser:
            placement_result.append((slot["slot_id"], best_advertiser["advertiser_id"], max_score))
    return placement_result


result = dsp_ad_placement(advertisers, ad_slots)
for slot_id, advertiser_id, score in result:
    print(f"广告位 {slot_id} 分配给广告主 {advertiser_id}，得分: {score}")

在这段代码中，我们定义了广告主和广告位的数据结构，通过dsp_ad_placement函数模拟DSP根据广告主出价、目标受众匹配度和广告位质量来决定广告投放的过程。实际的DSP决策过程会涉及更复杂的算法和大量数据处理，但这个示例可以帮助大家理解基本的决策逻辑。

写作这篇博客花费了我不少时间和精力，每一个知识点都是精心整理和总结的。如果这篇文章能让你对程序化广告行业的需求方与需求方服务有更清晰的认识，希望你能关注我的博客，点赞评论支持一下。你们的支持是我持续创作的动力，后续我还会分享更多关于程序化广告行业的精彩内容，让我们一起在这个充满机遇和挑战的领域不断学习探索！