本发明涉及互联网技术领域，尤其涉及一种biddingx平台的营销转化方法。
背景技术：
为了解决上述问题，本发明提出了一种biddingx平台的营销转化方法，能够实现全流程的智能优化，提升营销效果和效率。
技术实现要素：
本发明所要解决的技术问题在于，提供一种biddingx平台的营销转化方法，能够实现全流程的智能优化，提升营销效果和效率。
本发明的具体技术方案如下：
一种biddingx平台的营销转化方法，包括：
biddingx平台对全流程的数据进行监测，并将数据整合打通，实时导入dmp系统；
dmp系统驱动biddingx的算法引擎，以及针对每一个营销触点的全流程解决方案。
进一步地，所述监测包括曝光监测、点击监测和落地页监测。
优选地，所述曝光监测和点击监测的代码以url形式提供，所述曝光监测的url为1*1的透明像素图片；所述点击监测的url包括同步点击监测和异步点击监测。
优选地，所述dmp系统收集并存储来自dsp、dna和dco的日志数据，将所述日志数据按字段拆解，并存储到hdfs数据存储平台。
进一步地，所述dmp系统的算法包括点击优化算法、竞价优化算法和人群算法。
优选地，所述dmp系统的实现方法包括：
(1)开发hadoop集群平台；
(2)开发人群肖像计算算法；
(3)开发媒体分类计算算法；
(4)开发通用数据输入/输出接口。
优选地，所述dsp系统的实现方法包括：
(1)构建一个快速对接adx的流量统一框架，然后与各个adx进行对接；
(2)管理系统采用b/s结构，通过普通浏览器对系统进行管理；
(3)使用go语言开发竞价服务，提高高并发、低延迟的竞价服务接口；
(4)支持第一方dmp数据的采集，实现实时的重定向投放；
(5)支持更多的定向条件设置；
(7)优化竞价服务逻辑，提升性能，提供更好的响应速度；
(9)完善离线机器学习，分析出人群特征数据库，提供更加精准、完善的dmp数据库；
(10)各个服务分布式集群的完善，使整个系统更加稳定，提供高可用的服务；
进一步地，所述biddingx平台还包括高并发的数据响应模块和分布式数据存储模块，能够支持实时数据查询，所述实时数据包括cookiemapping数据、曝光频次和dmp数据。
实施本发明实施例，具有如下有益效果：
(1)本发明在同一个平台上统一管理多个营销渠道以及营销转化流程，从而最大化的提升管理效率、数据透明度、数据可用性，减少数据损耗和流程上的断层，并且用dmp数据驱动多个营销优化解决方案，提升营销效果；
附图说明
图2是本发明实施例提供的dsp在程序化购买的位置示意图；
图4是本发明实施例提供的一种biddingx平台的营销转化方法流程图；
图5是本发明实施例提供的点击监测流程示意图；
图6是本发明实施例提供的dmp数据管理平台结构框图。。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
精准定向可以分为四部分，人口统计、兴趣、自定义和其他。
兴趣在这里包含上下文定向、频道定向、行为定向，这部分多数以用户标签的形式来落地。多数平台都支持兴趣标签的定向方式，给出可选的商业兴趣标签，也有部分平台提供自定义关键词定向，这种定向暂时是作为补充，相信随着信息挖掘更进一步，关键词会成为更为重要的一项。这部分主要借助行为定向，根据用户的历史行为为用户打标签。
其他如天气、社交的关系定向、利用兄弟产品的数据可以参照案例。
第三方数据：非直接合作方拥有的数据，如运营商数据等。
流程1：用户a在web浏览器访问某媒体网站首页。
流程6：用户数据中心向竞价引擎返回用户a的信息，如性别、年龄、兴趣爱好等。返回的具体用户信息需要参照用户数据中心的信息维度而定。
流程7：竞价引擎将用户数据和投放需求进行匹配，决定是否参与出价以及cpm出价。
这里做以下补充说明：
请参见图4，其示出了一种biddingx平台的营销转化方法流程图，包括：
s401.biddingx平台对全流程的数据进行监测，并将数据整合打通，实时导入dmp系统。
其中，所述监测包括曝光监测、点击监测和落地页监测。所述曝光监测和点击监测的代码以url形式提供，所述曝光监测的url为1*1的透明像素图片，所述点击监测的url包括同步点击监测和异步点击监测。
dmp(data-managementplatform)全称为“数据管理平台”，它的标准定义是“把分散的第一、第三方数据进行整合纳入统一的技术平台，并对这些数据进行标准化和细分，让用户可以把这些细分结果推向现有的互动营销环境里。”我们可以把它简单理解成一个数据池子，它可以接收来自各方的数据，然后再经过融合、处理和优化后使用这些数据。所述dmp系统收集并存储来自dsp、dna和dco的日志数据，将所述日志数据按字段拆解，并存储到hdfs数据存储平台。后续根据用户的需求，使用数据平台的算法库对这些数据进行聚合分类，打标签。最后，将数据导出，重新整合到数据应用中，形成数据利用，发挥数据价值。
请参见图6，其示出了dmp数据管理平台的结构框图，其工作流程包括：
流程3：日志管理存储将汇总后的数据信息(包括结构化数据、半结构化数据和非结构化数据)发给数据处理服务。
流程4：数据处理服务对日志信息进行标准化处理，发送到分析引擎。
流程5：分析引擎对数据进行清洗，过滤作弊数据和其它异常数据，将有效数据发送到算法中心。
流程6：算法中心结合标签规则模型对数据进行机器学习和数据挖掘，将数据标签化处理后返回给标签管理平台。
流程7：标签管理平台通过输出接口同步数据到各数据应用平台，如dsp、pcp、adx/ssp或其它平台。
s402.dmp系统驱动biddingx的算法引擎，以及针对每一个营销触点的全流程解决方案。
动态创意优化，将正确信息传递给正确的人，利用动态创意优化(dco)技术，快速、海量生成创意，并在投放过程中智能决策、优化创意组合。
一站式代码管理，提高加码效率，利用自有tagmanager(代码管家)平台，快速、灵活、安全地管理您的网站第三方功能代码。
网站监测，记录完整营销行为路径，利用自有网站监测平台dna，实时追踪用户行为轨迹，记录访客行为信息，制定定制化的优化策略(媒体、创意、落地页优化)。
落地页优化，提升转化效果，利用自有ab测试产品abtester，通过可视化编辑器对落地页进行“所见即所得”的优化，定向受众人群分类多版本实验，找出最佳版本，最大化转化率
所述biddingx平台还包括高并发的数据响应模块和分布式数据存储模块，能够支持实时数据查询，所述实时数据包括cookiemapping数据、曝光频次和dmp数据。
dco系统的实现方法，包括：
(1)采用go语言开发高并发系统，为了保证开发效率、降低后续维护成本，dco将选用go语言来作为开发语言；
(2)hadoop+storm开发推荐引擎hadoop是目前最流行的离线数据平台，拥有优秀的数据存储平台、计算框架和资源调度系统。hadoop善于把廉价服务器的计算能力和存储能力整合起来，一起为大规模计算提供服务。而storm是优秀的实时计算引擎，低延迟高吞吐，高扩展性。使用hadoop+storm构建推荐引擎将使dco项目快速迭代而易于维护。
从算法角度侧重：
特征提取：受众定向；细节优化：ctr预测；宏观优化：市场竞争；个性化重定向：推荐。
从系统角度侧重：
以上所揭露的仅为本发明的较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。