1、信息流推廣都有什麼？
信息流(Feeds)廣告，簡單來說是通過移動互聯網大數據演算法，由機器智能分析用戶在平台內的一系列行為和興趣分布，將用戶興趣熱點和廣告進行精準匹配並主動推送到用戶手機端的一種全新廣告形式。如景典傳媒旗下的可瑞特就是做信息流的
2、做信息流廣告，花錢以後怎樣判斷推廣的結果
信息流廣告是位於社交媒體用戶的好友動態或者資訊媒體和視聽媒體內容流中的廣告。信息流廣告的形式有圖片、圖文、視頻等，特點是演算法推薦、原生體驗，可以通過標簽進行定向投放，根據自己的需求選擇推曝光、落地頁或者應用下載等等，最後的效果取決於創意+定向+競價三個關鍵因素。
信息流（Feeds）廣告，在2006年由Facebook首先推出。這種穿插在內容流中的廣告，對用戶來說體驗相對較好，對廣告主來說可以利用用戶的標簽進行精準投放，因此特別是在移動互聯網時代到來後迎來了爆炸式的增長，幾乎所有的互聯網媒體都推出了信息流廣告平台。
信息流廣告的優勢：1.流量龐大；2.演算法領先；3.形式豐富；4.定向精準；5.用戶體驗好。結合大數據和AI進行精準投放，無論是品牌曝光還是獲取效果都可滿足需求。
根據平台的屬性可分為：社交類、資訊類、視頻類。
定向方式：一般有自然屬性、地理屬性、人群屬性、自定義屬性等等。
計費方式：CPC、CPM、CPA、OCPC、OCPM、OCPA。
效果評估：創意+定向+競價。
信息流廣告已經成為媒體平台流量變現的主要模式，從傳統巨頭到新興力量都加入了信息流廣告大戰，如：騰訊、阿里、百度、網易、新浪、頭條、小米、360、知乎、美柚、bilibili、快手、抖音等等。
3、如何做到精準投放信息流廣告
信息流廣告是位於社交媒體用戶的好友動態或者資訊媒體和視聽媒體內容流中的廣告。信息流廣告的形式有圖片、圖文、視頻等，特點是演算法推薦、原生體驗，可以通過標簽進行定向投放，根據自己的需求選擇推曝光、落地頁或者應用下載等等，最後的效果取決於創意+定向+競價三個關鍵因素。
信息流（Feeds）廣告，在2006年由Facebook首先推出。這種穿插在內容流中的廣告，對用戶來說體驗相對較好，對廣告主來說可以利用用戶的標簽進行精準投放，因此特別是在移動互聯網時代到來後迎來了爆炸式的增長，幾乎所有的互聯網媒體都推出了信息流廣告平台。
信息流廣告的優勢：1.流量龐大；2.演算法領先；3.形式豐富；4.定向精準；5.用戶體驗好。結合大數據和AI進行精準投放，無論是品牌曝光還是獲取效果都可滿足需求。
根據平台的屬性可分為：社交類、資訊類、視頻類。
定向方式：一般有自然屬性、地理屬性、人群屬性、自定義屬性等等。
計費方式：CPC、CPM、CPA、OCPC、OCPM、OCPA。
效果評估：創意+定向+競價。
信息流廣告已經成為媒體平台流量變現的主要模式，從傳統巨頭到新興力量都加入了信息流廣告大戰，如：騰訊、阿里、百度、網易、新浪、頭條、小米、360、知乎、美柚、bilibili、快手、抖音等等。
4、信息流推廣有哪些方式？麻煩大神說全面一點？
信息流廣告是位於社交媒體用戶的好友動態或者資訊媒體和視聽媒體內容流中的廣告。信息流廣告的形式有圖片、圖文、視頻等，特點是演算法推薦、原生體驗，可以通過標簽進行定向投放，根據自己的需求選擇推曝光、落地頁或者應用下載等等，最後的效果取決於創意+定向+競價三個關鍵因素。
信息流（Feeds）廣告，在2006年由Facebook首先推出。這種穿插在內容流中的廣告，對用戶來說體驗相對較好，對廣告主來說可以利用用戶的標簽進行精準投放，因此特別是在移動互聯網時代到來後迎來了爆炸式的增長，幾乎所有的互聯網媒體都推出了信息流廣告平台。
信息流廣告的優勢：1.流量龐大；2.演算法領先；3.形式豐富；4.定向精準；5.用戶體驗好。結合大數據和AI進行精準投放，無論是品牌曝光還是獲取效果都可滿足需求。
根據平台的屬性可分為：社交類、資訊類、視頻類。
定向方式：一般有自然屬性、地理屬性、人群屬性、自定義屬性等等。
計費方式：CPC、CPM、CPA、OCPC、OCPM、OCPA。
效果評估：創意+定向+競價。
信息流廣告已經成為媒體平台流量變現的主要模式，從傳統巨頭到新興力量都加入了信息流廣告大戰，如：騰訊、阿里、百度、網易、新浪、頭條、小米、360、知乎、美柚、bilibili、快手、抖音等等。
5、信息流廣告推廣中，如何讓用戶快速成交
信息流推廣中，是分行業的，有些是需要加線索進行轉化。
要分析通過信息流過來的客戶，可能意向並不高，成交時間，成交的溝通方式，則要進行變化。
信息流廣告是位於社交媒體用戶的好友動態、或者資訊媒體和視聽媒體內容流中的廣告。信息流廣告的形式有圖片、圖文、視頻等，特點是演算法推薦、原生體驗，可以通過標簽進行定向投放，根據自己的需求選擇推曝光、落地頁或者應用下載等等，最後的效果取決於創意+定向+競價三個關鍵因素。
6、信息流的渠道如何選擇？
信息流廣告是位於社交媒體用戶的好友動態或者資訊媒體和視聽媒體內容流中的廣告。信息流廣告的形式有圖片、圖文、視頻等，特點是演算法推薦、原生體驗，可以通過標簽進行定向投放，根據自己的需求選擇推曝光、落地頁或者應用下載等等，最後的效果取決於創意+定向+競價三個關鍵因素。
信息流（Feeds）廣告，在2006年由Facebook首先推出。這種穿插在內容流中的廣告，對用戶來說體驗相對較好，對廣告主來說可以利用用戶的標簽進行精準投放，因此特別是在移動互聯網時代到來後迎來了爆炸式的增長，幾乎所有的互聯網媒體都推出了信息流廣告平台。
信息流廣告的優勢：1.流量龐大；2.演算法領先；3.形式豐富；4.定向精準；5.用戶體驗好。結合大數據和AI進行精準投放，無論是品牌曝光還是獲取效果都可滿足需求。
根據平台的屬性可分為：社交類、資訊類、視頻類。
定向方式：一般有自然屬性、地理屬性、人群屬性、自定義屬性等等。
計費方式：CPC、CPM、CPA、OCPC、OCPM、OCPA。
效果評估：創意+定向+競價。
信息流廣告已經成為媒體平台流量變現的主要模式，從傳統巨頭到新興力量都加入了信息流廣告大戰，如：騰訊、阿里、百度、網易、新浪、頭條、小米、360、知乎、美柚、bilibili、快手、抖音等等。
7、信息流推廣渠道
一，先說個市場情況，目前廣告投放需要注意的是 在國內每個行業在線上都有對應的平台服務商，具有一定人流的平台，會增加信息流廣告變現，平台本身的屬性不同，對應的人群質量轉化等都有蠻大的渠道的，做渠道投放要關注這些屬性區別和最終的轉化成本，而且在線上人群較為重疊和質量上的問題，容易造成費用成本過高和難以帶來有效增量，線上對比，能穩定的出量的還是頭部媒體即百度，頭條和騰訊的，其他的較為合適做品牌廣告。雖然有的平台前端成本看似低，最終有效轉化成本確比較高了，這點嘗試過的人會清楚，沒用嘗試過的也可以低成本去測試對比。也有一些比較特殊的品類適合小媒體，大多行業在頭部剛說的三個平台上會有效果產出，有一句話叫「別人家的渠道」實際上就是在大家熟知的平台上把效果做更細致。運營更有耐心。
二，基於興趣推薦和潛在用戶推送機制的維度不一樣，百度的人群數據更豐富，在給同一個用戶推送信息時較為保守，用戶在百度上的行為大多是在「選」，在龐大的用戶標簽里推薦同類人群合適的產品，頭條信息流「順藤摸瓜」式的推薦機製做的更放開，在用戶的行為習慣上，推薦這個用戶感興趣的產品。在給同一個用戶推送信息時深度連續推薦。
三，信息流推廣開戶投放的參考如下，其他平台流程大體上差不多：
1，直接開通推廣，進入官網可找到推廣合作聯系方式，會推薦到所屬的服務商和你對接。
2，和渠道商開通推廣賬戶，找一個你熟悉的合作商，代理商較為靈活些。
3，不同產品的推廣方式不一樣，大方向：開屏廣告、信息流廣告、詳情頁廣告三種形式，小方向：加粉，線索，APP下載，官網落地頁。
4，目前開戶預存廣告費用為5K，1W元，有的行業是2W元，比如1W元都是可內以用來消費的；點擊價格是0.3元起，價格根據推廣計劃自己決定，在獨容立後台進行。點擊價格是0.3元起，價格根據推廣計劃自己決定，在獨立後台進行，當然除了價格，信息流廣告在「原生」設計上也蠻重要的，不然會影響轉化。
5，除了第一第二點，也可以找運營商合作，可提供推廣後流量運營服務。貨比三家，多比較幾家選擇一個適合自己的。
6，做推廣，需要對平台用戶屬性，操作，數據，產品特點，人群等實際操作技巧，耐心和AB測試方法論也很重要
8、信息流廣告投放的精準度怎麼樣
信息流廣告是位於社交媒體用戶的好友動態或者資訊媒體和視聽媒體內容流中的廣告。信息流廣告的形式有圖片、圖文、視頻等，特點是演算法推薦、原生體驗，可以通過標簽進行定向投放，根據自己的需求選擇推曝光、落地頁或者應用下載等等，最後的效果取決於創意+定向+競價三個關鍵因素。
信息流（Feeds）廣告，在2006年由Facebook首先推出。這種穿插在內容流中的廣告，對用戶來說體驗相對較好，對廣告主來說可以利用用戶的標簽進行精準投放，因此特別是在移動互聯網時代到來後迎來了爆炸式的增長，幾乎所有的互聯網媒體都推出了信息流廣告平台。
信息流廣告的優勢：1.流量龐大；2.演算法領先；3.形式豐富；4.定向精準；5.用戶體驗好。結合大數據和AI進行精準投放，無論是品牌曝光還是獲取效果都可滿足需求。
根據平台的屬性可分為：社交類、資訊類、視頻類。
定向方式：一般有自然屬性、地理屬性、人群屬性、自定義屬性等等。
計費方式：CPC、CPM、CPA、OCPC、OCPM、OCPA。
效果評估：創意+定向+競價。
信息流廣告已經成為媒體平台流量變現的主要模式，從傳統巨頭到新興力量都加入了信息流廣告大戰，如：騰訊、阿里、百度、網易、新浪、頭條、小米、360、知乎、美柚、bilibili、快手、抖音等等。
9、信息流推廣中，如何讓用戶快速成交
信息流推廣中，是分行業的，有些是需要加線索進行轉化。
要分析通過信息流過來的客戶，可能意向並不高，成交時間，成交的溝通方式，則要進行變化。
信息流廣告是位於社交媒體用戶的好友動態、或者資訊媒體和視聽媒體內容流中的廣告。信息流廣告的形式有圖片、圖文、視頻等，特點是演算法推薦、原生體驗，可以通過標簽進行定向投放，根據自己的需求選擇推曝光、落地頁或者應用下載等等，最後的效果取決於創意+定向+競價三個關鍵因素。
10、如何評價一個好的推薦系統演算法
[核心提示] 讀項亮的《推薦系統實踐》後總結所得：演算法雖然不能解決全部問題，但演算法可以變得更人性化。網路就是社會，其實演算法和人之間早已不那麼涇渭分明了。 推薦系統這個東西其實在我們的生活中無處不在，比如我早上買包子的時候，老闆就經常問我要不要來杯豆漿，這就是一種簡單的推薦。隨著互聯網的發展，把線下的這種模式搬到線上成了大勢所趨，它大大擴展了推薦系統的應用：亞馬遜的商品推薦，Facebook的好友推薦，Digg的文章推薦，豆瓣的豆瓣猜，Last.fm和豆瓣FM的音樂推薦，Gmail里的廣告......在如今互聯網信息過載的情況下，信息消費者想方便地找到自己感興趣的內容，信息生產者則想將自己的內容推送到最合適的目標用戶那兒。而推薦系統正是要充當這兩者的中介，一箭雙雕解決這兩個難題。 推薦系統的評判標准 首先我們得明確什麼是好的推薦系統。可以通過如下幾個標准來判定。 用戶滿意度 描述用戶對推薦結果的滿意程度，這是推薦系統最重要的指標。一般通過對用戶進行問卷或者監測用戶線上行為數據獲得。 預測准確度 描述推薦系統預測用戶行為的能力。一般通過離線數據集上演算法給出的推薦列表和用戶行為的重合率來計算。重合率越大則准確率越高。 覆蓋率 描述推薦系統對物品長尾的發掘能力。一般通過所有推薦物品占總物品的比例和所有物品被推薦的概率分布來計算。比例越大，概率分布越均勻則覆蓋率越大。 多樣性 描述推薦系統中推薦結果能否覆蓋用戶不同的興趣領域。一般通過推薦列表中物品兩兩之間不相似性來計算，物品之間越不相似則多樣性越好。 新穎性 如果用戶沒有聽說過推薦列表中的大部分物品，則說明該推薦系統的新穎性較好。可以通過推薦結果的平均流行度和對用戶進行問卷來獲得。 驚喜度 如果推薦結果和用戶的歷史興趣不相似，但讓用戶很滿意，則可以說這是一個讓用戶驚喜的推薦。可以定性地通過推薦結果與用戶歷史興趣的相似度和用戶滿意度來衡量。 簡而言之，一個好的推薦系統就是在推薦准確的基礎上，給所有用戶推薦的物品盡量廣泛(挖掘長尾)，給單個用戶推薦的物品盡量覆蓋多個類別，同時不要給用戶推薦太多熱門物品，最牛逼的則是能讓用戶看到推薦後有種「相見恨晚」的感覺。 推薦系統的分類 推薦系統是建立在大量有效數據之上的，背後的演算法思想有很多種，要大體分類的話可以從處理的數據入手。 1.利用用戶行為數據 互聯網上的用戶行為千千萬萬，從簡單的網頁瀏覽到復雜的評價，下單......這其中蘊含了大量的用戶反饋信息，通過對這些行為的分析，我們便能推知用戶的興趣喜好。而這其中最基礎的就是「協同過濾演算法」。 「協同過濾演算法」也分兩種，基於用戶(UserCF)和基於物品(ItemCF)。所謂基於用戶，就是跟據用戶對物品的行為，找出興趣愛好相似的一些用戶，將其中一個用戶喜歡的東西推薦給另一個用戶。舉個例子，老張喜歡看的書有A，B，C，D;老王喜歡看的書有A，B，C，E。通過這些數據我們可以判斷老張和老王的口味略相似，於是給老張推薦E這本書，同時給老王推薦D這本書。對應的，基於物品就是先找出相似的物品。怎麼找呢?也是看用戶的喜好，如果同時喜歡兩個物品的人比較多的話，就可以認為這兩個物品相似。最後就只要給用戶推薦和他原有喜好類似的物品就成。舉例來說，我們發現喜歡看《從一到無窮大》的人大都喜歡看《什麼是數學》，那如果你剛津津有味地看完《從一到無窮大》，我們就可以立馬給你推薦《什麼是數學》。 至於什麼時候用UserCF，什麼時候用ItemCF，這都要視情況而定。一般來說，UserCF更接近於社會化推薦，適用於用戶少，物品多，時效性較強的場合，比如Digg的文章推薦;而ItemCF則更接近個性化推薦，適用於用戶多，物品少的場合，比如豆瓣的豆瓣猜、豆瓣FM，同時 ItemCF還可以給出靠譜的推薦理由，例如豆瓣的「喜歡OO的人也喜歡XX」和亞馬遜的「買了XX的人也買了OO」。 協同過濾演算法也有不少缺點，最明顯的一個就是熱門物品的干擾。舉個例子，協同過濾演算法經常會導致兩個不同領域的最熱門物品之間具有較高的相似度，這樣很可能會給喜歡《演算法導論》的同學推薦《哈利波特》，顯然，這不科學!要避免這種情況就得從物品的內容數據入手了，後文提到的內容過濾演算法就是其中一種。 除了協同過濾演算法，還有隱語義模型(LFM)應用得也比較多，它基於用戶行為對物品進行自動聚類，從而將物品按照多個維度，多個粒度分門別類。然後根據用戶喜歡的物品類別進行推薦。這種基於機器學習的方法在很多指標上優於協同過濾，但性能上不太給力，一般可以先通過其他演算法得出推薦列表，再由 LFM進行優化。 2.利用用戶標簽數據 我們知道很多網站在處理物品條目的時候會通過用戶自己標注的標簽來進行分類，比如網頁書簽Delicious，博客的標簽雲，豆瓣書影音的標簽。這些標簽本身就是用戶對物品的一種聚類，以此作為推薦系統的依據還是很有效的。 關於標簽的推薦，一種是根據用戶打標簽的行為為其推薦物品，還有一種是在用戶給物品打標簽的時候為其推薦合適的標簽。 根據標簽推薦物品的基本思想就是找到用戶常用的一些標簽，然後找到具有這些標簽的熱門物品，將其推薦給用戶。這里要注意兩個問題，一個是要保證新穎性和多樣性，可以用TF-IDF方法來降低熱門物品的權重;另一個則是需要清除某些同義重復標簽和沒有意義的標簽。 在用戶打標簽時為其推薦標簽也是相當重要的，一方面能方便用戶輸入標簽，一方面能提高標簽質量，減少冗餘。典型的應用場景就是用豆瓣標記書影音。這里的思想就是將當前物品上最熱門的標簽和用戶自己最常用的標簽綜合在一起推薦給用戶。其實豆瓣就是這么做的，它在用戶標記物品的時候，給用戶推薦的標簽就分為「我的標簽」和「常用標簽」兩類，而在「我的標簽」里也考慮了物品的因素。 基於標簽的推薦有很多優點，一方面可以給用戶提供比較准確的推薦理由;另一方面標簽雲的形式也提高了推薦的多樣性，給了用戶一定的自主選擇。標簽其實可以看做一種物品的內容數據，比如書的作者，出版社，類型;音樂的國別，風格，作者等等，基於這些信息的推薦可以彌補上述基於用戶行為推薦的一些弱點。 3.利用上下文信息 此處所謂的上下文，是指用戶所處的時間，地點，心情等。這些因素對於推薦也是至關重要的，比如聽歌的心情，商品的季節性等等。 這里主要以時間為例說說，在很多新聞資訊類網站中，時效性是很重要的一點，你要推薦一篇一年前的新聞給用戶，估計會被罵死。在這種推薦中就需要加入時間衰減因子，對於越久之前的物品，賦予越小的權重。同樣的思想也可以用在基於用戶行為的推薦中，這里有很多可以優化的地方。對於ItemCF來說，同一用戶在間隔很短的時間內喜歡的不同物品可以給予更高的相似度，而在找相似物品時也可以著重考慮用戶最近喜歡的物品;對於UserCF，如果兩個用戶同時喜歡了相同的物品，那麼可以給予這兩個用戶更高的相似度，而在推薦物品時，也可著重推薦口味相近的用戶最近喜歡的物品。我們可以給相似度和用戶的行為賦予一定權重，時間間隔越久權重越低，經過這種改進的「協同過濾演算法」往往能得到用戶更滿意的結果。 類似的，在LBS成為應用標配的今天，可以根據物品與用戶的距離賦予相應的權重，再綜合其他因素得到靠譜的地點推薦。 4.利用社交網路數據 如今以Facebook，Twitter為首的社交網路大行其道，而其中的海量數據也是一大寶庫。實驗證明，由於信任的作用，來自好友的推薦往往能獲取更高的點擊率，鑒於此，亞馬遜就利用了Facebook的信息給用戶推薦好友喜歡的商品。此種推薦類似於UserCF，只是尋找用戶之間的關系時除了興趣相似度以外還得考慮熟悉度(如共同好友個數)，這樣一來，你的閨蜜們和基友們喜歡的物品很可能就會被推薦給你。 在社交網路內部也有許多推薦演算法的應用。其中最重要的當屬好友推薦，可依據的數據有很多：人口統計學屬性(例如人人的找同學)，共同興趣(如 Twitter中轉發的信息)，好友關系(共同好友數量，N度人脈)。另外還有信息流(Timeline)推薦，這其中以Facebook的 EdgeRank為代表，大致思想就是：如果一個會話(Feed)被你熟悉的好友最近產生過重要的行為，它在信息流的排序中就會有比較高的權重。另外，基於社交網路興趣圖譜和社會圖譜的精準廣告投放也是推薦系統的關鍵應用，它決定著社交網站的變現能力。 推薦系統的冷啟動問題 介紹了這么多類的推薦系統，最後說說推薦系統的一個主要問題：冷啟動問題。具體分三種情況：如何給新用戶做個性化推薦，如何將新物品推薦給用戶，新網站在數據稀少的情況下如何做個性化推薦。 對此也有相應的解決方案。對於新用戶，首先可以根據其注冊信息進行粗粒度的推薦，如年齡，性別，愛好等。另外也可以在新用戶注冊後為其提供一些內容，讓他們反饋對這些內容的興趣，再根據這些數據來進行推薦。這些內容需要同時滿足熱門和多樣的要求。而對於新物品的推薦，可能就要從其內容數據上下功夫了。我們可以通過語義分析對物品抽取關鍵詞並賦予權重，這種內容特徵類似一個向量，通過向量之間的餘弦相似度便可得出物品之間的相似度，從而進行推薦。這種內容過濾演算法在物品(內容)更新較快的服務中得到大量應用，如新聞資訊類的個性化推薦。 而在網站初建，數據不夠多的情況下，可能就要先通過人工的力量來建立早期的推薦系統了。簡單一點的，人工編輯熱門榜單，高級一點的，人工分類標注。國外的個性化音樂電台Pandora就雇了一批懂計算機的音樂人來給大量音樂進行多維度標注，稱之為音樂基因。有了這些初始數據，就可以方便地進行推薦了。國內的Jing.fm初期也是通過對音樂的物理信息，情感信息，社會信息進行人工分類，而後再通過機器學習和推薦演算法不斷完善，打造出了不一樣的個性化電台。 除了這些，利用社交網路平台已有的大量數據也是一個不錯的方法，尤其是那些依託於其他SNS賬號系統的服務。 演算法vs人 有很多人懷疑推薦系統是否會讓一個人關注的東西越來越局限，但看完這些你會覺得並非如此，多樣性，新穎性和驚喜度也都是考察推薦系統的要素。而至於演算法和人究竟哪個更重要的爭論，我很贊同唐茶創始人李如一的一個觀點： 在技術社群的討論里，大家默認覺得讓推薦演算法變得更聰明、讓軟體變得更「智能」一定是好事。但人不能那麼懶的。連「發現自己可能感興趣的內容」這件事都要交給機器做嗎?不要覺得我是Luddite。真正的技術主義者永遠會把人放到第一位。 我想補充的是，演算法雖然不能解決全部問題，但演算法可以變得更人性化。套用某人「網路就是社會」的論斷，其實演算法和人之間早已不那麼涇渭分明了。 頭圖來源：Dribbble 除非特別聲明，極客觀察均為極客公園原創報道，轉載請註明作者及原文鏈接。 原文地址：/read/view/190041