在本质上，互联网上的程序化广告是一个系统，众多广告商和发布商可以无缝地购买和销售广告。交易过程主要是自动化的，广告商无需直接与发布商互动。广告商根据展示次数购买广告，以针对特定的受众群体。这种方法提供了传统媒体购买无法匹敌的速度和效率[1]。
有不同的程序化广告模型。在公开市场或公开竞拍中，任何人都可以参与。出价最高的广告将显示。另一方面，程序化直接的访问权限受到一定的限制。程序化直接有三种形式：私人市场场、优先交易和保证性程序化交易。
只有特定的广告商可以在私人市场进行竞标，而在优先交易中，发布商更具控制权，没有拍卖。在保证性程序化交易中，双方事先就一切达成一致。与之前不同的是，广告商决定广告的外观[2]。
我认为程序化直接模型对较小的广告商不太友好。它们更像是旧的广告方式，涉及广告商和发布商之间漫长的谈判。因此，它们无法解决下面讨论的问题。
程序化广告从传统媒体购买中带来了巨大的变革，为广告商和发布商带来了好处。**它更快、更准确，通常也更便宜，因为它使用实时数据。**广告商更明智地花钱，根据展示次数购买广告。此外，在程序化广告中，广告商购买所需的用户配置文件（基于第三方数据），而不是特定的发布空间。由于这种方法，达到目标受众的概率增加。此外，广告商可以获得即时数据，让他们能够即时调整广告活动。他们不再局限于少数几个发布商，拥有更多的自由。因此，对于关注每一分钱并希望获得有针对性广告的小型企业而言，程序化广告非常适用。
发布商也喜欢程序化广告。他们可以与较少的大型广告平台合作，而不是与许多小客户合作，从而简化了任务，例如跟踪广告活动和计费。逐个出售广告视图还可以让他们获得更多的收入，因为库存利用率更高，价格更高。
对于观众来说，程序化广告意味着更好、更个性化的广告。这可以通过为他们特别挑选的广告来改善他们的在线体验。至少从理论上讲是这样的。
欺诈是一个大问题。大约37%的广告购买者担心来自机器人和劣质供应商的假流量[3]。大约40%的在线流量来自机器人[4]，虽然并非所有的机器人都有害，但其中一些对广告商造成巨大损失。
品牌形象是另一个问题。在某些程序化方法中，人类对广告出现的位置几乎没有控制权。广告商可能希望他们的广告出现在特定的网站上以符合品牌形象。但是，在保证性程序化交易模型之外，这种自主权有限。广告有可能出现在不适当的网站上。
测量是棘手的。近一半的公司发现程序化广告的指标不一致。尽管程序化广告被认为是准确的，但它并不总是会带来更好的结果。随着程序化广告的普及，许多机构迅速雇佣人员，意味着一些员工并没有完全掌握这项技术。特别是数字广告，尤其是程序化广告，需要具备良好的数据技能的人。然而，许多机构可能没有正确的专家[3]。
程序化广告可能承诺良好的回报，但它可能比其他方法更昂贵，而且需技术知识，这可能会使一些公司望而却步[5]。更糟糕的是，一些机构利用这一点，在复杂的合同中隐藏了高额费用。他们曾经从客户的广告支出中获得高达65%的费用。但随着事情变得更加明显，这一比例已经降低。现在，美国的这些费用平均为20%[3]。
广告商的目标是确保真正的受众看到他们的广告，并只为那些具有真实观看潜力的观众付费。道德的程序化广告公司通过在各种平台上使用各种策略，包括直接和全渠道购买，为最相关和参与度最高的受众优化广告投放。
确切地知道广告是否被观看是很重要的。这与目标受众和广告出现的位置等因素相混合。根据IAB东南亚可视性报告的数据，广告被观看的时间约占53%。但并不是所有的观看都是相同的。例如，在Facebook上快速滚动时看到的广告可能比普通的显示广告更有价值，即使两种广告的观看次数相同。
在程序化广告这个动态领域中出现了一些挑战，从欺诈流量到品牌广告投放的复杂性。大型语言模型（LLMs）是否可能成为行业一直在等待的改变游戏规则的因素？
在估计的互联网流量中，非人类流量占大约40%，区分真实用户和机器人变得至关重要。LLMs可以分析大量的数据集，识别与机器人活动有关的模式和异常，确保广告商真正获得物有所值。
示例：OpenAI的GPT-4与Noteable插件可以分析流量数据，发现与机器人行为一致的模式。通过训练模型识别已知的机器人行为，广告商可以预先过滤非人类流量，确保他们针对真实用户进行定向。
在下面的逐步视频教程中，我展示了如何进行类似的分析。
确保广告出现在与品牌相适应的环境中至关重要。LLMs可以实时分析网站内容，确定其是否与广告商的品牌价值相一致，从而防止潜在的公关灾难。
示例：利用BERT的自然语言理解能力，它可以实时审查网站内容。例如，如果广告商希望避免涉及政治的内容，BERT可以标记可能涉及此类主题的潜在网站或页面，帮助品牌保持中立。您可以在这里了解BERT与GPT-3的区别这里。
在下面的视频教程中，我展示了如何使用ChatGPT和Scraper插件来比较两个不同的网站。
在广告领域中，明确的指标至关重要。LLMs可以解析复杂的数据集，提供关于哪些指标重要以及简化决策过程的见解和建议。
示例：可以使用Transformer架构设计一个工具来分析复杂的广告指标。根据原始数据，它可以提供诸如“您的广告在工作日晚间的参与度最高”之类的见解，或者建议调整策略。
数字广告定价的世界常常被笼罩在神秘之中。LLMs可以分析合同，突出隐藏费用，确保广告商对每一分钱的支出都有充分了解。
示例：T5（文本到文本转换变压器）可以扫描和总结冗长的广告合同，突出与成本相关的关键条款。这可能意味着广告商的所有潜在费用的即时分解，确保完全透明。
在下面的教程中，我放置了一个链接到我的频道上。在这种情况下，我使用AskMyPDF插件和ChatGPT分析了一个程序化合同。
广告的可见性是广告中的金标准。LLMs可以评估广告的真实参与度，确定是否达到预定的受众，并提供优化放置的见解。
示例：RoBERTa凭借其对上下文的精细理解，可以评估广告放置的质量。如果广告位于相关内容的中间位置，它更有可能真正被观看，RoBERTa可以帮助评估这种放置方式。
该行业面临的挑战之一是对技术缺乏深入理解。LLMs可以作为按需教育者，提供解释、见解和澄清，弥补知识差距。
示例：ChatGPT等平台可以作为广告团队的随时咨询师，提供有关技术术语的澄清，提供有关活动表现的见解，甚至提供优化建议。它们可以用于生成各种工具提示，当广告商尝试设置他们的第一个程序化广告活动时显示。
在复杂的程序化广告领域中，出现了诸如广告欺诈、品牌错误投放和指标混淆等挑战。然而，大型语言模型（LLMs）的出现提供了一种有希望的解决方案。凭借其检测欺诈模式的能力、确保与品牌一致的广告投放、简化指标和提供合同透明度，LLMs有望彻底改变这个行业。在我们航行这个数字时代时，程序化广告与LLMs之间的协同作用可能是广告商一直在寻找的变革力量。