| 文/周本能（华扬联众数字营销研究院研究项目总监）
如果听过Bryan Adams为1991年电影《侠盗罗宾汉》创作的名曲“(Everything I Do) I Do It For You”，恐怕很难想象这支如此动人的作品在电影制作过程中曾被枪毙掉，几乎胎死腹中。
类似情节在广告创意环节并不罕见。广告主的预算总是有限的。以前就算有无数好创意，也只能千军万马过独木桥，留下一支（或者几支）幸运的稿子，进入最终投放。这个过程中，如何让好创意不被误杀很关键。
在采用程序化创意方法后，局面有所改观——再不必严格杀掉我们那些拿不太准的稿子，从而留下更多可能成功的作品，然后同时投放成百上千个创意版本。看上去这比以前已经进了一大步，但同时另一个问题也凸显出来——如何能客观地保障数量如此多的版本中每一支广告的品质？
一直以来，我们主要依赖的是广告主自身及专业创意人士的判断。他们认为消费者希望看到什么、喜欢看到什么，就选择哪个。如果离目标受众更近一步，则会在正式投放前进行小规模的A/B 测试，然后再根据结果决定是否让广告大规模投放。
但程序化创意所产出的版本实在是太多了，传统方法不能完全适用。有更好的方法吗？
现在有了。这就是今天要说的“动态创意优化”（Dynamic Creative Optimization，以下简称DCO）。简言之，DCO是在多版本广告投放的过程中，根据受众反应来评估创意传播效果，动态调整不同创意版本的投放策略（比如曝光量分配），从而实现广告活动整体效果优化的机制。
让受众自己选举创意
“黑猫白猫，抓到老鼠就是好猫”。
与以前靠预先洞察和经验筛选创意作品不同，DCO直接让最终受众用行动投票，选举喜爱的广告创意。
DCO在广告投放过程中，利用监测数据来观察受众的行为反应，判断其接受程度。例如，从广告页面的停留时长可以推断他们对广告内容是否感兴趣，从点击率、互动率、转化率等数据指标可以了解他们的参与意愿。
把多个版本的广告创意作品数据进行比较，就能清晰地识别出哪些版本更受欢迎，传播效果更好。如果配合投放过程中所获得的人群属性信息，还可以进一步观察不同人群对创意版本的偏好差异。
需要强调的是，DCO的最终目标往往不是要筛选出一个表现最佳的创意版本，而是筛选出一组表现最佳的创意版本。
实时迭代，优化投放策略
“天下武功无坚不破，唯快不破”。
基于实时更新的广告创意效果数据，DCO就可以对广告创意的投放策略不断调整，实现快速纠偏和动态优化。
在DCO前期，大量创意版本同时投放，需要利用优化规则参数设定，快速将创意版本数量收敛到适合于本次广告活动投放量的规模。通常情况下，这个过程可能会持续几天。
此后，各广告版本的曝光量分配比重便会逐渐趋于稳定。最终，保持某些差异化创意版本获得合理的投放量分配，而不是过度集中于极少数版本，就获得了一个适度优化的创意群组。
整个过程中，创意作品的物料会通过DCO平台批量更新，不需要媒体再次介入，因此即便是针对同一个广告位，也可以提供不断变化的多版本广告内容。
计划跟不上变化，没有哪种策略能够一贯正确，这在互联网环境中尤其明显。有了DCO的动态优化能力，创意群组就可以在实际投放中不断迭代，从而形成具有实效的媒介投放资源分配方案。
程序化创意的好搭档
“存在即是合理，成功即是正确”。
从一群创意中选出最好的进行投放，让广告的效果最大化，这是即将成为过去的逻辑。当广告创意能够多到确保其中有足够数量的好作品，又有能力在投放过程中随时调整时，最佳的优化方法就不再是人为地事先过度筛选，而是把足够的空间留给DCO，让受众来投票。
因此，与程序化方式所产出的海量创意相配合，DCO的潜力才能够得到最大发挥。利用DCO将海量创意优化成合理的创意群组，其结果产生的过程同时也是证明过程。
DCO的好处并非仅限于此，它还有许多延展空间。例如，通过轮流曝光不同的广告内容，我们可以降低受众的审美疲劳，同时获得不同受众对细分创意的偏好数据，这对后续的创意和投放都能产生许多帮助。比如……
嗯……问个问题。
你喜欢卡通电影《大圣归来》中的哪个角色？
大圣？小和尚？老和尚？天蓬元帅？大boss？
都不是？
难道你喜欢长得跟史莱克一样的山妖？！
好吧。
萝卜青菜各有所爱，我知道啦。 |
|
|
|
