廣告策略產品（1）：廣告業務目標構建與思考
廣告策略整體來看，會複雜一些，尤其在定向、排序、廣告展示、歸因策略等方面有明顯的差異性。本文作者從廣告問題的整體業務目標與函式構建、預估問題、廣告定價問題這三個方面，分享了對廣告業務目標構建的思考，一起來看一下吧。
今天分享的是廣告策略產品體系的構建。整體思路是從自然推薦、搜尋至推薦、搜尋廣告策略系統當中，不同於其他商業化分享博主，一上來給大家介紹從線下到品牌再到效果廣告演進，講CPC、CPM、CPA等指標說明，我直接預設看到我本篇文章並且感興趣的同學已經入門對應的內容，我們直接開始講乾貨的內容，後續會針對自然搜推與廣告搜推差異相同點、智慧出價策略、智慧定向策略以及智慧創意策略進行分享解析。
從整體的思維上講，我認為從事過搜尋、推薦廣告策略產品的同學其實可以直接橫向跨過從事自然推薦、搜尋策略產品轉型或者cover掉大部分工作，其中在召回、排序策略演算法鏈路當中大部分底層是共通，自然搜推和廣告搜推會在一個交匯點Mix混排，最終呈現在前端樣式中，但是廣告策略整體來看會更為複雜，尤其是在
定向（灰、白、黑盒定向）、排序-預估與競價策略、廣告展示-創意生成展示策略、歸因策略等等四大
類上有明顯差異性。
今天整體上分為三個部分來講解廣告演算法策略分析：
廣告問題的整體業務目標與函式構建；
預估（CTR/CVR）問題；
廣告定價問題解析；
一、廣告問題的整體業務目標與函式構建
1. 基礎業務目標函式構建
相比較自然搜尋、推薦，廣告是一個複雜的經濟學博弈的場景問題，廣告和自然結果關係相互交織，但是不完全重合，兩者有非常多的相似點和差異點，個人覺得作為廣告策略產品前提也一定要理解搜推的策略。
廣告的存在是一個多方（廣告主、廣告平臺方DSP、廣告流量方SSP、流量C端使用者等）博弈的結構，其中複雜博弈的
本質來源於流量平臺方（平臺廣告效率CPM）和廣告主利益訴求（ROI）之間的矛盾。
因此在排序最佳化的時候就無法類似自然推薦做
貪心演算法維度目標（CTR點選率、CVR、GMV等）最佳化
，會需要去做
平臺和廣告主利益的平衡
，除了要做
CTR、CVR預估，還需要兼顧平臺競價bid
，因此從上下文相關性、平臺收入角度出發建模，得到計算廣告收益eCPM業務函式如下：
但是，廣告畢竟不是離散的投放模式，其在平臺上
一個整體連續性投放
，因此最大化展現所有廣告eCPM和的表示式就可以表示為：
表示想使用者ui展示一次廣告 ai稱之為一次廣告投放 （ai，ui），因此，所有投放人次的集合M={r（ai，ui）} 表示為一次匹配，Γ表示成滿足廣告投放條件的集合。所以上述表示式的本質問題就是所有的可能使用者-廣告匹配Γ當中，並且尋找一個讓廣告期望收益最大的匹配集合M。
基於上述的
最大期望期望收益目標出發
，將業務目標排序問題，可以
拆分成兩個問題一個是CTR預估問題，而另一個就是競價問題
，透過eCPM最大化期望收益方式進行廣告排序，得到如下公式，也是各大網際網路廣告通用得搜推廣告排序方式，
這是eCPM排序公式誕生的思路。
其中pCTR與pCVR都是預估得到得結果，p指代得就是predicted，如果是CPC出價方式就採用公式得左側，如果是CPA出價方式就是公式右側。
2. 最大化期望公式中其他的約束項
1）來自於客戶投放計劃預算-Budget的約束
如果沒有任何約束條件，這樣的廣告匹配可以透過貪心演算法求解，只需要根據使用者的每次推薦訪問和搜尋來展示eCPM最大收益的廣告即可；但是現實中這樣是不可能的，廣告主除了會
在計劃中設定對應的廣告出價水平bid之外，還會設定投放預算Bk
，也就是一段時間投放廣告小消耗金額的上限，因此這一約束條件的加入，可以把上述最大化收益的公式改寫如下：
這個表示在廣告投放最大化期望收益考慮（使用者-廣告匹配）之外，需要受到計劃k的a次連續出價之和的bid_a 要小於計劃k的總預算B_k。
預算條件的引入，加上廣告線上分配的特點，使得廣告的結題變得更加複雜，不僅需要考慮收益，需要考慮流量之間的排程（預算的分配-pacing勻速策略分配、集中消耗拿量分配，後續會在智慧出價模組詳細介紹），根據歷史資料對每天剩餘的流量來進行預算分配和預估等。
2）來自於廣告投放使用者體驗的約束
前面提到了，廣告問題不是簡單的廣告平臺（投放平臺DSP+流量場域SSP）、廣告主兩方，只需要兼顧收益即可，也含有C端使用者第三方的體驗性質（ 與自然搜推一致），包括負反饋過濾、相似類目過濾、已購買過濾等等，不兼顧使用者體驗而一味追求收益最終也只會使得使用者流失，因此需要同時兼顧收益與體驗，做到平衡（商業化產品“道”層面的核心）。
一般兼顧體驗收入平衡有兩種方式，一種是在排序公式eCPM中增加質量分Q，另一種是直接增加價格擠壓係數K。
Q的質量分一般透過廣告投放主體item的質量得出，如果電商商品item廣告就會考慮
商品評價、店鋪整體評價、物流履約率、店鋪GMV
等等。
k表示擠壓係數，當k→0 ，只考廣告主出價bid因素，展現最高出價的廣告不考慮任何匹配相關性；當k→∞，不考慮廣告主出價bid，只考慮點選率相關性來分配廣告，所以可以當出現很多質量不高的廣告的時候，這些廣告主希望透過抬高出價獲取曝光，可以透過提高擠壓係數來壓低廣告出價對於整體質量差帶來的影響。
二、預估CTR/CVR問題
這一塊是廣告和自然搜推關聯相似度最大的地方，整體來說比較類似，在本文就不詳細展開，後面會專門展開講講自然推薦如何排序與召回，再在對應文章進行詳細講解，基本上圍繞預估三要素的問題：
1）排序的樣本構建
CTR預估即為展現後點擊與未點選的正負樣本，CVR預估則為點選後轉化與未轉化的樣本。
2）排序特徵工程的構建
使用者相關的行為日誌資訊、使用者畫像，廣告特徵-投放主體item特徵（商品的類目、商品評價、商品的發貨地等等）、廣告ad的特徵（文案、圖片廣告素材資訊、廣告附近內容上下文c資訊，對於搜尋廣告還有query資訊等）。
3）排效果的評估
本質上和推薦排序評估一樣，透過混淆矩陣&AUC曲線關注模型預估點選率準確性、精準性等效果，觀察預估點選率和真實點選率的分佈是否一直。
模型框架同樣是用LR邏輯迴歸中PointWise、PairWise、以及ListWise、因子分解機FM（從基於特徵的PLOY2模型出發，解決計算向量問題，同時降低特徵標註的重複性）以及特徵嵌入方法（GBDT+LR），將GBDT和LR模型前後融合透過對GBDT對原始特徵進行更高階組合。
三、廣告定價問題解析
廣告出價定價是搜推廣告相較於自然搜推差異性最大的環節，核心是透過廣告主在投放平臺上設定的計劃出價Bid因素來干預廣告ad的排序情況；廣告主一般會透過投放的ROI來決定對廣告預算&出價的追加，透過提高ROI來整體降低投放成本，而廣告平臺則是希望能夠提高客戶的預算和單價。
所以作為廣告平臺最佳的方法就是設計一個機制，能夠讓廣告主在投放競爭中達到效果的平衡，最終實現平臺收益最大化。
所以，為了解決這個定價問題，廣告系統
引入了拍賣機制（最早是Google首席經濟學家範裡安引入的關鍵詞競價機制）
，把整體效果廣告市場的
定價/競價權利交給到市場
。
廣告主可以把每一次對C端使用者展現廣告的機會看做拍賣的商品，可以讓每個廣告主根據投放廣告的整體ROI以及投放主體（商品、遊戲等）的估值來出價。
最終驗證出來第二價格密封拍賣（Second Price Auction，又叫做Vickrey拍賣），對於同時拍賣多個廣告位置，如搜尋結果廣告，每個位置的獲勝者，按照下一個位置的獲勝者報價進行廣告計費，也就是廣義二價拍賣（GSP），某些公司也會對計費廣告0。01元或者0。1元，只不過是平臺提升收入的方式與玩法（積少成多），整體不影響廣義二價計費的思路。
相比較第一價格密封拍賣機制（出價即扣費），第二價格密封拍賣會更加鼓勵廣告主提交對自己商品的真實估值，讓一個廣告系統更加穩定，避免在第一價格密封拍賣機制下廣告主勝出就調低出價，失敗就調高出價的反覆性給廣告平臺帶來的不穩定問題。
還有一種叫VCG拍賣機制，整體思路是假如一個廣告主a如果獲勝第一名，導致某些廣告主不能佔有該廣告位置，那麼獲勝的廣告主支付的價格為其他廣告主不能獲勝的損失，VCG整體上不是來自於自己的出價，而是參考了其他多個廣告主的出價，這種拍賣機制確實是一種容易達到最大效用的方式，但是GSP的可解釋性和理解成本更低，目前還是網際網路公司中使用的主流。
在正常投放中，純CPC/CPM的出價方式需要
廣告投手/最佳化師
進行不斷的調整投放人群/投放時間段/投放廣告位以達到廣告投放可以轉化的目的，但是人畢竟不是萬能的，每一次針對每個使用者拍賣進行出價、溢價等內容的及時調整，這對於廣告投放者有較高的經驗和時間精力要求。
因此廣告平臺的最新優勢就是提供o
CPX（oCPM/oCPC）、tCPA(Google叫法)等
智慧出價投放方式
，核心思路是
藉助機器學習的能力來實現計劃整體的轉化CVR投放效果。
客戶表達一個行為CPA成本出價（下單/成交），計費仍然使用CPC計費（邏輯有點繞，後續單獨開一篇文章介紹廣告系統出價方式和發展史），系統幫助最佳化達成客戶表達的行為成本，由平臺來代替廣告主在展現和點選上出價的行為，保證轉化成本能夠控制在客戶出價範圍之內一般是±20%以內算達標，策略的簡單設計就是，透過檢測當前實際轉化成本和廣告主出價目標成本表達之間的差異來調整出價。
CPA_real 表示客戶計劃投放下計劃實際的轉化成本，CPA_object表示客戶在投放平臺上設定的期望目標出價的成本，平臺透過機器學習的方式接管了所有的人群、時段以及資源為出價匹配策略，根據每個pv的轉化機率pCVR給出不同的出價水平pCVR∗CPA=CPC。
但是，oCPX的出價策略對於對於點選後是否轉化的樣本較為依賴，樣本的豐富性也決定了pCVR預估的準確性，所以會拆分成兩階段出價的方式，
第一階段仍然由廣告主表達CPC/CPM出價方式，等到一定時間戳範圍內積累一定樣本數（例如，新計劃7天下單30單等），進入第二階段進行oCPX出價，透過預估轉化率CVR來自動出價。
因為oCPX對於預估模型的要求比較高，一般平臺也在前期上線賠付機制，對於滿足一定門檻資料&並且客戶未進行計劃設定修改，完全是由於系統預估穩定性導致成本超出客戶表達120%，會對超出的部分進行賠付，這也是平臺自證清白提高廣告主使用智慧化能力提升信任度的方式，讓平臺有更多的空間可以進行出價的調節，提升平臺流量的利用率和廣告消耗水平。
整體來說以上就是的對廣告策略基礎業務策略目標構建與介紹，核心是幫助對廣告策略產品經理入門瞭解eCPM排序公式構建的思路以及演算法鏈路當中需要解決的核心問題，普及廣告的業務知識網上資料眾多，但是對於廣告策略構建乾貨的內容偏少，因此想單開系列進行分享。
本文由 @策略產品Arthur 原創釋出於人人都是產品經理，未經許可，禁止轉載
題圖來自 Unsplash，基於 CC0 協議
該文觀點僅代表作者本人，人人都是產品經理平臺僅提供資訊儲存空間服務。