当前位置：首页 > news >正文

程序化广告系列(2)：DSP 身边的 4 个帮手——CMP、Ad Verification、DMP、Analytics Platform

news 2026/6/19 13:56:29

上一篇讲了DSP（Demand Side Platform，需求方平台）的内部构成。

但 DSP 不是孤军作战——它身边有4 个帮手：

CMP（Creative Management Platform，程序化创意平台）：管理和优化创意
Ad Verification（广告验证平台）：验证广告真实展示
DMP（Data Management Platform，数据管理平台）：管理用户画像数据
Analytics Platform（监测分析平台）：分析投放效果

这 4 个角色合起来，让广告投放从"能用"变成"好用"。

为什么需要这些服务平台

早期的 DSP 很简单——只能"投放"。

广告主用了一段时间后，开始遇到 4 个新问题：

问题	谁来解决
我有几万条创意素材，怎么管理？怎么知道哪个最有效？	CMP
我花的钱真的被人看到了吗？会不会都被机器人刷了？	Ad Verification
我想精准投放，但我不知道"对的人"在哪里、长什么样？	DMP
我投了 5 个渠道，到底哪个效果最好？怎么科学评估？	Analytics Platform

这 4 个问题，催生了 4 类专业的服务平台。

它们和 DSP 的关系不是"替代"，而是"增强"——
DSP 负责"投"，它们负责让"投"这件事做得更聪明。

一、CMP：程序化创意平台

是什么

CMP（Creative Management Platform，程序化创意平台）是一个专门管理和优化广告创意的系统。

简单说：它让广告主不需要手动准备每一条素材，而是用程序自动生成、自动测试、自动优化。

解决什么问题

想象一个跨境电商广告主，在 10 个国家投放广告。

手动模式：

每个国家：3 种产品 × 5 种文案 × 4 种模特 = 60 个版本
10 个国家 = 600 个版本
设计师和翻译团队几周时间才能做完

有了 CMP：

上传基础元素（图片、文案、模特）
设置组合规则
系统自动拼装 600 个版本
自动 A/B 测试，找出最优组合
几小时完成

核心功能

1. 创意管理

素材分类、打标签
版本控制（哪个版本投了哪里）
创意审核（合规性检查）

2. DCO（Dynamic Creative Optimization，动态创意优化）

这是 CMP 的核心能力。

CMP 根据用户特征实时拼装不同的创意：

用户特征	展示的创意
男性 + 25-35 岁	男性模特图 + 阳刚风格文案
女性 + 30-40 岁	女性模特图 + 温柔风格文案
印度用户	印地语文案 + 当地货币价格
日本用户	日语文案 + 日式审美图片

同一个广告位、同一个时刻，不同用户看到完全不同的广告——
这是"千人千面"的具体实现。

3. A/B 测试

CMP 自动把不同创意分配给小流量做测试，根据数据找出最优版本，再扩大投放。

整个过程不需要人工干预。

4. AI 创意自动生成（新趋势）

2024-2026 年的新方向：

用 LLM（Large Language Model，大语言模型）自动生成广告文案
用扩散模型（如 Stable Diffusion）自动生成广告图片
用视频生成模型（如 Sora、可灵）自动生成广告视频

未来趋势：广告主只需要提供"产品信息 + 目标人群"，CMP 全自动产出几百个创意版本。

二、Ad Verification：广告验证平台

是什么

Ad Verification（广告验证平台）专门做一件事：验证广告确实被"真实的人"在"合适的环境"下"真的看到了"。

解决什么问题

广告行业有一个长期问题：Ad Fraud（广告欺诈）。

根据行业报告，全球每年因广告欺诈损失的金额超过 1000 亿美元。

主要的欺诈手段：

欺诈手段	解释
假流量（Bot Traffic）	用机器人模拟用户访问，刷曝光数
像素堆叠（Pixel Stuffing）	把广告缩成 1×1 像素，肉眼看不见但算曝光
域名伪装（Domain Spoofing）	假装是大牌网站，骗广告主投高价
点击农场（Click Farm）	雇人或机器人专门刷点击
广告堆叠（Ad Stacking）	同一个广告位叠 N 个广告，只显示最上层但都算曝光

广告主花的钱很可能 30% 以上根本没触达真实用户。

Ad Verification 就是来解决这个问题的。

三个核心维度

1. 可视性（Viewability）

定义：广告至少50% 像素被用户看到 ≥ 1 秒（IAB 标准）。

如果广告在屏幕外、被遮挡、太小——都不算"可视"
平台会过滤掉这些"伪曝光"

2. IVT（Invalid Traffic，无效流量）识别

识别和过滤机器人、爬虫、点击农场等非真实流量。

技术手段：

设备指纹分析（机器人设备特征异常）
行为分析（鼠标轨迹、点击频率）
网络分析（IP 段、来源识别）
机器学习模型

3. Brand Safety（品牌安全）

确保广告不出现在有损品牌形象的环境里。

举例：

奶粉广告不应该出现在暴力新闻旁
旅游广告不应该出现在空难报道旁
高端品牌不应该出现在低俗内容旁

技术手段：内容分析、关键词过滤、AI 分类。

一个真实场景

一个汽车广告主投了 100 万美金做品牌曝光。

Ad Verification 平台监测发现：

35%的曝光是机器人流量
18%的曝光可视性不达标（广告在屏幕外）
5%出现在不合适的内容环境

广告主据此和媒体方追责，追回 50 万美金的预算。

行业玩家

国际三大广告验证平台：

IAS（Integral Ad Science）：纳斯达克上市公司
DoubleVerify：纳斯达克上市公司
MOAT：被 Oracle 收购

有趣的事实：广告主越大，对广告验证越重视——
宝洁、联合利华这种巨头每年在广告验证上花的钱以亿计。

三、DMP：数据管理平台

是什么

DMP（Data Management Platform，数据管理平台）是程序化广告生态的数据仓库。

如果说 DSP 是"投放工具"，那 DMP 就是 DSP 的"弹药库"。

解决什么问题

DSP 想做精准投放，需要回答两个问题：

"对的人"是谁？（用户画像）
怎么找到他们？（人群圈选）

DMP 就是回答这两个问题的系统。

三类数据来源

数据类型	英文	来源	特点
第一方数据	First-party Data	广告主自有（CRM、APP 行为、官网访问）	最准、最值钱
第二方数据	Second-party Data	合作伙伴共享（如媒体方共享给广告主）	较准、稀缺
第三方数据	Third-party Data	从专业数据公司购买	量大、但质量参差

核心趋势：随着隐私法规收紧（如 GDPR、iOS ATT），第三方数据越来越难拿，第一方数据的价值越来越高。

DMP 的核心功能

1. 数据收集

网站埋点
APP SDK
文件批量导入
API 实时接入

2. ID 打通

同一个用户在不同设备/平台有不同 ID：

微信 OpenID
手机号
设备号（IMEI / IDFA / OAID）
Cookie

DMP 把这些 ID 关联到一个"统一用户 ID"上。

3. 标签体系

把原始数据加工成"可用标签"。

标签类型	例子
基础标签	性别、年龄、地域、设备品牌
兴趣标签	汽车爱好者、旅游达人、母婴关注
行为标签	近 7 天搜过手机、上周浏览过电商
价值标签	高消费力、活跃用户、流失风险

4. 人群圈选

用标签组合"圈出"目标人群：

“25-35 岁 + 一线城市 + 母婴兴趣 + 近 30 天有购物行为”

圈出来的人群可以直接推送给 DSP 使用。

5. Lookalike（相似人群扩展）

基于"种子用户"找出"相似的潜在用户"。

真实场景：

广告主有 10 万忠实客户名单
上传到 DMP 作为"种子用户"
DMP 用算法分析这 10 万人的共同特征
找出 100 万"长得像他们"的潜在用户
推给 DSP 做拉新

这是程序化广告里最常用的精准定向手段之一。

注：DMP 是一个内容非常丰富的系统，本文只做概览介绍。后续会有专题文章深入讲解标签体系、Lookalike 算法的工作原理等。

四、Analytics Platform：监测分析平台

是什么

Analytics Platform（监测分析平台）负责跟踪、分析、可视化广告投放效果。

它的目标：把"模糊的感觉"变成"清晰的数据"。

解决什么问题

广告主每天面对一堆问题：

这次活动效果好不好？
5 个渠道里哪个 ROI 最高？
哪个创意点击率最高？
哪个时段投放最划算？
一个用户看了 5 个广告才下单，功劳算谁的？

Analytics Platform 就是回答这些问题的。

核心功能

1. 多维度数据看板

实时展示投放数据：

按时间维度（小时、天、周、月）
按渠道维度（哪个 DSP、哪个媒体）
按人群维度（性别、年龄、地域）
按创意维度（哪个素材表现好）

2. Conversion Tracking（转化追踪）

跟踪用户从"看广告"到"完成转化"的完整路径：

看广告 → 点击 → 落地页 → 注册 → 购买

每一步都有数据，方便发现"漏斗在哪一步流失最多"。

3. Attribution（归因分析）

这是 Analytics Platform 最有技术含量的部分。

问题：一个用户在转化前可能看了 10 个广告，"功劳"算谁的？

常见归因模型：

归因模型	英文	规则	适用场景
最后点击归因	Last Click	功劳全归最后被点击的广告	简单、但忽视前期影响
首次点击归因	First Click	功劳全归第一个被点击的广告	重视"首次触达"
线性归因	Linear	所有广告平均分功劳	公平但不区分轻重
时间衰减归因	Time Decay	越接近转化时间的广告功劳越大	平衡了时间因素
位置归因	Position-Based	首次和最后的广告功劳大，中间的小	重视开头和结尾
数据驱动归因	Data-Driven	用机器学习模型动态分配功劳	最精准，但需要大量数据

关键洞察：归因模型的选择直接影响预算分配——
选错模型可能让广告主把钱投到错误的渠道。

4. ROI（Return on Investment，投资回报率）分析

最终极的指标——“我花 1 块钱，赚回了多少？”

一个真实场景

一个游戏广告主同时在 5 个 DSP 上投放，每个 DSP 都说"我效果最好"。

广告主接入 Analytics Platform 后发现：

DSP	CTR	安装成本	30 天留存	付费率
A	5.2%	8 元	12%	2%
B	3.1%	6 元	35%	8%
C	4.5%	7 元	20%	4%
D	2.8%	10 元	15%	3%
E	3.9%	9 元	18%	3%

表面看 DSP A 最好（CTR 最高）
实际上 DSP B 最赚钱（留存和付费率高）

广告主把预算从 DSP A 转给 DSP B ——整体 ROI 提升 40%。

这就是 Analytics Platform 的价值：让数据说话，避免被假象误导。

五、4 个平台如何协作

回到一开始的全景图。

这 4 个服务平台围绕 DSP 协作，形成一个闭环：

DMP（提供人群） ↓ DSP（决定投放策略） ↓ CMP（决定展示哪个创意） ↓ 广告展示 ↓ Ad Verification（验证真实展示） ↓ Analytics Platform（评估效果） ↓ 数据反哺 DMP（优化人群）

一个完整的场景：

广告主在 DMP 里圈出"母婴兴趣 + 25-35 岁 + 一线城市"的人群
DSP 接收到这个人群定义，开始竞价投放
用户中标后，CMP 根据用户特征（如二胎妈妈 vs 新手妈妈）展示不同创意
广告展示后，Ad Verification 验证"确实被真人看到"
用户行为数据回流到 Analytics Platform，分析效果
转化数据回流到 DMP，更新用户标签（如"高价值母婴用户"）
下一轮投放时，DSP 用更优化的人群和创意

整个闭环不需要人工干预——这是程序化广告的精髓。

六、这些平台和 DSP 的关系

读到这里你可能有个疑问：

这些功能 DSP 自己做不行吗？为什么要拆成单独的平台？

答案是：有的 DSP 内置了部分功能，有的选择对接外部专业平台。

两种模式对比

模式	优点	缺点	适合
DSP 全内置	一站式、操作简单	各模块功能不够专业	中小广告主
DSP + 独立服务平台	每个模块都是行业最专业	集成复杂、成本高	大广告主

一个真实趋势

大广告主（如宝洁、可口可乐）通常的配置：

用 1-2 个 DSP 做投放
用专业的独立 DMP 管理数据
用 IAS 或 DoubleVerify 做广告验证
用 Google Analytics 或专业归因工具做效果分析

为什么：每个领域都有"行业最强"，组合起来效果最好。

中小广告主则相反：

直接用一个 DSP 的全套功能
牺牲专业度，换取简单和便宜

这是个"专业化分工"的生态——
每个角色专注做一件事，把它做到极致。

下一篇预告

这一篇讲完了"需求方完整体系"——
广告主 → DSP → 4 个服务平台。

下一篇切换视角，看供给方：

SSP（Supply Side Platform，供给方平台）：媒体方的"商业化中枢"
AdX（Ad Exchange，广告交易平台）：撮合 DSP 和 SSP 的"交易所"

我会画一张图，把DSP、SSP、ADX 三者的交互关系讲清楚。

下一篇见。

参考资料

《程序化广告：个性化精准投放实用手册》梁丽丽著，电子工业出版社

本文是「程序化广告学习笔记」系列第 2 篇。
系列目录：
(0) 先看清楚整个江湖
(1) DSP：广告主的"代理人"
(2) DSP 身边的 4 个帮手 ← 当前
(3) SSP 和 ADX：媒体方的"商业化中枢"与"交易所"（待发布）
(4) 交易模式：从瀑布流到 Header Bidding（待发布）
(5) DMP 深入：数据是怎么打标签的（待发布）
(6) 一次实时竞价的完整复盘（待发布）

查看全文

http://www.jsqmd.com/news/1042462/