北京2021年8月12日 /美通社/ -- 推荐系统作为一种高效的信息发现工具，可以很好地解决用户精准高效获取信息的问题，尤其在人们需求不明确时，借助推荐系统获取信息是非常重要甚至是不可或缺的一种手段。同时就商业价值而言，推荐系统在内容分发、用户体验、商业化变现等方面也已经获得了广泛的认可。推荐系统目前已经成为互联网to C产品的标配技术，用来高效地解决用户的信息匹配问题。

笔者是算法工程师背景，曾在国内最大的短视频平台参与推荐系统核心算法模块研发，先后经历五款千万级以上日活内容分发产品从0到1阶段的推荐系统架构设计，踩过各种产品/内容/算法/运营的坑。之后在做推荐算法to B服务过程中，经历了各种推荐应用的场景，比如：短视频、长视频、新闻资讯、音频应用、社交社区、直播、电商、游戏等几乎所有需要个性化算法的产品。通过本文，笔者希望基于以往经历过的失败或成功的案例，与业界同仁探讨在搭建工业级推荐系统过程中必须深入思考的五个关键性问题。

问题1：算法是否有用？

根据业界主流定义，推荐算法是指建立在机器学习基础之上的一套包含模型训练/预测功能的决策系统。广义的算法其实包含各种计算策略、方法和技巧，不限于机器学习方法，比如一些求解技巧或者是结合业务特点的先验假设。

如前文所述，推荐系统目前已经成为to C互联网产品的标配技术，但是，你有没有认真思考过：你的产品或者系统，有没有必要利用推荐算法？推荐算法有多大的空间？

笔者经常见到一些初入门算法工程师，面对具体推荐场景时，没有做好充分的评估建模，一上来就三段式：样本生成、模型训练、上线预测，最终折腾半天没有任何效果，甚至不如人工推荐的效果。之所以会出现各种结果，是因为这些算法工程师没有做好前期建模，分析数据基本面，确认面对的应用场景是不是属于“用户”和“事物(Item)”的双边充分消费市场。这里面，事物（Item)可以是人、信息、商品、服务等，双边基数越大推荐算法作用越大，双边消费越频繁，推荐效果越好。

在2020年中量质子曾经接触过一个做小游戏推荐的客户。他们在产品早期有几个策略工程师基于一些业务策略做了一版推荐系统，相对于完全没有策略的状态推荐效果好了很多，公司决策层于是认为算法效果立竿见影、大有可为，高成本从抖音、百度等大厂挖了20多个高级算法工程师。算法同学加入之后没有充分理解小游戏场景的用户行为特点和产品指标评估体系，而是把内容类产品的建模方法和模型算法应用在App上，评估指标体系是用户人均使用时长和用户留存，结果做了半年尝试了各种模型算法都没有任何进展，团队信心丧失，人员流失严重，这时公司决策层又开始怀疑算法的价值。那么究竟是哪里出了差错呢？

其实，这个案例的核心问题出在建模目标、模型拆解、样本生成、评估体系上。小游戏场景和内容分发类产品差别很大。内容分发类产品一个最大的特点是：推荐内容都是新的不重复的（工业级内容推荐系统都有展现消重模块），用户对老内容会本能排斥。而小游戏则不同，相比内容消费，玩小游戏是一个中度决策的场景，用户一个时段倾向于玩相同游戏直到兴趣消退，对新游戏发现需求不如内容分发强。因此，就需要仔细权衡新老游戏分发权重、冷启动策略如何制定、多目标如何拆解、模型样本怎么定义等等关键节点。如果这些关键点没有做到位，那么后续怎么调参都不会有效果。同时，在产品宏观指标算法效果评估上也要能反应出产品大目标，比如人均消费游戏数量、人均新游戏打开数，并综合考虑留存和人均时长指标。

中量质子团队在2020年还曾经服务过一个做艺术品的社区社交的客户，其产品UI类小红书。客户的产品从UI形式上看非常适合推荐，然而我们尝试了一段时间，效果始终做的不好。经过深度复盘，我们终于发现核心原因是用户数量太少，每天的用户行为非常少，导致模型学习非常不充分预测不准；而且，用户的消费行为不像内容消费那么高频度。这些用户对一个艺术品会反复浏览，是一个重度决策过程，更接近一个电商商品推荐。此外，这家客户设定的评估指标是人均消费金额，相比与时长留存，这是一个行为更稀疏的指标，更难做多目标的拆解和模型算法的充分学习。最终，我们给客户的建议是：这个阶段的产品更适合基于策略做热门运营半自动推荐，先做好用户增长。记不记得前面我曾经讲过，在“用户”和“事物”的双边消费市场里，双边基数越大推荐算法作用越大，双边消费越频繁推荐效果越好。

其实，对于算法硬实力笔者认为不必过分强调，反而对于理解业务场景、建模问题、定义模型目标等等推荐系统团队的软实力，大家应该给予更多的重视。

问题2：特征工程该怎么做?

在确认了产品的场景适合用算法提升匹配效率，并且评估了产品和数据基本面，完成了建模后，“特征工程”是下一个决定模型能否充分训练学习、精准预测的关键环节。不知道你对于特征工程是否熟悉。据笔者的观察，目前行业里系统性介绍特征工程的技术文章不多，也不如算法受重视程度高，特征的重要性往往被忽视。

什么是特征？特征是影响模型预测的输入因子，而模型是预测时基于输入因子的计算方法。从两者间的相互关系，你立刻就会意识到特征的重要性有多么大。在深度学习算法时代来临之前，以逻辑回归为代表的线性宽度模型是业界主要应用的模型，那时特征工程几乎对算法效果具有决定性的作用。时至今日，在深度学习模型广泛应用的大背景下，特征工程依然是推荐系统的核心前置工程，复杂的特征工程和复杂的深度模型结构都是主流工业级推荐引擎必不可少的基石性的组成部分。

那么，特征工程是什么？是如何影响模型的？具体而言，特征工程属于建模的一部分，指用哪些因子（特征）去支持模型做决策判断。特征和行为埋点、画像系统密切关联，行为埋点是最原始的数据来源，画像字段一般是用行为埋点和用户以及事物的元信息生成的。特征工程的关键是找到一系列判定模型目标的决策因子，并且在工程上有一套标准化的特征抽取和表示方法，一般可以分为单维特征（比如各画像字段维度）、多维组合特征（比如用户和事物的特征组合）、机器学习特征（比如用户和事物的embedding特征）。特征是模型的原始输入，工业级推荐系统优化到一定阶段，特征工程就成为算法工程师最主要的工作。

在特征工程领域，中量质子团队在“行业级最佳实践”和“工程实现”两个关键领域积累了深厚的实力。

行业级最佳实践，是一种准确判断在不同的产品场景应用哪些特征能够获得最优效果的能力。特征工程也遵循28原则，你需要找到在每个领域起核心作用的那些少数特征。中量质子团队在内容、短视频、新闻资讯、社区社交、电商、直播等应用领域已经积累了大量的最佳特征体系实践，比如电商领域哪些是核心特征、怎么构建用户侧特征、特征字段计算方法和更新频率等等。

关于工程实现，有三个维度你需要给予特别的关注：

• 首先，特征工程中最消耗算法工程师时间的工作是频繁尝试新特征，这需要在工程上做各种提效支持，比如可配置特征和训练时特征屏蔽功能等等。在这方面，中量质子经过多年实战，已经具备了一套高效标准化的特征抽取和表示方法，我们提出的DeepTouch推荐系统拥有各种特征增删、组合配置、屏蔽的功能，并和模型创建、训练、预测等管理功能形成高效协同的一体化框架。
• 其次，是特征工程的规模。工业级推荐系统数据量巨大，特征工程规模也越做越大，千亿几乎成了行业标准，万亿级特征也成为不少系统追求的目标。中量质子的DeepTouch推荐系统已经实现了万亿级特征实时在线学习的能力。
• 最后，特征工程不是独立的系统，其和模型训练、模型预测、参数服务器单元高效耦合是一个巨大的工程挑战。DeepTouch推荐系统已经实现了以上所有关键要素的高效耦合。

由于文字篇幅所限，笔者在本文中重点分享了从零开始搭建工业级推荐系统的过程中，最为关键的两大问题。“算法”和“特征工程”，这两个话题一个在行业内为大家所津津乐道，而另一个则名声不显。但是，通过笔者实战经历的分享，相信大家一定已经认识到了他们在工业级推荐系统中的基石性的作用。在接下来的文章中，笔者将就对于搭建工业级推荐系统另外三个至关重要的问题跟大家做进一步的分享。

上海2021年6月29日 /美通社/ -- 今天，业界领先的AI数智技术服务商ZTouch亮相第七届GDMS全球数字营销峰会，向与会者展示了其自主研发的广告数智投放平台Darwin（达尔文）、中量推荐和企业一站式端到端数智化解决方案（AI CDP）。ZTouch服务的目标客户是Z世代的新消费品牌企业，包括内容平台、电商平台和新零售品牌等，帮助他们利用数智技术建立增长体系，无感精准服务C端用户，提升消费体验、消费者满意度和品牌忠诚度，最终实现品牌创新增长。

本届GDMS全球数字营销峰会的主题是“私营定制”。以Z世代为主打的中国年轻消费主力正在崛起，他们追逐个性、寻求情感共鸣、强调“自我觉醒”。在消费者时间和媒体无限碎片化的大背景下，传统意义上的品牌概念面临解构，年轻消费者不再唯大牌论，小众狂欢迎来大众围观，“私营定制”正成为品牌“图钉”式以点带面的突破之道。

作为新生代企业的数智伙伴，ZTouch尤为重视客户服务的交互过程和交付效果，不光提供标准化的产品，还提供个性化的服务。以洞见人性的AI科技与应需而变的灵活服务，协助企业构建企业数智中枢，提供私有化部署和定制化的交付服务。

数智系统中量推荐可以帮助企业更深更广地运营C端用户体验，为企业用户实现个性化体验。融合多渠道的用户数据，实现多维度用户画像和精准建模用户兴趣。同时，通过多目标预测CTR、点赞、时长、关注、评论等提升留存和DAU增长。

除此之外，广告数智投放平台Darwin（达尔文）和AI CDP企业一站式端到端数智化解决方案也为企业数智化发展提供增长引擎。

• 广告数智投放平台Darwin（达尔文）：通过多平台数据查看、实时接口、多维度报表、批量投放、精准投放（RTA）、跨账户统计、整合素材管理、资产数据化和智能预警等功能，满足不同角色在广告投放中的不同需求，实现跨平台的统一管理，账号、数据、素材深度分析，以及更智能的决策，最终解决流量精准问题，精细化运营投放策略，提高转化效率。
• AI CDP企业一站式端到端数智化解决方案：针对企业发展的阶段化需求，提供个性化咨询及技术服务。

ZTouch创始人 & CEO彭泽环（花名：长风）表示：“ZTouch会集中解决新生代企业在增长过程当中的两个痛点：第一个痛点是获客成本高，第二个痛点是用户生命周期价值低。这两个问题也是所有新消费品牌业务形态当中，决定增长的两个最核心的问题。作为一家新兴的技术公司，我们具备深度算法和分布式机器学习框架的全栈自研技术能力，拥有AI行业级最佳实践，为内容应用、电商平台和新消费品牌，提供比肩BAT数智能力的增长引擎。”

2021年是ZTouch高速发展的一年，备受客户认可的同时业务也在大幅增长，急需大量想创业的小伙伴加入，一起打造全球化AI人工智能尖端品牌，做企业数智化挚爱伙伴，智领创新，共创未来！目前招聘职位有：高级推荐算法、NLP算法、推荐系统、后端开发、Web前端开发、广告产品总监、广告产品经理等。

了解更多ZTouch最新动态、活动和招聘信息，请浏览公司官方网站：www.ztouch.co。

北京2021年6月9日 /美通社/ -- 广告投放对现代企业来说是业务增长的重要一环，投放效果对企业的短期影响是推广成本的高低，长期对企业市场地位有决定性的影响。广告投放的核心目标是通过合理的成本获取目标用户，从而实现商业价值。在实际操作中，平衡投放成本和客户生命周期价值（LTV）是最为关键的环节。

1.   落地场景

AI技术本身内涵丰富，准确地说，在本文中讨论的是机器学习技术在广告行业中的应用。在广告投放领域，AI技术的价值落地点可以归结为如下几个方面：

• 用户洞察

在用户洞察方向上，AI技术的落地点主要在DMP系统构建、用户定向分析、用户聚类、用户相似度扩展等方向。具体而言，通过机器学习技术，企业可以基于用户行为等业务数据建立复杂的标签系统描述用户的兴趣爱好。实际应用中基于AI算法生成的不可解释的标签体系往往对用户的兴趣描述能力更强。

通过AI机器学习打通多源数据，可以更好地进行跨屏用户识别与定向。同时，用户属性可能会随着时间推移快速变化，因此可以用AI算法来自我跟进变化。基于对潜在人群的洞察，通过支持人群扩展、相似度计算，达到更好地理解用户、洞察用户的效果。

• 创意的生成

创意是广告的核心组成部分之一，创意的好坏极大地影响广告的投放效果和转化成本。在广告创意领域，通过应用AI算法，企业将获得创意优化及自动生成、综合调优等能力：通过对已有素材的训练和学习，能够自动生成创意，降低人工成本，提升生产效率；通过智能投放，进行多组素材的测试，针对不同用户投放最优素材。

• 智能投放

在智能投放方向上，基于AI技术可以完成点击率预估、转化率预估、在线实时用户广告行为预测，通过机器学习系统设定的目标达成平台收益最大化或者广告主收益最大化。

直投媒体平台广告引擎的各种智能竞价系统都是AI技术的典型应用。基于OCPX出价的模式预估用户对每个广告的点击率、转化率和个性化出价已经变成目前信息流直投广告的主要竞价模式。广告主/广告代理使用AI技术可以更精准的刻画用户画像，实现精准人群细分，寻找创意投放组合；同时，基于机器学习算法去优化点击率、转化率预估模型和智能出价模型等。

• 效果跟踪和归因分析

在广告投放的效果分析和归因方面，应用AI技术可以做到智能优化，并给出效果分析结论和预测。在不合理流量的过滤、反作弊、风险控制、投放转化的归因等多个领域，AI技术均有实际价值场景。

2.   现实中的痛点

只有拥有了准确的用户画像、合理高效的创意生成技术，渠道本身触达精准，并且投放过程中可以精确识别虚假流量、作弊信息，广告投放效率才能够令人满意。然而，即使把以上这些方面都做到位了，仍然不足以完全克服现实投放中会遇到的所有问题：

• 买不到想要的流量

同一个客户往往会在不同媒体进行广告投放，而各个平台的广告系统差异巨大。实际上，即使是简单的广告计划、广告组等基础广告组织结构在现实中也不存在统一的行业标准。此外，即使同一个媒体方，其内部也存在不同广告投放平台之间分裂、合并、又分裂的情况。复杂的广告投放环境对于广告优化师提出了极高的要求，优化师必须要有各种平台的使用经验。

虽然媒体方会基于AI技术建立各种词包、人群包、丰富的定向条件帮助客户进行人群定向，然而在现实中广告主往往还是经常获取不到真正优质的流量。比如在联盟流量当中，媒体核心产品的流量差异巨大。面对这种情况，有经验的优化师往往会先在优质流量上磨练成熟的创意，待得到稳定转化之后才敢于在联盟流量上进行下一步投放。

• 不可控的投放成本

尽管现在的广告系统在诸如广告召回、意图触发、意图识别、创意优化精选、点击率预估、转化率预估等几乎每一个环节都引入了AI技术进行优化，但是对于客户而言，在如此复杂的广告系统当中，每一个引入了机器学习的环节都需要数据的喂养。然而，广告系统的数据都是用真金白银竞价获得的。让广告系统学习到广告的特征，都需要依赖广告投放的前期消耗，这往往造成转化成本不可控，甚至是转化成本不可接受的情况。

此外，更重要的是，因为广告投放系统每个环节同时存在AI的逻辑控制和优化师的人工操作痕迹，因此，必须保证人工条件、素材，还有AI系统三者的trade off达到平衡才能获得理想的结果。

• 无处安放的创意

广告主和优化师每天除了关注预算和ROI之外，最关心的就是广告计划本身的素材细节：文案标题要足够劲爆，解压产品的图文视频要足够解压，文娱的图文视频要有足够娱乐性。同时，创意或者说更底层的广告物料也是广告主最切实的烦恼：如果没有足够的信息提示，创新性的素材、抓眼球又足够专业的广告素材从何而来？

3.   AI技术能够带来的三大变革

首先，准确描述目标人群。

“追求最大化投放效率，只为目标人群付费”永远是广告主的终极诉求。相比于平台或代理，越来越多的广告主开始关注自身的数据能力，着手最大化自身数据的价值。其中常见做法包括建立自己的用户画像体系、标签体系、兴趣偏好、转化偏好等等。但是从行业角度看，企业内部数据受到平台方生态的限制，比如平台提供不同应用程序的Open ID，多为互相独立无法打通，即使使用联合ID，也局限于企业内部。不管是游戏行业、美妆行业，还是金融行业，对全网用户画像的渴求都溢于言表。用户细粒度数据，尤其是可以全网打通的用户数据是这个时代最重要的资产。

随着用户隐私的保护机制越来越严格，端上可直接采集的用户信息越来越少，全网用户画像数据的建立正在变得越来越困难，远如“IMEI值禁止采集”，近如IOS IDFA的“默认不开启”。

国内亿级用户的超级APP诸如抖音、快手、微信，未来将以类似于基础设施一般的作用出现在越来越多的场景中。越是大企业，数据能力越强，积累的数据将越多。但是这并不表示普通企业将束手无策，因为广告主拥有媒体大平台所缺少的深度转化数据。这当中就包括了常见画像字段的三种基本分类属性：

1.  天然属性。天然属性通常也可以叫做元数据、meta数据，比如人的年龄、性别、昵称等等，是画像字段中最基础的数据，也是最通用的字段。对于很多行业来说，这些基础字段就是他们理解的画像数据90%的内涵。

2.  统计属性。统计类的属性字段，通常与业务有相关性，比如用户过去3个月购买的10个头部商品类别、最近7天搜索词的倒排截断列表、用户3个月内观看次数最多的主播ID列表。统计类属性通常与用户兴趣相关，可以连接用户和业务场景。

3.  机器学习属性，或者叫做机器学习的预测属性、特征列表。此类属性可解释性最差，却是对于具体的业务场景理解最深刻的部分，比如基于机器学习技术给用户单独建立的特征向量、用户的搜索词的向量化表示。此类特征是机器学习技术的中间结果，将直接支持模型执行在线预测和计算。相比较于前两者，基于机器学习技术构造的画像字段正在日益丰富，仅仅是向量化技术便层出不穷，从Deepwalk、LINE再到浅层网络、深层网络等均以输出向量为目标。

实践中，ZTouch常使用前两者作为业务规则和干预条件，使用每个用户特有的向量化表示进行在线机器学习的预测。

其次，优化投放成本。

使用机器学习精确描述目标人群，这是一项耗费资源很大的、长期而且持续的工作，但是仅凭这一项工作还不能支持商业逻辑。有了模型数据基础和目标人群的向量化表示，还需要有实际模型生效的场景，机器学习的“预测”步骤必须嵌入到广告投放的核心流程中才可以保证投放成本。这里就不得不提到最近才出现的广告投放技术RTA。

传统RTB模式，和RTA技术本质上都是给广告主决策权。相比于程序化广告RTB+ADX模式中的媒体方画像数据基本不起作用，RTA兼顾广告主和媒体方的决策能力，在直投广告的基础上允许广告主自行决定是否参与竞价，并可以基于用户价值的判断做到每次曝光的个性化出价。

广告主使用RTA投放，自身数据越全面，则机器学习能力越强、判断越精准、投放成本越低。在这种情况下，广告主在具体决策时，由浅入深可以运用几种决策方式：

1.  基于规则

2.  基于业务逻辑和行业知识

3.  基于机器学习模型预测

第一种决策方式很容易理解。广告主如果自己收集了历史用户列表，可以依据当前设备（用户）是否有安装过APP、是否属于活跃用户的规则来决定是否参与竞价，进行基础的分层拉新拉活操作。依赖于广告主侧的业务数据，即使是简单规则干预仍然可创造可观的投放成本优化空间。

第二种决策方式则是在第一种方式上引入了三方数据和自身业务逻辑数据。对于金融广告主，第三方数据包括征信信息、该用户/设备是否经常在“薅羊毛”黑名单上、是否是虚拟设备等等。对于电商广告主，则需要知道该用户上个月是否刚买了新电脑，如果答案为“是”，那么目前的电脑相关广告就没有曝光的价值了。相对来说，第二种决策逻辑比第一种要求的数据更多，而且难度大，要求广告主有数据能力。

第三种方式依赖机器学习模型及业务数据进行决策，对RTA客户的自身能力要求最高，不但要有完整的大数据能力，还要具备高QPS压力下快速模型预测的能力。ZTouch团队曾创立并服务过多款日活用户千万级的短视频产品，具备日处理10P级样本训练模型、秒级实时更新模型的实力，有能力帮助客户对接各主流广告平台。

总体来说，优化投放成本必须使用广告主自身的数据。广告主有AI模型能力针对每一次曝光竞价进行逐一甄别将是未来的发展趋势，机器学习技术必将在其中大放异彩。

第三，持续产出优质广告。

广告主面对的最后一个现实层面的问题就是：如何持续产出优质广告。这涉及的影响因素太多，AI技术在其中可以支撑的价值点有：

1.  技术门槛突破，让广告更加原生、用户体验更好，图像技术、语音技术均有用武之地。

2.  过程指标预测，基于现有广告素材进行打分或点击预测。

3.   基于数据挖掘技术进行优质创意的预测和甄选。

AI技术已应用于热门创意的快速发现，以及通过组合现有元素生成更加新颖的创意。ZTouch结合自身的AI模型能力，赋能广告代理商和广告主，帮助他们实现高效且精准的智能广告投放。ZTouch自研的广告智能投放平台“达尔文（Darwin）”提供统一的TD界面、自动化阶梯出价、快速的批量创建，综合了所有可以提升优质创意的发现技术，实现机器学习和大数据能力在信息流广告直投领域的价值落地。

2021年是ZTouch高速发展的一年，备受客户认可的同时业务也在大幅增长，急需大量想创业的小伙伴加入，一起打造全球化AI人工智能尖端品牌，做企业数智化挚爱伙伴，智领创新，共创未来！目前招聘职位有：推荐算法工程师、NLP算法工程师、推荐系统工程师、后端开发工程师、Web前端开发工程师、广告产品经理等职位。

了解更多ZTouch最新动态、活动和招聘信息，请浏览公司官方网站：www.ztouch.co。

北京2021年5月21日 /美通社/ -- 2021年5月20日，ZTouch，北京中量质子网络信息科技有限公司旗下的企业数智化服务平台，发布了广告数智投放平台Darwin（达尔文）。Darwin系统专注于提升广告投放效果，为广告主及代理商提供了便捷的管理工具；同时，结合数据算法能力，通过RTA技术，帮助他们最大程度上降低投放成本、提高获客效率。

随着消费场景加速向线上迁移，因为完美平衡了媒体、广告主和消费者的利益，而且可以通过算法实现精准推送，信息流广告市场规模近年来出现了井喷式的迅速增长。根据CNNIC发布的第47次《中国互联网络发展状况统计报告》，2020年，我国网络广告市场规模达4966亿元，同比增长14.4%，并且出现了“移动端广告继续抢占PC端份额”和“信息流广告市场规模迅速增长”的特点。移动端广告的市场份额已经由2018年的70%增长至85%左右，进一步抢占PC端广告份额。同时，随着疫情防控进入了常态化阶段，广告主对数字化营销投入增加的同时，更重视投放成本和广告效果。信息流广告兼具品牌展示与效果投放两方面优点，成为了广告主的首选。

然而，随着信息流广告的迅猛发展，在日常投放实操过程中，广告主以及代理商却遇到了多广告平台账户操作繁琐、广告成本高、自有数据利用率低等诸多新的挑战。

针对信息流广告投放过程中的痛点问题，Darwin系统提供了跨平台账户管理、跨平台数据分析、程序化批量投放、跨平台素材管理、安全预警以及RTA精准投放等六大特性。

跨平台账户管理。Darwin系统连结巨量引擎、腾讯广告、快手广告、百度广告等广告系统的Marketing API，通过账户一体化管理界面，实现了便捷的跨平台账户操作以及资产管理，令用户便捷、安全地掌握账户投放情况。

跨平台数据分析。Darwin系统打通多个广告平台数据，能够掌握所有账号的全部投放数据，便捷快速地分析投入与效果，并实现所有账号的一体化管理，包括分配与回收账号。

程序化批量投放。使用Darwin系统简洁直观的操作界面，用户可以实现批量创建及调整广告，批量查看广告数据。

跨平台素材管理。Darwin系统的全局素材管理能力，可以帮助用户实现跨平台的素材统一管理与分析，实现素材复用、素材数据共享以及素材二次优化等功能。

安全预警。Darwin系统的安全预警能力，可以让客户在投放过程中设置安全限制，在账户资金发生异常时及时发出预警通知，并通过主流工作软件随时查看预警信息，避免资金损失。

RTA精准投放。此次推出的Darwin系统包括基础版和RTA高级版两个版本。RTA高级版本除了包含以上功能特性以外，还提供了精准投放功能，利用RTA接口，根据广告主的数据和技术能力，利用数据对不同价值用户实现不同出价、实现精准人群定向、流量实时筛选，帮助广告主逐步深入参与投放决策，优化提升ROI。具体来说，RTA版本能够实现拉新场景下实时排除已安装，避免无效探索；拉活场景下实时全渠道去重，确保高效触达；分人群出价，提升广告主在优质流量的获胜率。

在Darwin系统丰富、强大的功能之外，ZTouch还提供完善、贴心的售后服务，持续为客户创造更大的价值。ZTouch为每一个客户提供专属服务咨询，及时回复客户问题，确保日常运营稳定率达到99.99%。此外，Darwin系统包括系统算法在内的核心模块会保持持续的迭代升级。同时，Darwin系统的功能也将持续迭代，新功能开发出来后，客户立即可以使用。

ZTouch结合自身的强大的AI模型能力，可以赋能广大平台广告代理商和广告主客户，帮助他们实现高效且精准的智能广告投放。Darwin系统提供统一的TD界面、自动化阶梯出价、快速的批量创建，综合了市场上所有可以提升优质创意的发现技术，能够在每一个细节之处帮助客户快速产生创造优质广告创意，实现更高的广告效益。

2021年是ZTouch高速发展的一年，备受客户认可的同时业务也在大幅增长，急需大量想创业的小伙伴加入，一起打造全球化AI人工智能尖端品牌，做企业数智化挚爱伙伴，智领创新，共创未来！目前招聘职位有：推荐算法工程师、NLP算法工程师、推荐系统工程师、后端开发工程师、Web前端开发工程师、广告产品经理等职位。

了解更多ZTouch最新动态、活动和招聘信息，请浏览公司官方网站：www.ztouch.co。