这一节来介绍一个大家比较少接触，也比较少听的东西，但一举个实际的例子，不少人可能会说：哦，原来这个就是。这一节要带大家认识的就是程序化创意（Programmatic Creative Platform，简称PCP），很多人可能是第一次听到这个词，但肯定会有不少人听过程序化广告，心里可能会在嘀咕，程序化创意到底是什么东西。给大家举个例子就明白了：淘宝的千人千面
你看右边的第一张和第三张图，它们就有很明显的规律，它们的文案、字体、位置都是一样的，但是主图，背景颜色、大小……是不同的，千人千面是每个人看到的都不一样，淘宝有每天有数亿人登录，每个人看到的要不同，即使是百万级别的素材制作都是需要非常长的周期，人力和资源的。程序化创意就能够解决这个问题，只需要上传原始主图，做些设置，就可以在几个小时内生成上百万的Banner，素材。原来需要100个设计师做几个月的东西，现在需要一两个小时。
对于素材，或直接说Banner，我们在设计的时候，首先要确定它的大小，比如是横幅、长横幅还是短横幅，通栏，大尺寸or小尺寸……有很多的尺寸，大小，这些尺寸是按照广告平台已有的规则，直接可以在程序化创意平台里面设置，比如移动端上大尺寸推荐：
ios端：640*180px 或者640*240* 40K以内
android 720*300px 1080*375px 70k以内
你只要选择对应的大小，就可以生成相应大小的banner。
然后就是去设计的，设计一般考虑的是主图、背景、文案、Logo……主图就是你的创意的主元素，如前面图片提到的第一张和第三张，它们主图就是不同的，第一张是两个男士，展示给的主要是男性用户，第二章是女性，展示的主要是给女性用户；背景颜色，冷暖色调，中性色还是彩色；文案，这个需要自己想出来的，文案的文字的大小，颜色，位置都是可以不同的；Logo的其实跟文案类似；以上考虑可以有不同的组合，比如主图上传10张，背景上传10张，文案想10个，字体设置10种，颜色10种，位置10种，这样就生成10万banner，而且只需要一个小时不到，所以，程序化创意的一个很重要的作用就是提高Banner的制作效率。
有些人可能会想：这个实际上是个自动化的工具，网上也有很多能自动生成bannner的工具。
确实的是的，但你想一下，如果你一次生成100万张素材，你还能区分这张跟哪张有什么区别，这个系列的有哪些，这个对应的着陆页要是什么？你能管理得来？
所以程序化创意平台一般都是直接跟DSP对接的，往往是直接授权过后，你就可以直接在DSP里面投放的，有些直接就是DSP有这个程序化创意的这个功能，不管它是自己开发的还是接入第三方服务的。这个管理功能是其他在线工具不具备的，而有了这个管理功能，能够区分不同的Banner，有一些记录，这些记录还可以用于后面的优化。
所以，如果这一块能够火起来的话，应该很多的只是提供在线生成banner的单位可能也会涉足这一块的，所以现在做程序化创意的都会想做的更深，更多，让自己更有价值，比如动态创意优化（Dynamic Creative Optimization，简称DCO），DCO有两个方向，一个是对创意做优化，一个是对创意和用户匹配做优化，我举个例子，大家就应该会明白了。
比如我吧，GA小站，现在有5千万的预算要去投放，我通过程序化创意去生成了4000个banner，根据主图的不同将banner分成4组，A、B、C和D，投放两周会回收的数据有：
这里只是列出几个，实际还有其他的。
如果只是单纯的通过这几个类别就判断A组好或B组好，这个显然是不合理的，因为自动化生成Banner的时候有很多变动的创意，这些都是可能会营销大最终的转化的，这些每一个变动，在生成banner的时候都是有记录的。比如下面的：
实际上维度比上面的更丰富，还有很多用户属性的维度。
我们就可以分析，通过模型去判断，最终是否转化，一般是用判别模型，常用的算法有k近邻法、感知机、决策树、逻辑斯蒂回归模型、最大熵模型、支持向量机、boosting方法和条件随机场等这里用逻辑斯蒂回归模型（Logsit模型）去判断。
用了一个f(x)=x函数，作为激励函数，而在逻辑斯蒂回归中，采用sigmoid函数作为激励函数，在这里假设用户转化的概率为P，为不转化就是1-P，我们成P/(1-P)是转化发生的几率，给这个几率取对数，定义为Logit（P)，所以会有：
转化为y=1是对数几率为输入x线性函数，那么就有
取logit函数的反函数，也被称为logistic函数也就是sigmoid函数
图形如
通过图像，我们可以发现，当z趋于无穷大的时候，取值是趋于1的，当z趋于无穷小的时候是趋于0的，这里的1和0分别代表转化和不转化，可以根据过往的数据去求出权重和阈值，比如大于0.5的就转化，小于0.5的就不转化。
将二项逻辑斯蒂回归也可以推广到多项逻辑斯蒂回归，对于wX+b，X就向量，是代表创意，最总我们会得到一个类似AX1+BX2+b结构的参数，而每个X代表不同的创意，比如这里的AX1+BX2+b表示影响这个判别模型主要是X1和X2这两个因素，我们这里假设对应的分贝是主图A和背景色是红色。
实际的算法肯定不会那么简单的的，这里只是作为举例用途，而算法是每家单位的核心，更不可能告诉大家的，我这里只是举个例子，按这种情况，应该选怎样的模型可以去处理，所以举例这个模型。
那么接下来，投放就会自动将没有这两个标签的，差的投放给停了，然后按照这两个因素去拓展新的banner设计，比如生成全部是主图A的banner，或A这种风格的，背景色是红色的，红色的渐变色。。。就又可以生成4000banner，然后投放出去，如此循环。
这些都是可以自动执行，也就是动态创意优化了。
以上的是对创意做优化的，那么用户和创意匹配做优化是怎样的呢？其实就类似于商品推荐了，大家应该很好理解的，从而提升用户的体验和转化。
目前第二种优化是比较流行的，第一种有些厂家也在尝试做。
程序化创意在电商行业用的比较多，因为电商里面的商品图片非常多，另一个是游戏行业，游戏产品都是铺天盖地的广告，需要大量的banner，很适合用这个，类似额的还要一些手机产品的发布会的，一个完整的新产品的发布的营销费用都是按亿来算，短期需要大量投放，也是很适合用程序化创意去做。
