广告中oCPX到底是如何进行优化的
自從Facebook引入oCPM出價以來，國內的頭條廣告、微信廣點通、百度信息流都陸續(xù)推出了自己的oCPX出價，oCPX出價已經(jīng)成為主流廣告投放平臺的標配。
簡單而言，oCPX是一種出價機制，允許廣告主按照轉化行為成本出價；假設對于游戲類的廣告主，希望優(yōu)化App的激活，那么廣告主在投放系統(tǒng)中設置了激活成本之后，算法就會根據(jù)以往轉化數(shù)據(jù)和廣告主的出價，自動篩選有價值的人群，針對高激活概率的人提高出價贏得廣告曝光，對低激活概率的人群降低出價減少廣告曝光以減少廣告浪費。
常見的廣告出價方式還有CPM、CPC。
- CPM：Cost Per Mille，每千次曝光成本，即按照曝光次數(shù)出價，如微信朋友圈視頻形式廣告在上海就按照￥180一千次曝光扣費，不管你是否點擊了廣告。這在短期內顯然是最有利于媒體的，因為它不用care本次曝光是否有效；但是為什么說是短期？很簡單，廣告主又不是傻子，若發(fā)現(xiàn)廣告后續(xù)轉化一直很差，勢必會減少在該媒體的投放。
- CPC：Cost Per Click，按照點擊出價，如果廣告只有曝光沒有點擊，就不扣費；看似比較公平，但是廣告主需要大量的測試，才能找到最優(yōu)的投放方法，其實還是有一部分點擊是浪費的，這對于媒體也是損失。
于是oCPX模式就應運而生，它能幫助廣告主優(yōu)化更深層次的轉化行為，同時提升有效點擊，提高媒體受益。
這段時間在網(wǎng)上找到一篇淘寶的關于oCPC論文，邏輯很清晰，在這里簡單轉述一下。
文章細節(jié)很多，沒興趣看的同學只要關注以下幾點：
先定義：
為了簡化說明，做兩個假設：
要維持或者提升ROI，那么只需要保證 b1/b0 ≤ p/h。
b1代表算法優(yōu)化后的出價；舉個例子，假設本次曝光，預計能帶來1.5倍的轉化價值，那么只要優(yōu)化后的出價/廣告主出價小于等于1.5倍，那么整體的ROI是不會下降的；反之，若預估轉化價值低于歷史均值，那么降低出價；由于b0、p和h都已知，那么只需計算b1，滿足該約束即可。
真實廣告投放環(huán)境中，為了兼顧品牌安全和賬戶穩(wěn)定，將b1/b0的范圍控制在[1-α, 1+α]范圍之內，淘寶論文中將α值設置為0.4，即廣告最高出價不會超過廣告主設定的140%，下限也不會低于廣告主設定的60%。
- 若p/h≥1，那么系統(tǒng)優(yōu)化后出價b1的下限l(b)=b0，出價上限u(b)=b0*min（1+α, p/h)）（因為有ROI約束在，不能突破p/h的約束）；
- 若p/h<1，那么系統(tǒng)優(yōu)化后出價b1的下限是l(b)=b0*（1-α），上限是u(b)=b0。
通過以上約束，也就能實現(xiàn)我們經(jīng)常說的：對于轉化概率高的流量（p/h＞1，即本次廣告轉化率比歷史平均轉化率要高）提高出價，獲得更高展現(xiàn)概率；反之，對于轉化概率低的流量（p/h<1）降低出價，減少展現(xiàn)機會。
那么問題來了，若多個廣告競爭，到底誰贏得此次出價？
廣告排序我們都知道采用了eCPM排序，eCPM=b0*pCTR，eCPM高者贏得廣告展現(xiàn)機會。那么在ROI約束下的，eCPM能夠取到的最大值即上限u(eCPM)=pCTR*u(b)，eCPM能夠取到的最小值即下限l(eCPM)=pCTR*l(b)；
淘寶給定的排序機制是：按照eCPM排序，同時保證各方利益總和最大。
各方利益總和的計算，淘寶給出了兩個公式：
f(1) = pCTR1 * pCVR1*V
f(2) = pCTR2 * pCVR2*V+β*CTR2*b0
f(1)計算的是廣告帶來的所有GMV；f(2)計算的是廣告帶來的GMV和平臺的廣告收益。需要指出的是，f可以擴展，因此可以優(yōu)化任何目標；這里認為f是單調遞增函數(shù)，隨著系統(tǒng)調整后的出價b1提高，收益也提高。f(1)雖然沒有將b1作為參數(shù)，但是假設b1的增加，能拿到更好的資源位從而帶來更高的CTR、更加優(yōu)質的流量。
廣告排序過程如下（稍微有點繁瑣，請記住每個字母代表啥意思）：
① 對候選廣告池子A中每一個廣告計算f(u(eCPM))，按倒序排序；即按照最高出價來計算f，由于假設f是b1的遞增函數(shù)，那么按照b1的上限值來計算，理論上是能保證f最大，即保證各方收益總和最大；
② 計算所有備選廣告中，所有eCPM下限的最大值t=l(eCPM)；
③ 按順序，找到第一個滿足u(eCPM)≥t的廣告k，k廣告贏得此次競價，并將該廣告移出A池子；即，只要某條廣告最高出價下的eCPM大于其他廣告的最低出價下的eCPM，就能贏得此次廣告曝光。這是為了保證媒體收益，如果只按照f排序而不考慮eCPM，那么可能對于媒體而言是一個虧本的買賣；
④ 比較剩下所有廣告的最大出價下的eCPM即u(eCPM)與上一個贏得廣告k的u(eCPM)，取兩者當中最小值，這樣就能保證已經(jīng)贏得展現(xiàn)機會的廣告k的eCPM，在所有候選廣告中是最大的；若廣告i的eCPM上限u(eCPM)被調整，也就意味著廣告i的eCPM上限u(eCPM)大于廣告k的u(eCPM)，將其調整為廣告k的u(eCPM)。
此時，那么廣告i的出價同樣需要被調整，看淘寶的代碼更直觀一點：
- 第一步：u(i-eCPM)=min(u(i-eCPM),u(k-eCPM))；
- 第二步：u(b)=min(u(b),u(i-eCPM)/pCTR)；
第一步首先比較廣告i的上限eCPM與已經(jīng)贏得展現(xiàn)機會的廣告K的上限eCPM，取兩者 當中最小值，這就能保證已經(jīng)贏得曝光的廣告k的eCPM是最大的。
第二步，更新廣告i的出價上限；如果u(i-eCPM)在第一步被更新了，那么廣告i的出價 在第二步也會被更新；需要注意的是，由于出價上限改變了，那么廣告i的f(u(eCPM)) 同樣會被更新（由于f()是一個單調遞增函數(shù)，f()會減小）；
至于這里為什么要調整剩余候選廣告上限eCPM，使其不高于勝選廣告的上限？我的理解是（不一定準確）：首先是兼容eCPM排序機制，也就是保證了媒體收益最大化；其次，兼顧f(u())排序是為了保證平臺、廣告主和消費者的利益。
重復以上4個步驟，直至廣告數(shù)量填充滿所有廣告位，或者所有沒有廣告贏得該次展現(xiàn)，此時結束循環(huán)，并將所有廣告出價b1設置為u(eCPM)/pCTR，也就是所有廣告按照上限出價。
投放啟示：
① 單純從邏輯上看，真實出價是對廣告主最優(yōu)的策略。若廣告主最初出價b0小于其真實成本，那么拿不到預期的流量，這對廣告主不利；若最初出價b0高于其真實成本，這對拿量有好處，但是會導致模型會不斷往該出價水平去靠近（p(c|u,a)/h(c|u,a)不斷趨近于1），后期要控成本時勢必需要重新積累數(shù)據(jù)重新學習；
② 開啟oCPC之前，需要穩(wěn)定的投放。換句話說，用戶轉化路徑是走得通且成本達到預期的。比如目前雖然激活成本達標，但是后續(xù)的轉化（注冊、購買、申請貸款等等）都還不達標，即使開啟oCPC去優(yōu)化激活意義也不大，因為這樣帶來的激活用戶后續(xù)轉化率也不會存在很大變化。
這是淘寶oCPC的思路細節(jié)，我們跳出這些細節(jié)，看看一條廣告從請求到展現(xiàn)涉及到的全過程：
?
?
為了保證不丟失細節(jié)，我直接把論文描述貼過來：Front Server接收到頁面曝光請求之后，將該用戶信息傳給Merger Server，Matching Server分析得到該用戶的特征（一連串的標簽），這些標簽被傳入Search Node Server檢索符合條件的候選廣告，此時候選廣告數(shù)量降低為400條左右。
Real-time Prediction Server預估得出pCTR和pCVR。Stragedy Layer包含oCPC的邏輯和GSP機制。經(jīng)過該邏輯層，贏得展現(xiàn)的廣告被Data Node Server和Smart Creative Service優(yōu)化，最后Front Server返回廣告元素并展現(xiàn)。
?
淘寶論文直達，點擊
總結
以上是生活随笔為你收集整理的广告中oCPX到底是如何进行优化的的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 用一张白纸推导出 RAFT 算法
- 下一篇： 为什么国内SaaS很难爆发