聊聊RTA（Realtime API）

2020 年 6 月 5 日 AINLP

RTA是最近2-3年才兴起的一个产品投放模式，很多即便在广告领域工作多年的老司机也不一定了解（甚至听过）这个概念。

笔者最近看了一篇RTA的介绍文章(小聊RTA)，通篇读完后仍然觉得是没有get到RTA关键点，总之就是读起来啰嗦、不过瘾。所以笔者从个人理解的角度重新做了个总结。欢迎大家交流与讨论。

RTA是什么

RTA（Realtime API）产品是直投与ADX（Ad Exchange）相结合的一种投放模式，即，每次请求时，广告平台都通过API询问广告主是否参竞，然后结合广告主返回的决策进行下一步广告的优选投放，最终提升广告主的广告投放效果。如下图。

备注：

（1）直投模式：简单理解就是广告主直接去媒体广告系统投放广告的模式，依赖于媒体数据和算法能力。

（2）ADX模式：媒体提供流量，广告主利用自有数据及投放模型完成投放，广告无法利用媒体侧投放模型。

RTA解决的问题

（1）精准人群定向：广告主基于自有数据（或模型）判定每次请求的用户价值，返回广告平台“是否参与本次竞价”的决策。

（2）流量实时筛选：平台实时询问广告主是否参竞，并结合广告主的实时回复进行最终流量优选；

有同学可能疑问，如果广告主把圈定的人群通过广告平台的DMP人群定向进行人群定向投放，是不是也可以达到同样的目的？

答案是肯定的。但很多时候，数据是一个公司的核心资产，广告主并不愿意过多泄漏数据。另外，如果广告主想把最近收集到的数据应用到广告投放中，就需要频频更新现在广告的DMP定向人群，操作成本也非常高。

因此，RTA就是体现出了它的优势：（1）无需给平台回传数据；（2）也无需频繁人工调整DMP定向人群。

备注：平台侧也会有缓存服务，所以也可以收集到广告主信息，所以仍然存在数据泄漏风险。

RTA产品流程

（1）广告主创建RTA广告，并将广告物料信息同步至平台侧；

（2）平台向广告主发送请求，询问是否参竞。平台出于性能和数据更新频率角度考虑，基本上都会缓存广告主返回的决策信息，保留一定时间窗口（例如，1小时）。

（3）广告主针对平台发出的每次请求判断是否参与竞价，并返回决策信息。平台侧一般预留响应时间为50ms-100ms。

（4）广告主决策不参与本次竞价时，广告平台则将广告主广告进行过滤。否则，将广告继续后续的粗排/精排等流程。

备注：笔者了解到，RTA基本是对广告主下所有参竞广告同时进行过滤or保留，不支持对广告主下广告粒度进行询问和过滤。

与RTB（Realtime Bidding）差异

借用“申探社”的两个图来解释RTA与RTB的区别：

（1）RTA广告，上面已经介绍，播放和排序策略主要在平台侧（或媒体侧），广告主侧只有决策权（参竞与否）。

（2）RTB，广告主通过DSP系统投放去ADX平台实时CPM报价采买流量，平台侧（或媒体侧）只按照出价进行排序和曝光。即，播放、排序和出价策略主要在DSP侧（或广告主自有平台），平台侧只能决定是否曝光。

RTA应用场景

对广告主的能力要求：

（1）广告主侧，需具备丰富的一方数据，且投放目标人群频繁变动。且关注数据安全，不愿意回传过多数据。

（2）广告主侧，具备一定技术能力（包括开发和建模），例如，完成RTA接口开发，数据收集（甚至建模能力）。

常见应用场景：RTA适用于用户拉新、高端商品广告投放等特别注重目标人群圈选的场景。

RTA未来发展

（1）目前，业界RTA主要是广告主决策是否参与竞价，实际上，还可以允许广告主引入自身算法能力，实现“对不同价值的用户实时出价”能力，即对每次请求返回cpc/cpa出价等，进一步提高买量效率。

（2）目前，RTA还主要作用于广告主粒度，即在本次请求中广告主下所有参竞广告批量过滤or保留，还不支持对广告粒度进行决策。这块预计也是一块优化空间。

RTA业界状态

头条、腾讯、快手等公司的广告投放平台，均已支持RTA，国外公司还很少听说。

References

1.RTA 广告产品能力详解：https://zhuanlan.zhihu.com/p/125464058?from_voters_page=true

2.小聊RTA：https://mp.weixin.qq.com/s/Zn6EauV8Zsh2W17urlgJyQ

3.申探社：深入互联网广告中的出价模式（下）— 联盟，RTB和RTA：https://mp.weixin.qq.com/s/9DgiIMNv8RhXQ9OndKTvpw

推荐阅读

AINLP年度阅读收藏清单

Node2Vec 论文+代码笔记

模型压缩实践收尾篇——模型蒸馏以及其他一些技巧实践小结

中文命名实体识别工具（NER）哪家强？

学自然语言处理，其实更应该学好英语

斯坦福大学NLP组Python深度学习自然语言处理工具Stanza试用

太赞了！Springer面向公众开放电子书籍，附65本数学、编程、机器学习、深度学习、数据挖掘、数据科学等书籍链接及打包下载

数学之美中盛赞的 Michael Collins 教授，他的NLP课程要不要收藏？

自动作诗机&藏头诗生成器：五言、七言、绝句、律诗全了

模型压缩实践系列之——bert-of-theseus，一个非常亲民的bert压缩方法

这门斯坦福大学自然语言处理经典入门课，我放到B站了

征稿启示 | 稿费+GPU算力+星球嘉宾一个都不少

关于AINLP

AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLPer(id：ainlper)，备注工作/研究方向+加群目的。