目录
1.5 在线广告简史
一、史前时代：传统广告的数字化胚胎（1994年之前）
二、启蒙时代：展示广告的诞生与门户辉煌（1994-2000）
三、搜索时代：关键词与意图经济的崛起（2000-2007）
四、社交与程序化时代：用户定向与自动化交易（2007-2015）
五、移动、原生与智能时代（2015至今）
六、变革前夜：隐私计算与后Cookie时代（当前与未来）
总结：历史的启示
第2章 计算广告基础
2.1 广告有效性原理
一、心理层：个体反应的微观机制
1. 信息处理与说服路径
2. 认知、情感与意动的经典序列
3. 记忆与品牌资产的建立
二、市场层：信息经济学的宏观解释
三、实证层：可测量与可归因的因果科学
1. 增量提升（Lift）——因果效应的黄金标准
2. 归因模型（Attribution Modeling）——贡献度的科学分配
四、计算广告系统的有效性框架：eCPM公式的再解读
五、业界视角：有效性的实践辩证法
1.5 在线广告简史
要真正理解今天高度复杂和智能化的在线广告生态，我们必须回溯它的起源与演进。在线广告的历史，远不止是几个创意形式的变迁，它更是一部技术、商业与监管三方力量交织驱动的进化史。这段历史清晰地划分为几个时代，每个时代的更迭都伴随着核心资源的转移、关键技术的突破以及市场权力结构的重塑。本节将沿着时间线，为您呈现一幅波澜壮阔的在线广告发展全景图。
一、史前时代：传统广告的数字化胚胎（1994年之前）
在线广告并非凭空诞生，它的基因深植于传统广告的土壤中。
直接营销（Direct Marketing）的遗产：邮购目录、电话销售和直邮广告，已经蕴含了“可衡量、可追踪”的朴素思想。它们建立了通过客户名单（早期的“第一方数据”）进行针对性沟通的模式，并试图追踪每一份邮寄带来的订单。
大众媒体广告的局限：电视、报纸、杂志广告虽然能塑造品牌，但其效果衡量模糊（“浪费的一半”），且与销售之间的因果链条漫长而脆弱。
技术准备：万维网（WWW）的发明和早期浏览器的出现，为信息展示和超链接交互提供了技术平台。一个全球性的、可编程的、可交互的媒介已经就绪。
总结：这是一个理念（可衡量营销）等待一个技术（互联网）的时代。
二、启蒙时代：展示广告的诞生与门户辉煌（1994-2000）
标志性事件：1994年，第一个可点击的横幅广告。
出现在HotWired（《连线》杂志的网络版）网站上，为AT&T等品牌投放。广告语是“你用鼠标点过这儿吗？点这儿”，点击率（CTR）高达惊人的44%！这证明了网络广告的可行性。
商业模式：合约广告（直接销售）。
模仿传统媒体，按千次展示（CPM）或固定位置/时间打包售卖。销售依靠人工谈判和合同。
行业格局：门户网站为王。
雅虎（Yahoo!）、美国在线（AOL）、Lycos等门户网站聚合了早期互联网的大部分流量，成为绝对的广告资源控制者。广告形态以横幅和弹窗为主。
技术萌芽：
广告服务器（Ad Server）出现，用于管理广告素材的投放和简单的曝光计数。
1995年，双击公司（DoubleClick）成立，推出了首个集成的广告投放与监测平台，奠定了广告技术（AdTech）的雏形。
商业逻辑的核心：售卖“流量”本身。广告被视为“流量变现”的直接手段，价值取决于网页的访问量（PV/UV）。这是一个媒体中心化的时代。
泡沫与转折：1990年代末的互联网泡沫催生了大量“.com”公司，它们疯狂投放广告以获取用户，推高了广告价格。泡沫破裂后，市场开始理性思考广告的真实效果。
三、搜索时代：关键词与意图经济的崛起（2000-2007）
标志性事件：谷歌AdWords（后称Google Ads）的推出与演进。
2000年，谷歌推出自助式关键词竞价广告系统。最初是按展示付费，2002年改为按点击付费（CPC），并引入质量度（Quality Score）和广义第二高价（GSP）拍卖机制。这彻底改变了游戏规则。
商业模式：竞价广告（拍卖模式）。
从“买固定位置”变为“买用户意图”（关键词）。广告主为每次点击（CPC）出价，系统根据“出价×质量度”进行排序。中小广告主得以精准投放。
行业格局：搜索引擎成为新王。
谷歌凭借其无可匹敌的搜索流量和高效的广告系统，成为在线广告的新霸主。在中国，百度复制了这一成功。广告联盟（Google AdSense）出现，将长尾网站流量货币化。
技术革命：
拍卖算法：GSP机制激励广告主诚实出价，维持了市场稳定和效率。
相关性技术：质量度算法迫使广告主提升广告与关键词的相关性及落地页质量，改善了用户体验。
效果追踪：点击成为可清晰归因的效果指标，广告从“品牌建设”走向“效果衡量”。
商业逻辑的核心：售卖“用户意图”。广告的价值与用户当下、主动表达的需求直接挂钩，转化路径极短。这是一个意图中心化的时代。
意义：搜索广告证明了基于算法的、可衡量的效果广告的巨大威力，为整个行业树立了效率和规模的标杆。
四、社交与程序化时代：用户定向与自动化交易（2007-2015）
标志性事件：
Facebook信息流广告上线（2007/2012）：2007年推出社交广告，2012年推出基于News Feed的信息流广告，将广告与用户社交关系和兴趣深度绑定。
实时竞价（RTB）的成熟与普及（2009年起）：多家公司（如Right Media被雅虎收购、Google推出AdExchange）推动RTB协议标准化，实现了展示广告的程序化、自动化交易。
商业模式：从合约到竞价，再到程序化交易。
出现了广告交易平台（Ad Exchange, ADX）、需求方平台（DSP）、供给方平台（SSP）等新角色。广告购买从“买媒体”变为“买人群”，交易方式从人工谈判变为实时竞价和程序化直投（Programmatic Direct）。
行业格局：生态碎片化与平台垄断并存。
Facebook作为“围墙花园”（Walled Garden）的代表，凭借其海量、高粘性的社交数据，构建了不依赖于第三方Cookie的独立广告帝国。
同时，开放的RTB生态催生了繁荣的AdTech中间件市场（如The Trade Desk, AppNexus）。
技术革命：
用户定向技术：行为定向、兴趣定向、Look-alike建模等技术成熟，使展示广告也能精准触达目标人群。
实时竞价系统：在100毫秒内完成用户识别、竞价请求、算法出价、竞价获胜的完整流程。
点击率预测模型：逻辑回归等机器学习模型被大规模应用于预估广告点击率，成为竞价和排序的核心依据。
商业逻辑的核心：售卖“用户画像”。广告的价值在于对用户长期兴趣、属性、行为的深度理解。这是一个数据驱动的时代，数据成为核心竞争壁垒。
我的实践视角：这一时期，我身处变革的中心。在雅虎北京研究院，我们正致力于将搜索时代的精准性带入展示广告，研究受众定向算法。而后来在MediaV和360，我们亲身参与了中国程序化广告市场的拓荒。MediaV作为早期DSP的代表，需要解决在复杂的RTB生态中，如何快速准确地为每一次展示机会定价（即CTR/CVR预估）的挑战。在360，我们则需要思考如何将安全产品积累的独特数据资产，转化为程序化交易中的竞争优势。这是一个充满技术激情和商业探索的“黄金时代”。
五、移动、原生与智能时代（2015至今）
标志性事件：
移动互联网流量超越PC（约2016年）：用户注意力全面转向智能手机，催生了全新的广告形态和交互方式。
信息流/推荐算法成为主流：今日头条、抖音、Facebook等信息流产品崛起，广告深度原生融入内容流。
深度学习在广告系统的大规模应用：CTR预估模型从LR/GBDT演进到DeepFM、DIN等深度模型。
商业模式：混合多元。围墙花园效应加剧（谷歌、Meta、亚马逊、字节跳动、腾讯），其内部闭环生态占据大部分预算。同时，开放程序化交易向更注重质量、透明和品牌安全的私有市场（PMP）发展。
行业格局：“两极分化”。一极是拥有完整数据、流量和交易闭环的超级平台；另一极是提供专业工具、数据服务或垂直领域解决方案的独立技术公司。
技术革命：
深度学习：深度神经网络极大地提升了点击率、转化率预估的准确性，并能处理更复杂的特征交互和序列行为。
原生广告技术：计算机视觉（CV）和自然语言处理（NLP）用于理解内容和场景，实现广告与环境的智能融合。
全景协同过滤与序列建模：模型不仅能理解用户的静态兴趣，更能捕捉其动态的兴趣演化过程（如DIEN模型）。
商业逻辑的核心：售卖“场景化注意力”与“全链路价值”。广告的价值不仅在于用户是谁，更在于他处于何种场景、何种心智状态，以及广告能否在其完整的决策旅程中提供价值。这是一个场景与智能驱动的时代。
六、变革前夜：隐私计算与后Cookie时代（当前与未来）
我们正站在一个新的历史转折点上。
核心驱动力：全球隐私保护法规（GDPR， CCPA）和平台政策变革（苹果ATT框架、谷歌淘汰第三方Cookie）。
对行业的冲击：传统的、基于跨站追踪的用户识别和数据获取方式难以为继。第三方数据失效，围墙花园的数据优势反而被强化。
正在发生的范式迁移：
从个体追踪到群体建模：谷歌提出“隐私沙盒”（Privacy Sandbox），倡导基于兴趣群体（FLoC，后演进为Topics API）的广告，避免个体识别。
从数据集中到数据不动：联邦学习（Federated Learning）和差分隐私（Differential Privacy）等技术，使得模型可以在数据不出本地的情况下进行训练和推理。
第一方数据的战略地位空前提升：品牌主建设和运营自己的客户数据平台（CDP），并与媒体在隐私安全环境下进行数据协作，成为核心竞争力。
未来展望：在线广告将进入一个“精准与隐私的再平衡”时代。技术的主旋律从“如何更准地抓取和利用数据”，转向“如何在保护用户隐私的前提下，实现尽可能高效的匹配”。这对整个行业的技术架构、商业模式和职业能力都将是一次彻底的洗礼。
总结：历史的启示
回顾这部简史，我们可以清晰地看到几条贯穿始终的主线：
价值核心的迁移：流量 -> 意图 -> 用户画像 -> 场景化注意力。
技术角色的演变：从辅助工具（广告服务器）到关键引擎（搜索算法），再到决策大脑（深度学习模型），最终成为平衡商业与伦理的调节器（隐私计算）。
市场权力的流转：从门户媒体，到搜索引擎，再到社交平台与超级APP，权力始终向离用户最近、数据最闭环的聚合点集中。
永恒的矛盾与平衡：商业化与用户体验、效果与品牌、精准与隐私、开放生态与围墙花园，这些矛盾在不断博弈中推动行业螺旋上升。
对于从业者而言，理解历史的价值在于：它告诉我们今天复杂格局的由来，帮助我们识别哪些是昙花一现的浪花，哪些是奔涌向前的潮流。它更警示我们，没有任何商业模式或技术优势是永恒的，唯一不变的是对用户价值的敬畏和对技术创新的追求。
至此，我们完成了对在线广告全景式的“综述”。从经济逻辑、数据驱动、目的定义、表现形式到历史脉络，我们构建了一个坚实的认知基础。从下一章开始，我们将深入这个庞大系统的内部，首先剖析其最为核心的“计算广告基础”。
第2章 计算广告基础
2.1 广告有效性原理
广告，作为一种古老而普遍的商业活动，其存在的根本前提在于一个看似简单、却至关重要的信念：广告是有效的，它能影响人的认知、态度与行为，从而为广告主带来商业回报。然而，这种“有效性”究竟从何而来？是如同魔法般的心理操纵，还是遵循着严谨的科学规律？在计算广告时代，我们不再满足于模糊的“有效”宣称，而是致力于用数据、模型与实验，去剖析、测量并最大化这种有效性背后的原理。
本节将跨越心理学、经济学与计量科学，构建一个理解广告有效性的多层次框架。这不仅是对传统营销理论的回顾，更是将其置于数据智能的透镜下，重新审视广告如何在一个可计算、可优化的系统中发挥作用。
一、心理层：个体反应的微观机制
广告作用于人，其起点必然是人的心理过程。传统广告学提供了丰富的理论，而在计算时代，这些理论被转化为可观测、可干预的变量。
1. 信息处理与说服路径
社会心理学家理查德·佩蒂和约翰·卡西奥普提出的“精细加工可能性模型”（ELM）是理解广告说服的核心。该模型指出，人们通过两条路径处理广告信息：
中枢路径（Central Route）：当用户动机强（如购买高价产品）、能力强（具备相关知识）时，会仔细思考广告中的逻辑、论据和信息质量。此时，广告的有效性取决于论据的强度。计算广告的体现：搜索广告、详尽的商品详情页、评测文章，都是激发中枢路径处理的典型场景。系统通过匹配用户的高意图查询（动机）和相关、高质量的产品信息（强论据）来说服用户。
边缘路径（Peripheral Route）：当用户动机或能力不足时，他们依赖一些简单的边缘线索来做判断，如代言人的吸引力、广告的视觉美感、品牌的知名度或纯粹的情感共鸣。此时，广告的有效性取决于边缘线索的正面性。计算广告的体现：品牌展示广告、高质量的原生信息流广告、运用明星或KOL的社交广告，通过精美的创意、情感化叙事或社会认同来影响用户。
关键在于，计算广告系统可以根据上下文和用户状态，智能地选择沟通路径。对于处于比价阶段的用户，推送参数对比表（中枢路径）；对于浏览时尚内容的用户，推送氛围感大片（边缘路径）。
2. 认知、情感与意动的经典序列
广告影响用户的心理旅程，通常遵循AIDA及其变体模型：
注意（Attention）：广告必须首先被注意到。在信息过载的今天，这本身就是一场战争。计算广告通过个性化推荐和原生融合来提升广告本身的吸引力，通过竞价排序确保将最有可能吸引用户的广告置于前列。
兴趣（Interest）：引发用户的积极关注和进一步了解的欲望。这依赖于广告创意与用户潜在需求的相关性。计算广告通过受众定向，确保广告内容与用户兴趣标签高度匹配，从而提升“兴趣”产生的概率。
欲望（Desire）：将兴趣转化为对产品/服务拥有的渴望。这需要广告传递清晰的价值主张（解决什么痛点、带来什么收益）。程序化创意可以动态组合价值点，针对不同人群强调不同利益（如对价格敏感者突出折扣，对品质敏感者突出材质）。
行动（Action）：最终触发点击、留资、购买等行为。这是效果的直接体现。计算广告通过优化转化路径（如直达落地页、一键下单）、减少摩擦（自动填充信息）以及运用“行动号召”（Call-To-Action）的心理学设计来促成行动。
在计算系统中，这个心理序列被转化为一个可量化的“漏斗”。每个环节的转化率（如从展示到点击的CTR，从点击到转化的CVR）都被持续监测和优化。广告的有效性，便体现在提升这个漏斗的整体通过率上。
3. 记忆与品牌资产的建立
并非所有广告都追求即时转化。品牌广告的核心目的是在用户心智中建立长期、积极的品牌联想和记忆结构。其有效性原理在于：
纯粹曝光效应（Mere Exposure Effect）：即使没有明确的信息加工，单纯的重复曝光也能增加好感。
经典条件反射（Classical Conditioning）：将品牌（中性刺激）与美好的情感、形象或体验（无条件刺激）反复关联。
计算广告的赋能：系统可以更科学地规划频次（避免过少无效或过多厌烦），选择关联场景（将品牌与用户喜欢的相关内容一同展示），并测量品牌指标（如曝光后品牌搜索量的提升、调研中的品牌认知度变化）。
二、市场层：信息经济学的宏观解释
从更宏观的经济学视角看，广告有效性的根源在于它解决了市场经济中的一个核心问题：信息不对称。
信号理论（Signaling Theory）：在产品质量参差不齐的市场中，消费者难以辨别好坏。企业投入巨额资金进行广告（尤其是品牌广告），这种行为本身就是一个强有力的信号。它向市场表明：“我对自己的产品有足够信心，愿意投资于长期品牌建设，因为我预期消费者会重复购买。”消费者接收这个信号，将广告投入与产品质量、企业实力正相关。因此，广告本身（尤其是昂贵的广告）就传递了质量信息。
匹配效率（Matching Efficiency）：广告，特别是基于数据的精准广告，极大地提升了市场中“供给”（产品/服务）与“需求”（消费者）的匹配效率。它降低了消费者的搜索成本和企业的触达成本，使整个经济系统的运行更流畅，创造了社会福利。计算广告是这个原理的极致体现：它近乎实时地将海量商品与海量用户的瞬时需求进行匹配。
品牌资本（Brand Capital）：持续有效的广告投入，会积累形成无形的“品牌资本”。它体现为消费者的信任、偏好和支付意愿的提升（品牌溢价）。品牌资本本身是一种可带来持续收益的资产。计算广告帮助更高效地积累和运营这份资产。
三、实证层：可测量与可归因的因果科学
传统的广告有效性论证往往陷入“相关而非因果”的困境。销量增长了，真的是因为广告吗？会不会是季节因素、竞品失误或自然口碑？计算广告时代，我们通过科学实验和计量经济学方法来确立因果关系，这是有效性原理的实证基石。
1. 增量提升（Lift）——因果效应的黄金标准
最有力的有效性证明来自于“增量”，即因为看到广告而额外产生的效果。这通常通过严格的A/B测试（随机对照实验）来实现。
方法：将目标受众随机分为两组：
实验组（Treatment Group）：正常看到广告。
控制组（Control Group）：完全不看到该广告（或看到无关的安慰剂广告）。
测量：在一段时间后，比较两组在目标行为（如购买、注册）上的差异。
计算：增量（Lift）= 实验组转化率 - 控制组转化率。
意义：这个增量，剥离了所有其他混杂因素，纯粹地度量了广告带来的因果效应。它是评估广告活动真实投资回报率（ROI）的基础。
图2-1：广告增量提升（Lift）测量原理示意图
（此处可配图：一个流程图，显示总体用户池被随机分为实验组和控制组，实验组经过广告曝光后产生转化，控制组无曝光也产生部分转化（自然转化），两者之差即为广告带来的增量转化。）
2. 归因模型（Attribution Modeling）——贡献度的科学分配
用户转化路径通常跨越多个渠道和触点（如先看到信息流广告，后搜索，最后点击竞价广告完成购买）。归因模型旨在科学地回答：“这次转化，功劳应该记在哪个（或哪些）广告接触上？”这是衡量广告在复杂旅程中有效性的关键。
最后点击归因（Last-Click）：功劳100%归给转化前的最后一次广告点击。简单但严重低估了前期品牌曝光和兴趣培养的价值。
时间衰减归因（Time-Decay）：越接近转化的触点，获得功劳越多。更符合直觉。
基于数据驱动的归因（Data-Driven Attribution, DDA）：利用机器学习算法（如Shapley值），分析全量转化路径数据，公平地分配各触点的贡献。这是目前最科学的方法，能真实反映不同广告形式在整个漏斗中的有效性。
从我的实践视角看，归因是广告技术中最复杂也最富争议的领域之一。在MediaV和360时期，我们常常需要向广告主解释，为什么不能仅看最后点击。我们推动采用更科学的归因模型，这不仅是技术问题，更是改变客户认知和内部结算方式的商业挑战。而在平台侧（如360），设计公平、透明的归因规则，是平衡广告主、媒体和自身利益的关键。
四、计算广告系统的有效性框架：eCPM公式的再解读
最终，所有关于有效性的原理，在计算广告系统中都被凝结到一个简洁而强大的核心公式中：eCPM = CTR * CPCV * 1000（对于点击出价）或= CTR * CVR * CPA * 1000（对于转化出价）。
这个公式是有效性原理的工程化表达：
CTR（点击率）综合体现了广告在心理层吸引注意、激发兴趣的能力（创意、相关性、原生度）。
CVR（转化率）综合体现了广告在心理层激发欲望、促成行动的能力，以及落地页体验、产品力等市场层因素。
CPC/CPA（出价）反映了广告主基于市场层竞争格局和对用户长期价值（LTV）判断所愿意支付的成本。
因此，一个计算广告系统提升有效性的过程，就是通过数据、算法和实验，持续优化这三个变量的过程：
优化CTR：通过更好的受众定向、更吸引人的程序化创意。
优化CVR：通过更精准的流量筛选、更流畅的转化路径设计。
优化出价策略：通过更准确的用户价值预测，实现动态、个性化的出价。
五、业界视角：有效性的实践辩证法
在我多年的从业经历中，对“有效性”的追求始终伴随着几个核心的辩证思考：
短期有效性与长期有效性的平衡：过于追求短期点击和转化（优化CTR/CVR），可能导致采用诱惑性创意、投放过度精准以致于骚扰用户，损害品牌形象和用户长期关系。优秀的系统需要在短期ROI和长期品牌资产积累之间找到平衡点。
平台有效性与广告主有效性的统一：平台追求整体收入（总eCPM）最大化，这可能导致将流量导向出价高但用户体验不一定最好的广告。广告主追求自身活动的ROI最大化。一个健康的市场机制（如广义第二高价拍卖、质量度干预）需要在这两者间取得平衡，确保平台生态的长期健康。
模型有效性与现实复杂性：我们的CTR/CVR预测模型再精确，也是在用历史数据预测未来，无法完全捕捉人心的微妙变化和外部环境的突发影响（如社会热点）。因此，必须对模型保持谦卑，将算法决策与人的策略判断相结合。
结论：
广告有效性并非玄学，而是一门融合了心理学、经济学和计量科学的综合学科。在计算广告时代，我们第一次拥有了将这门学科工程化、系统化的能力。我们从理解“为什么有效”出发，走向“如何精确测量其有效性”，最终实现“如何持续优化并最大化有效性”。这个“原理-测量-优化”的闭环，正是计算广告科学的灵魂，也是其商业价值的源泉。在下一节，我们将聚焦于承载这些原理的载体——互联网广告独特的技术特点。