廣告策略整體來看，會復(fù)雜一些，尤其在定向、排序、廣告展示、歸因策略等方面有明顯的差異性。本文作者從廣告問題的整體業(yè)務(wù)目標(biāo)與函數(shù)構(gòu)建、預(yù)估問題、廣告定價問題這三個方面，分享了對廣告業(yè)務(wù)目標(biāo)構(gòu)建的思考，一起來看一下吧。

今天分享的是廣告策略產(chǎn)品體系的構(gòu)建。整體思路是從自然推薦、搜索至推薦、搜索廣告策略系統(tǒng)當(dāng)中，不同于其他商業(yè)化分享博主，一上來給大家介紹從線下到品牌再到效果廣告演進(jìn)，講CPC、CPM、CPA等指標(biāo)說明，我直接默認(rèn)看到我本篇文章并且感興趣的同學(xué)已經(jīng)入門對應(yīng)的內(nèi)容，我們直接開始講干貨的內(nèi)容，后續(xù)會針對自然搜推與廣告搜推差異相同點、智能出價策略、智能定向策略以及智能創(chuàng)意策略進(jìn)行分享解析。

從整體的思維上講，我認(rèn)為從事過搜索、推薦廣告策略產(chǎn)品的同學(xué)其實可以直接橫向跨過從事自然推薦、搜索策略產(chǎn)品轉(zhuǎn)型或者cover掉大部分工作，其中在召回、排序策略算法鏈路當(dāng)中大部分底層是共通，自然搜推和廣告搜推會在一個交匯點Mix混排，最終呈現(xiàn)在前端樣式中，但是廣告策略整體來看會更為復(fù)雜，尤其是在定向（灰、白、黑盒定向）、排序-預(yù)估與競價策略、廣告展示-創(chuàng)意生成展示策略、歸因策略等等四大類上有明顯差異性。

今天整體上分為三個部分來講解廣告算法策略分析：

1. 廣告問題的整體業(yè)務(wù)目標(biāo)與函數(shù)構(gòu)建；
2. 預(yù)估（CTR/CVR）問題；
3. 廣告定價問題解析；

一、廣告問題的整體業(yè)務(wù)目標(biāo)與函數(shù)構(gòu)建

1. 基礎(chǔ)業(yè)務(wù)目標(biāo)函數(shù)構(gòu)建

相比較自然搜索、推薦，廣告是一個復(fù)雜的經(jīng)濟(jì)學(xué)博弈的場景問題，廣告和自然結(jié)果關(guān)系相互交織，但是不完全重合，兩者有非常多的相似點和差異點，個人覺得作為廣告策略產(chǎn)品前提也一定要理解搜推的策略。

廣告的存在是一個多方（廣告主、廣告平臺方DSP、廣告流量方SSP、流量C端用戶等）博弈的結(jié)構(gòu)，其中復(fù)雜博弈的本質(zhì)來源于流量平臺方（平臺廣告效率CPM）和廣告主利益訴求（ROI）之間的矛盾。

因此在排序優(yōu)化的時候就無法類似自然推薦做貪心算法維度目標(biāo)（CTR點擊率、CVR、GMV等）優(yōu)化，會需要去做平臺和廣告主利益的平衡，除了要做CTR、CVR預(yù)估，還需要兼顧平臺競價bid，因此從上下文相關(guān)性、平臺收入角度出發(fā)建模，得到計算廣告收益eCPM業(yè)務(wù)函數(shù)如下：

但是，廣告畢竟不是離散的投放模式，其在平臺上一個整體連續(xù)性投放，因此最大化展現(xiàn)所有廣告eCPM和的表達(dá)式就可以表示為：

表示想用戶ui展示一次廣告 ai稱之為一次廣告投放 (ai,ui)，因此，所有投放人次的集合M={r(ai,ui)} 表示為一次匹配，Γ表示成滿足廣告投放條件的集合。所以上述表達(dá)式的本質(zhì)問題就是所有的可能用戶-廣告匹配Γ當(dāng)中，并且尋找一個讓廣告期望收益最大的匹配集合M。

基于上述的最大期望期望收益目標(biāo)出發(fā)，將業(yè)務(wù)目標(biāo)排序問題，可以拆分成兩個問題一個是CTR預(yù)估問題，而另一個就是競價問題，通過eCPM最大化期望收益方式進(jìn)行廣告排序，得到如下公式，也是各大互聯(lián)網(wǎng)廣告通用得搜推廣告排序方式，這是eCPM排序公式誕生的思路。

其中pCTR與pCVR都是預(yù)估得到得結(jié)果，p指代得就是predicted，如果是CPC出價方式就采用公式得左側(cè)，如果是CPA出價方式就是公式右側(cè)。

2. 最大化期望公式中其他的約束項

1）來自于客戶投放計劃預(yù)算-Budget的約束

如果沒有任何約束條件，這樣的廣告匹配可以通過貪心算法求解，只需要根據(jù)用戶的每次推薦訪問和搜索來展示eCPM最大收益的廣告即可；但是現(xiàn)實中這樣是不可能的，廣告主除了會在計劃中設(shè)置對應(yīng)的廣告出價水平bid之外，還會設(shè)置投放預(yù)算Bk，也就是一段時間投放廣告小消耗金額的上限，因此這一約束條件的加入，可以把上述最大化收益的公式改寫如下：

這個表示在廣告投放最大化期望收益考慮（用戶-廣告匹配）之外，需要受到計劃k的a次連續(xù)出價之和的bid_a 要小于計劃k的總預(yù)算B_k。

預(yù)算條件的引入，加上廣告在線分配的特點，使得廣告的結(jié)題變得更加復(fù)雜，不僅需要考慮收益，需要考慮流量之間的調(diào)度（預(yù)算的分配-pacing勻速策略分配、集中消耗拿量分配，后續(xù)會在智能出價模塊詳細(xì)介紹），根據(jù)歷史數(shù)據(jù)對每天剩余的流量來進(jìn)行預(yù)算分配和預(yù)估等。

2）來自于廣告投放用戶體驗的約束

前面提到了，廣告問題不是簡單的廣告平臺（投放平臺DSP+流量場域SSP）、廣告主兩方，只需要兼顧收益即可，也含有C端用戶第三方的體驗性質(zhì)（ 與自然搜推一致），包括負(fù)反饋過濾、相似類目過濾、已購買過濾等等，不兼顧用戶體驗而一味追求收益最終也只會使得用戶流失，因此需要同時兼顧收益與體驗，做到平衡（商業(yè)化產(chǎn)品“道”層面的內(nèi)核）。

一般兼顧體驗收入平衡有兩種方式，一種是在排序公式eCPM中增加質(zhì)量分Q，另一種是直接增加價格擠壓系數(shù)K。

Q的質(zhì)量分一般通過廣告投放主體item的質(zhì)量得出，如果電商商品item廣告就會考慮商品評價、店鋪整體評價、物流履約率、店鋪GMV等等。

k表示擠壓系數(shù)，當(dāng)k→0 ，只考廣告主出價bid因素，展現(xiàn)最高出價的廣告不考慮任何匹配相關(guān)性；當(dāng)k→∞，不考慮廣告主出價bid，只考慮點擊率相關(guān)性來分配廣告，所以可以當(dāng)出現(xiàn)很多質(zhì)量不高的廣告的時候，這些廣告主希望通過抬高出價獲取曝光，可以通過提高擠壓系數(shù)來壓低廣告出價對于整體質(zhì)量差帶來的影響。

二、預(yù)估CTR/CVR問題

這一塊是廣告和自然搜推關(guān)聯(lián)相似度最大的地方，整體來說比較類似，在本文就不詳細(xì)展開，后面會專門展開講講自然推薦如何排序與召回，再在對應(yīng)文章進(jìn)行詳細(xì)講解，基本上圍繞預(yù)估三要素的問題：

1）排序的樣本構(gòu)建

CTR預(yù)估即為展現(xiàn)后點擊與未點擊的正負(fù)樣本，CVR預(yù)估則為點擊后轉(zhuǎn)化與未轉(zhuǎn)化的樣本。

2）排序特征工程的構(gòu)建

用戶相關(guān)的行為日志信息、用戶畫像，廣告特征-投放主體item特征（商品的類目、商品評價、商品的發(fā)貨地等等）、廣告ad的特征（文案、圖片廣告素材信息、廣告附近內(nèi)容上下文c信息，對于搜索廣告還有query信息等）。

3）排效果的評估

本質(zhì)上和推薦排序評估一樣，通過混淆矩陣&AUC曲線關(guān)注模型預(yù)估點擊率準(zhǔn)確性、精準(zhǔn)性等效果，觀察預(yù)估點擊率和真實點擊率的分布是否一直。

模型框架同樣是用LR邏輯回歸中PointWise、PairWise、以及ListWise、因子分解機(jī)FM（從基于特征的PLOY2模型出發(fā)，解決計算向量問題，同時降低特征標(biāo)注的重復(fù)性）以及特征嵌入方法（GBDT+LR），將GBDT和LR模型前后融合通過對GBDT對原始特征進(jìn)行更高階組合。

三、廣告定價問題解析

廣告出價定價是搜推廣告相較于自然搜推差異性最大的環(huán)節(jié)，核心是通過廣告主在投放平臺上設(shè)置的計劃出價Bid因素來干預(yù)廣告ad的排序情況；廣告主一般會通過投放的ROI來決定對廣告預(yù)算&出價的追加，通過提高ROI來整體降低投放成本，而廣告平臺則是希望能夠提高客戶的預(yù)算和單價。

所以作為廣告平臺最佳的方法就是設(shè)計一個機(jī)制，能夠讓廣告主在投放競爭中達(dá)到效果的平衡，最終實現(xiàn)平臺收益最大化。

所以，為了解決這個定價問題，廣告系統(tǒng)引入了拍賣機(jī)制（最早是Google首席經(jīng)濟(jì)學(xué)家范里安引入的關(guān)鍵詞競價機(jī)制），把整體效果廣告市場的定價/競價權(quán)利交給到市場。

廣告主可以把每一次對C端用戶展現(xiàn)廣告的機(jī)會看做拍賣的商品，可以讓每個廣告主根據(jù)投放廣告的整體ROI以及投放主體（商品、游戲等）的估值來出價。

最終驗證出來第二價格密封拍賣（Second Price Auction，又叫做Vickrey拍賣），對于同時拍賣多個廣告位置，如搜索結(jié)果廣告，每個位置的獲勝者，按照下一個位置的獲勝者報價進(jìn)行廣告計費，也就是廣義二價拍賣（GSP），某些公司也會對計費廣告0.01元或者0.1元，只不過是平臺提升收入的方式與玩法（積少成多），整體不影響廣義二價計費的思路。

相比較第一價格密封拍賣機(jī)制（出價即扣費），第二價格密封拍賣會更加鼓勵廣告主提交對自己商品的真實估值，讓一個廣告系統(tǒng)更加穩(wěn)定，避免在第一價格密封拍賣機(jī)制下廣告主勝出就調(diào)低出價，失敗就調(diào)高出價的反復(fù)性給廣告平臺帶來的不穩(wěn)定問題。

還有一種叫VCG拍賣機(jī)制，整體思路是假如一個廣告主a如果獲勝第一名，導(dǎo)致某些廣告主不能占有該廣告位置，那么獲勝的廣告主支付的價格為其他廣告主不能獲勝的損失，VCG整體上不是來自于自己的出價，而是參考了其他多個廣告主的出價，這種拍賣機(jī)制確實是一種容易達(dá)到最大效用的方式，但是GSP的可解釋性和理解成本更低，目前還是互聯(lián)網(wǎng)公司中使用的主流。

在正常投放中，純CPC/CPM的出價方式需要廣告投手/優(yōu)化師進(jìn)行不斷的調(diào)整投放人群/投放時間段/投放廣告位以達(dá)到廣告投放可以轉(zhuǎn)化的目的，但是人畢竟不是萬能的，每一次針對每個用戶拍賣進(jìn)行出價、溢價等內(nèi)容的及時調(diào)整，這對于廣告投放者有較高的經(jīng)驗和時間精力要求。

因此廣告平臺的最新優(yōu)勢就是提供oCPX（oCPM/oCPC）、tCPA(Google叫法)等智能出價投放方式，核心思路是借助機(jī)器學(xué)習(xí)的能力來實現(xiàn)計劃整體的轉(zhuǎn)化CVR投放效果。

客戶表達(dá)一個行為CPA成本出價（下單/成交），計費仍然使用CPC計費（邏輯有點繞，后續(xù)單獨開一篇文章介紹廣告系統(tǒng)出價方式和發(fā)展史），系統(tǒng)幫助優(yōu)化達(dá)成客戶表達(dá)的行為成本，由平臺來代替廣告主在展現(xiàn)和點擊上出價的行為，保證轉(zhuǎn)化成本能夠控制在客戶出價范圍之內(nèi)一般是±20%以內(nèi)算達(dá)標(biāo)，策略的簡單設(shè)計就是，通過檢測當(dāng)前實際轉(zhuǎn)化成本和廣告主出價目標(biāo)成本表達(dá)之間的差異來調(diào)整出價。

CPA_real 表示客戶計劃投放下計劃實際的轉(zhuǎn)化成本，CPA_object表示客戶在投放平臺上設(shè)置的期望目標(biāo)出價的成本，平臺通過機(jī)器學(xué)習(xí)的方式接管了所有的人群、時段以及資源為出價匹配策略，根據(jù)每個pv的轉(zhuǎn)化概率pCVR給出不同的出價水平pCVR?CPA=CPC。

但是，oCPX的出價策略對于對于點擊后是否轉(zhuǎn)化的樣本較為依賴，樣本的豐富性也決定了pCVR預(yù)估的準(zhǔn)確性，所以會拆分成兩階段出價的方式，第一階段仍然由廣告主表達(dá)CPC/CPM出價方式，等到一定時間戳范圍內(nèi)積累一定樣本數(shù)（例如，新計劃7天下單30單等），進(jìn)入第二階段進(jìn)行oCPX出價，通過預(yù)估轉(zhuǎn)化率CVR來自動出價。

因為oCPX對于預(yù)估模型的要求比較高，一般平臺也在前期上線賠付機(jī)制，對于滿足一定門檻數(shù)據(jù)&并且客戶未進(jìn)行計劃設(shè)置修改，完全是由于系統(tǒng)預(yù)估穩(wěn)定性導(dǎo)致成本超出客戶表達(dá)120%，會對超出的部分進(jìn)行賠付，這也是平臺自證清白提高廣告主使用智能化能力提升信任度的方式，讓平臺有更多的空間可以進(jìn)行出價的調(diào)節(jié)，提升平臺流量的利用率和廣告消耗水平。

整體來說以上就是的對廣告策略基礎(chǔ)業(yè)務(wù)策略目標(biāo)構(gòu)建與介紹，核心是幫助對廣告策略產(chǎn)品經(jīng)理入門了解eCPM排序公式構(gòu)建的思路以及算法鏈路當(dāng)中需要解決的核心問題，普及廣告的業(yè)務(wù)知識網(wǎng)上資料眾多，但是對于廣告策略構(gòu)建干貨的內(nèi)容偏少，因此想單開系列進(jìn)行分享。