「专家论剑」顾明毅 | 中国智能广告模型研究

文化企业研究 09-19 52

前言：

目前小伙伴们对“oraclesga详解”大体比较关切，兄弟们都想要学习一些“oraclesga详解”的相关资讯。那么小编也在网上收集了一些对于“oraclesga详解””的相关知识，希望咱们能喜欢，大家一起来了解一下吧！

原创作者：顾明毅上海外国语大学

责任编辑：徐丹红同济大学

本号编辑：胡心蕾华东政法大学

公益平台：文化上市公司

文公使命：让文化为资本领航

《中国智能广告模型研究》

作者简介

顾明毅，同济大学管理学博士，复旦大学广告学博士后，上海外国语大学广告学系副教授、MBA导师，现为国家广告研究院研究员。

摘要

智能广告正处于全球广告业前沿，但对智能广告的研究尚处于起步阶段。梳理人工智能和广告营销研究，在中国前沿实践基础上，推进智能广告定义，并提出中国智能广告模型（IAM），建立“用户—互联网平台—品牌”层次关系，提出智能广告系统是由“识别—定制—匹配—投放—浸合—留存”组成的营销闭环。智能广告模型解释了数字化洞察创意和媒介投放，贯通营销与客户关系的系统结构，导向数字化转型的营销广告产业变革。中国智能广告模型为品牌主、广告商、互联网平台协调新形势下产业关系和数字营销竞争力提供了知识理论框架。

广告主要由广告代理公司执行，包括实现洞察市场、创意制作和媒介投放业务，达成说服消费者态度转变和达成购买意愿的目的。[1]时至今日，互联网数字化背景与智能技术不断促进数字技术广告的增长。对于拥有大数据的互联网企业来说，机器学习已经被运用到开发创新广告服务中。[2]人工智能的机器学习技术，广泛应用到智能广告产品开发，瞄准营销技术和品牌技术增长的未来。[3]

美国广告学者关注到智能广告研究增长缓慢[4]，美国广告学刊JA主编冈崎伸太郎教授在2018年智能科学与广告发展会议中演讲综述美国很少有研究智能广告的论文。而中国广告学者黄升民[5]、姚曦[6]、段淳林[7]等在智能相关的数据广告领域研究启动较早。美国广告学刊JA注意到中国互联网智能广告前沿应用，在2019年发表陈刚[8]和秦雪冰、姜智彬[9]中国研究程序化购买和程序化创意的广告论文。2019年美国广告学会议上，李海容（2019）将智能广告定义为，以消费者为中心，数据驱动和算法介导的品牌传播行为[10]，引起多方学者的讨论和关注。2020年美国广告学刊再次征集出版智能广告论文的专题特刊。

当前，如何学术定义智能广告，研究从数字广告跨越到智能广告的系统模型，成为前沿领域的研究重点。在中外学者对人工智能热点研究的基础上，深入探讨中国互联网营销传播创新实践，提炼整理智能广告模型规律，支撑好“新基建”数字化对全产业链的赋能，也是新时代研究的理论意义与实践价值。

一、人工智能与广告发展

人工智能是科学，由模仿人类使用神经系统和身体器官去感知、学习、推理和行动的计算技术集合构成。[11]拉塞尔·斯图尔特（Russell Stuart）和诺威格（Peter Norvig）提出一项对人工智能的定义[12]，以机器代理致力于实现复杂环境下目标的能力。由于人工智能应用不断加速增长，人工智能可以被不同产业领域的研究者来解释。[13]

人工智能应用在未来型产业的增长，最明显的变革发生在媒体板块，整个行业都投入到社交网络平台来分享和浏览讯息，包括微博、视频、照片和生活者发布的机器排列。不断有创新的互联网科技公司设计来创造新媒体平台提供社交媒体服务和盈利的广告业务。[14]人工智能应用依赖于对不同领域技术开发，包括自然语言处理NLP、信息提取、图像识别、众包、机器学习。[15]智能广告技术的发展过程，体现人工智能技术持续地进入互联网广告产业。

检索智能广告领域的研究文献发现，大量结构化和非结构化数据智能开发，为营销者和广告主提供了新的竞争力，以人工智能大数据识别有价值消费者，人工智能广告增长了发现和触达消费者的新机遇[16]。古斯塔夫（Guseva Anna I.）、科伊夫（Vasiliy S. Kireev）和费里珀夫（Stanislav A. Filippov）认为人工智能广告是对原生内容广告和场景广告的再造[17]，对消费者需求在实时大数据层面的高效理解，技术实现智能推荐实时品牌投放。以IBM和SAP为代表的商业智能熟练使用大数据处理自动学习和预测能力成为智能广告的核心，全面升级数字营销管理能力，去超越广告代理公司[18]。因此，复杂数据获取和强大计算能力已经使得管理核心竞争力关注到品牌传播、促销、客户参与体验管理升级了客户关系管理（CRM），对广告进化的研究也已经展开。[19]

在先前的研究基础上，本文基于国内外会议研究成果，提出将智能广告（Intelligence Advertisement）定义为，基于可识别消费者的合规数据，遵循社会价值规范的算法，围绕用户接触点来定制数字品牌讯息的营销传播行为，意图促使用户参与体验和增长品牌价值。

相比于美国广告学会专家2019提议智能广告定义的三个重点：以消费者为中心、数据驱动和算法介导。[20]本论文基于中国互联网数字营销发展实践与学者研究，对其定义提出修正。

首先，以“可识别的”消费者为中心，才能真正体现互联网广告的变革实质和数字优势。互联网数字广告用户首先是以数字形态被识别后，建立起一整套数字广告产品体系，并推动了智能化营销技术发展。其次，使用用户数据需要合规。这点从欧盟《通用数据保护条例》[21]GDPR的立法，美国互联网数据CCPA立法实践和中国《数字安全管理办法》[22]、《个人信息保护条例》[23]均有明确法令规范。即互联网平台广告商大量使用的用户数据，需要符合所在国家法律法规许可和必要的审查，并且需要用户明确授权品牌及互联网平台使用。最后，算法介导需要符合社会价值观的伦理准则。在机器自动处理的智能算法过程，需要体现出公平正当的伦理价值，和符合所在国反不正当竞争法令和符合公序良俗的社会正义。

对比已有的程序化广告和计算广告定义，本文的智能广告定义存在明显区别。程序化广告是通过精确定位个体消费者讯息接触点来帮助品牌主自动化决策媒体购买的过程。[24]程序化广告使用人工智能AI和实时交易系统RTB，面向在线展示广告、移动和视频广告，加入电视广告和社交媒体广告。[25]程序化广告主要对应广告库存按照曝光数量来进行交易的方式，提供一种类似于金融市场通过程序化的实时拍卖来实现交易。

还有计算广告的比对。布洛德（Broder Andrei）首次提出计算广告的核心职能[26]，是寻找最佳匹配给定用户给定场景的适当的广告讯息。中国互联网广告专家刘鹏提出计算广告的核心公式[27]：

其中：a是品牌主内容Content；u是用户的兴趣和行为信息（例如，身份和人口统计），c是发布的上下文（Context）信息（例如，网页分类和搜索查询）和场景（Scenario）信息（例如，用户相关的空间和时间数据）；r因变量是可持续的广告费用（广告主成交价*可计费效果）。

佐治亚理工大学陈（Chen Gong）和科普兰（John A. Copeland）等综述美国数字广告技术[28]，认为由技术专家开发出程序化广告和计算广告基础的一系列广告产品及其商业关系，成为互联网企业实际的广告收入来源，重新建立起独立于传统广告系统之外的数字广告技术系统。

随着程序化广告和计算广告渐趋成熟[29]，智能广告有效地将数字品牌传播提升到一系列用户数据驱动和算法加强的讯息定制化服务的阶段。智能广告被用来提升品牌的整体效果，并不只为了服务于互联网平台或自动购买广告位服务。品牌想要投资在智能广告领域来获得用户数据，从而实现营销专家埃德曼（Edelman David）和辛格（Marc Singer）所称“基于接触点，将参与互动设计成数字消费者旅程，服务于品牌营销的整体价值优化”[30]。

智能广告的应用与数据不可分离。当营销者使用人工智能来挖掘消费者偏好，他们必须依赖于从消费者收集的数据，包括身份信息，交易习惯等。[31]基于理性决策行为，一些消费者会选择自愿交易他们的数据来换取利益。[32]在收集消费者数据后，营销者可能无法按他们承诺给消费者的那样合理使用数据，但消费者很可能难以发现并提出抗议。[33]

互联网公司收集的用户基础数据极大丰富，具有跟踪消费者行为的能力。但这对营销者来说无疑是把双刃剑。智能广告技术使用大规模数据采集和机器自动学习处理，会触发消费者数据隐私问题和品牌商业伦理质询，甚至触及国家数据安全战略。广告定义开始重视此类问题。

二、中国智能广告模型的诞生

前沿营销与广告专家认为数据等同于原油[34]，是数字营销传播企业的竞争力。数据驱动营销传播，经由算法训练加强的智能广告，为品牌数字化市场运营建立新航标。美国西北大学马特豪斯教授首先提出“品牌—新触点—消费者”的广告模型。[35]中国广告学者研究发展迅速的智能广告实践，探索出智能营销闭环的概念模型。[36]

在研究基础上，本文提出中国智能广告模型（Intelligence Advertising Model，后简称IAM），该模型按照“用户—互联网平台—品牌”来构造内外层次，这源自整合营销传播前沿和中国实践。中国智能广告模型IAM有数据产品模型和智能技术两部分组成。左侧为智能广告的战略系统与产品结构，右侧是通用级人工智能技术应用的业务流程。营销传播学研究智能广告，主要指面向数字战略的系统创新与产品创新，推进了广告数字产业职能的升级。

图1 中国智能广告模型

人工智能技术方法多种多样，按需应用于智能广告产品的开发过程。智能技术主要提高广告生产效率，不参与组织智能广告的整体架构。不同智能技术之间，所处发展程度也各异。任何使用右侧智能技术到数据场景与算法学习，提升生产效率及效果的做法，就称为智能技术的广告应用，仅使用到部分智能技术的数字广告业务，不应笼统地称之为智能广告。

智能广告的判别标准，是以互联网平台驱动的数据场景与算法，实现“识别—定制—匹配—投放—浸合—留存”ICMBER系统，以达成互联网广告融会贯通营销客户关系的新职能。而智能技术体系，应该明确附在智能广告产品模型之后，合起来组成中国智能广告模型IAM。

中国互联网的智能广告模型，围绕着互联网终端的用户数据而生成，核心是用户。用户，作为流量个体，是以数据形态出现在互联网平台，对品牌产生可以由数据描述的“消费者—品牌”价值关系。用户数据，因此构成了智能广告和未来营销的“原油”。

由互联网平台直接驱动用户流量形成传播闭环。互联网平台从识别用户登录开始，就追踪了用户各种数据。将用户数据转化为智能广告各个阶段及产品的数据库，并使用这些数据来实现品牌商业目的。

品牌位于外圈，需要借助互联网平台的各种智能广告产品来实现品牌传播和产品营销，而不仅仅是购买广告位进行投放，这就进一步有别于传统广告商和媒体的商业模式。“用户—互联网平台—品牌”构成了智能广告参与者的由内而外层级。

智能广告运作的闭环包括六个顺序关联过程：识别（Identify）、定制化（Customize）、匹配（Match）、投放（Bid）、浸合（Engage）和留存（Retain），最终，留存（Retain）数据通过用户下次连接平台，连接识别（Identify）形成闭环过程。由于互联网平台掌控分配统一的用户识别码UniID，用户数据行为被完全追踪记录下来，并且在平台连接的所有智能广告产品对象都得以使用，达成营销专家[37]（2015）发现数字技术锁定互联网使用行为习惯的消费者忠诚。

三、中国智能广告模型ICMBER六步骤系统

首先是识别（Identify）过程，由互联网识别用户形成的标签库成为首要的智能广告产品，越来越多的国家和互联网企业正在实名管理着注册用户。自然而然，智能广告模型中的可识别用户数据信息丰富，构成了初始用户画像（包括人口统计信息、地理统计信息、主观爱好订阅、注册使用服务日期、使用频次、时长、设备、高峰使用时间等等）。这些数据都可被用作品牌定位目标客户群体。互联网天然数字化特征将登录用户转化为用户标签库，这就形成了第一个智能广告产品，引发品牌主更清晰地识别消费者的需求。

紧随其后，是定制（Customize）过程。从微信、淘宝到抖音，越来越多互联网平台达成了实时生成用户页面内容的定制化信息流。当识别用户基本属性和订阅需求之后，互联网平台需要为用户定制按需生成内容界面。定制阶段需要在用户登录后自动打开页面（包含移动端页面），短短200毫秒内部署内容，这就使用到程序化技术自动提取点对点内容，并对创意图像元素以及文字进行优化。大量内容供给从素材库存中实时抓取和生成，这就形成第二个智能广告产品——程序化创意。除了互联网平台直接提供给用户的程序化定制（创意）内容，还出现了互联网平台授权广告技术商定制程序化创意的新内容。广告商参与互联网平台为用户定制内容，正在成为智能广告新增长。

第三，是重要的匹配过程（Match），互联网平台向用户提供内容讯息，既具有用户需求驱动特征，也带有平台和品牌推荐系统的特征。匹配是对用户接受信息效果的优化。为比选多个品牌主的讯息如何更好地满足用户使用互联网平台的需求，本阶段智能广告产品是实时动态广告位，本质是由独立个体的用户数据生成的。互联网平台和数字广告商对品牌主建议报价和需要接触用户特征进行匹配。广告位需要兼顾价格优势和用户满意度（历史记录和预测值）。

第四，是投放过程（Bid）“真实可见”，互联网平台和广告商将定制和匹配完成后的内容讯息投放给单个用户界面，使用户接触到讯息。传统广告投放的印象数（Impression）从来就是预估数字。在大众媒体环境下，无论是报纸、杂志、电视、广播还是户外，向广告商和品牌主提供的印象数（Impression）是基于年度、月度调研数据而来的，因此，广告商不知道真实接触到品牌讯息的用户情况。在智能广告投放过程，形成了真实监测数产品，以用户实际接触数字广告位讯息的时间、地点、设备、时长、来源为其价值背书。互联网平台智能广告的真实监测数，使得品牌主投放实现了点对点计数。

第五，是浸合过程（Engage），互联网平台智能广告，超越了大众传播广告投放，创新地具有了直达营销活动的能力。阿里2019年将其命名为AIPL模型（注意Awareness，兴趣Interest，购买Purchase，忠诚Loyalty）。本阶段智能广告产品是浸合的参与体验（Engagement），上阶段产品真实监测数是对广告投放的监测；本阶段产品是互联网平台、用户和广告商共同创造的结果，表现为广告商的内容体验创新、互联网平台的技术体验创新和用户行为数据互动。浸合体系使得营销活动组合，从关注广告曝光过渡到用户行为链路过程。

最终，是留存过程（Retain），这是真正使得智能广告超越传统广告，成为互联网平台掌控的营销平台创新，也超越了媒体平台和渠道平台，推动数字营销发展进入智能化阶段。留存，指流量用户接受智能广告过程后，最终以“品牌—消费者”互动数据记录，留档在互联网平台，形成优化重定向的智能广告新产品。用户（带有品牌互动数据）留存在互联网平台上，这就巩固了互联网流量用户的忠诚。留存的价值在于用户下次登录时，数据召回能引发服务体验创新。客户忠诚和黏性也是互联网平台的目标。用户留存，证实了平台对用户的服务承诺，获得用户忠诚，也使数字化深度地参与到用户品牌价值关系创造的过程中。品牌主显然对自己客户在互联网平台上的优化重定向数据产生需求，品牌主也对竞争品牌在互联网平台的优化重定向数据产生需求。

以上智能广告“识别—定制—匹配—投放—浸合—留存”ICMBER六阶段过程，体现了互联网营销完整链路。“留存”是为导向下一次“识别”，智能广告实现闭环营销模型。本文为中国互联网特色创新的智能广告模型，创建闭环营销的ICMBER系统，创建了数字赋能的传播与营销链路闭环。中国智能广告模型不同于以往营销与传播分离的漏斗模型，更符合消费者的互联网旅程变革，也从理论上统一了阿里AIPL全链路营销模型和字节跳动5A-GROW营销模型的内在逻辑。

四、中国智能广告模型的理论创新

中国智能广告模型，具有“用户—互联网平台—品牌”三层次结构，其中互联网平台作为智能广告系统的开发者，吸取我国二十年数字营销发展经验，形成了ICMBER六步骤闭环营销系统，通过用户数据，诞生了用户标签库、程序化创意、场景广告位、真实监测数、参与体验集、优化重定向为代表的特色智能广告产品。品牌主和广告商参加到智能广告业务中，除了传统的内容生产和广告位购买，更为重要的是采购新的智能广告产品，在用户数据运营的智能广告系统中，重建品牌的数字营销运营。

图2

传统广告业流程，包含了洞察研究、策划创意、媒介计划与效果评测的基本阶段，可以将其归集为洞察创意和媒介采买执行的两大职能。这两项核心职能是广告业诞生以来的竞争力，也是广告人赖以生存的业务收入主要来源。

互联网时代的智能广告模型，具有洞察与创意职能板块、媒介互动职能板块和创新的营销CRM板块。不但数字化升级广告业务，推进到“可识别的消费者”的细粒度智能，而且开辟了浸合和留存过程的营销CRM职能新领域。智能广告系统的出现，意味着互联网平台为首的技术创新了商业模式，重组了广告与营销传播的职能。从数字营销开始的广告技术发展路径，已经形成具有全新竞争力的智能广告模型。互联网推进企业数字化转型和品牌数字化转型。

研究智能广告模型通往未来品牌营销，需要界定品牌（及其代理商）如何参与到互联网平台主导的智能广告系统。本文从智能广告六大过程中区分主要过程和次生过程，来解答这个问题。

主要过程有识别、匹配和留存三阶段组成。其中，识别过程，形成用户标签库是互联网数字广告发展到智能广告的基础，也是品牌数字化市场运营和未来营销技术开发的基础。匹配过程，形成的广告投放位成为核心的智能广告产品，对某些关键高价值客户的稀缺广告位资源，广告位人工采买让位于机器智能采买。留存过程形成的优化重定向，驱使自动学习用户行为数据成为通用级广告技术，为互联网识别消费者增添了永恒动力。这三个主要过程是互联网智能广告的支柱，也是机器算法引领广告数字升级的必由之路。

次生的智能广告过程应包括定制化，投放和浸合过程，这是基于品牌主不断增加需求而互联网平台面向品牌（代理商）开放的智能广告阶段。在定制过程，广告商品牌主以及营销技术公司可以参与到程序化创意中；在投放过程，互联网平台接受品牌主第三方监测与营销技术公司积极参与；在浸合过程，互联网平台向品牌主广告商和营销技术公司开放更丰富的互动技术和场景创建。

在主要智能广告过程，基本由互联网平台牢牢把控，直接对品牌主广告商售卖智能广告产品，而不开放合作创建。次要智能广告过程和主要智能广告过程的差别，不在重要性层面，而是在于品牌主参与创造智能广告产品程度的不同。互联网平台“数字花园”的深井（Silo）也是由智能广告的主要过程创造价值决定的。

全部六个智能过程都有着源于用户数据的特色智能广告产品支撑。互联网平台可以使用各种人工智能技术，开发不同的算法来处理用户数据；广告商和品牌主也能够使用不同人工智能技术，开发不同算法来使用和创建（部分）智能广告产品。

首要过程中智能广告产品基本由互联网平台或附属数字营销企业提供，次生过程中的智能广告产品（创意产品，验证产品，参与体验产品）可以由互联网平台提供（如阿里的鹿斑系统），也可以由联盟的第三方服务和广告商提供（如筷子科技的程序化创意）。这也补充了智能广告系统闭环营销的产品组成，提供给品牌主兼具高效和灵活的数字营销。在智能广告系统之外，还有大量营销技术公司，服务品牌主（广告商）更多数字化营销传播需求，创建新兴的智能营销技术类产品。只要接入到互联网平台投放，就需要通过智能广告系统，遵循“用户—互联网平台—品牌”智能广告的产品结构。

人工智能学者预告了数字广告接触点。[38]未来线上数字化品牌服务营销解决方案将包括洞察和创意、接触点战略和营销客户关系管理的智能化实施。[39]留存和重定向，作为一项重要的智能广告产品关联到用户数据库，为所有品牌互动添加了新的标签，优化互联网营销的未来。

五、智能广告的人工智能技术原理与应用

人工智能的工作通常由采集数据开始，经过整合数据（也称聚合）、识别需求场景和分配数据，主要的人工智能工作在这里进行。如图1分为七类需求场景，采用到不同的智能技术。算法介导（Algorithm-mediated）的智能过程包含图右侧智能技术应用过程，将原始数据处理成营销商业化使用的自动工具。这是智能广告系统的应用技术基础。

神经语言网络技术NLP主要用于文案自动识别与创作，和图像自动识别与创作，神经语言网络技术NLP已经是通用级人工智能GAI应用，发展成熟。机器学习技术ML也可用于文案自动识别与创作，和图像自动识别与创作。以上两种人工智能技术应用到需求场景已经成熟，前沿企业在使用智能处理衡量替代人员创作的费效比。

洞察自动探测与标签部分，可以分为消费者行为监测、主动情感监测、参与体验与内容反应、多种智能技术和算法都可以实现功能。智能合约部分包括动态产品定价预测、自动定价早期预警和广告战略自动部署与实施。智能合约还受到区块链技术和用户数据各规发展的影响。

媒体接触点场景自动画像与洞察自动探测的区别在于，以深度理解媒体接触点场景为中心，而不是以消费者用户数据为中心。

广告欺诈与反机器人策略、广告安全与品牌主自动审查，建立在互联网平台智能广告基础、数字营销与广告商智能技术和品牌主智能技术基础之上。这些智能广告技术和职能都是应运而生的，品牌主逐步形成明确的需求，或者自己开发，或者委托数字营销与广告商开发，甚至直接向互联网平台提出新的要求。2019年1月，宝洁和联合利华，在拉斯维加斯举行的CES消费电子展上，向Facebook和谷歌都提出了数据透明化和品牌安全策略审查的新要求。[40]

图3

排在需求场景之后的才是智能算法的应用。目前，主要有监督机器学习、无监督机器学习、强化学习和自组织学习四种算法。2017年，阿尔法狗打败柯洁使用到了无监督机器学习和强化学习，使得业界加大了对此人工智能算法应用关注。算法并无优劣之分，智能广告使用算法，就如同所有其他行业使用算法一样，是从适用性角度入手来解决问题。

经过上述过程，才能达到预测级的建模AI产品。智能广告实施后，行为数据效果会重新返回新的用户数据输入，进行验证和优化。这些人工智能技术已经被开发应用在不同智能广告产品中。智能技术已经深深嵌入构成闭环模型的智能广告过程。美国广告学会在关注哪些智能技术构成智能广告，哪些技术超出广告业务。在中国，智能技术正在加速成为通用级智能技术，应用于所有数据信息产品的生产过程。中国智能广告的核心不是智能技术应用的先进程度，而是用户数据构成闭环营销的智能广告系统模型，阿里AIPL模型和字节跳动5A－GROW模型，都在引领数字营销行业创新。业内大量智能技术专家，在领导智能技术业务进行数据挖掘和算法创新，但是很多技术专家并不知道他所主持的智能产品是被用到营销广告业务中。对此，中国智能广告模型图（图1），左侧是智能广告的系统结构，右侧实际是智能（广告）技术方法论，就此区分了智能广告研究的系统结构与底层技术。

互联网科技推进的智能广告，天然使用到用户数据在互联网科技面前的透明和高效，形成对品牌联结用户极有价值的在线营销服务市场。因此，用户（消费者），始终位于智能广告系统的中心，数据就此成为最有价值的商品——“原油”。

六、中国智能广告模型的产业创新

中国互联网营销的主流研究方向在于互联网平台给到用户的展示系统界面中品牌内容的融入与优化。重点研究的不是西方学者关注的广告“内”的信息说服，而在传统广告之“外”，即“用户体验”中的触点旅程与品牌内容的合一性问题。这就涉及广告业根本问题——用户媒介使用的目的性。

传统大众传播的用户媒介内容使用是第一目的，广告暴露（Exposure）和作用于（Effecton）用户是第二目的。[41]中国互联网营销传播有一个重要导向就是通过技术优化（使用智能识别和匹配）将用户第一目的和第二目的在展示系统中合流，并且使用智能技术升级（自然语言处理）创新地设计广告刺激（Stimulus）来引导用户参与体验（Engagement）并保持用户在互联网平台内的高水平活跃程度。互联网企业作为数据采集者和数据处理致力于创造出积极用户体验和对互联网媒体平台的忠诚（重复到访和时长黏性）。这是中国互联网企业保持增长的指导原则，成为数字赋能增长的平台级营销竞争力。

事实上，互联网企业更倾向于将“广告”转换为任何其他形式，只要用户他们更喜欢和容易接纳，由吸引大量用户数量到互联网平台（时间及访问频次）以增加互联网企业的竞争力。智能广告模型IAM不仅是数字技术支持的广告系统[42]，在中国，智能广告能发展出任何形式的营销传播，只要通过IAM系统营销闭环的快速迭代。

归根结底，用户行为数据支撑了每一项智能广告产品转化为互联网平台给到品牌的商业机会。品牌主的广告营销策略，在互联网平台上呈现为品牌主之间商业机会的把握和比拼。经由智能广告模型的数字闭环，数据评价在线品牌和品类的营销投入产出绩效。中国互联网平台同时也在支持各级政府将数字智能应用落地到智慧城市产业升级，因此，由智能广告产品先导的快消费品行业、汽车行业、家居健康行业开始，数字化电商的营销生产力和渠道利润率逐渐透明化。在中国加速建设的品牌消费者关系结构中，品牌互动的体验创新成为互联网平台、品牌主和消费者都关注的重点。

美国整合营销学者马特豪斯（Malthouse Edward）创新的浸合（Engagement）理论，也是第一位使用闭环模型的广告学者，研究了未来由接触点组织的品牌主与消费者关系。[43]舒尔茨（Don E . Schultz）提出协商品牌（Negotiated Brand）理论[44]，沃顿商学院尤兰温德（Wind Yoram Jerry）提出超越广告（Beyond Advertising）理论[45]不约而同地重设研究框架于品牌视角之外。随着互联网平台的集中用户使用，细粒度级接触点在超越媒体，承载品牌消费者浸合，实现数字化智能广告处理。智能广告推动广告产业引领数字化品牌变革，技术和人文创意成为品牌升级和企业数字化转型的两大支柱。站在整合营销学者视角看未来，由互联网平台发起的数字赋能，开始融合在线营销和传播，势必重构营销传播职能。广告业，源自大众传播，驱使受众心理，服务于品牌营销，这一经典职能正在受到互联网平台赋能主导的数字营销传播形态冲击。根本原因在于，以互联网平台为基础的全渠道商业模式，促使传播与营销的两大领域，由20世纪的专业分工重新融合在了一起。

中国智能广告模型的建立，加深了营销传播一体化特征和互联网数字化运营基础，从而贡献到数字广告产业链的革新升级。智能广告模型图示了数字营销闭环中“品牌—互联网平台中介—用户”关系。IAM模型还重点构建六个智能广告过程（产品），品牌主对数字营销技术与日俱增的兴趣，也能体现在对智能广告产品的购买和使用上。

总之，中国智能广告模型有效拓展了全球整合营销学者、广告学者、技术营销学者的理论知识构想。在传统广告的漏斗模型视角外，全球理论学者探索提出营销闭环模型[46]，中国智能广告模型创新了闭环模型的广告理论，通过建模“用户—互联网平台—品牌”关系和ICMBER系统阐释用户数据是互联网营销传播的核心，揭示互联网平台中介了大多数品牌与消费者联结的事实。相应的，互联网平台需要承担更高数据隐私准则，来确保通向智能未来的营销竞争力不会被滥用，这也是全球主权国家立法加强监管的方向。

文章来源：

本文首发于《现代传播》， 2020 年第 7 期，第125-131页，经作者授权转载，略有改动。

参考文献：

[1] Richards Jef. I. & Curran. C. M. Oracles on “Advertising”: Searching for A Definition. Journal of Advertising, vol. 31, 2, 2002. p. 63.

[2] [28] [42] Chen Gong. Jacob H. Cox A. Selcuk Uluagac. and John A. Copeland. In-Depth Survey of Digital Advertising Technologies, IEEE Communications Surveys & Tutorials, 18( 3) , 2016. p. 2130, doi: 10. 1109/COMST. 2016. 2519912.

[3] Neff. Jack. Unilever Launches‘Trusted Publisher’List to Vet Digital Players. Adage, 2019. p1. available at . com/article/digital/

unilever-launches-trusted-publisher-list/317148/(accessed April 29, 2020) .

[4] Alhabash. Saleem. Kjerstin Thorson. Minette Drumwight. Kathryn Pounders. Digital Advertising and Ethics: Research, Teaching, and Practice, Proceeding of 60th Annual Conference of American Academy of Advertising, 2018. p. 18.

[5] 黄升民、刘珊: 《“大数据”背景下营销体系的解构与重构》，《现代传播》，2012 年第 11 期，第 13 页。

[6] 姚曦、李斐飞: 《精准互动———数字传播时代广告公司业务模式的重构》，《新闻大学》，2017 年第 1 期，第 117 页。

[7] [14] 段淳林、任静: 《智能广告的程序化创意及其 RECM 模式研究》，《新闻大学》，2020 年第 2 期，第 10 页。

[8] [36] Chen Gang. Peihong Xie. Jing Dong. Tianfu Wang. Understanding Programmic Creative, the function of Artificial Intelligence Advertising. Journal of Advertising, vol. 48(3) , 2019. p. 348, p. 353.

[9] Qin Xuebing. Jiang. Zhibin. The Impact of AI on the Advertising Process: The Chinese Experience. Journal of Advertising, vol. 48(3) , 2019. p. 339.

[10] [20] Li Hairong. Special Section Introduction: Artificial Intelligence and Advertising. Journal of Advertising. vol. 48(3) , 2019. p. 334.

[11] Stone Peter. Rodney Brooks. Erik Brynjolfsson. Ryan Calo. Oren Etzioni. Greg Hager. Julia Hirschberg. Shivaram Kalyanakrishnan. Ece Kamar. Sarit Kraus. Kevin Leyton-Brown. David Parkes. William Press. AnnaLee Saxenian. Julie Shah. Milind Tambe. and Astro Teller. Artificial Intelligence and Life in 2030. One Hundred Year Study on Artificial Intelligence. Stanford University. Stanford, CA, 2016. P13. available at . stanford. edu(accessed April 1, 2020) .

[12] Russell Stuart. and Peter Norvig. Artificial Intelligence: A Modern Approach, ( 3rd ed. ) , London: Pearson. 2012. pp. 2-4.

[13] Nilsson Nils J. The Quest for Artificial Intelligence: A History of Ideas and Achievements. Cambridge, UK: Cambridge University Press. 2009. pp. 3-9.

[14] Abadi Martin. Paul Barham. Jianmin Chen. Zhifeng Chen. Andy Davis. Matthieu Devin. Sanjay Ghemawat. Geoffrey Irving. Michael Isard. Manjunath Kudlur. Josh Levenberg. Rajat Monga. Sherry Moore. Derek G. Murray. Benoit Steiner. Paul Tucker. Vijay Vasudevan. Pete Warden. MartinWicke. Yuan Yu. and Xiaoqiang Zheng. TensorFlow: A System for Large-Scale Machine Learning, In 12th USENIX Symposium on Operating Systems Design and Implementation, Savannah, GA, 2016. pp. 267 - 273.

[16] Kietzmann Jan. Jeannette Paschen. Emily Treen. Artificial Intelligence in Advertising: How Markerters Can Leverage Artificial Intelligence Along the Consumer Journey. Journal of Advertising Research, vol. 58( 3) , 2018. pp. 263-275.

[17] Guseva Anna I. Vasiliy S. Kireev. and Stanislav A. Filippov. Highly Pertinent Algorithm for the Market of Business Intelligence, Context and NativeAdvertising. International Journal of Economics and Financial Issues, 6( S8) , 2016. pp. 225 - 233.

[18] [38] Debortoli, Stefan. Oliver Müller. and Jan vom Brocke. Comparing Business Intelligence and Big Data Skills: A Text Mining Study Using Job Advertisements. Business & Information Systems Engineering, vol. 6( 5) , 2014. pp. 289-300.

[19] 顾明毅、姜智彬、李海容: 《百年广告定义研究辨析》，《现代传播》，2018 年第 4 期，第 126 页。

[21] European Commission. General Data Protection Regulation(GDPR).2018, pp. 3-5. available at . eu/(accessed January 15, 2019) .

[22] 国家互联网信息办公室: 《数据安全管理办法( 征求意见稿) 》，2019 年 5 月 28 日，第 1-3 页。

[23] 中华人民共和国标准管理局: 《信息安全技术——个人信息安全规范》，GB/T 35273—2019，第 2-5 页。

[24] Yao Mike. Programmatic Advertising: Promises and Pitfalls. Proceeding of 1st Intelligence Science and Advertising Development International Conference Proceeding( ISAD) , Shanghai. 2018. pp. 15-18.

[25] Shani Or. Get with the Programmatic: A Primer on Programmatic Advertising. Marketing Land, 2014. pp. 2 - 3. available at . com/get-programmatic-primer-programmatic-advertising-94502( accessed April 29, 2020) .

[26] Broder Andrei. Computational Advertising and Recommender Systems. in the Proceedings of the 2008 ACM Conference on Recommender Systems, RecSys 2008, Lausanne, Switzerland, pp. 1 - 2, available at . org/10. 1145/1454008. 1454009(accessed April 29, 2020) .

[27] 刘鹏、王超: 《计算广告: 互联网商业变现的市场和技术》，人民邮电出版社 2019 年版，第 25 页。

[28] Internet Advertising Bureau: How An Ad Is Served with Real-Time Bidding. IAB Digital Simplified, 2018. p. 1. available at . social-digitaldirect. com/videos/how-an-ad-is-served-with-real-time-bidding-rtb-iab-digital-simpli(accessed April 29, 2019) .

[30] [37] [46] Edelman David. and Marc Singer. Competing on Customer Journeys. Harvard Business Review, 2015, (11) : pp. 88 - 94.

[31] Liu-Thompkins Yuping and Edward. C. Malthouse. A Primer on Using Behavioral Data for Testing Theories in Advertising Research. Journal of Advertising, 46(1) , 2017. pp. 213-225.

[32] Varian, Hal R. The Economics of Communication and Information. Journal of the American Society for Information Science, 48(12) , 1997. pp.1151-1152.

[33] Jin, Ginger Z. Artificial Intelligence and Consumer Privacy. National Bureau of Economic Research(NBER) , 2018. pp. 3 - 5. available at . nber. org/papers/w24253.

[34] Agrawal Ajay. Joshua Gans. and Avi Goldfarb: Prediction Machines: The Simple Economics of Artificial Intelligence. Boston, Massachusetts, Harvard Business Review Press. 2018. p.43.

[35] [43] Malthouse Edward. Customer Relationship Management Strategy: More Important Now Than Ever Before. The New Advertising: Branding, Content, and Consumer Relationships in the Data-Driven Social Media Era, Praeger. vol. 1, 2016. pp. 111-135.

[39] [45] Wind Yoram Jerry and Hays Catharine Findiesen: Beyond Advertising: Creating Value Through All Customer Touchpoints. Wiley. 2016. p. 9, p. 5.

[40] Peterson Tim. CES Briefing: Inside Facebook's Ad Platform Clean Up. Digiday, 2019. pp. 1 - 3. available at . com/marketing/cesbriefing-facebook-ad-platform-clean/(accessed January 20, 2020) .

[41] McQuarrie Edward F. and Barbara J. Phillips. A Rhetoric Theory of the Advertisement. in Advertising Theory, Shelly Rodgers and Esther Thorson, eds. Routledge, 2012. pp. 227-240.

[44] Vollero Agostino. Don E. Schultz. Alfonso Siano. IMC in Digitally-empowering Contexts: the Emerging Role of Negotiated Brands. International Journal of Advertising, vol. 38(1) . 2019. pp. 428-449.

图片来源：

封面：

图1：来自原文

图2：

图3：

校对人员

陈天宇高嘉琪申林

“文化上市公司”公众号是学术公益开放平台，任何机构和个人都可以转载“文化上市公司”公众号的文章，但请务必注明转载文章来源于“文化上市公司”公众号，并请完整注明文章作者及相关出处。对未依此规定转载者，本公众号将保留追究一切法律责任的权利。

免责声明：

本文仅代表作者个人观点，不代表“文化上市公司”公众号立场。

文化企业是文化产业的基础单元

文化上市公司，