讓廣告精準命中！RTB實時競價與重定向廣告的應用|數位時代 BusinessNext

上一篇我們了解了RTB(實時競價)廣告的發展歷程。本文將針對RTB 與 Retargeting(重定向) 的結合使用方式作說明。這兩個廣告技術，可以幫助廣告主命中消費者，大幅提高廣告效益。讓我們一起來了解它們的運作方式。

RTB (Real Time Bidding)實時競價的運作

RTB 實時競價廣告說明

假設一家汽車公司的目標族群是居住台北、30-35歲的白領男性。當他到訪網站時，電腦(AD Exchange)在判斷出這位用戶的特徵後，即會把此特徵告訴廣告主僱用的DSP廠商。

DSP (需求方平台)就會根據廣告主擬定的競價條件出價，競標成功後就能對用戶進行廣告展示。整個過程的背後其實有龐大的運算，但在用戶眼中似乎一瞬間就完成了。

Retargeting 重定向技術的運作

Retargeting 重定向運作說明

Retargeting的功能主要針對曾經到訪過你的網站，卻沒有成交的人展示廣告。假設有一位用戶到訪你的網站，但在看了一些商品後卻遲遲沒有下單就離開了。這時Retargeting的技術就能夠捕捉這名訪客的身份(Cookie)，然後特別針對這位訪客投放廣告。無論她上哪個網站，都能對她投放你的廣告，試圖將她導回商品頁面完成購買。

掌握用戶樣貌提升廣告效率

RTB與Retargeting掌握用戶面貌

在過去，廣告主都去分眾網站(niche websites) 採購廣告版位來作曝光，但由於不知道真正點廣告的是誰而造成浪費預算。現在透過RTB競價方式和重定向技術，廣告主就能夠精確掌握用戶樣貌，直接採購特定特徵的人群，進而強化廣告效率，精確使用廣告預算。

重定向的實際應用

重定向技術的實際應用

重定向技術可以運用在3個方面：

●「個性化」重定向－根據瀏覽頁面的比例來分析訪客興趣，分析訪客購買了什麼，然後對他投放周邊/相關商品廣告
●「商品」重定向－分析訪客瀏覽過的單一商品，例如：玫瑰化妝水，然後投給該訪客其他的「化妝水」廣告。或分析訪客瀏覽過的商品品類，例如：玫瑰化妝水，然後投給該訪客其他的「玫瑰」保養品廣告
●「購物車」重定向－分析有放入商品至購物車卻沒有完成結賬的訪客，然後提醒他有喜歡的東西還沒有結賬、商品有新的活動、或投放不同品牌的相同商品。

重定向廣告的4個目標

重定向的4個目標

重定向廣告可以根據以下4種情況鎖定用戶：

● 來過網站的人
● 根據離開網站時的頁面，投遞該商品廣告
● 把商品加入購物車，但尚未購買商品的人
● 依照訪客來訪時間，在特定時限內(如2週內)做投遞

掌握更多的訪客特徵

掌握訪客特徵

ADPartner 的ALL X的技術有能力分析與提供更多的訪客特徵，包括：

● 訪客人口屬性－性別、地域、來源媒體、訪客找回、時間控制、頻率控制
● 訪客行為屬性－站內搜索、購物車、列表頁、首頁、收藏評論、新註冊、單品頁、類別頁
● 訪客興趣愛好－3C、運動、旅行、汽車、家居、娛樂、時尚、電影
● 訪客角色屬性－聯合登錄、是否註冊、入站設備、入站關鍵字、入站次數、登入次數

ALL X能獲得並提供上述真實的後台數據，不僅在收費上有真憑實據，也能幫助廣告主建立客戶的行為模式，充實CRM(客戶關係管理)資料。

結語

RTB 與Retargeting兩項技術的結合，使網路廣告從購買「廣告版位」的時代，進化到購買「精準族群」的時代。廣告主可以辨認屬於自己的族群，向對的網站訪客投放廣告，有效運用廣告預算，大幅提升網路廣告的回報率。

完整資訊圖表：http://www.adpartner.me/retargeting.html

出自Inbound Journals

快速展店背後的挑戰　如何降低跨據點管理與維運負擔

對連鎖零售企業而言，展店代表商機與成長，但當門市數量快速增加，營運與管理的複雜度也隨之提升。尤其對便利商店（C-store）、餐飲連鎖與其他高密度展店型態的企業而言，總部需要面對的不只是據點數量增加，更包括不同門市的設備管理、系統維護、日常維運與人力配置等多方面挑戰。

過去多據點門市的設備與資訊管理，往往以單一門市為單位，各據點可能擁有不同的攝影機、錄影設備配置與管理模式。當總部需要掌握事件狀況、確認門市營運情形，或進行跨區域管理時，往往需要投入大量人力逐一確認資訊，不僅增加管理負擔，也提高維運成本。

此外，零售產業本身具有高度變動性。門市可能因應市場策略進行展店、搬遷、改裝，甚至調整營運規模。傳統一次性設備投資模式，容易讓企業在面對據點變化時缺乏彈性，也增加設備重新配置與後續維護的負擔。

因此，現代零售企業所需要的不只是單純記錄事件的設備，而是一套能隨企業成長彈性調整、協助總部有效掌握多據點安全資訊，並支援未來智慧應用發展的智慧化管理架構。

從既有設備開始升級　降低全面汰換設備的轉型負擔

面對智慧化轉型需求，許多企業最大的挑戰並非是否需要升級，而是如何在不中斷現有營運的情況下完成轉型。

對已經投入大量資源建置安全系統的零售企業而言，全面汰換既有架構不僅成本高，也可能影響門市日常運作。因此，能夠兼容既有設備並逐步升級的彈性架構，成為企業導入智慧安全管理的重要關鍵。

透過混合雲架構，企業可以從既有設備開始，逐步整合不同據點的安全資訊與管理需求，同時導入雲端管理能力。相較於一次性重新建置，新一代平台架構能協助企業延續既有投資價值，並依照實際需求逐步導入更集中化、智慧化的管理能力。

此外，訂閱式雲端服務模式和混合雲安防架構，也為零售企業帶來更靈活的資產管理方式。相較於頻繁的硬體汰換、傳統一次性採購或繁瑣的跨品牌安防系統的管理，企業更有彈性的因應門市拓展、搬遷、調整或營運規模調整，精準配置資源，降低一次性投入壓力，也減少因據點變動造成設備閒置的情況。

對快速成長的連鎖零售企業而言，安全管理不再是一套固定且難以調整的架構，而是一個能隨企業規模與需求持續演進的平台。無論是新增門市、跨區域管理，或因應營運策略調整，都能以更彈性的方式完成管理升級。

AI 不只是安防工具　更開始協助零售提升營運效率

隨著 AI 技術快速發展，安全管理的角色也正在改變。過去企業導入影像系統主要用於事件記錄、事後查看與追蹤；如今，智慧雲端安防平台則能進一步從大量影像資訊中辨識人、車與行為，協助企業從「看見發生什麼」進一步「理解正在發生什麼」，甚至主動協助管理者發現與處理事件。對門市數量眾多、人力有限的連鎖零售業者而言，AI 正逐步成為降低管理負擔、提升營運效率的重要工具。

從基本事件偵測到自然語言規則　讓 AI 主動理解更多異常情境。 AI 智慧辨識已能針對跌倒、奔跑、徘徊、跨線等常見事件進行自動偵測，協助門市減少人工查看影像的需求。而進一步透過 Think Alert，管理者更可以直接以自然語言設定客製化的偵測條件，將 AI 應用延伸至傳統事件規則以外。以門市尖峰時段為例，店員往往需要同時處理結帳、補貨與顧客服務，總部也難以持續掌握每個據點的即時狀況。透過 Think Alert，管理者可以直接以自然語言設定「在門店入口抽菸的人」等情境；當符合設定條件的畫面出現時，系統即可主動發出警報，協助管理者即時掌握異常狀況。對於門市數量龐大的企業而言，這代表 AI 不只是協助辨識既定事件，更能依據不同營運需求，讓管理者以更直覺的方式設定希望 AI 主動關注的情境。

從大海撈針到快速完成調查　Think Search 搭配 Case Vault(案例庫) 掌握完整事件脈絡。 當事件發生後，如何從大量、多據點的影像中找到關鍵人物與事件脈絡，往往是最耗費人力的環節。透過 Think Search，管理者可以直接用自然語言描述想尋找的對象與情境，例如，當家長反映孩童可能在門市附近走失時，店員或總部人員不需要逐一查看不同攝影機的錄影畫面，只要在 Think Search 輸入「昨日上午，牽著小女孩的男性」等自然語言描述，系統即可協助從大量影像中篩選相關畫面，快速找到相關人物可能出現的時間與位置。若需要進一步追蹤，還能將不同搜尋階段找到的重要畫面與資訊整理至 Case Vault，建立事件時間線與人物移動路徑，協助管理者更完整掌握事件脈絡。

從安全管理延伸至顧客服務與門市營運　讓既有影像創造更多價值。 AI 的應用也不只限於安全事件。例如在咖啡店、餐飲等場景，若顧客將手機、包包等物品遺留在座位或櫃台附近，遺留物與遺失物偵測可以協助門市人員更快發現異常，主動確認並協助顧客處理失物問題；人流分析則能協助企業掌握不同時段的門市活動趨勢，作為空間配置與人力安排的參考；車牌辨識可應用於停車區域或門市周邊管理，而工安防護裝備辨識則能協助後場、倉儲等區域進行安全規範管理。透過這些應用，企業能在既有設備基礎上，進一步將影像資料延伸至安全、服務與營運等不同場景。

對連鎖零售業而言，AI 的價值已不只是「看得更清楚」，而是讓企業更快發現問題、更快找到資訊，並進一步理解事件脈絡與營運狀況。從基本事件偵測、自然語言設定規則，到 AI 搜尋與事件調查，再延伸至顧客服務與營運分析，雲端安防平台正讓影像從被動的紀錄工具，逐步成為支援多據點安全管理與營運決策的重要資訊來源。