今天我们以腾讯广告RACE曝光归因模型为例（以下简称RACE模型），来聊聊行业在衡量广告效果上的努力与成效。
第一类：衡量转化以及转化过程的归因
如同前面所讲，如果只是衡量ROI，对广告投放的效果衡量就只有一个标准：好和坏。
效果不好的广告投放，我们通常能做的事情，是停止投放。
效果不好的广告投放，或许仍然隐藏着很大的机会------或许只是在归因上（这个广告很可能为别的广告或者流量渠道做了助攻），或是在人群的匹配上出现了一些问题，但并不能就立即认为这个广告存在严重问题。
举一个案例，某食品品牌旗下有两个主推小食，分别是牛肉和鸡肉，做了一波投放，用同样的资源触达目标受众，牛肉小食的产品线转化远低于鸡肉线。怎么办？
传统的单一转化衡量方式下，尽管是以转化为导向，但肯定相当粗暴，容易产出一刀切的优化方式。终端ROI高，希望起量；ROI不达标，如果做一些优化还不行的话，会停掉或者更换到效果好的鸡肉线广告进行投放。
但显然我们需要用有效的广告衡量来判断，既然牛肉线的效果不好，那么到底问题出在哪里？过去，这样的判断很难实现，但现在的工具（如下图所示，来自RACE模型的衡量方式）则可以很好地帮助广告主洞察到相关情况。
利用RACE模型，结合后链路的人群数据，**我们可以有"打开黑箱"般的发现：**两个产品的人群重合度很低，只有2%。投放的这波广告，并没有对牛肉和鸡肉产品的人群进行区分，而是统一覆盖了同一组人群。问题来了，刚好覆盖的这组人群对鸡肉产品更感兴趣，因此简单得出牛肉产品的广告不够好这个结论，是非常武断的。按照这样的错误思维，我们或许很快就能得出下一个同样不正确的结论：假如这个广告下一波投放刚好覆盖的人群对牛肉产品更感兴趣，那就是鸡肉产品的广告不够好。
但是，**有了RACE模型，就不会出现这样武断地推导。更高效的机器建模学习，也会让广告效果的优化不再复杂。**如果牛肉线的人群不匹配，那么找到匹配的人群，就有机会大幅度提升投放的效果。找到匹配人群的方法，当然也可以利用后链路数据作为正样本，用之前高频触达牛肉广告但仍未转化的人群作为负样本，以机器学习的方式，不断优化人群的匹配。
在这个案例中，优化后牛肉线的广告下单转化对比历史同类投放增加了43%，高消费人群的转化更比历史同类投放增加52%。
第二类：衡量广告对品牌资产的影响如同前面所讲的，目前，衡量广告对人群的影响非常困难，品牌很难摸清楚自己在消费者端到底拥有多少实打实的品牌资产。但对品牌广告主而言，能够量化品牌资产，是最能证明广告起到效果的方法。
难，在于人们的心迹无法直接敞开变成数据，进而被获取、被统计、被归因。
但行业还是能给出相对不错的解决方法。
如果一个消费者原本对某个品牌完全没有认知，通过广告投放，他发现了这个品牌，并且对这个品牌感兴趣，那么他很可能会产生一些探索这个品牌的行为。
这些行为，广告主基本上无法探知，但是媒体在海量的人群基础上，还是能够发现投放广告前后，人群行为变化的差异的。
作为媒体端提供的工具，RACE模型是能够做到这一点的典型工具。消费者对于品牌的认知情况，可以用一系列行为去定义。例如，人群与品牌广告的互动，可能意味着对这个产品有不错的兴趣，而进入这个品牌的小程序，则可能意味着更深的兴趣和偏好。
那些目标人群中从未搜索过这个品牌的人群，在广告投放之后有30%的人发生了搜索行为，这行为本身如同一个标志物，表明人群心智发生了"破冰性"的改变，成为品牌资产中的一环。
例如在某3C笔记本品牌的一系列广告投放中，基于RACE模型能够展示出品牌资产的流转情况。广告主选择了兼顾"品效"的营销目标，拟定了要达成更多R3、R4人群资产的投放策略，并在实际投放中，通过针对深层触动且具有转化潜力的R3人群，以及产生转化的R4人群作为正样本，浅层与深层双目标联合优化建模。
通过下图右侧的实际投放效果可以看到，对比模型优化前后，R1到R3的转化率提高了460%、R1到R4的转化率提高了63%，两项提升最为巨大的指标都与广告主诉求吻合。印证了RACE模型能根据品牌的营销目标，进而针对性进行建模为投放提效，帮助广告主实现"指哪打哪"的能力。
我们也可以利用这个模型中人群的迁移情况来衡量广告投放campaign的效果。
同样的预算，我的广告投放后，从R1到R4的人群迁移比例是5%，而你的广告迁移比例是10%，那或许说明你的广告投放比我的更成功。
这些数值，都反映了一个企业的品牌资产的跃升（变迁）情况。
第三类：衡量品牌在消费者心智中的整体提升
广告主也期待自己投放广告之后，能够在一定程度上"压倒"同类品牌。一个广告投放出去之后，若没有同类品牌的消费者"转投自己门下"，无论如何都不够成功。
广告主希望看到的人群迁移，不仅仅只是从曝光触达到浅层互动到深层触动这样的迁移，从行业层面看，广告主也希望看到其它同类品牌的人群迁移到自己的阵营中来。这体现出品牌在消费者心智中的重要性的不断提升。
这些数据目前只能靠调研或者大型媒体平台提供。过去的衡量方式主要是问卷调研或者舆情调研，但往往会受到样本量级或主观偏差影响，且比较难追踪当下复杂且加速动态演变的消费者心智。大型媒体平台提供的工具，比如RACE模型，可以提供相关数据，其背后的原理，仍然是基于人群的行为。
某个品牌手机发布旗舰高端机，广告效果的衡量很适合用品牌（产品）在行业中品牌力的提升来衡量。
例如基于复盘上波投放，发现"闪屏合约"及"信息流合约"的心智扭转效果更优，故在下波投放中基于转化难转化人群的营销目标，针对性优化资源组合进行投放。而在下波投放后利用RACE模型分析，购机人群中有20%来自于另一个原本使用某高端品牌手机的人群，而其中又有接近一半人持有该高端品牌手机的2代机型。广告深度触动的消费者中有三分之一，原本是另一个同类品牌的偏好群体。
这些数据给我们提供了衡量广告效果的参考维度。
坦白说，品牌一定是希望能用更真实、更直接的维度来衡量广告效果，比如具有识别性的消费者独占互动行为------实际对本品和其它同类品牌的广告点击、内容浏览搜索等。当广告投放结束之后，如果品牌主可以清晰地看到这些数据的变化，那么广告投放效果的衡量就更具有说服力。
第四类：对品牌和效果的综合提升
这一类效果的衡量，对利用多种广告形式组合投放的广告主很重要。
如果同时追求品牌和效果，那么往往会同时投放合约广告（主要对品牌的帮助）和竞价广告（主要对效果的帮助）。同样，更多时候还会有多种类型的合约广告的相互结合。问题是，投放什么样的组合（portfolio）会能够实现最好的效果呢。
所谓投放组合，是在既定预算或既定曝光次数下，品牌合约广告与竞价广告的预算（或曝光）比例，以及投放的曝光频次及投放的节奏（pacing，你是一次性花完所有钱，还是细水长流），该定成何种策略。
广告主不可能穷尽所有投放组合的可能性，此时，需要工具"提前"（基于该品牌投放的历史和行业投放的情况）告知广告主在什么样的情况下能够达到最好的效果。
好的效果如何实现？RACE模型从频次、资源两步入手进行增益价值优化。从下图中的案例中可以看到，第一步：针对不同的偏好人群，找到他们的最优触达频次，基于该品牌历史投放数据的衡量分析结果，得出结论：从宏观上看，本品偏好人群7.1次曝光后基本上转化率达到拐点，而同类品牌人群在16.7次曝光后才能达到拐点。因此明确针对不同偏好人群的的触达频次；第二步：基于不同人群的定制频次及本轮投放目标（曝光触达/转化/心智扭转/ROI），匹配具有不同价值侧重的资源组合，从而实现效果最大化。
04 衡量广告效果还有哪些方式
除了RACE模型能够实现的四类科学归因方式，衡量广告效果，尤其是品牌广告的效果还有一些方式。这些方式包括：
- 捕捉并研究消费者在数字世界中的舆论；
- 投放触达人群的demo（demographics，即社会属性）与DMP中目标人群的demo之间的差异；
- 利用后链路的流量行为数据（engagement），判断流量的价值；
- 将后链路的流量行为数据及其ROI进行维度交叉，构建Engagement-ROI模型进行分析；
如果说前面四大类效果的分析，需要RACE模型这类的工具实现，那么上面这四类分析方法，也分别需要各类工具实现，例如，捕捉舆情，需要舆情工具；与标准人群的demo做对照，需要有DMP；后链路Engagement以及Engagement-ROI模型分析，则需要用户行为分析工具或者CDP；转化归因和归因模型，也需要专门的归因工具或具有相关功能的CDP。
如同我们前面所说的，对于广告投放效果的衡量，并没有一个放之四海而皆准的通用指标，所应用的工具也各不相同。一个趋势是，媒体端提供的中立工具（例如RACE模型这类广告主可以自助操作的工具），为广告效果的衡量和分析提供了另一个角度的方法，再加上广告主如能合理利用上述的所有工具，那么对于投放效果的衡量，基本上能够做到客观与全面。
不过，一个建议是，应用RACE模型这样的工具，要比其他自己采购或自建的工具使用难度低，对数据专业的要求也相应低一些。如果企业无预算或能力做上面所列举的这四类其他的衡量方式，那么，直接用媒体平台提供的工具，或许是一个更好的选择，即，在没有额外代价的基础上，仍然能够衡量和比较广告投放的效果，并至少能够获得相当全面的广告投放优化方面的洞察和建议。