计算广告OCPC实践(三) ocpx效果到底怎么样？从ocpc与ocpm的区别说起

作者：赵子游，高级广告算法工程师，微信DDLDLD，欢迎联系交流

原本想这个系列的顺序随意些的，后来想想这样可能不太连贯，让大家看的一头雾水。决定还是先补两篇结构性的文章，以此来告诉大家系统大概的演进顺序。这是第一篇，从ocpc与ocpm的成本控制区别讲起。

从效果广告的演进史来看，媒体端的目标是变现效率的不断提高，流量越卖越精准细分。而广告主的最终诉求是roi，他们希望控制的是转化的成本。

由广告系统的竞价公式

其中bid_cpc是点击出价，bid_cpa是广告主的转化出价，pctr是预估点击率，pcvr是预估转化率，cpm是曝光出价。

一开始广告按cpm排序也按cpm计费，平台端完全无法控制广告主成本。后来竞价点和计费点分离，启用了cpm排序cpc计费的机制，让渡了一部分利益利益给广告主，平台承担pctr估不准流量价值损失的风险。再之后其实也可以做cpa计费，但是这样平台要同时承担pctr和pcvr预估不准的风险，还要平台承担广告主作弊的风控，平台不肯。

于是博弈之下，出了o系列的产物。竞价点，计费点，出价点都可以不同。按cpa来做出价的控制策略，但是按cpc或者cpm来计费，竞价点一般都是cpm不变。那么同样是o系列，ocpc和ocpm的本质区别在哪呢？

我们先来看看ocpc的成本控制公式

其中consume是消耗，convert是转化数。由于是cpc计费，所以对式子右边上下同除以点击数click来得到含有计费点cpc的式子。

然后再对应到每次实时竞价的公式，有

其中K是智能出价系数，跟过去的转化成本情况有关，而cpc是计费点。

好了，这样看就很明显了，最终的真实转化成本与预估转化率pcvr，真实转化率cvr，广告主给定成本cpa_given，过去的成本等因素有关。

这些因素中，平台方主要能优化的点呢，就是pcvr，也就是说在ocpc的模式下，只要平台方的pcvr估的准，和真实的cvr接近，那么成本就很大程度上是可控的。若pcvr预估不准，短期内这个风险由广告主来承担。

此时pctr只出现在竞价公式中，也就是说ctr预估准不准只影响获量，不影响广告主成本，这对广告主来说是个利好。

同理，写出ocpm的计费点公式

然后再对应到每次实时竞价的成本公式，有

其中ctcvr是曝光转化率，cpm是计费点。

可以看到，对比ocpc来看，ocpm的成本公式中多出了一个优化点pctr。也就是说，当平台方的pctr和pcvr的预估都准确的时候，成本控制的效果才会好。反之，任何一个优化点预估不准，由于计费点是cpm的原因，曝光就计费，所以短期的成本风险都由广告主承担。长期来看成本稳定后两种方式都差不多。

ocpm的模式呢，由于计费点前置，短期平台方的风险更小。但是对平台方的模型预估能力也提出了更高的要求，否则长期来看损人不利己。

从成本公式中也可以看出，在其他条件都不变的情况下，因为多了一个pctr的优化点，所以ocpm的成本控制效果不可能好过ocpc（当pctr预估准确率达到100%的时候，两者成本控制效果相同）。

从竞价公式来说，都是cpm排序，其他情况不变，ocpm和ocpc拿到的量也不会有多大差别。

综合起来就是，在其他条件不变的情况下，ocpm在成本控制和转化量上都不会优于ocpc。

所以，如果某平台对外宣称ocpm的效果比ocpc好，那必然是……

别误会，我不是说他们在骗人，而是说呢，我的结论有个前提——其他条件不变。

那事实上其他条件也是可以变的，你看到了，其中有好几个优化点呢。在某些条件下，ocpm也是可以在成本控制和转化量上都好过ocpc的。而且这个公式，其实做了一些简化，实际情况比这个公式能表现的内容要更复杂，所以最终也很难说ocpm和ocpc的效果到底谁更好，要看具体的场景。

比如说，公式中没体现点击延迟这些情况。若是在特定场景中，点击有随机延迟几到几十分钟，那ocpc的智能调价系数K就难算准。而ocpm就不会遇到这种问题，因为曝光即计费，没有延迟，在成本偏差上可以更快的响应。再比如说，每个激活都必须归因到点击吗？也不一定的。在ocpm中，pctr不是个必须计算的项，可以选择直接预估曝光激活率pctcvr等等。

最后总结一下，本文从成本控制效果的角度详细对比了ocpc与ocpm的区别，解释了两者在成本控制效果上的异同。回到最初的问题，ocpm是个噱头吗？答案：不是。单说成本控制的角度，ocpm做得好的话，成本控制效果也是可以优于ocpc的。

这篇文章基本介绍到这，从上面的几条公式中能看出ocpx的算法优化点，ctr和cvr预估模型优化，ctr、cvr校准，智能出价系数优化等等。

下一篇文章，《如何从0开始建立ocpc业务》，我会阐述工程上如何分步建立起ocpc业务，同时继续讲讲ocpc中的优化点。

精彩预告:

• 如何从0开始建立ocpc业务

• ocpc一阶段机制

• ocpc行业模型详解

• 延迟模型在ocpc中的应用

• ctr校准与cvr校准

• ocpc自动扩量技术

• ocpc中的深度转化模式

• ocpc智能出价离线仿真模块

• 评价ocpc效果的指标

• ocpc中的赔付机制

• ocpc中的流量控制

……

---

由于微信平台算法改版，公号内容将不再以时间排序展示，如果大家想第一时间看到我们的推送，强烈建议星标我们和给我们多点点【在看】。星标具体步骤为：

（1）点击页面最上方"AINLP"，进入公众号主页。

（2）点击右上角的小点点，在弹出页面点击“设为星标”，就可以啦。

感谢支持，比心。

欢迎加入广告系统交流群

进群请添加AINLP小助手微信 AINLPer（id: ainlper)，备注计算广告

推荐阅读

这个NLP工具，玩得根本停不下来

征稿启示| 200元稿费+5000DBC（价值20个小时GPU算力）

完结撒花！李宏毅老师深度学习与人类语言处理课程视频及课件（附下载）

从数据到模型，你可能需要1篇详实的pytorch踩坑指南

如何让Bert在finetune小数据集时更“稳”一点

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

文本自动摘要任务的“不完全”心得总结番外篇——submodular函数优化

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

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。

阅读至此了，分享、点赞、在看三选一吧🙏