多年前，被誉为百货商店之父的John Wanamaker有句名言:“我花在广告上的钱有一半都浪费了。但问题在于，我并不知道是哪一半。”这句话至今还能引起营销人的共鸣。营销人一直在努力寻找以更少的花费获得更多客户的方法。他们通过在不同的营销渠道(如Google，Facebook等)上进行各种各样的营销活动——尝试不同的创意、目标和策略来最优化他们的营销预算和效果。
最近的一份市场报告显示，美国餐饮外卖市场上演了“五虎争霸”格局，由华人创办的外卖公司Doordash力压Uber和Grubhub外卖等对手，位居第一名。
本文中我们将和你分享DoorDash是如何通过构建营销自动化平台的方法，最终在 DoorDash的规模上实现“少花钱，多获客”的目标。
图 ：A / B测试经典营销实验举例。两个广告内容相同但布局不同，测试哪个广告效果更好。
利用营销自动化平台大规模优化营销支出
为了获得新客户，DoorDash在营销上花费了数百万美元。营销支出能够直接影响业务的增长和盈利能力：支出太少会影响收入，支出太多则会影响盈利能力。因此，对我们来讲，最重要的就是在优化营销支出的同时实现效益最大化。
为了优化广告战役，我们会评估各广告的历史效果从而决定在每个广告上花费多少。目前，我们的营销团队是通过定期更新渠道合作方的报价和预算来手动管理我们的广告战役。效果好的广告战役会得到更多预算，而效果欠佳的广告战役则会被关闭。在任何给定时间内，我们都会在所有营销渠道中运营数以万计的广告战役。然而由于DoorDash规模过大，手动操作既耗时又达不到理想的效果。
管理所有的广告战役支出是一个复杂且多维优化的问题，而这正是机器擅长的事情。为了优化支出并以编程的方式对其进行管理，我们构建了一个营销自动化平台。在机器学习的支持下，它能优化分配每个广告战役的预算，并向我们的渠道合作方发布报价。
接下来，我们将展示平台如何通过使用机器学习方法为每个广告战役创建成本曲线来分配预算，从而使用合成生成的数据增加总的历史数据。
构建模块：归因数据和成本曲线
构建营销优化系统需要的第一个组成部分是了解每个新用户是如何来到DoorDash的。在他们成为DoorDash客户的过程中，他们与哪些广告进行了互动？这叫做归因数据。正如我们将在后文中解释的，我们不仅想知道客户与哪个渠道进行了交互，还想知道具体是哪个广告战役。因为准确、及时、精细的归因数据是理解和优化我们的市场营销的关键。
我们的渠道合作方通常会给我们提供DoorDash客户通过他们的渠道转化的数据。然而，用户在转化之前可以与多个渠道进行交互。比方说，客户某天在Facebook上看到DoorDash广告，然后在搜索“送餐”后点击了Google上的DoorDash广告，隔天注册了DoorDash。多个渠道都助力了这次转化。在这种情况下，我们使用内部归因数据根据修改的末位归因（last-touch attribution）方法为每个转化分配“功劳”到特定渠道。
接下来，我们使用此归因数据绘制成本曲线。成本曲线是一张图表，可以展示获客数量如何依赖于营销支出，如下图所示：
图：成本曲线图展示了在营销上花费的多少与注册服务的新客户数量之间的关系。
成本曲线可以通过组合任意级别的数据来绘制：跨所有渠道的数据、针对特定渠道或活动的数据、或者更有细粒度的数据(如搜索关键字)。如图所示，成本曲线通常是凹的，即收益递减——毕竟，潜在用户的数量是有限的。你花的钱越多，也就意味着下一个用户注册的边际成本就越高。
成本曲线很有用，因为它告诉我们，对于任何支出金额:
我们期望转化的用户数量
额外花费一美元的边际价值
为了绘制成本曲线，我们将归因数据按渠道和周分组，这样我们就能得到过去几周的周花费（x轴）和新用户转化（y轴）。然后我们拟合一条曲线（以保证收益递减）到这些数据点。有了这些成本曲线，我们就可以开始优化了。
利用成本曲线进行渠道级优化
我们要解决的第一个问题是怎么帮助营销团队将总预算分配到各渠道上。这样一来，他们就可以更科学地决定在每个渠道上花费多少，但这仍然意味着我们的团队需要手动设置广告战役竞价，以达到渠道级别的目标。
为了优化渠道级别的支出目标，我们从生成渠道级别的成本曲线开始。有了这些成本曲线和预算，分配预算的过程就很简单了。从所有渠道的零支出开始，反复分配一美元到当前支出斜率最大的渠道，直到预算达成，于是我们就有了每个渠道的最佳支出目标。
下面解释一下为什么这种方法有效。成本曲线在任意一点的斜率是在该点多花一美元所获得的边际价值。由于成本曲线的斜率随支出单调递减，因此该算法确保每一美元都被分配到其最有效的使用。敏锐的读者可能会注意到，这种算法等价于简单地选择斜率相等且总花费等于预算的点。
图：找到成本曲线斜率相等的点，我们就可以看到最优的支出分配，因为超过该点的美元支出效率就比较低下了。
这种方法可以最优地跨渠道分配我们的预算。虽然可以让我们的营销团队做出更好的决策，但它仍旧不能让我们的广告战役完全自动化。由于竞价是在广告战役层面进行的，所以我们还需要制定广告战役层面的支出目标。
优化广告战役，实现自动竞价
为了启用自动竞价，从而不需要由我们的营销团队管理广告战役，我们需要生成广告战役级别的支出目标。我们可以使用上面用于生成渠道级别支出目标的方法。但是，这种方法面临着一些挑战。
对于某些渠道（例如搜索引擎营销）来说，我们每周都要花费少量资金在成千上万的广告战役上。这会使每周的归因数据变得嘈杂。此外，有几周这些广告战役根本没有什么花费，这又使得数据变得稀疏。按原样使用此数据将导致不可靠的成本曲线，进而导致不合理的分配。
对于其他类型的广告战役，数据可能集中在一个狭窄的支出范围内。例如，一些规模较大的广告战役从始至终都获得了大量预算，从而在低支出范围内缺乏历史数据。这样的集群数据使得成本曲线不可靠，因为我们不知道如果花少量的钱会发生什么。并且对微小变化高度敏感。如果成本曲线是不可靠和不稳定的，那么基于成本曲线产生的支出分配将是次优和不稳定的。下面的图是这种情况的一些可视化示例：
图: 当数据高度聚集时，非常相似的数据会导致非常不同的成本曲线，使得成本曲线不可靠。
因为我们需要使用这种方法分配大量的资金，所以成本曲线的可靠性至关重要。接下来，我们将展示如何使用机器学习创建更可靠的广告战役级别的成本曲线。
使用机器学习构建更好的成本曲线
在宏观上，我们的想法是训练机器学习模型来预测在任何支出水平下任何广告战役的预期转化次数。由于机器学习模型会生成综合数据，因此也会扩大了我们的真实数据。随后，我们将成本曲线拟合为合成的和真实的数据。
机器学习模型接受了来自所有广告战役的数据训练，因此可以识别彼此相似的广告战役。这样一来，它可以通过学习从其他类似的广告战役中推断出某个广告战役数据中的空白。为了识别类似的广告战役，我们用广告战役的metadata（元数据）作为特征来训练它：如活动的目标、格式、创意的尺寸、投标类型、地区和设备类型。
图：和图的数据相比，添加机器学习生成的合成数据能得到更可靠、更稳定的成本曲线。
我们将任何广告战役的支出目标设定在略高于其历史最高支出的水平，从而消除了对明显高于历史最高支出的综合数据的需求。这么做是因为机器学习模型在超出其训练范围外进行推断时会失去准确性。
机器学习架构：为每个渠道训练一个机器学习模型
我们不同的渠道对综合数据的需求、广告战役的数量、广告战役的规模以及与其他渠道的相似性各不相同。因此，我们必须为每个渠道训练一个机器学习模型。每个模型都在包含来自所有渠道的数据的同一训练集，中进行训练。但是，我们使用不同的验证集来调整每个渠道模型的参数。渠道的验证集由该渠道中每个广告战役的最新数据组成，因为我们更关注近期效果。
通过模型学习不同的渠道后，有些广告可以比其他广告获益更多。我们可以在渠道级别上解释其中的原因：每个渠道的模型都有一组权重Wc。我们将这些权重包括在模型的损失函数中，并在训练期间将其作为模型的一个参数。对于任何一个渠道，如果它受益于从其他渠道c的学习，那么Wc就具有很高的价值。这样一来，每个渠道的模型都可以选择使用其他渠道的数据的程度。
图：在我们的平台架构中，每个渠道都有一个机器学习模型。每个模型都使用相同的训练集进行训练，并使用特定于渠道的验证集进行调整。
但即使是在同一个渠道内，广告战役在对其有益的合成数据量上也存在很大差异，因此我们需要进一步调整所使用的合成数据点的数量。
选择正确数量的机器学习模型生成的数据
生成综合数据时，需要权衡考虑。如果生成的太多，则来自真实数据的信号将被淹没；如果生成的数据太少，则成本曲线将不准确。对于需要生成多少合成数据点，有一个最佳点，而这一最佳点因广告战役而异。有些广告战役具有足够准确的真实数据，因而几乎不需要合成数据，但另一些则需要更多。
为了找到一个平衡点，我们尝试了一系列不同的值。而对于每个值，我们又生成许多合成数据点、拟合成本曲线并在验证集上评估曲线的准确性。接下来，我们可以简单地进行网格搜索并选择产生最精确成本曲线的值。
总结
大规模的有效营销是DoorDash公司收入和利润增长的关键。上文描述的营销自动化平台已经开始管理我们营销团队的一些每周预算。随着我们将其推广到更多的渠道和广告战役中，我们希望在达到同样数量的客户的同时，营销成本能降低%到%。
