广告市场策略的类型和方法(广告策略产品1)

广告策略整体来看,会复杂一些,尤其在定向、排序、广告展示、归因策略等方面有明显的差异性。本文作者从广告问题的整体业务目标与函数构建、预估问题、广告定价问题这三个方面,分享了对广告业务目标构建的思考,一起来看一下吧。

广告市场策略的类型和方法(广告策略产品1)(1)

今天分享的是广告策略产品体系的构建。整体思路是从自然推荐、搜索至推荐、搜索广告策略系统当中,不同于其他商业化分享博主,一上来给大家介绍从线下到品牌再到效果广告演进,讲CPC、CPM、CPA等指标说明,我直接默认看到我本篇文章并且感兴趣的同学已经入门对应的内容,我们直接开始讲干货的内容,后续会针对自然搜推与广告搜推差异相同点、智能出价策略、智能定向策略以及智能创意策略进行分享解析。

从整体的思维上讲,我认为从事过搜索、推荐广告策略产品的同学其实可以直接横向跨过从事自然推荐、搜索策略产品转型或者cover掉大部分工作,其中在召回、排序策略算法链路当中大部分底层是共通,自然搜推和广告搜推会在一个交汇点Mix混排,最终呈现在前端样式中,但是广告策略整体来看会更为复杂,尤其是在定向(灰、白、黑盒定向)、排序-预估与竞价策略、广告展示-创意生成展示策略、归因策略等等四大类上有明显差异性。

今天整体上分为三个部分来讲解广告算法策略分析:

  1. 广告问题的整体业务目标与函数构建;
  2. 预估(CTR/CVR)问题;
  3. 广告定价问题解析;
一、广告问题的整体业务目标与函数构建

1. 基础业务目标函数构建

相比较自然搜索、推荐,广告是一个复杂的经济学博弈的场景问题,广告和自然结果关系相互交织,但是不完全重合,两者有非常多的相似点和差异点,个人觉得作为广告策略产品前提也一定要理解搜推的策略。

广告市场策略的类型和方法(广告策略产品1)(2)

广告的存在是一个多方(广告主、广告平台方DSP、广告流量方SSP、流量C端用户等)博弈的结构,其中复杂博弈的本质来源于流量平台方(平台广告效率CPM)和广告主利益诉求(ROI)之间的矛盾。

因此在排序优化的时候就无法类似自然推荐做贪心算法维度目标(CTR点击率、CVR、GMV等)优化,会需要去做平台和广告主利益的平衡,除了要做CTR、CVR预估,还需要兼顾平台竞价bid,因此从上下文相关性、平台收入角度出发建模,得到计算广告收益eCPM业务函数如下:

但是,广告毕竟不是离散的投放模式,其在平台上一个整体连续性投放,因此最大化展现所有广告eCPM和的表达式就可以表示为:

广告市场策略的类型和方法(广告策略产品1)(3)

表示想用户ui展示一次广告 ai称之为一次广告投放 (ai,ui),因此,所有投放人次的集合M={r(ai,ui)} 表示为一次匹配,Γ表示成满足广告投放条件的集合。所以上述表达式的本质问题就是所有的可能用户-广告匹配Γ当中,并且寻找一个让广告期望收益最大的匹配集合M。

基于上述的最大期望期望收益目标出发,将业务目标排序问题,可以拆分成两个问题一个是CTR预估问题,而另一个就是竞价问题,通过eCPM最大化期望收益方式进行广告排序,得到如下公式,也是各大互联网广告通用得搜推广告排序方式,这是eCPM排序公式诞生的思路。

其中pCTR与pCVR都是预估得到得结果,p指代得就是predicted,如果是CPC出价方式就采用公式得左侧,如果是CPA出价方式就是公式右侧。

2. 最大化期望公式中其他的约束项

1)来自于客户投放计划预算-Budget的约束

如果没有任何约束条件,这样的广告匹配可以通过贪心算法求解,只需要根据用户的每次推荐访问和搜索来展示eCPM最大收益的广告即可;但是现实中这样是不可能的,广告主除了会在计划中设置对应的广告出价水平bid之外,还会设置投放预算Bk,也就是一段时间投放广告小消耗金额的上限,因此这一约束条件的加入,可以把上述最大化收益的公式改写如下:

这个表示在广告投放最大化期望收益考虑(用户-广告匹配)之外,需要受到计划k的a次连续出价之和的bid_a 要小于计划k的总预算B_k。

预算条件的引入,加上广告在线分配的特点,使得广告的结题变得更加复杂,不仅需要考虑收益,需要考虑流量之间的调度(预算的分配-pacing匀速策略分配、集中消耗拿量分配,后续会在智能出价模块详细介绍),根据历史数据对每天剩余的流量来进行预算分配和预估等。

2)来自于广告投放用户体验的约束

前面提到了,广告问题不是简单的广告平台(投放平台DSP 流量场域SSP)、广告主两方,只需要兼顾收益即可,也含有C端用户第三方的体验性质( 与自然搜推一致),包括负反馈过滤、相似类目过滤、已购买过滤等等,不兼顾用户体验而一味追求收益最终也只会使得用户流失,因此需要同时兼顾收益与体验,做到平衡(商业化产品“道”层面的内核)。

一般兼顾体验收入平衡有两种方式,一种是在排序公式eCPM中增加质量分Q,另一种是直接增加价格挤压系数K。

Q的质量分一般通过广告投放主体item的质量得出,如果电商商品item广告就会考虑商品评价、店铺整体评价、物流履约率、店铺GMV等等。

k表示挤压系数,当k→0 ,只考广告主出价bid因素,展现最高出价的广告不考虑任何匹配相关性;当k→∞,不考虑广告主出价bid,只考虑点击率相关性来分配广告,所以可以当出现很多质量不高的广告的时候,这些广告主希望通过抬高出价获取曝光,可以通过提高挤压系数来压低广告出价对于整体质量差带来的影响。

二、预估CTR/CVR问题

这一块是广告和自然搜推关联相似度最大的地方,整体来说比较类似,在本文就不详细展开,后面会专门展开讲讲自然推荐如何排序与召回,再在对应文章进行详细讲解,基本上围绕预估三要素的问题:

1)排序的样本构建

CTR预估即为展现后点击与未点击的正负样本,CVR预估则为点击后转化与未转化的样本。

2)排序特征工程的构建

用户相关的行为日志信息、用户画像,广告特征-投放主体item特征(商品的类目、商品评价、商品的发货地等等)、广告ad的特征(文案、图片广告素材信息、广告附近内容上下文c信息,对于搜索广告还有query信息等)。

3)排效果的评估

本质上和推荐排序评估一样,通过混淆矩阵&AUC曲线关注模型预估点击率准确性、精准性等效果,观察预估点击率和真实点击率的分布是否一直。

模型框架同样是用LR逻辑回归中PointWise、PairWise、以及ListWise、因子分解机FM(从基于特征的PLOY2模型出发,解决计算向量问题,同时降低特征标注的重复性)以及特征嵌入方法(GBDT LR),将GBDT和LR模型前后融合通过对GBDT对原始特征进行更高阶组合。

三、广告定价问题解析

广告出价定价是搜推广告相较于自然搜推差异性最大的环节,核心是通过广告主在投放平台上设置的计划出价Bid因素来干预广告ad的排序情况;广告主一般会通过投放的ROI来决定对广告预算&出价的追加,通过提高ROI来整体降低投放成本,而广告平台则是希望能够提高客户的预算和单价。

所以作为广告平台最佳的方法就是设计一个机制,能够让广告主在投放竞争中达到效果的平衡,最终实现平台收益最大化。

所以,为了解决这个定价问题,广告系统引入了拍卖机制(最早是Google首席经济学家范里安引入的关键词竞价机制),把整体效果广告市场的定价/竞价权利交给到市场

广告主可以把每一次对C端用户展现广告的机会看做拍卖的商品,可以让每个广告主根据投放广告的整体ROI以及投放主体(商品、游戏等)的估值来出价。

最终验证出来第二价格密封拍卖(Second Price Auction,又叫做Vickrey拍卖),对于同时拍卖多个广告位置,如搜索结果广告,每个位置的获胜者,按照下一个位置的获胜者报价进行广告计费,也就是广义二价拍卖(GSP),某些公司也会对计费广告0.01元或者0.1元,只不过是平台提升收入的方式与玩法(积少成多),整体不影响广义二价计费的思路。

相比较第一价格密封拍卖机制(出价即扣费),第二价格密封拍卖会更加鼓励广告主提交对自己商品的真实估值,让一个广告系统更加稳定,避免在第一价格密封拍卖机制下广告主胜出就调低出价,失败就调高出价的反复性给广告平台带来的不稳定问题。

还有一种叫VCG拍卖机制,整体思路是假如一个广告主a如果获胜第一名,导致某些广告主不能占有该广告位置,那么获胜的广告主支付的价格为其他广告主不能获胜的损失,VCG整体上不是来自于自己的出价,而是参考了其他多个广告主的出价,这种拍卖机制确实是一种容易达到最大效用的方式,但是GSP的可解释性和理解成本更低,目前还是互联网公司中使用的主流。

在正常投放中,纯CPC/CPM的出价方式需要广告投手/优化师进行不断的调整投放人群/投放时间段/投放广告位以达到广告投放可以转化的目的,但是人毕竟不是万能的,每一次针对每个用户拍卖进行出价、溢价等内容的及时调整,这对于广告投放者有较高的经验和时间精力要求。

因此广告平台的最新优势就是提供oCPX(oCPM/oCPC)、tCPA(Google叫法)等智能出价投放方式,核心思路是借助机器学习的能力来实现计划整体的转化CVR投放效果。

客户表达一个行为CPA成本出价(下单/成交),计费仍然使用CPC计费(逻辑有点绕,后续单独开一篇文章介绍广告系统出价方式和发展史),系统帮助优化达成客户表达的行为成本,由平台来代替广告主在展现和点击上出价的行为,保证转化成本能够控制在客户出价范围之内一般是±20%以内算达标,策略的简单设计就是,通过检测当前实际转化成本和广告主出价目标成本表达之间的差异来调整出价。

CPA_real 表示客户计划投放下计划实际的转化成本,CPA_object表示客户在投放平台上设置的期望目标出价的成本,平台通过机器学习的方式接管了所有的人群、时段以及资源为出价匹配策略,根据每个pv的转化概率pCVR给出不同的出价水平pCVR∗CPA=CPC。

但是,oCPX的出价策略对于对于点击后是否转化的样本较为依赖,样本的丰富性也决定了pCVR预估的准确性,所以会拆分成两阶段出价的方式,第一阶段仍然由广告主表达CPC/CPM出价方式,等到一定时间戳范围内积累一定样本数(例如,新计划7天下单30单等),进入第二阶段进行oCPX出价,通过预估转化率CVR来自动出价。

因为oCPX对于预估模型的要求比较高,一般平台也在前期上线赔付机制,对于满足一定门槛数据&并且客户未进行计划设置修改,完全是由于系统预估稳定性导致成本超出客户表达120%,会对超出的部分进行赔付,这也是平台自证清白提高广告主使用智能化能力提升信任度的方式,让平台有更多的空间可以进行出价的调节,提升平台流量的利用率和广告消耗水平。

整体来说以上就是的对广告策略基础业务策略目标构建与介绍,核心是帮助对广告策略产品经理入门了解eCPM排序公式构建的思路以及算法链路当中需要解决的核心问题,普及广告的业务知识网上资料众多,但是对于广告策略构建干货的内容偏少,因此想单开系列进行分享。

本文由 @策略产品Arthur 原创发布于人人都是产品经理,未经许可,禁止转载

题图来自 Unsplash,基于 CC0 协议

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。

,

免责声明:本文仅代表文章作者的个人观点,与本站无关。其原创性、真实性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容文字的真实性、完整性和原创性本站不作任何保证或承诺,请读者仅作参考,并自行核实相关内容。文章投诉邮箱:anhduc.ph@yahoo.com

    分享
    投诉
    首页