每个人都有可能出售益达，因此箭牌的投入更为推崇消费者覆盖面及认识成倍，让尽量多的消费者看见广告的同时也能按一定成倍反复观赏从而影响其出售不道德。在常规投入下，尽管媒体自身也有频触机制，但消费者对媒体的自由选择是受掌控的，因此各媒体之间仍不会由于超频而产生较小浪费，很难有效地构建这一表达意见。

箭牌期望通过程序化投入来解决问题跨媒体的成倍掌控问题，在最大化1+UV转化率的同时提高5+UV转化成。同时提高1+和5+是难题在常规投入中，同时提高1+和5+指标必定不会造成2+、3+、4+一起被提高，导致一定量的成倍浪费。而在该案例中，期望通过程序化投入协助构建最大化1+和5+指标的同时尽量地减少在2+、3+、4+成倍上的浪费,这在技术构建上不存在一定的难题与挑战。

针对这一市场需求，分别在投入系统原作1+UV转化成与5+UV转化成的目标值，通过跨媒体人群辨识及潜在高频用户预测与追频技术，在提高1+UV占比的同时让潜在5+高频用户优先观赏广告，减少非目标成倍用户比例。基于ReachMaxCookie构建仅次于范围的跨媒体人群辨识在程序化投入中，跨媒体辨识并不是一个新鲜的概念，基于pc端的cookie或者移动端的设备id对一个用户有所不同的触媒成倍展开辨识，并通过整体中控来构建跨媒体的成倍优化。

要构建这一市场需求，对第三方投入系统的cookie累积是一个挑战。荐个例子：当小明在媒体1看完一次广告后ReachMax即了解了小明，接下来他再行到给定一家与ReachMax接入的媒体系统都告诉是小明，同时还告诉他观赏完全相同广告的次数。当替代性1次UV时，小明看完1次广告后再度启动时广告催促时，ReachMax则把小明的催促退还给媒体播出其他广告，把曝光机会给到没有看完这条广告的小红；当替代性5+UV时，ReachMax接到小明的再度催促时仍为其播出广告，直到他看完5次以上后才暂停。

在本案例的投入中，箭牌通过ReachMax投入5家视频媒体，ReachMax基于过往投入早已与接入媒体保持日均上亿的cookiemapping量，动态改版近10亿的cookiemapping库，尽量地确保媒体启动时的每一个用户ReachMax系统都需要辨识。未卜先知的成倍预测，更加有效地智能平频当展开N+UV追频投入时,告诉小明会来N次和等候小明来N次，前者的投入一定事半功倍。

ReachMax基于对媒体大量启动时资源的历史投入累积，通过大数据算法模型分析，早已需要一定程度上做对高频用户的未卜先知，并且在投入时对其优先曝光,有效地提高追频效率。正是基于此智能追频功能，ReachMax构建了追频的同时减少了在非目标成倍上的曝光浪费。

最后，在ReachMax的严苛成倍掌控下，箭牌活动的程序化投入综合1+UV转化成效率较常规投入提高15%，综合5+UV转化成效率较常规提高18%，效果远超过预期。

本文来源：kaiyun官方网站-www.gce-alevel.com