商业化广告策略随笔

文章作者：莫菲克

编辑整理：Hoh

内容来源：莫菲克@知乎

出品平台：DataFun

注：转载请联系原文作者授权。

导读：随着互联网的高速发展，在线广告的市场规模水涨船高，成为互联网主流的变现模式之一，也催生了一批广告巨头，如国外的Google、Facebook，国内的字节跳动、阿里、百度、腾讯，广告在整个营收中占据着重要的位置。本文将从广告动态化、目标转化出价、数据管理平台 ( DMP )、广告的拍卖内核、机制设计、最优机制等方面进行介绍。

▌广告动态化

人有千差万别，不同的人基础属性不同：性别、年龄、收入/消费水平、教育程度，场景状态不同：地理位置 ( 城市级别、所在省市 )、上下文环境 ( 所属频道、页面内容 )、终端状态 ( 网络环境、终端类型、操作系统、运营商 )，历史行为不同：针对不同类型内容有不同操作 ( 阅读、点击、收藏、关注、下载、购买、活跃和留存 )，兴趣爱好不同。我们知道，广告是要把合适的内容在合适的时间以合适的方式呈现给合适的人，对于不同类型的用户静态展示单一创意和商品，千篇一律，转化效果不理想可想而知，对此提出广告动态化，具体而言是程序化创意和动态商品广告 ( DPA )，下面我们分别介绍：

• 程序化创意/动态创意：不同用户看到不同的创意素材，同一用户在不同阶段 ( 首次/非首次看到广告，未转化用户/已转化用户 ) 展示不同的创意，以更符合当时用户的场景。

• 创意制作：区别于过去从内容到形式直接制作整个创意，而是将内容、标题 ( m ) 与形式 ( n ) 分开设置 ( 解耦 )，由系统进行自由组合 ( m*n )，扩大创意数量和可能性，随机展示 ( DPA可以调用商品库素材，不满意手动编辑替换 )。

• 曝光策略：根据各个创意的转化数据 ( 点击率、转化率 ) 动态调整曝光策略：增加高转化素材的曝光次数，减少低转化素材的曝光，从而提升整体创意的转化效果。

• DPA：动态商品广告-对接商品库，根据访客的不同动态展示不同商品。

• 适用范围：多品类商品/服务 ( 千人千面，个性化推荐 )。

• 商品库对接 ( 方式 )：商品库对接方式有两种，一种是手动上传商品数据包，适用商品数量较少，变化频次低；一种是API接口，适用商品数量较多，变化频次高。

• 曝光原理：访问媒体 ( 网站/APP ) 的人群有个性标签，商品库的商品有个性标签，针对标签做匹配，不同用户展示对应的商品广告，包括创意-落地页-转化。

• 目的/效果：将合适的内容展现给合适的人，提高广告的匹配度和转化效果。

需要注意的点：

• 标签映射：媒体端用户的标签体系和商品端的标签体系做映射，二者的标签要对的上，商品广告才能做适配；

• 数据闭环：广告主需要回传用户的后续转化数据，从创意曝光到点击、到达及最终转化完成订单需要建立数据模型，以动态调整策略提高转化；

• 商品种类：广告主的商品/服务的种类有足够多，才可以针对不同用户做对应展示；如果品类少，效果相对差一些，则主要通过程序化创意适配用户。

• 标签调整：初始的标签可能并不精准，商品的标签会随着转化数据的变化而动态调整。

• 用户标识：不同来源/终端类型的用户需要做识别并唯一标识，PC端主要做Cookie Mapping，移动端主要用设备号，安卓 ( IMEI ) -iOS ( IDFA )。

▌目标转化出价

广告有多种计费方式：CPM ( 展现 )、CPC ( 点击 )、CPA ( 行为 )、CPS ( 分成 )、CPD ( 时间 )，其中最常见的是CPM ( 多用于品牌类广告 ) 和CPC ( 多用于效果类广告 )，媒体分别在展现和点击完成后收取广告费用，后续转化如何基本不再考虑范围内，基于此广告投放也形成一个现象：在创意的曝光和点击阶段表现都不错，但在后续的效果上表现很差，转化率低，这对于效果类广告主来讲很无奈，因为转化才是主要目的，所以他们希望链条向后延伸，能保证转化效果，在这种需求的驱动下发展出了目标转化出价 ( OCPM/C )。下面我们展开聊一聊。

OCPM/OCPC：目标转化出价，广告主设定特定的转化目标及预估的价格，DSP系统按照转化数据模型优化。

广告主目标：在成本可控的情况下 ( 按转化目标出价，计费折算为CPM/C )，实现更好的转化效果。

转化的主要类别：APP下载类/H5销售线索类。

• APP下载类的主要转化目标：安装-激活-注册-付费-活跃-留存；

• H5销售线索类转化目标：表单提交-预约-在线咨询-电话沟通-注册-购买。

上述的各个目标，随着路径不断延伸，用户数量会持续减少，越到后面有效用户的价格越高，建议目标从前向后设置。

前提条件：广告主需要回传转化数据，平台可以追踪用户从创意曝光、点击到落地页再到最终转化的路径数据并形成闭环，用于建立数据模型。

操作方法：

• 平台建站：广告主用平台提供的工具建站，则不需要单独部署代码，平台的数据已经打通，实现回传；

• 广告主自有站点：在站点部署平台的监测代码 ( 网页类JS/API，移动端SDK/API )。

整体业务流程的逻辑：广告主部署监测代码-回传转化数据-平台数据建模-广告主确定优化目标及价格-平台拟合预测数据-动态优化调整。在整个过程中，有几个方面比较重要：

数据建模：平台根据回传的用户数据，建在各步骤的转化模型，这个模型建立需要实际数据做支撑，而且前期的波动可能会比较大，在投放策略不变的情况下，投放数据累计越多，模型越成熟，预测越准确。

优化目标：转化目标 ( H5/APP类 ) +出价 ( 系统建议出价 )，一般情况下，DSP平台会对接各类广告主，对各行业有数据积累，根据广告主的投放要求结合平台的流量情况，会给出建议出价，建议出价在阈值内，太低没有竞争力，曝光会受影响，太高成本会增加。

拟合预测：预估覆盖人群+智能出价，根据广告主的定向条件和出价平台会预估覆盖人群数、曝光数、点击数和转化数。出价方面在投放中采用两阶段出价：

• 第一阶段，机器学习阶段，广告主按照平均转化价格出价 ( 历史转化价格 )；

• 第二阶段，拟合预测模型已建立，按照系统计算的转化价格计算 ( 广告主设置阈值，系统建议出价区间 )。

注意事项：建模期间，投放策略不建议较大变动，保持稳定性，广告一般依据ECPM排序 ( ECPM=1000*CTR*CVR*转化出价 )，修改策略需要重新学习，主要注意以下几个点：定向人群设置 ( 人群不同，标签不同，价格不同 )、出价 ( 直接影响竞价结果 )、预算保持充足 ( 预算不足平台防止超跑量，曝光会做限制 )、创意 ( 影响点击率 )、落地页内容 ( 影响后续转化 )。

▌数据管理平台 ( DMP )

随着广告行业的发展，相关技术也在持续进步，尤其以程序化广告普及以来，数据驱动的特性在广告投放中日益显著，之前我们说过，广告的实质是把合适的内容在合适的时间以合适的方式展现给合适的人，这里很关键的一点就是：如何确定广告投放的人群就是合适的人。为了有效解决这个问题发展出了DMP ( 数据管理平台 )，目的是通过标签画像细分人群以满足广告主的精准定向，实现广告的有效投放，下面我们展开说一说DMP。

用户：通过上面的介绍我们可以理解DMP的主要服务对象是广告主和代理商。

使用诉求：广告主通过DMP平台创建、分析和扩展等使用，得到精准投放人群。

分类：广告生态中 ( 尤其RTB ) 参与方众多，按照不同角色可以分为广告主自建，DSP平台搭建，独立第三方DMP，三者目标也稍有不同，广告主自建是为了完善自身广告投放闭环，其中的挑战是对技术和规模有一定要求，否则得不偿失；DSP平台搭建是为了方便广告主投放广告，提高效果精准度，积累平台数据，属于辅助性工具；独立第三方则是一门生意，通过合作分成或者售卖定向人群的方式来变现。

DMP核心功能：

创建细分人群，主要有以下几种方式：

• 利用DMP成熟的标签体系创建定向人群包；

• 广告主上传自有的用户群数据；

• 根据广告投放效果针对意向用户生成人群包。

分析用户画像：从性别、年龄、省份、城市级别、机型、兴趣等维度分析人群各成分结构占比及TGI ( 目标群体指数 )。

种子用户群体扩展 ( look-alike )：分析提取种子群体的特征行为，在平台范围内匹配相似扩展用户 ( 广告主选择扩展用户的数量 )。

再营销：提取已转化用户群进行针对性推广，其中在创意、落地页的展示内容上需要与新用户做区分。

人群运算：通过合并、排除、交叉对两个及以上群体运算，获得新的目标群体。

分析投放效果：并据此调整优化人群包。

下面我们简要看下创建、扩展、运算人群这几个核心操作的主流程：

• 创建流程：确定人群名称-确定分组-选择各类标签 ( 属性+兴趣行为 ) /上传人群包/广告投放用户。

• 扩展流程：确定扩展设备类型-确定流量平台-确定扩展数量-种子人群的处理-确定分组-确定名称。

• 运算流程：确定运算逻辑 ( 合、差、交 )-确定运算包-确定分组-确定名称。

通过上面的描述我们对DMP有了一个大概的认知，了解到它的重要性、用户需求和主要功能等，感兴趣的同学建议实战使用，强化认知和理解，DMP通过对用户的精准细分，为广告主后续实现千人千面、动态商品广告及频次控制等操作提供了夯实的基础，随着时间发展，广告数字化驱动的特征会变得更加重要和凸显，DMP在将来会更加耀眼。

▌广告的拍卖内核

随着互联网的高速发展，在线广告的市场规模水涨船高，成为互联网主流的变现模式之一，也催生了一批广告巨头，如国外的Google、Facebook，国内的字节跳动、阿里、百度、腾讯，广告在整个营收中占据着重要的位置。

在线广告的运作形式比较复杂，尤其是发展到实时竞价 ( RTB ) 阶段，不仅非常依赖互联网的技术和大数据，且涉及到广告主、代理商、DSP、ADX、SSP、DMP、媒体、用户等多个参与方，这是在线广告现代化的一面；但当我们抽取这些具体形式以后，会发现在线广告的内核可以追溯到历史悠久的一类行为--拍卖。说起拍卖大家脑海里会拍卖现场：主持人高喊100万一次、100万两次、100万三次、成交，这是一种公开拍卖的形式，拍卖有多重形式及机制，下面我们展开聊一聊。

从拍卖的物品上讲，拍卖的在远古时期就被用来售卖各种各样的物品：珠宝、名画、古董，在线广告售卖的东西在形式上相比各位前辈显得特殊一些：曝光，竞拍者 ( 这里可以具体为广告主 ) 参与拍卖的目的是为了获得曝光，将他们的产品展现在受众面前。

从形式上讲，常见的拍卖形式主要包括四类，英式拍卖是拍卖者报出一个较低价，至少有两名竞拍者参与竞价，报价一路上升，直到剩余一名竞拍者感兴趣；荷式拍卖恰好相反，是一个公开的降价拍卖过程，拍卖者报出一个很高的价格，报价一路下降，直到产生一名竞拍者感兴趣；还有两种常见的形式是第一价格密封拍卖、第二价格密封拍卖，就像名字中所表述的那样，竞拍者以密封形式提交报价，报价最高者赢得拍卖，区别之处在与第一价格密封拍卖的胜者支付自己的报价，第二价格密封拍的胜者支付第二高的报价。

通过上面的描述我们可以推导出拍卖的主要机制包含两个方面：分配规则和支付规则，分配规则决定拍卖品如何分配，支付规则决定竞拍者如何支付费用。关于分配可以是先到先得、随机抽取、价高者得，最后者得，全看拍卖者的心情，在拍卖理论中报价最高者得是一种标准拍卖；关于支付可以是支付最高报价 ( FP )、支付第二高价 ( SP )、支付由于自己参与给别人造成的损失 ( VCG )。

在线广告的发展历程中 ( 合约广告-竞价广告-实时竞价广告 )，规则也在不断发展，最初的合约广告是先到先得 ( 事先约定，排期投放，支付约定价格 )，到了竞价广告调整为价高者得，关于价高者的含义也经过一些发展变化，初始时按照展示出价，此时价高者就是出价最高者，后来Google将点击率引入竞价公式，发展出按ECPM竞价排名，此时价格者指ECPM最高 ( ECPM=1000*pCTR*bid )，其中bid是针对点击的出价，pCTR指广告的预估点击率；如果按照当前发展火热的OCPX模式 ( 按照目标转化出价 )，ECPM的计算要在pCTR基础上增加转化率的预测，对于大数据及算法的要求高一些；如果平台按照最优竞价的模式设计，参与ECPM计算的bid 则是在拟合广告主估价分布函数后的虚拟估价，计算将更为复杂，当然收益也更加可观；关于支付规则目前的主流形式是广义二价：按照第二高的ECPM反推出获胜者的支付费用，也有广义一价和VCG的形式，各有利弊，简单来讲，广义一价的在特定情况下收益高一些，但是波动大，二价相比一价更加稳定 ( 不完全信息的纳什均衡 )，VCG则属于激励兼容，鼓励讲真话，但计算成本更高。关于竞价的机制设计、动态底价、挤压因子在后面文章中我们会展开聊。

在线广告发展到实时竞价阶段，每一次曝光都是竞价的结果，即我们看到的每一次广告展示都经历了请求-询价-出价-竞价-胜出-下发的过程，每天广告的曝光以数十亿计，对于响应速度 ( 从请求到最终展示需要控制在几百毫秒之内 )，高并发的性能要求非常高，不仅如此，还需要利用大数据进行点击率、转化率的预测，同时实现计费、反作弊等，相比传统拍卖更加复杂，技术含量也更高。

在线广告撬动了上下游，形成了产业链条，涉及的资源以千百亿计，它秉承着拍卖的内核，在现代化技术的发展浪潮中不断进化，终于成长为拍卖界的一代宗师。

▌机制设计

在上一节，我们得出广告的内核是拍卖。拍卖作为一种售卖方式由来已久，有多种表现形式，真正影响拍卖结果的是拍卖所采用的机制：不仅可以左右最终商品 ( 曝光 )归属，还可以决定得到商品的买家付出多少成本 ( 计费价格 )，对于广告平台可以说至关重要，下面我们展开聊一聊。

拍卖是卖方将物品通过一种机制有偿分配给买方的活动，总的目标有两个：

• 卖家获得期望收益

• 对社会产生影响 ( 拍卖是否有效 )

当拍卖品无论如何都可以被分配给估值最高的买家时，我们说这种拍卖是有效的。在一次拍卖中，买家对拍卖品价值的估计称为估价 ( 用v表示 )，买家对拍卖品的出价称为报价 ( 用b表示 )。为方便分析我们作出以下假设：有一个不可分割的单品拍卖，潜在买家数量为N，买家i对物品的估价为v_i ( 假设买家知道拍卖品对自己的价值，不受其他买家影响，称为私有价值 )，报价为b_i，卖家不知道买家的真实估值，但知道买家估价的累计分布函数F_i(v),及连续密度函数f_i(v)，F_i相互独立，假设V的范围[0，w]，f_i≥0。

拍卖机制主要包含 ( Q，M )两部分，Q代表配置规则，决定了买家i获得物品的概率p_i(b)，M代表支付规则，决定了买方i的期望支付t_i(b)，则买家i的效用 ( 消费者剩余 ) u_i=v_ip_i(b)-t_i(b)，此时每一种机制定义了买卖方之间的一种不完全信息博弈 ( 不知道买方的真实估值只知道估值分布，知道自己的估值 )，如果对于买方i，在给定其他买方策略不变的情况下，自身收益达到最大，那么他没有动力去调整自己的报价 ( 风险中性 )，系统整体处于稳定状态，我们说此时构成该机制的一个纳什均衡。直接机制要求每个买方同时独立的直接报告自己的估价，如果每个买方真实报告自己的估价形成一个纳什均衡，那么我们称为真实均衡，根据显示性原理，任何一种机制的任何均衡结果都可以通过某个直接机制的真实均衡来复制，即二者之间是等价的，所以我们可以聚焦直接机制。

上面说在直接机制里每个买家真实的报告自己估价，如果形成纳什均衡，称为真实均衡，那么此时表明该机制是激励兼容的，即说真话对于买家来讲是一个弱占优策略，即对于买家i，估计为v_i，报价为x_i时，则买家i的效用 ( 消费者剩余 ) u_i(v)=v_ip_i(v)-t_i(v)≥v_ip_i(x)-t_i(x)，在我们前面连接 提到的单物品第二价格密封拍卖就满足激励兼容 ( 分配规则：报价高者得，支付规则：二价结算 )，我们可以通过简单的推理得到说真话 ( b_i=v_i ) 是弱占优策略。

推理如下：假设有N个买家，买家i的估价为v_i，报价为b_i，p_j=maxb_j≠i，如果b_i＞p_j，则买家获得物品，买家效用u_i=v_i-p_j；反之则不获得物品，此时买家效用u_i=0，分为两大类来分别分析：b_i＞v_i和v_i＞b_i；

① b_i＞v_i时

如果b_i＞v_i≥p_j，获得物品，此时买家i的效用=v_i-p_j≥0，与b_i=v_i时效用相同；如果b_i＞p_j＞v_i，获得物品，此时买家i的效用=v_i-p_j＜0，效用低于b_i=v_i时效用 ( 不获得物品效用为0 )；如果p_j＞b_i＞v_i，不获得物品，此时买家效用为0，效用与b_i=v_i时效用相同 ( 不获得物品效用为0 )。

② v_i＞b_i时

如果v_i＞b_i≥p_j，获得物品，此时买家i的效用=v_i-p_j≥0，与b_i=v_i时效用相同；如果v_i＞p_j＞b_i，不获得物品，此时买家i的效用为0，效用低于b_i=v_i时效用 ( 获得物品，买家i的效用=v_i-p_j＞0 )；如果p_j＞v_i＞b_i，不获得物品，此时买家效用为0，效用与b_i=v_i时效用相同 ( 不获得物品效用为0 )。

综上所述，说真话 ( b_i=v_i ) 是弱占优策略，推理完毕。

之所以研究激励兼容这个特性，是因为它能够引导广告主说真话，以自己对曝光的真实估计来参与竞价，只有广告主认为物有所值才会持续参与，对广告平台而言会形成一种健康的竞价环境，有利于长期发展，比如Facebook所采用的的VCG机制也满足激励兼容 ( 配置规则：报价高者得，支付规则:买家i支付的数额等于由于自身参与给其他买家带来的损失之和 )，但显然不是人人都这么想，下一节我们介绍如何选择机制才能使得卖家的收益最大化，虽然它不是激励兼容的，也不是有效公平的，但不妨有大批追随者，这大概就是所谓的选择不同吧。

▌最优机制

拍卖有两个目标：卖者收益和社会效用。不同目标决定选择不同的机制，不同机制导致了竞拍人获得物品的不同概率函数和期望支付，以及该机制下的特性，比如激励兼容、个人理性预算平衡等。刚刚我们说到，在直接机制中，满足激励兼容特性的机制鼓励广告主说真话 ( 报价=估价 ) 是一个弱占有策略 ( U≥U' )，会形成一个真实均衡，广告主会持续参与竞价，有利于广告生态的长期发展，但有个现象：它不能保证每次竞拍使得拍卖者的收益最大化，现在我们来探讨下如何选择机制才能使得每次收益最大化，这种机制被称为最优机制。

我们的假设条件不变：一个不可分割的单品拍卖，潜在买家数量为N，买家i对物品的估价为v_i ( 假设买家知道拍卖品对自己的价值，不受其他买家影响，称为私有价值 )，卖家不知道买家的真实估值，但知道买家估价的累计分布函数F_i(v)，及连续密度函数f_i(v)，F_i相互独立，假设V的范围[0，w]，f_i≥0。

现在构造一个估价V的函数 Y(v)=v-[1-F(v)]/f(v)，称为买家的虚拟估价函数，假设Y是关于v的递增函数，此时我们称之为常规问题。分配规则是价高者得，此时的价指的是买家虚拟估价的价格，即把拍卖品分配给虚拟估价最高的竞拍者，因为我们没有假设买家是对称的，所以不同买家有不同的虚拟估价函数，不同函数的斜率可能不同，估价最高的买家虚拟估价不一定是最高的，所以说在最优机制下的拍卖不是一个公平的机制；支付规则是二价结算，假设买家i的虚拟估价最高，Y_-i=A是除买家i以外虚拟估价最高者，那么此时买家i的支付=Y^-1(A)，其中Y^-1是买家i虚拟估价函数的反函数，我们称该机制是不带保留价的最优机制。

下面我们用具体图形展示会更加直观，假设有两个买家1和买家2，虚拟估价函数分别如下所示，当他们的估价分别是v1＜v2时，买家1的估价函数斜率更大，函数对估价的变动更敏感，此时Y1(v1)＞Y2(v2)，此时买家1获得拍卖品，并且支付=v0，如下图所示：

对于广告系统而言，广告主1的支付价格不是v0，因为广告是按照ecpm来竞价的，我们现在反推一下竞价胜出的广告主应该支付的实际价格，假设按照点击计费 ( cpc )，pCTR是预估点击率，那么：

• 买家1的竞价值=E_cpm1=1000*pCTR1*Y1

• 买家2的竞价值=E_cpm2=1000*pCTR2*Y2

假设E_cpm1＞E_cpm2，则买家1获得该次曝光，买家1的点击支付的实际价格为：

Y^-1[E_cpm2/(1000*pCTR1)]

Y^-1是买家1虚拟估价的反函数。

广告的实际计费的计算虽然多了一步，但是本质没变，从上图1中我们可以看出，买家2的估价明明更高，但是物品被分配给了买家1，显然不是一个公平的竞价环境，也不是一个有效的拍卖，这涉及到了价格歧视。 看人下菜碟，知道你是个有钱的主，你要同样的东西就得比别人多出钱，怎么知道你是个有钱的？这就基于系统对你过往的理解，历史数据的收集，通过建模拟合出来你的估价分布函数，有些大数据杀熟的意思，直觉上给人感觉很不公平，不过在现实生活中价格歧视无处不在，比如工业用电和居民用电价格就不同 ( 三级歧视 )，出租车分公里数阶梯计费以及个人税分阶梯计费 ( 二级歧视 )，垄断厂商不同买者不同价格 ( 一级歧视 ) 比比皆是，可是为什么采用虚拟估价函数的时候卖者的收益就最大化了呢，这涉及到经济学的一个解释，受限于篇幅，我们将在后面的文章进行解读。

作者介绍：

莫菲克，一个对广告有浓厚兴趣的广告从业者。

原文链接：

https://www.zhihu.com/people/mophic/posts

如果您喜欢本文，欢迎点击右上角，把文章分享到朋友圈~~

欢迎加入DataFunTalk计算广告交流群，跟同行零距离交流。如想进群，请加逃课儿同学的微信 ( 微信号：DataFunTalker )，回复：计算广告，逃课儿会自动拉你进群。

——END——

文章推荐：

广告算法在阿里文娱用户增长中的实践

Hulu：视频广告系统中的算法实践

关于我们：

DataFunTalk专注于大数据、人工智能技术应用的分享与交流。发起于2017.12，至今已在全国7个数据智能企业和人才聚集的城市 ( 北京、上海、深圳、杭州等 ) 举办超过100场线下技术分享和数场千人规模的行业论坛及峰会，邀请300余位工业界专家和50位知名学者参与分享，30000+从业者参与线下交流。合作企业包括BATTMDJ等知名互联网公司和数据智能方向的独角兽公司，旗下DataFunTalk公众号共生产原创文章300+，百万+阅读，5万+精准粉丝。

注：左侧关注"社区小助手"加入各种技术交流群，右侧关注"DataFunTalk"公众号最新干货文章不错过👇👇

一个在看，一段时光！👇