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。
推荐阅读
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)
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
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🙏