隐私优先的定向：不依赖第三方Cookie构建广告技术

在Chrome全面停用第三方cookie之后的一周，一家大型DSP测量了自己的人群匹配率：一夜之间从72%跌到31%。

恢复最快的团队早已建好多信号定向管道，其余团队花了几个月做改造。

把第一方数据作为价值最高的定向信号接入

拥有直接用户关系的公司——通过会员计划、登录态体验和邮件订阅建立——手中握有程序化广告里最有价值的数据。

接入经过认证的第一方信号的需求方平台，比依赖概率人群包的平台多匹配20-40%的展示。相关工程工作包括：

• 灵活的身份识别链路，可接收哈希邮箱、登录事件和媒体方提供的 ID
• PII隔离边界防止原始用户数据跨越系统边界，广告交易平台不会看到未哈希的标识符
• 在竞价时刻做实时人群评估，而不是用几小时内就会失效的批量人群
• 发布商数据接入API可接收自定义分类体系，无需改动DSP侧的表结构

部署可媲美用户级定向精度的上下文 AI

上下文定向早已超越关键词匹配。基于 Transformer 的模型分析整页语义——主题、情感、品牌安全信号——在很多投放类型上，定向精度可以媲美用户级数据。

对广告技术开发团队的好处是：上下文信号不需要用户数据，没有复杂的同意管理，也没有监管风险。约束是：推理必须在广告请求时完成。

• 对超时为10ms的实时竞价平台来说，让每次出价评估多花5ms的上下文分类器太慢
• 在抓取阶段对发布商页面做预分类，把实时开销降为一次不足0.5ms的缓存查询
• 基于广告主特定品牌安全要求训练的语义模型，在相关性指标上比通用分类器高出15-25%

上下文 AI 无需用户数据即可完成定向。工程代价在推理速度，而不在隐私合规。

整合三项已达到生产成熟度的隐私增强技术

目前有三类隐私增强技术（PET）已在生产环境运行：

• 端上处理：ML推理在用户设备上运行，只把聚合后的信号发给广告交易平台。Apple的SKAdNetwork和Google的Topics API都是这个思路。
• 数据洁净室——DSP 开发团队和 SSP 开发团队都用数据洁净室匹配第一方数据集，双方都不暴露原始用户数据。让这类关联快到足以支撑实时竞价决策，是核心的工程难题。
• 差分隐私：向聚合数据加入经过校准的噪声，防止识别到具体用户。适用于无需精确到用户粒度的测量与报表场景。

解决供应方平台的变现难题

发布商面临一个具体问题：既要变现库存，又不能把用户数据泄露给竞价链条上的每一个买方。

卖方自定义受众让供应方平台把自己的用户划分成人群包，并在不暴露个人身份的前提下提供给买方。实现需要：

• SSP在媒体方第一方数据上运行自有的受众分类模型
• 与买方预期兼容的人群分类体系——以IAB Content Taxonomy 3.0为基准
• 人群信号随竞价请求一同传递，不给拍卖增加延迟——开销目标控制在1ms以内

应对没有浏览器信号的移动应用环境

应用内展示完全缺少浏览器层面的信号。IDFA在iOS上采用选择加入机制，授权率大约为25%。

在移动端做好受众定向，需要投入这些方向：

• SDK层的上下文信号——应用类目、会话深度、应用内行为模式
• 端上推理模型，在不传输原始行为数据的前提下评估用户意图
• 用服务器到服务器的归因回调取代基于像素的跟踪——回调在展示发生几分钟甚至几小时后才到达，因此需要可靠的基础设施、去重逻辑和容忍延迟的设计
• 针对应用内场景重新训练点击率模型——应用内的用户交互模式与网页端差异很大

构建灵活的数据管道，扛得住下一次定向变化

定向技术格局仍在按季度变化。围绕单一方案搭建僵化管道的工程团队，会面临昂贵的返工。

• 构建统一接口的数据接入层，兼容第一方、上下文和群组等多种信号类型
• 投入身份识别能力，使其在已登录和匿名两种场景下都能生效
• 把度量基础设施当作一等工程问题，而不是事后补上的报表
• 所有与隐私相关的计算都要按竞价超时预算做基准测试