IAB平台，使命和功能
IAB成立于1996年，总部位于纽约市。
作为美国的人工智能科技巨头社会媒体和营销专业平台公司，互动广告局（IAB- the Interactive Advertising Bureau）自1996年成立以来，先后为700多家媒体和营销会员企业赋能 - 为这些领先的媒体公司、品牌、代理商和负责销售、交付和优化数字广告营销活动公司和机构提供数字化营销平台服务和技术援助。IAB公司的使命是帮助平台上的企业快速高效转向数字化营销并建试图在行业之间推动数字化营销的标准并普及推广。
IAB使媒体和营销行业能够在数字经济中蓬勃发展。针对互联网数字世界营销广告眼花缭乱，鱼目混珠的现状，互动广告局带头进行了批判性研究，同时也对品牌、代理商和更广泛的商业界进行了数字营销重要性的教育。 IAB组建了人工智能标准工作组（the AI standards working group），2019年12月他们发布了第一份报告《人工智能与市场营销中的应用》。随即2020年，IAB联合IBM的WATSON广告和尼尔森公司（Nielsen）决定致力于研发与市场营销相关的人工智能技术、最佳行业实践、（推广）人工智能的案例和（规范）营销类人工智能技术条款术语来帮助营销负责人迅速转向数字化营销市场，拥抱人工智能和机器学习技术。 IAB与IAB技术实验室合作，制定技术标准和解决方案。IAB致力于专业发展，提升整个行业员工的知识、技能、专业知识和多样性。贸易协会通过其在华盛顿特区的公共政策办公室的工作，为其成员进行宣传，并向立法者和政策制定者宣传互动广告业的价值。
IAB全球网络汇集了包括三个区域组织在内的45个IAB组织，以分享挑战，开发全球解决方案，并推动全球数字广告业。IAB分布在北美、南美、非洲、亚洲、亚太和欧洲。每个协会都是独立拥有和运营的，根据符合当地市场需求的章程运作。
第七篇：对应场景下的人工智能和机器学习技术 -- 量测（Measurement）
一、原文作者及本文潜在受众
作者：Nico Van de Bovenkamp，尼尔森首席数据科学家；Rachel Worth，首席数据科学家，尼尔森
首要受众：营销公司高管
次要受众：营销人员和技术人员
二、与量测相关的人工智能和机器学习技术
在传统的线性广告/电视框架中，测量和归因解决方案相对简单，并且基于面板。随着数字广告空间的增长，现在支离破碎的市场和潜在数据源的增长产生了巨大的数据量，但对信息的控制和深度不如传统的面板方法严格。报告广告浏览量的测量公司可能会受到关于印象和观看者的可用信息的限制。
通过使用人工智能集成大数据和传统方法，如分配收视率 、创建覆盖范围 和跨来源消除重复， 测量公司可以利用第三方和人口普查测量数据的数量。将大数据与面板测量的统计控制和信息深度相结合，将增加他们向客户提供的信息的有用性和深度。鉴于媒体格局的持续破裂和对隐私的日益关注，人工智能将成为未来测量解决方案的关键组成部分。新的尼尔森一号跨平台广告评分产品就是一个例子。
三、人工智能如何帮助量测市场营销投入产出？
为了正确测量和归因广告和内容印象，公司依靠确定性标识符和补充数据的组合来将"谁"分配给所看到的"什么"。
当登录、电子邮件、设备ID、cookie和其他第一方和第三方数据等确定性标识符可用时，它们可用于在提供印象时帮助识别个人。然而，故事并没有就此结束。这些标识符在覆盖范围上存在差距，归因错误，难以正确解释共同观看和设备共享。此外，第一和第三方数据通常无法将印象归因于观看者，需要其他已知来源。由于行业即将发生的许多变化，这些确定性标识符的有限可用性，特别是cookie和移动广告ID（MAID），将持续存在并扩大。
在测量系统中，提供的第一和第三方数据通常使用其他数据源（包括调查和面板数据）进行补充和校正。概率抽样调查和小组数据仍然是严格确保内容和广告中"谁"被正确分配给"什么"的黄金标准。过去，这些数据只是用于提供加权和统计估计。如今，它们被用作庞大的人工智能生态系统的真相标签，以学习和理解消费者行为。
人工智能是为解决特定任务而训练的。虽然人工智能的编程并不是为了给出具体的答案或解决任务的方式，但它的构建是为了帮助解决问题。开展一场竞选活动并找出谁看到了这场竞选活动，这似乎很简单，但有许多子问题需要考虑。在大多数测量系统中，人工智能应用程序的组合利用大量数据将印象事件与消除重复的个人联系起来进行测量。
四、原文作者洞见
不再是所有的媒体都通过家里的一台电视播放。现在，每个家庭都充满了拥有多个设备、应用程序和帐户的个人，这些设备、应用软件和帐户可以共享、独立使用或一起使用。有了全面的细粒度数据，人工智能可以用来将大量混乱的数据点组合起来，解析出谁在使用设备、应用程序或帐户，从而纠正由于共同观看和设备共享而产生的偏见。
通常，第三方测量在单个级别上不可用，而是在不同粒度级别上进行汇总。这些集合仍然需要进一步校正，因为它们是从总体的一个子集中提取的，要投影到代表整个宇宙，必须准确地消除重复。人工智能可以根据广告在哪里被看到以及由谁看到来学习广告生态系统不同部分的重叠视图之间的关系。
除了补偿不完整的数据外，第三方提供商收集的测量结果也可能存在不准确之处，人工智能可以帮助纠正这些不准确之处。通过利用多个数据源相互比较，特别是在我们有重叠的情况下，将面板数据与第三方数据进行比较，我们可以测量覆盖范围的偏差或用户自我报告错误信息，并进行更正。
人工智能在将支离破碎的媒体生态系统缝合在一起的过程中至关重要。
五、推荐一家量测技术行业领先的人工智能公司 -- Nilson
尼尔森公司存在的意义
作为一家专业验证线性电视和数字平台上的数字广告，随着受众通过比以往更多的设备和平台接触广告，媒体买家和卖家越来越难以准确衡量其收视率。尼尔森公司读懂的客户的痛点，他们致力试图解决如何准确的跨平台测量，因为这是当今超过50% 的媒体买家面临的最大挑战之一。那么，如果没有准确的跨平台广告效果测量方法，广告商如何确保他们的广告能够到达预期受众呢？该公司可以提供帮助。尼尔森全面广告收视率（Nielsen Total Ad Ratings）提供行业领先的跨线性电视和数字平台的重复受众到达率指标报告。
公司产品逻辑
尼尔森的产品
尼尔森全面广告收视率（Nielsen Total Ad Ratings）将尼尔森数字广告收视率（Nielsen Digital Ad Ratings）与尼尔森电视收视率（Nielsen TV Ratings）相结合，利用基于人口普查的数据和机器学习方法，通过我们的面板驱动ID系统，重复电视和数字平台的广告到达率指标，提供全面的跨平台受众测量。
尼尔森公司的产品保障体系
根据以精简视图提供的高质量数据，快速、自信地做出决策
客户需要能反映当今收视习惯和平台功能的准确数据。这就是他们坚持严格测量标准的原因。作为拥有近百年历史的受众测量行业领导者，他们深知要想获得真实的受众信息，就必须从真实的受众入手。
经真人验证的大数据
享受大数据带来的大量信息，同时获得只有具有代表性的、个人层面的面板才能提供的细粒度人口洞察力。该公司拥有来自100,000 多名小组参与者的数据，这些信息可以帮助您接触到客户最关心的受众。
经审计的解决方案
拥有唯一经过第三方有效性审核的受众测量解决方案，客户可以放心地进行交易。
六、数字营销工兵观察 - 数字化营销成熟度评测将走向何方
2019年，波士顿咨询公司的研究发现，公司将数字成熟度分为四个层次：新生、新兴、互联和多时代。在该调查中，约90%的品牌在新兴类别和关联类别中的份额几乎相等。在2021年进行的最新研究发现了显著改善的领域：进入前两个数字营销级别的公司增加了13%，尤其是大卖场类别，从2%大幅跃升至9%。但大多数公司仍在努力打破中间类别的混乱局面。随着行业和监管机构对隐私问题的日益担忧做出反应，数据流开始减少。与此同时，消费者对更个性化、甚至个性化的外联和互动的期望持续增长。第三方cookie提供的数据流正成为精确数字营销的关键支持之一。许多公司以快速和敏捷的方式应对了这些巨大的变化。其他人反应较慢。
波士顿公司提出了评估成熟度曲线模型
当波士顿咨询公司引入用于评估成熟度的模型（包括定义数字高级营销人员的推动者）后的几年里，许多面向消费者的公司及其技术和广告合作伙伴都采用了该模型。
- 该公司围绕客户价值、信任、和成熟部署数字营销体系的速度。首次提出了四个加速器，他们分别是：
- 围绕第一方数据构建良性循环
- 使用预测模型开发跨渠道的真正端到端测量能力
- 基于测试和学习方法建立敏捷性能循环
- 确保获得新技能和资源
加速器1：获取一手数据
在过去的一两年里，隐私问题和监管变化增加了第一方数据的重要性，这有助于公司通过对消费者和监管问题做出透明回应，将价值和信任置于客户关系的中心。
加速器2：端到端测量
在购买过程中，无论渠道如何，都能衡量与客户不同类型互动的影响，这是数字营销的圣杯。品牌需要一个有效的衡量系统来不断优化与客户的价值交换。
加速器3：敏捷性能循环
在传统的、孤立的组织结构中运作的同时，很难建立第一方数据周期并应用测试和学习方法。尽管如此，大多数公司都缺乏跨职能、敏捷的团队，无法确定新需求的解决方案，并在几天内启动和运行。同样，大多数公司都没有必要的技术支持，例如他们可以与合作伙伴共享的仪表板，并用于接收有关活动绩效的数字信号，从而创建实时响应能力。这些信号包括媒体KPI（投资回报率和广告支出回报率）、上下文（天气、库存和日历事件）、第一方数据（转换、客户特征和客户兴趣）以及仍然有价值的第二方和第三方数据。
加速器4：新技能和资源
为了获得所需的技能，许多品牌都在与外部供应商合作，特别是为了获得更先进的能力，但这带来了两个挑战：确保充分获得人才和在内部和外部资源之间建立实际平衡。我们的研究表明，50%的多成熟度品牌全面保持合作关系，但只有10%的其他成熟度品牌在同等程度上利用了合作关系。更先进的公司正在试验不同的模式。通常有五个标准来决定公司内部采购、外包或通过混合模式确保哪些能力：
- 对灵活性和快速响应时间的需求
- 工作的规模和复杂性
- 所涉及数据的敏感性和价值
- 经济性和成本效益
- 招聘必要人才的能力
波士顿专家们对如何构建这个四个加速器建议：
- 围绕第一方数据建立良性循环，以解决隐私问题，维护客户价值和信任。
- 开发真正的端到端测量能力，包括替代第三方数据的预测模型
- 围绕第一方数据建立良性循环，以解决隐私问题，维护客户价值和信任。
- 开发真正的端到端测量能力，包括替换第三方cookie数据的预测模型。
- 建立基于测试和学习方法的敏捷性能循环，以打破筒仓，并为解决未来需求波动做好更好的准备。
- 确保新的技能和资源，以确保持续改进。
七、文章资料来源及阅读推荐
- 作者介绍
https://cn.bing.com/images/search?view=detailV2&ccid=yfNGRdEu&id=73D51B059DE23C4EC4A126FF6978B32358FA18E0&thid=OIP.yfNGRdEue8WQV1y8aXACagHaLH&mediaurl=https%3A%2F%2Fga-core.s3.amazonaws.com%2Fproduction%2Fuploads%2Finstructor%2Fimage%2F13215%2FLR9A4653__1_.jpg&cdnurl=https%3A%2F%2Fts1.cn.mm.bing.net%2Fth%2Fid%2FR-C.c9f34645d12e7bc590575cbc6970026a%3Frik%3D4Bj6WCOzeGn%252fJg%26pid%3DImgRaw%26r%3D0&exph=4955&expw=3303&q=nico+van+de+bovenkamp&simid=608012282821870247&FORM=IRPRST&ck=357F55A38A404CBF26572E6DA0EBAB95&selectedIndex=0&itb=0&qpvt=nico+van+de+bovenkamp&ajaxhist=0&ajaxserp=0- 尼尔森公司官网
https://www.nielsen.com/zh/solutions/audience-measurement/total-ad-ratings/#overview- 波士顿公司关于AI成熟度模型的介绍
为了便于读者后续深入学习数字化营销体系相关的这九种人工智能和机器学习技术，经过与多位同行讨论及前辈老师们的讨教，后续每一篇文章将尽可能按照以下原则，要求和框架进行编写。
