智能媒体时代的计算广告营销观

王芳奇 刘庆振

我们正在从20世纪传统媒体时代的大众媒体广告范式向21世纪智能媒体时代的计算广告范式转换，而数字媒体则是这个转换过程中至关重要的一个历史阶段和中间形态，它的快速发展推动着媒体产业迈向了它的更高阶段——智能媒体时代。尽管智能媒体形态和计算广告模式已经与上世纪截然不同，但我们在研究和应用过程中却“仍需注重科学研究的传统，回到媒体的本体论问题，即什么是媒体，媒体的未来在哪里，以及人工智能为媒体的发展和进化带来了什么改变。”[1]这是一种不同于大众媒体广告范式的全新的广告观和方法论。

一、计算广告的出发点是用户的个性化需求

个体之间从学习能力到适应能力、从理解不同的想法到解决现实的挑战等方面都存在着巨大的差异，这种差异在今天的媒介消费需求方面也客观地存在着。《数字化生存》作为一本信息产业圣经级别的必读图书，深刻地影响了全球的互联网领域和传播学世界，在书中作者激情澎湃地畅想了个性化内容推荐系统，尽管我们已经对它习以为常，但在尼葛洛庞帝提出这一解决方案的当时，它无疑是一种前沿性的甚至是一种颠覆性的理念。几年之后，“针对分类目录和搜索引擎的不足，推荐系统应运而生，并于20世纪末成为独立的研究领域”[2]，但推荐系统有关的研究理论和技术成果在各个领域的大范围应用却是在21世纪第二个十年才开始的。

今天，安装在智能手机、智能电视、智能平板、智能手表等设备上的五花八门的应用程序正在借助个性化推荐技术竞相成为尼葛洛庞帝所说的这种“界面代理人”角色，以期满足每位个性化的用户天差地别的信息互动和内容消费需求。在本质上而言，用户的个性化需求存在已久，只不过在过去信息渠道稀缺和媒介资源稀缺的环境下被忽视了。这一方面是因为传统大众媒介的印刷技术和广播技术无法支持大规模的个性化内容生产和分发机制，另一方面则是由于用户对于商品、信息、内容和娱乐的消费需求还处在较为初级的卖方市场阶段。但随着网络传播和计算广告技术的普遍安装和广泛应用、传播话语权从传者本位向用户本位的过渡以及各种产品供求关系的天平逐渐向买方市场倾斜，这时候无论在基础理论层面、现实供求层面还是在传播技术层面，差异化的供给和个性化的需求之间达成某种意义上的精准匹配就成了一种市场必然。

客观来看，“人是同质性与异质性的统一，亦即在某些方面具有相同性或高度的相似性，在另外一些方面具有明显的甚至是极大的差异性……主体的适应性在某些时候呈现趋同化，在某些时候又有多样化的表现。”[3]异质性原则或者个性化原则描述了我们定义一个事物区别于其他事物的方式。一直以来，大众传播媒体在绝大多数的情况下无论主动还是被动地，都更倾向于将它的受众看作是无差别的同质化群体，在这样的认识论基础上所形成的广告模式也遵循了同质化的广告信息生产和分发逻辑，但这在本质上无法真正照顾到每位受众的异质性特征和个性化需求，因为无论其认识论还是方法论都无法支持它对某一个异质性个体进行关注。只有借助于全新的信息科技手段、数据挖掘工具和计算广告技术，我们才获得了全新的机会以便“在一个紧密框架下整合数据对个人生活进行定量化的描述”[4]，并借助于不同维度的客观数据在个体层面上进行更加精准的用户画像，从而能够在信息过载的传播环境下更加清晰地把握用户的兴趣偏好并有针对性地进行个性化广告信息生产和分发，最终提升广告效果和用户体验。

因此，对用户的异质性特征和个性化需求的关注成为广告传播范式的逻辑出发点。用户是立体的、动态的、异质性的个体用户，尽管算法推荐并不排斥群体用户的共性需求，但大众媒体在很大程度上已经解决了同质化受众的广告信息需求问题，因此，计算广告更倾向于将其核心焦点放在解决当前更为迫切的个性化广告信息需求问题上面。消费者在物质消费和文化消费方面都越来越追求个性而非共性，以前的消费观是“我也想有一件和他一样的”，而今天的消费观则是“我想要一件和他不一样的”，这种自我意识的觉醒驱动着企业投入更多的资源为用户量身打造更加个性化的品牌和产品，也驱动着营销机构投入更多的资源挖掘用户数据以便定向地向不同的用户精准地投放更符合他们需求的广告信息。这种“个众化”或者“微分化”的广告传播在本质上已经不同于传播效果的“魔弹论”式的广告轰炸，它在本质上更像是一种信息服务，一种在品牌过剩、产品过剩、营销过剩、广告过剩的语境下为消费者过滤出最符合他们需求的产品或信息的个性化推荐服务。

为了强调新时代异质化的个体之于广告传播本身的重要性，Hippel将用户创新（User Innovation）的概念引入到了传播学的研究中来，当越来越多的个体用户借助于社交网络、即时通讯工具、社会化媒体平台发布他们的个性化创意、需求或解决方案并主动参与到产品研发、品牌营销、内容生产、社区互动等传播环节中来的时候，用户创新就发生了。无论是媒体还是企业，如果想要组织并利用好这种用户创新为自己的业务服务，就必须在战略层面真正将其业务的出发点不折不扣地聚焦于关注其每一位异质化用户的个性化表达和个性化需求，同时在战术层面上应该对用户的社交行为以及人们的行为方式在多大程度上取决于他们在自己的社交网络中的态度和行为这些事情更感兴趣。进一步地，要实现这种战略和战术的转型，它就必须建立起一套数据驱动和算法驱动的方法论工具、系统或平台。因为，当我们开始关注上百万甚至数以亿计的有差别的用户以及他们时时产生的非结构化数据的时候，仅仅依靠人力分析和计算来完成数据的采集、存储、挖掘、分析、建模和推论是不切实际的，在这个角度看计算广告的发生和发展，不但是必要的，而且是必须的、必然的。

当然，诚如前文所言，每个人都是同质性与异质性的统一体，每个人的需求都是既有共性需求又有个性需求，计算广告范式对于个体以及个性化需求的关注和强调并不意味着对大众的共性需求的无视，恰恰相反，它在利用数据思维和算法工具解决个性化需求的同时，也很好地实现了广告信息的大众化、规模化覆盖，从而较好地满足了用户的共性广告信息需求。

二、计算广告的本质是实现供需精准匹配

尽管谈到计算广告就必然会使人联想到错综复杂的个性化的资讯推荐系统、程序化的广告投放平台、专业化的内容创意工具、智能化的问答软件（如ChatGPT等）等具体应用，其中涉及到的信息采集、数据建模、算法开发、工具优化等技术操作更是让除了数据科学家和算法工程师之外的大多数普通研究者、从业者和用户望而生畏，但抛开这些具体层面的信息技术暂且不谈，其实计算广告的本质并不复杂：利用数据主义和计算主义的方法及工具，实现商品信息供给和用户消费需求双方的精准匹配。事实上，无论对于计算广告所涉及到的哪个具体细分领域，其主要技术研发和商业应用都一直紧紧围绕如下四个问题在不断深化发展：（1）加强对用户的了解，提供个性化的定制服务；（2）帮助用户找到自己喜欢的商品；（3）降低信息过载问题；（4）提高网站或移动客户端的展示与点击的转化率[5]。认真研究这四个乃至更多现实的传播问题，我们便不难发现，其实这些问题都指向信息供需双方的精准匹配问题，如果作为供给方的信息生产者和分发者所供应的产品或服务恰恰正是作为需求方的用户在某一具体场景下所想要获得的，那么上述四个问题便不再成其为问题了：通过大数据思维和技术全面了解用户的目的，就是向他们提供个性化解决方案，这些做到了，点击和转化自然会提高，用户也就自然不用担心数据爆炸和信息过载使他们陷入不知所措的境地了，他们只需要选择系统已经过滤好、筛选好或者匹配好的那些推荐项即可。当然，对这种计算广告理念和实践持悲观态度的批评者一定会继续问道，“如果推荐项过多该怎么办呢？”造成这个问题的根本原因只有一个，那就是我们对用户的了解还不够全面，我们的推荐引擎和匹配算法还不够成熟，从而使得我们最终得出的推荐项还不能真正符合用户需求，其解决方案就是继续在上述四个方面强化能力、精益求精。

在今天的智能媒体时代，信息、内容、娱乐、媒介、渠道、终端都不再是稀缺的，唯一稀缺的只有用户的注意力，生命太短暂、时间太有限，媒介世界中等待着我们去阅读的、观看的、体验的、探索的又实在太多，而且还在以指数型的方式继续加速增多。在这种背景下，以个性化推荐系统、程序化广告投放系统、智能化问答工具等为典型表现的计算广告模式能够更好地实现广告信息与用户需求的精准匹配[6]所以，尽管过去的人工推荐、搜索引擎推荐、社交关系推荐等诸多方式依然还在发挥着其应有的价值，但在智能媒体时代我们重点要做的却是想尽一切办法提升算法推荐系统的匹配度或精准度，借助于快速发展的深度学习技术和人工神经网络手段，我们完全可以做到这一点，匹配算法能够“从极大的数据量中学习，对未来做出预测，让机器变得更加聪明”[7]，从而更加准确地预测用户在特定场景下的具体信息、商品或服务需求，循序渐进地提升匹配度。换句话说，趋于完美的计算广告模式应该是这样的，“你只会遇到那些此时此刻与你完全匹配的事物……唯一在前方等着你的就是那成堆的令你疯狂的事物。”[8]

三、算法逻辑是计算广告方法论的关键

释放大数据价值的过程当然不是主要由人工完成的，算法才是加工数据匹配供需的新引擎。面对源源不断产生的数据规模和广告传播问题，算法承担着帮助我们化繁为简、去芜存菁、给出答案、得出结论的重要任务，并在技术理性主义和数据客观真实的假设前提之下建立起了基于数据要素和计算能力的广告营销新秩序。

在算法的逻辑中，我们每个人的地理位置、目光焦点、呼吸节奏、心跳速率、口味偏好、消费记录、情绪状态等都是一种可以通过量化手段呈现并能用来进行统计推理的基础数据，无论出于什么样的目的、选取其中的哪些维度、形成了何种相关的结论，其本质都是一种通过算法而得出的对于某个个体、群体、事件、行为的可理解的或可视化的定量描述。比如，算法可以得知用户感兴趣的商品、明星和内容，算法也能够总结出昨天的舆情事件从发酵到扩散再到高潮直至热度消失的整个过程，算法还能够预测哪些产品会成为爆款、什么样的短视频具有刷屏的潜力等。更复杂的算法还能够通过运用情感分析和语义分析技术综合考察用户在社交网站上发布的微博状态、图片内容、日志文章、视频类型以及评论回复等因素来推测用户的性格、职业、经济状况、可信赖程度等信息，以色列一位名叫盖伊·哈夫特克的创业者则利用网络游戏技术和深度学习技术开发了一套算法用来评价用户的理解力、洞察力、创造力和同理心等更加具体的性格指标，美国的一家创业公司则开发了能够浏览用户推特博文并以此为基础为用户定制个性化简历的算法。而另外一家名叫Hunch的企业则宣称，用户只需回答它所提出的五个问题，他们就能够据此推断出用户在商品和文化等方面的消费偏好，而其开发的You Are What You Like算法，随着它逐渐面向开发者开放使用其算法进行自助服务的API，越来越多基于本地化或场景化信息服务的组织便能够进一步提升他们的推荐选项的精准度。还有更多类似的应用和案例向我们揭示着算法作为智能媒体时代的一种认识广告、重构广告和优化广告方法的基本逻辑：给算法足够的数据，让它找到个性化的信息生产和用户消费解决方案；如果不够精准，那么就再给它更多的数据或者进行模型改进，从而迭代出更多样化的、更优秀的算法[9]。

今天，我们正在把这些算法应用到更多更具体的领域中去，比如图像识别、影像剪辑、场景分析、新闻核查、噪音过滤等，尽管它们的功能和用途各不相同，但在计算广告领域中，所有算法的不同价值在根本上都服务于一个清晰的核心目标：在最合适的场景下，把最合适的信息、商品或者服务，匹配给最合适的用户。无论我们用算法选择用户喜欢的明星，还是用算法加工用户评论最多的桥段，亦或者是用算法针对不同用户调整排版风格或者字体大小，都是为了服务于精准匹配这一核心目标，使得我们向用户推荐的商品能够获得最优的广告传播效果、发挥最大的营销价值。

与算法有关的基本知识已经开始重新塑造这个世界，其巨大的威力已经深刻地改变了广告活动的旧有版图：我们开始越来越多地依赖于算法来告诉我们这个世界发生了什么，你的附近存在着什么甚至什么样的新闻、图书、音乐、电影、发型、衣服、景点、路线乃至配偶最符合你的口味，难道不是吗？几乎每位用户都曾经主动地点击过各类移动应用程序不时弹出的消息提醒，今日头条推荐栏中的内容是用户点击率最高的内容，抖音短视频的用户更是严重依赖推荐算法帮他们决定下一则可能会被看到的内容究竟是什么，微信更是持续不断地改进它赖以存在的社交关系推荐算法来提升其公众号文章和朋友圈广告的曝光率和点击率。在当下的中国乃至全球的每一个角落，几乎每一位互联网的接入者和智能手机的使用者都无可避免地被算法影响和塑造着，哪怕这其中相当比例的人压根都没有听说过算法、大数据、深度学习这些概念。而对于那些对大数据、对算法有一定认知的用户而言，算法推荐则意味着，它在很大程度上帮助我们进行了决策，而不是我们以为的我们自己在主导着用户消费的船舵。

当然，这些决策中的绝大多数并不是那么严肃的、生死攸关的、轰轰烈烈的，它们更多地只是涉及到浏览哪些资讯、点击哪些视频、关注哪些娱乐、选择哪条线路、购买哪些商品等日常小事。当然我们也必须清醒地意识到，随着我们对算法所推荐的信息越来越依赖、越来越信任，我们的行为和生活方式也必然会在无形之中受到算法的改造，但这些影响并非全都是正向的、积极的，关键的问题在于我们利用算法的逻辑起点是什么，以及我们开发出了什么样的算法工具。

结语

我们强调了计算广告是一种全新的广告思维方式，是广告在智能媒体时代的新阶段。在这一阶段，所有的广告活动都将逐渐地具备计算思维和计算能力。毫无疑问，在这个定义之下，“计算”是现阶段广告活动的核心特征。站在当下，我们已经很难再去从学科分支的角度界定计算广告了，计算广告不是广告的一个部分、一个门类，而是成为广告发展的一个新的阶段，广告迎来了以计算为关键特征的新阶段。