线上广告：投资科技巨头前的必修课
欢迎来到Money or Life美股频道。本期视频将与大家一同学习一个新的领域——广告。最初，本频道仅打算研究 AppLovin 这家公司，但随后发现广告领域其实非常有趣，且有许多基础知识需要先了解清楚，才能更好地研究那些以广告为主要营收的公司。我们熟知的 谷歌、Meta 以及 AppLovin、Trade Desk 等公司的主要营收都来自广告，那么它们究竟是如何赚钱的呢？在接下来的几期视频中，我们将一同探索。
作为一名内容创作者，本频道也受益于广告收入。上周是本频道在 YouTube 平台发布视频的一周年，在此展示过去一年的广告收入。图中显示过去365天总广告收入为36,800美金，其中一个重要指标是每千次展示费用（CPM：Cost per Mille，广告主为每获得1,000次广告展示所支付的费用），大约为8美金。这意味着每1,000次观看，本频道可以获得大约8美金；每1万次观看，则可获得大约80美金。在这个例子中，谷歌 的 YouTube 是广告发布平台，而本频道作为创作者，为该平台提供优质内容作为广告载体。谷歌 和创作者的盈利模式是：谷歌 利用其广告技术平台，优化地将广告位分配给需要做广告的品牌方，品牌方支付给 谷歌，谷歌 再将一部分收入分成给内容创作者。
如果大家对此感到有些困惑，无需担心。本期视频将通过最简单的图表和最直白的描述，为大家科普线上广告。至于 AppLovin 和 Trade Desk 这两家公司，将在下一期视频中进行深入的个股分析。因此，本期视频更多的是一个知识铺垫，内容包括四个部分：广告基础知识、广告市场规模与主要公司、广告网络中的不同角色及对应公司，以及技术层面的实时竞价和后 IDFA 时代的聚合归因。
广告基础：目的、投放渠道与核心衡量指标
首先，我们来了解一些最基本的广告常识。广告有不同的目的，无论是品牌方还是个人，要么是为了吸引流量、提高品牌认知度（awareness），要么是为了提高产品销售额（sales），或者是一些软件品牌为了提高其软件应用下载量而投放广告。例如，在经营小红书时，官方平台曾询问创作者是否需要购买流量以扩大粉丝数量或帖子阅读量。本频道曾尝试购买，发现确实有一些效果，但后来发现小红书的流量变现不易，便没有再投入。
作为普通消费者，我们经常在各个地方看到广告，有时甚至是无意识的。现在的广告制作越来越精良，特别是 AI 时代的到来，许多广告由 AI 制作，更符合我们的口味，因此看起来也颇有趣味。
以 Meta 系列广告为例，Meta 旗下的 Facebook、Instagram 和 Messenger 的广告会出现在哪些地方呢？例如，Facebook 的广告可能出现在你的动态消息、发现短视频、插播视频和右边栏等位置。大家常用的 Instagram 广告可能出现在短视频或搜索结果中，当你刷短视频时，突然出现一条广告，可能你都没有意识到那是广告。Messenger 虽是消息应用，但有时你可能会在消息列表中发现一个并非联系人的陌生内容，那很可能也是一条广告。除此之外，Meta 旗下还有面向第三方的 Audience Network，即 Meta 自有平台以外的其他有流量的平台，它们也可以利用 Meta 开发的广告技术进行广告变现。这一点将在视频稍后进行详细解释。
在视频开头，提到本频道在 YouTube 每1,000次观看可以获得8美金，那么这个 CPM 是什么意思呢？接下来将为大家解释几个主要的广告效果指标：
- CPM（Cost per Mille）：指广告主为每获得1,000次广告展示所支付的费用。这是数字广告中最古老且最基础的计费模式，仅从成本出发，而非广告效果，因此无法体现广告效果的数字。
- CPA（Cost per Action）：与 CPM 相反，是显示广告效果的指标。广告主仅为结果付费，这个结果根据广告目的不同，可以是吸引用户下载一次手机应用，也可以是吸引用户在应用内注册账户等不同的“行动”。
- ROAS（Return on Ad Spend，广告支出回报率）：指每花费一块钱广告费，能够换来多少钱的直接销售额，即广告主的营收（revenue）。例如，广告主花费一块钱打广告，平均获得了10块钱的公司产品销售额，那么这个 ROAS 就是10，相当高。ROAS 是数字广告时代最重要的广告指标之一。
- GMV（Gross Merchandise Value，平台交易总额）：我们都知道 GMV 是电商领域的重要指标。在广告效果方面，使用 GMV 意味着不局限于优化特定广告位的 ROAS，而是利用 AI 预测全渠道的广告投资回报。
当然，广告指标不局限于这些，以上四个只是具有代表性的，旨在让大家体会如何衡量一个广告的效果。不同行业对广告指标的使用偏好也不同，且广告指标有时多达几十个甚至上百个，因此我们无需深究每一个指标的含义。
广告市场规模与主要玩家格局
接下来进入视频第二部分，通过美股主要上市公司在广告方面的营收，简单介绍目前广告市场的规模以及主要公司。这张图表展示了美股上市公司中，以广告业务为主要营收的玩家，从2021年一季度到最新的2025年三季度，每个季度的广告营收。需要特别强调的是，这并非囊括了所有广告收入，例如 TikTok 尚未上市，而 迪斯尼 和 Apple 的广告收入虽处于美国前十，但对它们而言，广告收入并非主要收入，因此这些公司未被包括在内。这里列出的，是已知以广告收入为主的美国上市公司。将它们每个季度的收入加总，我们便能大致了解美国线上广告市场的规模。当然，这个规模不等同于实际的整体规模，这只是一个子集。
我们也可以观察不同季度的变化，以及不同公司在不同季度的市场占有率变化。市场占有率的计算方式是：以这个子集为一个整体，用每个公司每个季度的广告收入除以整体，便得到了该子集内的市场占有率。图表的上半部分是绝对的广告收入，下半部分是市场占有率。
从上到下，我们来看这些公司：Alphabet（即 谷歌），其广告收入来自三个部分：Google Search、YouTube 和 Google Network。第二家公司是 Meta，第三家是 Amazon。这三家公司占据了广告收入的大头。除此之外，还有第四家是 微软，但相较于前三家小了很多。接下来还有一些小公司，例如 Snapchat、AppLovin 和 Trade Desk，以及 Pinterest 和 Reddit。如果遗漏了大家熟知的、同样以广告业务为主要营收的上市公司，欢迎在评论区告知。
刚刚的数据密密麻麻不易观察，因此仍旧用图表为大家生动呈现。第一张图表将所有广告业务营收加总，观察整体趋势。可以看到，这些公司的广告收入总和从2021年一季度的800亿美元，暴涨到2025年三季度的1,509亿美元。尽管今年只过了三个季度，若按四年计算，CAGR（Compound Annual Growth Rate，年复合增长率）高达17.2%。对于不甚了解广告行业的人来说，这个数字是相当惊人的，说明数字广告领域在过去几年持续爆发，且相信在未来几年还会以同样的增速继续增长。
接下来的四张图片将分为两类：大规模公司和中小规模公司。大的和大的比，小的和小的比，这样避免挤在一张图表上难以看出增长率。我们先来看 Alphabet（谷歌）、Meta 和 亚马逊 的广告收入。谷歌 的广告收入全球排名第一，Meta 排名第二，且最上方这两条线的向上斜率几乎一致，都是比较快的增速。亚马逊 的增速稍微慢一点。最下方是 微软，其拥有 LinkedIn 和 Bing 搜索，但在此不作强调，因为其收入相对低很多，且发展增速也比较缓慢。
虽然这三家公司的广告绝对营收在增长，但市场占有率能告诉我们更多信息。这张图片展示的是 谷歌、Meta 和 亚马逊 广告收入在刚刚提到的所有公司子集中的占比。谷歌 的占比有明显下降，从2021年的55.8%（超过50%）降至现在的49.2%（已不足50%）。而 Meta 则从之前的31.8%稳步增长到现在的33.2%。亚马逊 也从之前的7.8%较快速增长到11.7%。也就是说，如果这个子集总和的 CAGR 达到17%+的年复合增长率，那么其中任何一个公司的年增速若达不到17.2%，其市场占有率就会下降。不过对于 谷歌 这样的超级公司而言，这也是部分可以理解的，因为它们的体量太大，要达到平均的复合增长率确实不容易。相反，Meta 在过去几个季度一直通过广告使其成为实实在在的“现金牛”，表现相当优秀，因为广告收益确实很高，而且 Meta 在美股七姐妹中是轻资产公司，所以其整体毛利率相对来说也要比其他重资产公司高一些。
看完了大公司，接下来我们来看五家小公司。第一张图是它们的绝对营收，从多到少分别是 Snapchat、AppLovin、Pinterest、Trade Desk 和 Reddit。基本上所有公司的绝对营收都在增长，其中黑色这条线是 AppLovin，它最为显眼。它从2022年一季度的1.2亿美金一路向上，从排名几乎最后到现在绝对营收排名第二，达到14.1亿美金。同样在广告市场占有率方面，AppLovin 表现相当优异，从不到0.1%一下子增长到接近1%的市场占有率。其他公司，例如 Snapchat 和 Pinterest，它们的市场占有率曲线几乎是平的。另外两家公司 Trade Desk 和 Reddit 的市场占有率增长也比较明显，但仍未达到 AppLovin 过去几年增长的速度。在下一期视频中，我们将仔细分析 AppLovin 和 Trade Desk 这两家公司。如果大家有兴趣，我们还会分析像 Reddit 这样新兴的以广告营收为主的上市公司。
广告网络结构：需求、供应与技术平台
虽然刚刚提到的这些公司主要都以广告营收为主要收入，但它们有很大的不同，在广告网络中扮演着不同的角色。接下来视频第三部分，将通过一张广告网络的结构图，为大家简单解释广告网络中有哪些平台和公司。
要理解数字广告网络，我们可以想象一个高度自动化的金融证券交易所，但交易的标的不是股票，而是用户的注意力和屏幕空间。这个生态系统主要分为三部分：需求端（买方）、供应端（卖方），以及连接两者的广告技术市场。
最左边的需求端，即 Advertiser（广告主），一般是为广告付出真金白银的品牌方，有时也可以是个人。这里没有列出广告代理商，广告业的代理商是广告主的战略合作伙伴，负责为广告主进行媒体规划、创意制作和整体营销策略等。在此为了简化，将其与广告主视为同一个概念。在广告主旁边的是 DSP（Demand Side Platform，需求方平台），这是一个允许广告主通过单一界面，跨多个广告交易平台管理竞价、受众定位和优化的软件系统。DSP 的核心是每秒能处理百万次查询的竞价引擎，它接收来自供应方平台的竞价请求，并在毫秒内决定是否出价以及出价多少。因为 DSP 靠近“金主爸爸”，所以自然有赚钱效应。Trade Desk 是 DSP 的代表性上市公司。
再来看右边的供应端，最右边的是 Publisher（广告发布商），也可以叫广告平台方。线上广告最主要的平台包括手机应用、网页和网络电视。广告行业中“流量”一词最重要，广告平台能够为别人打广告，就是因为它们拥有的流量产生了广告展示机会，叫做 impression。这些广告展示机会的集合，可以叫做广告平台拥有的 Ad Inventory（广告库存）。除此之外，这些广告发布商还有属于自己的 first-party content（自有专有数据）。
按照是否拥有自己的广告技术平台，我们将广告平台分为两类：
- 封闭网络：以 Alphabet（即 谷歌）、Meta 和 亚马逊 为代表。它们拥有庞大的用户群以及封闭的数据生态。它们被称为封闭网络更重要的原因是，广告主若想在这些平台投放广告，必须使用它们平台内部的广告工具。这些广告工具就是中间统称的 Ad Tech（广告技术平台）。这个广告技术平台包括刚才提到的 DSP、SSP（Supply Side Platform，供应方平台）和 Ad Exchange（广告交易撮合平台）。
- 刚才已解释了 DSP，这里简单再说一下 SSP。SSP 帮助广告平台自动化地聚合、管理和销售广告库存。它可以连接多个 DSP，通过设置底价和黑白名单来保护广告平台的利益。Magnite 和 PubMatic 是 SSP 的代表性上市公司。
- 开放网络：由成千上万的独立网站、手机应用和流媒体服务组成。例如，本频道贴了一张 Candy Crush 的图片，我们手机上可以下载和玩的这些成千上万的手机游戏，其实大部分都属于开放网络。这些广告平台自然也有流量，但它们之所以叫开放平台，就是它们不能通过自由的广告技术平台变现，而是需要依赖第三方的 Ad Tech 公司服务。这些第三方公司一般不拥有流量，它们的收入就来自为开放网络的广告平台提供广告技术服务，从而获取广告费用的一部分作为服务费。与上面的 Trade Desk、Magnite、PubMatic 这些公司专注于某一个领域不同，一些其他公司可以提供整个广告技术平台的所有服务，整合了一切技术。这类公司的代表就是 AppLovin 和 Unity。例如，我们下期节目要重点分析的 AppLovin，它们的产品涵盖 DSP、Ad Exchange 和 SSP，分别叫做 APP Discovery、AXON 2.0 和 MAX，还包括最下方的移动监测与归因产品 Adjust。
了解了这些，整张图片里面还有两个概念需要进一步解释。第一个是广告技术平台最中间的角色 Ad Exchange（广告交易撮合平台），它是广告主和广告平台双方的撮合场所。虽然概念上独立，但在现代架构中，广告交易撮合平台通常与 SSP 深度整合。除了这些玩家角色之外，还有一个裁判的角色，就是刚才已经提到的位于下方的 MMP（Mobile Measurement Partner，移动监测与归因平台）。在广告主和广告平台之间，MMP 解决一个核心问题：这个用户到底是谁带来的？回答这个问题就在于 Attribution（归因）。当你在多个渠道都投放了广告，用户最终下载了你的应用，这个功劳算给谁呢？不仅如此，MMP 还能为广告主计算不同渠道的 ROAS。所以，裁判这个角色很重要。AppLovin 也有自己裁判角色的产品，就是刚刚提到的 Adjust。
广告技术演进：实时竞价与后IDFA时代的挑战
接下来进入视频最后一部分，我们将讨论一些比较技术性的内容，为下一期视频做准备。了解广告公司如何赚钱非常重要，而要知道它们如何赚钱，就需要知道广告竞价的方法以及如何提高广告效果、提高变现能力。这是广告世界里，除了刚刚提到的流量以外，最重要的话题。
首先，我们来学习竞价模式在过去十年的变化。我们之后会不断提到 实时竞价 这个词，因为现在绝大部分广告买卖双方的撮合都是基于实时竞价。但在实时竞价普及之前，十几年前，长期管理广告网络的方式是从上而下的 Waterfall（瀑布流）。在这一体系中，广告网络中的买方（广告主）并非同时竞争每一次广告展示机会，而是被预先设定在一个静态的队列中。那么这个队列如何排先后呢？就是广告发布商根据历史上广告网络中其千次展示收益 CPM 来决定谁排在第一位。CPM 越高，意味着广告主的广告收益越好，也就意味着理论上他可能出比较高的价格去竞争这个广告位。所以当一个广告展示位产生时，这个网络会首先询问排名第一的广告主，如果无法匹配才会流向第二位，以此类推。这种机制肯定不是最优解，比如排在第三位的广告主可能愿意为某个特定的高价值广告展示位付出比第一位更高的价格，但是因为他排名不在前面，他都没有出价的机会，广告发布商就失去了获得最大广告收入的经济价值。所以在比较传统的、十几年前的 Waterfall 瀑布流广告网络中，没有办法把利益最大化。
而现在的 实时竞价 环境中，广告网络能够在毫秒级内同时不间断地接收所有广告请求，并获取当时关于这个被竞价的广告位的上下文信息，如设备型号、应用类别、当前时间等等。这个实时竞价的最终目标不是单一地让广告平台获得最高的广告费，而是整个网络的最优解。也就是说，既要考虑到广告平台的收入，也要考虑到广告主投放广告的效果如何。广告平台收费高而广告主效果差，那肯定是一锤子买卖做不长久的。只有广告主持续看到广告效果，才会持续投入广告经费，广告平台才能持续赚钱。所以，如何实现高效的实时竞价，并且达到买卖双方最优的撮合方案，就是现在这些以广告营收为主要收入公司的重中之重。
从瀑布流到实时竞价的主动转换，解决的是定价撮合的问题。而接下来要解释的 IDFA 改革，是市场被动要去解决的数据隐私和追踪问题。在 Apple iOS 系统14.5版本之前，苹果手机会分配给每台 iOS 设备一串字母数字字符，叫做 IDFA（Identifier for Advertisers，广告商标识符）。听这个名字中的 Advertisers 就知道，这对苹果手机上的广告生态非常重要。IDFA 有什么用呢？简单来说就是五个字：跨应用追踪。比如早晨去健身房健身时，打卡过一次健身应用，健身应用的开发者因为安装了 Meta SDK（Software Development Kit，软件开发工具包），主动就把 IDFA 这个数据传给了 Meta。这在 iOS 14.5版本以前是很常见的，很多人都允许苹果把 IDFA 数据共享，因为这个设置在后台是默认打开的。随后，中午吃饭时开始刷手机，打开 Instagram 时，Meta 发现同样的 IDFA 号码对应的手机早上打开过健身应用，于是它推测可能对运动相关的产品感兴趣。所以，在刷 Instagram Reels 短视频时，Meta 就精准地把一双新上市的昂跑跑鞋的广告视频推送了过来。看到了广告，于是通过广告中的链接下载了昂跑 APP 应用，并在应用内购买了跑鞋。所以，这一切信息通过 IDFA 串联起来，把本来孤立的健身应用、Instagram 应用、昂跑的应用，以及最后的购买行为一下子连接起来。它也允许 Meta 以100%的确定性，将购买昂跑跑鞋的这笔交易 归因（Attribution：将特定结果（如销售或下载）归因于其触发的特定广告或营销活动）于 Meta Instagram 上的广告展示。这就是我们之前提到的归因。
如果大家还没听懂，试想如果没有苹果手机上的 IDFA：第一，Instagram 无法这么精准地投放跑鞋广告，因为它不知道用户打开过健身应用；第二，在实际因为广告购买跑鞋之后，Meta 也无法知道这个广告到底有没有效果，因为它没办法把投放广告的目标客户和最后实际购买跑鞋的客户简单地对应起来，哪怕实际上两者是同一个人，但它不知道。
可是在几年前，随着 iOS 14.5版本的发布，Apple 决定将数据共享的控制权从平台交还给了用户。这一重大的转变被称为 ATT（APPs Tracking Transparency，应用追踪透明度）。相信大家都收到过类似的隐私追踪弹窗问题，也相信大部分人在被问到时，都选择不要追踪。这就意味着能够获得 IDFA 的数据骤降，这也意味着整个广告的底层逻辑变了，它从上面例子中的基于事实的个体确定性记录，到基于预测的群体概率性记录。这里面就涉及到两个词：第一个是数据的 Aggregation（聚合），第二个是已经提过几次的数据 Attribution（归因）。
先来解释数据 Aggregation（聚合）：系统它不会记录在中午买了昂跑跑鞋这个基于事实的个体确定事件了，而是要记录昂跑的这一支具体视频，比如说在上午11点到下午1点两个小时内，1,000次播放产生了多少次购买，就比如说10次购买。那么这其中一次是用户购买的，但是系统不知道具体是谁买的，它只是将这个数据泛化了。也就意味着系统不再试图告诉广告主谁买了东西，而是告诉广告主在特定时间内有多少人买了东西，以及这些转化来自哪一个广告系列、哪一条广告视频。这就是基于预测的群体概率性记录。
接下来我们再来说数据 Attribution（归因）。其实 IDFA 从多到少的转化，更难的不是上面的聚合，而是归因。无法大规模使用 IDFA 之后，很多广告平台的广告收益暴跌。有趣的是，这并不一定是广告效果变差了，而是衡量广告效果的尺子没了。比如还是那个例子，昂跑同时向 Meta 和 谷歌 两个平台投放广告，那么广告期间产生了相较于没有广告时多出100万美金的营收。广告网络就不容易知道这100万的营收多少来自 Meta 的广告效果，多少来自 谷歌 的广告效果。这就是归因的重要性。
但是事实是，经过几年的发展，阵痛期只是暂时的。各大公司包括 Meta、谷歌，它们利用自己庞大的自有数据（也就是刚刚提到的 first-party content），再结合部分安卓手机的数据，以及少部分苹果手机仍然愿意分享的 IDFA 数据。这些数据与越来越强大的 AI 模型结合，再加上越来越强的 GPU 算力，后来也慢慢解决了 Apple 新的隐私政策带来的困扰。其实在我看来，这是一个时代的进步，说明只要技术过硬，不用冒着侵犯用户隐私的风险，也可以获得很好的广告效果，并且达到很高的广告收入。
这里再稍微说明一下，没有了 IDFA 如何定位广告画像呢？首先是刚刚提到的自有数据的珍贵。比如你在 Instagram 给10个健身博主点赞，看完了5个减肥视频，那么 Meta 不需要 IDFA 就能给你贴上健身爱好者的标签。广告主依然可以在 Meta 内部利用这些标签进行精准投放，因为那是 Meta 的数据，不是 Apple 的数据。其次是上下文预测。假如你在看一段 Instagram 上的短视频，视频内容是一个人在晨跑，而 AI 识别出画面中的运动场景以及积极向上昂扬的音乐，平台就可以直接贴片推送跑鞋广告的视频。这不需要知道你是谁，只需要知道当下这个场景适合卖什么。而这些当然是需要先进的 AI 和算力的加持的。
看完了以上内容，相信屏幕前的各位对于整个广告市场的规模、主要玩家、广告网络的构成以及广告技术对于广告变现的重要性都有了很好的了解。希望大家喜欢今天的科普节目，也希望持续关注本频道。下一期视频，我们将专注在 AppLovin 和 Trade Desk 两家公司，为大家带来深入的剖析。我们下期节目再见！