用 RPU，開創媒體數據價值新時代

The Challenge

udn 迫切需要一個新一代的數據技術來同時強化讀者體驗與媒體廣告成效。主要挑戰包括：

• 內容語意深度不足：傳統關鍵字或簡易主題群集已無法捕捉更深層的語義脈絡，使內容推薦精準度有限。
• 讀者與廣告興趣連結不足：缺乏能整合閱讀意圖與廣告意圖的統一理解框架，使廣告投放的精準預測能力受限。
• 廣告主期待轉變：品牌希望獲得更高價值的受眾商品與成果導向投放，但既有系統難以穩定提供此能力。
• 資料時效性不足：資料更新延遲造成受眾建模與廣告優化無法即時回應最新內容與市場需求。

為保持市場競爭力，udn 必須打造一個能將海量內容與匿名化行為旅程轉化為可操作、可變現的媒體數據信號的 AI 引擎。

The Solution

udn 與 Merkle 合作打造 RPU（Reader Prediction Unit） ——一套全面性的 AI 媒體智能引擎，透過深度學習、語意分析與雲端工程，重新定義內容、讀者與廣告之間的互動方式，並為 udn 建立現代化的數據價值系統。

1. AI 語意智能：大規模理解內容
Merkle 以深度學習技術建立 關鍵字與實體抽取模型，運用 NER、POS 與 TextRank，自動解析 udn 超過 60 萬篇文章。
可精準識別：

• 高價值實體（品牌、產品、人物、地點、事件）
• 與廣告高度相關的內容語意與情境
• 更具商業價值的內容領域

此語意基礎成為後續所有模型的核心引擎。

2. 興趣標籤引擎：連結內容語意與廣告意圖
Merkle 使用 SBERT 將 53 個內容主題與 25 個廣告分類投射到同一語意向量空間，使 udn 能量化「讀者正在看什麼」與「讀者可能對什麼廣告有興趣」之間的真實語意關聯。效益包含：

• 更可預測的廣告興趣對應
• 更高品質的意圖型受眾群
• 讓內容推薦與廣告匹配同時提升

3. 點擊預測引擎：預測讀者的下一步行為
Merkle 架構了 DeepFM 點擊率預測模型，整合讀者閱讀歷史、主題偏好與廣告互動，為每位讀者計算「高點擊機率」標籤，讓 udn 能打造更強、可即時運用的成效導向受眾商品。

4. 真實媒體測試驗證：全面優於既有做法
udn 針對 四種廣告版位 進行 兩波廣告主實測，驗證 RPU 的商業效益。結果顯示：
RPU 受眾在所有測試中全面勝出，投放表現明顯優於既有受眾策略。
透過 RPU，udn 成功將龐大的內容與讀者行為資料轉化為可預測、可商用且可規模化的 AI 媒體引擎。

The Results

Merkle 的 RPU 解決方案為 udn 帶來突破性的成效，全面超越既有媒體績效基準，證明 AI 驅動的內容與受眾智能已成為新的媒體商業引擎。

關鍵成效亮點

• CTR（UU）提升 +417%
  大幅提升不同版位的唯一使用者點擊互動。
• CTR（Clicks）提升 +200%
  內容與廣告匹配度更高，讀者興趣被更有效捕捉。
• 100% 勝率（5 檔測試全勝）
  所有 RPU 測試投放皆比既有策略更佳。
• Mapping Rate +10%
  透過語意強化與興趣建模，分類準確度明顯提升。

長期營運效益

• 資料延遲縮短 2 天：內容與行為資料更即時，使廣告與內容推薦反應更快速。
• 受眾商品可擴展：語意引擎支援更多高價值意圖受眾的生成。
• 語意自動化內容處理：自動化處理 60 萬篇以上文章，大幅降低人工標記負擔。

Merkle 成功將內容理解、讀者旅程與廣告意圖串接成一套統一的 AI 預測系統。
透過 RPU，udn 能提供更個人化的閱讀體驗、更高品質的廣告流量，並建立更具規模彈性的媒體創新基礎。