作者·黄崇远

『数据虫巢』

全文共6005字

题图ssyer.com

“ 从定向的优化目标出发，理解oCPX的无形调控之手，最后在回归到定向逻辑的定位价值问题。”

本文的背景是，站在定向或者智能广告投放的能力角度去思考。

其一，定向以及智能广告投放的优化目标到底是什么，或者换个更通俗点的思考逻辑，其产品能力存在的意义在哪，优化的动力是什么，终极目标是什么？

其二，但凡做个广告相关的建模，其建模目标十有八九离不开CTR，CVR的预估，更通俗点说就是曝光转化率，更平台点的说法就是eCPM，那么，该不该考虑广告主的成本问题，什么时候考虑，如果要考虑如何解决，能不能解决？

01

定向以及智能广告的背景

任何问题的定义都离不开背景和场景环境，离开场景意义讨论问题都是耍流氓，所以，我们先明确我们思考背景。

广告场景中的定向能力，相信是个做广告的人都明白，不是做广告的，跟了这个系列三十篇了，还不清楚那就更不应该了。

按前几篇的说法总结就是，定向产品能力将之前整头猪（栏位流量）一起批发售卖的形式变更成了客户可以精挑细选，如果做的更精细点就有点像潮汕牛肉火锅点牛肉了，是要吊龙还是雪花，哪个部位都一目了然，任君挑选。

也就是说定向产品给广告主提供了人群区分以及挑选的能力。

智能广告就要多说几句了，近些年不少广告平台都提供了类似的能力，所谓智能反过来就是不智能，不智能就是纯手工，手工就是啥玩意儿都要自己搞，而其中最不人道的就是人群挑选。

那么，能不能让选择人群的过程交给系统，交给算法来做呢？甚至不单纯的进行精准人群圈选，还能根据效果反馈动态的缩减召回人群，最终广告主只需要关注其自己的核心指标即可，比如价格，比如ROI，其他的都交给系统来搞定。

回归广告投放的本质目标。本来就是嘛，我来这里是要引流的，我哪里知道哪个流量适合我，我只知道从这引流不能让我的生意亏了就行（ROI）。

这就是所谓的智能广告，或者反过来说广告智能。至于解法，不同的厂子解法不同，这里就不一一细述，感兴趣的可以看下前面系列的一些文章。

例如《数据与广告系列二十：oCPX大势下标签定向的发展演化》、《数据与广告系列二十二：智能化投放中扩量场景的技术实现策略》、《数据与广告系列二十四：效果广告后定向时代如何逆流而上》、《数据与广告系列二十七：智能定向独特业务的独有炼丹配方》等。

PS：突然发现，系列写多了，就成宝库了，随便关联点东西就可以前后窜连起来了。

02

屁股决定脑袋

聊过了背景，接着聊屁股，啊不，是产品能力定位。

对于广告领域中的粗排精排的优化目标，我想大部分人都没有疑义，就是CTCVR，终极目标就是eCPM，谁给的流量价值高，我就把曝光给谁，非常清晰。

其屁股就是平台，最多最多最多在最终排序策略的时候，稍微考虑一下广告主的长期价值，避免过多的“杀鸡取卵”，稍微做一些调控，对长期大金主做一些额外的策略照顾，这也是策略层存在的核心价值之一。

回到定向能力和智能广告的能力，有点稍稍不同。

他跟粗排精排不一样，不是一个必选流程，即我不用定向不也照样能投广告？然后就是他是服务于广告主的，最起码明面上的产品定位是帮助广告主进行广告投放的。

所以，理论上定向、智能广告能力，甚至如果还有其他召回能力，都差不多，都是服务于广告主的。

那么广告主的核心诉求是什么？本质来说是ROI，假设收入不变的情况下，那么就是压低成本支出，再合理点就是保证引流所需流量稳定的情况下的成本可控。

说人话就是：要有量，然后价格还得低（比其预期的要持平或者低）。

所以，自然粗排前面所有阶段的产品能力，最起码暴露给广告主的产品能力，理论上屁股都是坐在广告主这一侧的。

那么其优化目标就明确了，造福于广告主，为其排忧解难。诸如智能广告这种，不单纯要解决成本问题，还顺带解决了效率问题，以前要死要活创建一个广告七八分钟，现在可能就是一键的事儿。

03

成本是否可优化

看似问题清晰了，解决广告主的问题，优化最终的实际成本。

JUST DO IT！

但是，真的能优化吗？我们来看实际成本的计算方式，很暴力单次转化成本=消耗/实际转化量。至于转化的定义，你投放激活那么就是激活个数，如果是表单线索那么就是回收的表单，如果是游戏注册那么就是注册量等等。

从个体操作的角度说就是给广告主找更优质的人群，更低廉的人群，通过各种花式召回给他。

从整体数据统计的角度或者从业务感知的角度，对应于部分广告是否有所谓的高质量人群和低质量人群，从而让广告投放的效果差异较大，即成本差异较大。答案显然是有的，简单来说定向不同的人群，最终出现的现象就是达成达标且走量，或者成本不达标，以及流量引流较小。

再换一个角度，是否存在某些人或者某些群体对于部分类型广告天然就是高成本，低转化的，答案显然也是有的。

既然如此，从优化广告投放的角度去优化模型，显然我们应该该把用户的成本目标考虑进去。

在常规奔着pCTCVR建模的逻辑中，样本非常清晰，转化的是正样本，至于负样本是纯粹取曝光未转化的hard case，还是夹杂着大盘随机的easy case进去，这就属于纵向的样本工程优化的路子了，不在这里讨论范围内。

如果我们需要把单个用户转化的成本考虑到目标中任何考虑？所谓的成本搞低到底是指什么？比如投放A广告转化成本是8块钱，B广告的转化成本是10块钱，那么可以说对于同个用户A广告的成本低于B广告吗？

显然不是这么计算的，所有的成本搞低对比都只需要与自身广告对比，或者说与广告主心理目标出价对比，那就是出价的Bid。所以实际上感知成本的高低是实际单个imei的二价实际扣费与二价出价（CPA出价）之间的差值，才是成本判定的标准。

而这个判定是可以横向跨所有广告和用户的对比，即实际成本与目标成本之间的Gap值作为量化。

有了量化，剩下就是如何融入模型中的问题了，如何让模型感知到我们需要找成本低的用户？可以直接融入到损失函数中，如果成本Gap大则加大损失；也可以单独做一个损失函数与转化的损失合并。

总之，让模型感知到样本中的成本波动变化，并且向成本低的方向去学习，只要样本是对的，有这种逻辑关系，貌似我们真的可以把转化高，成本低的用户针对每个广告都预估出来，从而帮助广告主实现智能化的投放。

效率高，投得准，成本还低！

04

oCPX的无形之手

貌似问题都解决了，从样本，从数据，从建模到业务问题，合情又合理。

但在oCPX时代，这个思路对吗？如果定向创建之后，没有这么多动态的智能调控骚操作，显然逻辑是没有问题的。

我们来看下oCPX是如何做广告的动态优化的，其核心调控策略点就是动态成本。

eCPM=a*pCTR*pCVR*CPAbid

这是计算eCPM的标准公式，其中a是调控因子，也是通常广告策略团队的核心调控工具。

从宏观的角度看oCPX出价的智能调控需要从消耗比角度看，消耗比=实际扣费/广告主价值。

先说广告主价值=实际CPA_bid*转化量，即广告主理论上要花多少钱，这个CPA_bid就是oCPX中的转化出价。但是实际由于oCPX动态调价的策略存在，所以实际扣费并不是按照这么计算的，那么就会存在Gap。

我们继续看下实际计费和Gap是如何产生的。几乎目前所有的oCPX广告都是用转化成本去预估以及调节策略，但是使用click的动作去计费，即调控是按转化预估去调控，但是算钱是按点击来算钱。

因为，计费涉及到预算控制，实时计算，所以不太可能等到真正的转化了之后再进行计费，延迟太高，不可控因素太多，也不合理。由于模型计算是按转化预估计算的，但计费按点击计费，这里又会产生一定的Gap，产生Gap的空间在于CTR与CVR的不一致性，这是另外一个话题，我们先解决上面oCPX实际调控和实际计费的问题。

CPC时代，eCPM=CPCbid*pCTR，而oCPX=a*pCTR*pCVR*CPAbid，先忽略a的存在，那么假设需要按照点击扣费，那么点击一次的钱=pCVR*CPAbid。

所以实际扣费=点击量*pCVR*CPAbid*，我们变换一下公式实际扣费=（理论转化量）*CPAbid=（点击量*pCVR）*CPAbid=（实际转化量+模型超估的百分比）*CPAbid=实际转化量*CPAbid+模型超估的百分比*CPAbid。

计算调控的时候实际成本=（实际转化量*CPAbid+模型超估的百分比*CPAbid）/实际转化量=CPAbid+（模型超估转化量的百分比*CPAbid）/实际转化量

如果预估的跟实际的一毛一样，那么自然消耗比=1，如果pCVR高估了，即实际的比预估的低，则理论转化量低于实际转化量，反过来算就是实际成本高，高出的部分就是(（模型超估转化量的百分比*CPAbid）/实际转化量）。

所以，从上面分析逻辑来看，总结起来就是：宏观直接评估就是消耗比小于了1，实际原因是pCVR高估了，导致了实际成本变大，从平台的角度来说就是超卖了，要把流量打压下去，要打压就调低eCPM的评级让他拿不到量，减少损失，从调控公式的角度来说就是压缩实际扣费，从而趋向于消耗比=1，从eCPM计算公式以及实际操控的角度上说就是减小调控因子a，至于如何调控那是方式方法的范畴。

如果是消耗比大于1，也就是说模型低估了实际曝光转化率，导致了实际成本比预期的低，这就是所谓的流量“贱卖”，本来能卖10块钱的，结果你估成了3块钱，所以在下个周期里要赶紧修正回来。如何修正，人为给你提价，让你的消耗比逐渐趋近于1，直接操控的结果就是a增大，单次点击计费的bid=pcvr*CPA_bid*a，所以实际成本是上涨的，但由于pCVR低估了，所以离你的实际CPA_bid还是有一段可以上涨的空间，广告主自然没有感知。

结合上面两个调控会发现一个问题，当模型高估之后造成了超成本时，平台为了修正高估带来的副作用，只能降低预估出价（a*pCVR*CPA_bid），这样才能让实际成本往下降，这是表面促因，但实际上会发生什么呢？进一步拉低a，只会让你的eCPM进一步下降，所以降到一定程度之后当前广告永远都排不上号了，换个通俗点的说法就是广告没量了，生命周期到头了。并且，好不容易一顿降低a，结构可能实际成本依然高于CPA_bid。

这就是常见的，成本跑超了，结果还没量。

而另一种情况，本来跑的很好的，成本很低，结果平台不乐意看到呀，不能贱卖流量，所以人为给你提价，一顿提，提到趋近于你的实际出价。即理论上你当前的转化率以及实际出价是非常有优势的，但平台为了修正其低估的后果，给你无形提升成本，以实际更高的价格拿下的是本来应该更低成本的流量，这就是低估之后的“注水”。

结合上面两个逻辑，你会发现一个问题，价格这个东西，不管是模型高估了还是低估了，都是在积极的往实际CPA_bid去修正，低了提高，高了想办法拉低，至于拉低之后你是不是没有竞争力了，模型可不会管你。

所以，成本在oCPX模式下，只会也只可能取决于oCPX的调控策略，其他部分即使想方设法的去预估，去为广告适配低价人群，都没有用。最终的oCPX策略会修正这一切，让最终成本趋近于实际出价，至于实际出价有没有竞争力，交给竞争环境来决定。

oCPX出现目的是什么，我们来回忆一下：广告主期望平台肩负转化的职责，平台表示老夫肩负不起，你爱投不投。最终博弈的结果就是一个相互平衡的中间态，那就是oCPX。

oCPX看似是广告平台对于广告主不满足于CPC广告投放的一种妥协，但本质里是为平台服务的，为广告主保价更像是一种顺带性质的行为。如果保了不给量，这不是耍流氓吗？

不过不管怎么样，对于CPC广告来说，技术层面都是一个质的变化，从单纯的平CTR的预估到pCVR的补充预估，对于广告主来说还是有很大的提升，只是从产品逻辑的拆解上，其屁股最终还是稍稍偏向于广告平台。

从广告主角度来看，成本高了只能往下调，但是没有跟广告主更明确的说低了会给你往上调，并且你不知道的是往下调极有可能让你的eCPM没有竞争力从而没有了量。

所以，当前oCPX广告的一个常见痛点就是，看着成本没咋超，超了也不多，但是就是没有量。那当然，你都不知道如果不压价，你的实际成本会飙到什么水平，如果压价了你都不知道你的eCPM能排到外太空去。

关于oCPX的更进一步逻辑，比如具体a如何调节，有什么算法逻辑，我们找个章节来进一步深入，这里不做展开。

回到定向问题，定向的目标还是成本吗？有这只无形之手在这里，折腾来折腾去，最终比不得人家动动小手指，直接把你的模型预估结果给打乱。

05

定向价值在哪

回归本源问题，从前面的分析来看，定向就是解决广告主的成本问题的，屁股理论上就是站在广告主一侧的，结果奔着成本优化去，有oCPX这个更靠后的逻辑在那里，无形之手让你的成本优化优化了个寂寞。

直接优化成本是不可能的，但是，我们的目标依然没有改变。广告主核心目标其实是有两个，在成本ok的情况下能够持续走量。

既然在oCPX时代下，假定oCPX策略是稳定的，pCTR*pCVR的预估是靠谱的，即不高估也不低估，那么成本只可能无限趋近于CPA_bid（这个观众朋友们可以想想为什么），那么看似低价是不可能了。

但我们可以从另一个角度思考，假定在一定的竞争环境中，你所对应所需曝光的eCPM是固定的，当你给的流量的pCT*CVR高的时候，那么所需的CPA_bid就要求可以低一点，因为低一点由于曝光转化率的提升，降低bid是可以接受的。

所以，定向召回给了更精准的人，理论上我是可以在降低出价的情况下，保持同样的流量的。

其二，假设我的CPA_bid不变的情况下，更精准人群，意味着更高的曝光转化率，则意味着更容易拿到量。但是，由于定向召回缩小了相当于宽定向的人群，导致了候选范围的减少，所以又需要其他一些辅助手段来扩大候选池，例如前面章节提到的扩量，或者其他一些可以逐步放大候选池的策略和手段，参考《数据与广告系列二十二：智能化投放中扩量场景的技术实现策略》。

前者的逻辑是使用精准定向的时候，适当压低出价，从而局部降低成本，后者则是一整套解决方案，配合定向，定向召回扩展相关的技术，让精准和量维持在一个平衡里，或者说为每个广告寻找一个精准和量之间的平衡。

从业务逻辑上，例如，腾讯广告，你见过哪个广告不使用定向的吗？敢不用定向系统就敢让你超成本超的飞起，高竞争环境会加剧低精准人群带来的恶果。

早期精准人群能帮助pCVR累积较好的样本，从而让模型预估变得更稳定，即不那么容易高估或者低估。其次，pCTR*pCVR大量的使用了环境特征，对于实时的兴趣把握是比较准确的，但是定向的这种离线预估可以使用大量的历史数据，甚至是复杂的深度网络模型（这是在线预估模型所不能达到的），在挖掘长期兴趣上有一定优势的。

所以，本质上是一种互补关系，前期的定向召回是为了加速后期pCVR模型的成长，以及降低实时预估的容错性。

整个逻辑的难点在哪？难在于如何兼顾定向精准和量之间的关系，以及如何更好的定向。

所以，在往后的发展逻辑里或者方向中，如何系统自动定向，以及如何让定向与实时预估甚至是调控策略形成一个完整的解决方案是正途。

让长期的历史数据价值与实时的精准预估能力相结合，在广告的不同生命周期中，逐步的通过策略配合，去让广告的每个生命周期阶段更加的健康，更加平稳的过度。

而最终的目的是，广告主投放的更加智能化、更加的高效，成本更加的平稳，引流的生命周期更加的平稳，而对于平台来说就简单很多了，那就是流量的价值最大化，让广告主投不释手。

关联文章

【01】《数据与广告系列二十：oCPX大势下标签定向的发展演化》

【02】《数据与广告系列二十二：智能化投放中扩量场景的技术实现策略》

【03】《数据与广告系列二十四：效果广告后定向时代如何逆流而上》

【04】《数据与广告系列二十七：智能定向独特业务的独有炼丹配方》

文章都看完了，还不点个赞来个赏~

欢迎关注公众号【数据虫巢】，更多原创在这里