商業化廣告策略隨筆

導讀：隨着互聯網的高速發展，在線廣告的市場規模水漲船高，成爲互聯網主流的變現模式之一，也催生了一批廣告巨頭，如國外的Google、Facebook，國內的字節跳動、阿里、百度、騰訊，廣告在整個營收中佔據着重要的位置。本文將從廣告動態化、目標轉化出價、數據管理平臺 ( DMP )、廣告的拍賣內核、機制設計、最優機制等方面進行介紹。

▌廣告動態化

人有千差萬別，不同的人基礎屬性不同：性別、年齡、收入/消費水平、教育程度，場景狀態不同：地理位置 ( 城市級別、所在省市 )、上下文環境 ( 所屬頻道、頁面內容 )、終端狀態 ( 網絡環境、終端類型、操作系統、運營商 )，歷史行爲不同：針對不同類型內容有不同操作 ( 閱讀、點擊、收藏、關注、下載、購買、活躍和留存 )，興趣愛好不同。我們知道，廣告是要把合適的內容在合適的時間以合適的方式呈現給合適的人，對於不同類型的用戶靜態展示單一創意和商品，千篇一律，轉化效果不理想可想而知，對此提出廣告動態化，具體而言是程序化創意和動態商品廣告 ( DPA )，下面我們分別介紹：

• 程序化創意/動態創意：不同用戶看到不同的創意素材，同一用戶在不同階段 ( 首次/非首次看到廣告，未轉化用戶/已轉化用戶 ) 展示不同的創意，以更符合當時用戶的場景。

• 創意製作：區別於過去從內容到形式直接製作整個創意，而是將內容、標題 ( m ) 與形式 ( n ) 分開設置 ( 解耦 )，由系統進行自由組合 ( m*n )，擴大創意數量和可能性，隨機展示 ( DPA可以調用商品庫素材，不滿意手動編輯替換 )。

• 曝光策略：根據各個創意的轉化數據 ( 點擊率、轉化率 ) 動態調整曝光策略：增加高轉化素材的曝光次數，減少低轉化素材的曝光，從而提升整體創意的轉化效果。

• DPA：動態商品廣告-對接商品庫，根據訪客的不同動態展示不同商品。

• 適用範圍：多品類商品/服務 ( 千人千面，個性化推薦 )。

• 商品庫對接 ( 方式 )：商品庫對接方式有兩種，一種是手動上傳商品數據包，適用商品數量較少，變化頻次低；一種是API接口，適用商品數量較多，變化頻次高。

• 曝光原理：訪問媒體 ( 網站/APP ) 的人羣有個性標籤，商品庫的商品有個性標籤，針對標籤做匹配，不同用戶展示對應的商品廣告，包括創意-落地頁-轉化。

• 目的/效果：將合適的內容展現給合適的人，提高廣告的匹配度和轉化效果。

需要注意的點：

• 標籤映射：媒體端用戶的標籤體系和商品端的標籤體系做映射，二者的標籤要對的上，商品廣告才能做適配；

• 數據閉環：廣告主需要回傳用戶的後續轉化數據，從創意曝光到點擊、到達及最終轉化完成訂單需要建立數據模型，以動態調整策略提高轉化；

• 商品種類：廣告主的商品/服務的種類有足夠多，纔可以針對不同用戶做對應展示；如果品類少，效果相對差一些，則主要通過程序化創意適配用戶。

• 標籤調整：初始的標籤可能並不精準，商品的標籤會隨着轉化數據的變化而動態調整。

• 用戶標識：不同來源/終端類型的用戶需要做識別並唯一標識，PC端主要做Cookie Mapping，移動端主要用設備號，安卓 ( IMEI ) -iOS ( IDFA )。

▌目標轉化出價

廣告有多種計費方式：CPM ( 展現 )、CPC ( 點擊 )、CPA ( 行爲 )、CPS ( 分成 )、CPD ( 時間 )，其中最常見的是CPM ( 多用於品牌類廣告 ) 和CPC ( 多用於效果類廣告 )，媒體分別在展現和點擊完成後收取廣告費用，後續轉化如何基本不再考慮範圍內，基於此廣告投放也形成一個現象：在創意的曝光和點擊階段表現都不錯，但在後續的效果上表現很差，轉化率低，這對於效果類廣告主來講很無奈，因爲轉化纔是主要目的，所以他們希望鏈條向後延伸，能保證轉化效果，在這種需求的驅動下發展出了目標轉化出價 ( OCPM/C )。下面我們展開聊一聊。

OCPM/OCPC：目標轉化出價，廣告主設定特定的轉化目標及預估的價格，DSP系統按照轉化數據模型優化。

廣告主目標：在成本可控的情況下 ( 按轉化目標出價，計費折算爲CPM/C )，實現更好的轉化效果。

轉化的主要類別：APP下載類/H5銷售線索類。

• APP下載類的主要轉化目標：安裝-激活-註冊-付費-活躍-留存；

• H5銷售線索類轉化目標：表單提交-預約-在線諮詢-電話溝通-註冊-購買。

上述的各個目標，隨着路徑不斷延伸，用戶數量會持續減少，越到後面有效用戶的價格越高，建議目標從前向後設置。

前提條件：廣告主需要回傳轉化數據，平臺可以追蹤用戶從創意曝光、點擊到落地頁再到最終轉化的路徑數據並形成閉環，用於建立數據模型。

操作方法：

• 平臺建站：廣告主用平臺提供的工具建站，則不需要單獨部署代碼，平臺的數據已經打通，實現回傳；

• 廣告主自有站點：在站點部署平臺的監測代碼 ( 網頁類JS/API，移動端SDK/API )。

整體業務流程的邏輯：廣告主部署監測代碼-回傳轉化數據-平臺數據建模-廣告主確定優化目標及價格-平臺擬合預測數據-動態優化調整。在整個過程中，有幾個方面比較重要：

數據建模：平臺根據回傳的用戶數據，建在各步驟的轉化模型，這個模型建立需要實際數據做支撐，而且前期的波動可能會比較大，在投放策略不變的情況下，投放數據累計越多，模型越成熟，預測越準確。

優化目標：轉化目標 ( H5/APP類 ) +出價 ( 系統建議出價 )，一般情況下，DSP平臺會對接各類廣告主，對各行業有數據積累，根據廣告主的投放要求結合平臺的流量情況，會給出建議出價，建議出價在閾值內，太低沒有競爭力，曝光會受影響，太高成本會增加。

擬合預測：預估覆蓋人羣+智能出價，根據廣告主的定向條件和出價平臺會預估覆蓋人羣數、曝光數、點擊數和轉化數。出價方面在投放中採用兩階段出價：

• 第一階段，機器學習階段，廣告主按照平均轉化價格出價 ( 歷史轉化價格 )；

• 第二階段，擬合預測模型已建立，按照系統計算的轉化價格計算 ( 廣告主設置閾值，系統建議出價區間 )。

注意事項：建模期間，投放策略不建議較大變動，保持穩定性，廣告一般依據ECPM排序 ( ECPM=1000*CTR*CVR*轉化出價 )，修改策略需要重新學習，主要注意以下幾個點：定向人羣設置 ( 人羣不同，標籤不同，價格不同 )、出價 ( 直接影響競價結果 )、預算保持充足 ( 預算不足平臺防止超跑量，曝光會做限制 )、創意 ( 影響點擊率 )、落地頁內容 ( 影響後續轉化 )。

▌數據管理平臺 ( DMP )

隨着廣告行業的發展，相關技術也在持續進步，尤其以程序化廣告普及以來，數據驅動的特性在廣告投放中日益顯著，之前我們說過，廣告的實質是把合適的內容在合適的時間以合適的方式展現給合適的人，這裏很關鍵的一點就是：如何確定廣告投放的人羣就是合適的人。爲了有效解決這個問題發展出了DMP ( 數據管理平臺 )，目的是通過標籤畫像細分人羣以滿足廣告主的精準定向，實現廣告的有效投放，下面我們展開說一說DMP。

用戶：通過上面的介紹我們可以理解DMP的主要服務對象是廣告主和代理商。

使用訴求：廣告主通過DMP平臺創建、分析和擴展等使用，得到精準投放人羣。

分類：廣告生態中 ( 尤其RTB ) 參與方衆多，按照不同角色可以分爲廣告主自建，DSP平臺搭建，獨立第三方DMP，三者目標也稍有不同，廣告主自建是爲了完善自身廣告投放閉環，其中的挑戰是對技術和規模有一定要求，否則得不償失；DSP平臺搭建是爲了方便廣告主投放廣告，提高效果精準度，積累平臺數據，屬於輔助性工具；獨立第三方則是一門生意，通過合作分成或者售賣定向人羣的方式來變現。

DMP核心功能：

創建細分人羣，主要有以下幾種方式：

• 利用DMP成熟的標籤體系創建定向人羣包；

• 廣告主上傳自有的用戶羣數據；

• 根據廣告投放效果針對意向用戶生成人羣包。

分析用戶畫像：從性別、年齡、省份、城市級別、機型、興趣等維度分析人羣各成分結構佔比及TGI ( 目標羣體指數 )。

種子用戶羣體擴展 ( look-alike )：分析提取種子羣體的特徵行爲，在平臺範圍內匹配相似擴展用戶 ( 廣告主選擇擴展用戶的數量 )。

再營銷：提取已轉化用戶羣進行針對性推廣，其中在創意、落地頁的展示內容上需要與新用戶做區分。

人羣運算：通過合併、排除、交叉對兩個及以上羣體運算，獲得新的目標羣體。

分析投放效果：並據此調整優化人羣包。

下面我們簡要看下創建、擴展、運算人羣這幾個核心操作的主流程：

• 創建流程：確定人羣名稱-確定分組-選擇各類標籤 ( 屬性+興趣行爲 ) /上傳人羣包/廣告投放用戶。

• 擴展流程：確定擴展設備類型-確定流量平臺-確定擴展數量-種子人羣的處理-確定分組-確定名稱。

• 運算流程：確定運算邏輯 ( 合、差、交 )-確定運算包-確定分組-確定名稱。

通過上面的描述我們對DMP有了一個大概的認知，瞭解到它的重要性、用戶需求和主要功能等，感興趣的同學建議實戰使用，強化認知和理解，DMP通過對用戶的精準細分，爲廣告主後續實現千人千面、動態商品廣告及頻次控制等操作提供了夯實的基礎，隨着時間發展，廣告數字化驅動的特徵會變得更加重要和凸顯，DMP在將來會更加耀眼。

▌廣告的拍賣內核

隨着互聯網的高速發展，在線廣告的市場規模水漲船高，成爲互聯網主流的變現模式之一，也催生了一批廣告巨頭，如國外的Google、Facebook，國內的字節跳動、阿里、百度、騰訊，廣告在整個營收中佔據着重要的位置。

在線廣告的運作形式比較複雜，尤其是發展到實時競價 ( RTB ) 階段，不僅非常依賴互聯網的技術和大數據，且涉及到廣告主、代理商、DSP、ADX、SSP、DMP、媒體、用戶等多個參與方，這是在線廣告現代化的一面；但當我們抽取這些具體形式以後，會發現在線廣告的內核可以追溯到歷史悠久的一類行爲--拍賣。說起拍賣大家腦海裏會拍賣現場：主持人高喊100萬一次、100萬兩次、100萬三次、成交，這是一種公開拍賣的形式，拍賣有多重形式及機制，下面我們展開聊一聊。

從拍賣的物品上講，拍賣的在遠古時期就被用來售賣各種各樣的物品：珠寶、名畫、古董，在線廣告售賣的東西在形式上相比各位前輩顯得特殊一些：曝光，競拍者 ( 這裏可以具體爲廣告主 )參與拍賣的目的是爲了獲得曝光，將他們的產品展現在受衆面前。

從形式上講，常見的拍賣形式主要包括四類，英式拍賣是拍賣者報出一個較低價，至少有兩名競拍者參與競價，報價一路上升，直到剩餘一名競拍者感興趣；荷式拍賣恰好相反，是一個公開的降價拍賣過程，拍賣者報出一個很高的價格，報價一路下降，直到產生一名競拍者感興趣；還有兩種常見的形式是第一價格密封拍賣、第二價格密封拍賣，就像名字中所表述的那樣，競拍者以密封形式提交報價，報價最高者贏得拍賣，區別之處在與第一價格密封拍賣的勝者支付自己的報價，第二價格密封拍的勝者支付第二高的報價。

通過上面的描述我們可以推導出拍賣的主要機制包含兩個方面：分配規則和支付規則，分配規則決定拍賣品如何分配，支付規則決定競拍者如何支付費用。關於分配可以是先到先得、隨機抽取、價高者得，最後者得，全看拍賣者的心情，在拍賣理論中報價最高者得是一種標準拍賣；關於支付可以是支付最高報價 ( FP )、支付第二高價 ( SP )、支付由於自己參與給別人造成的損失 ( VCG )。

在線廣告的發展歷程中 ( 合約廣告-競價廣告-實時競價廣告 )，規則也在不斷髮展，最初的合約廣告是先到先得 ( 事先約定，排期投放，支付約定價格 )，到了競價廣告調整爲價高者得，關於價高者的含義也經過一些發展變化，初始時按照展示出價，此時價高者就是出價最高者，後來Google將點擊率引入競價公式，發展出按ECPM競價排名，此時價格者指ECPM最高 ( ECPM=1000*pCTR*bid )，其中bid是針對點擊的出價，pCTR指廣告的預估點擊率；如果按照當前發展火熱的OCPX模式 ( 按照目標轉化出價 )，ECPM的計算要在pCTR基礎上增加轉化率的預測，對於大數據及算法的要求高一些；如果平臺按照最優競價的模式設計，參與ECPM計算的bid 則是在擬合廣告主估價分佈函數後的虛擬估價，計算將更爲複雜，當然收益也更加可觀；關於支付規則目前的主流形式是廣義二價：按照第二高的ECPM反推出獲勝者的支付費用，也有廣義一價和VCG的形式，各有利弊，簡單來講，廣義一價的在特定情況下收益高一些，但是波動大，二價相比一價更加穩定 ( 不完全信息的納什均衡 )，VCG則屬於激勵兼容，鼓勵講真話，但計算成本更高。關於競價的機制設計、動態底價、擠壓因子在後面文章中我們會展開聊。

在線廣告發展到實時競價階段，每一次曝光都是競價的結果，即我們看到的每一次廣告展示都經歷了請求-詢價-出價-競價-勝出-下發的過程，每天廣告的曝光以數十億計，對於響應速度 ( 從請求到最終展示需要控制在幾百毫秒之內 )，高併發的性能要求非常高，不僅如此，還需要利用大數據進行點擊率、轉化率的預測，同時實現計費、反作弊等，相比傳統拍賣更加複雜，技術含量也更高。

在線廣告撬動了上下游，形成了產業鏈條，涉及的資源以千百億計，它秉承着拍賣的內核，在現代化技術的發展浪潮中不斷進化，終於成長爲拍賣界的一代宗師。

▌機制設計

在上一節，我們得出廣告的內核是拍賣。拍賣作爲一種售賣方式由來已久，有多種表現形式，真正影響拍賣結果的是拍賣所採用的機制：不僅可以左右最終商品 ( 曝光 )歸屬，還可以決定得到商品的買家付出多少成本 ( 計費價格 )，對於廣告平臺可以說至關重要，下面我們展開聊一聊。

拍賣是賣方將物品通過一種機制有償分配給買方的活動，總的目標有兩個：

• 賣家獲得期望收益

• 對社會產生影響 ( 拍賣是否有效 )

當拍賣品無論如何都可以被分配給估值最高的買家時，我們說這種拍賣是有效的。在一次拍賣中，買家對拍賣品價值的估計稱爲估價 ( 用v表示 )，買家對拍賣品的出價稱爲報價 ( 用b表示 )。爲方便分析我們作出以下假設：有一個不可分割的單品拍賣，潛在買家數量爲N，買家i對物品的估價爲vi ( 假設買家知道拍賣品對自己的價值，不受其他買家影響，稱爲私有價值 )，報價爲bi，賣家不知道買家的真實估值，但知道買家估價的累計分佈函數Fi(v),及連續密度函數fi(v)，Fi相互獨立，假設V的範圍[0，w]，fi≥0。

拍賣機制主要包含 ( Q，M )兩部分，Q代表配置規則，決定了買家i獲得物品的概率pi(b)，M代表支付規則，決定了買方i的期望支付ti(b)，則買家i的效用 ( 消費者剩餘 ) ui=vipi(b)-ti(b)，此時每一種機制定義了買賣方之間的一種不完全信息博弈 ( 不知道買方的真實估值只知道估值分佈，知道自己的估值 )，如果對於買方i，在給定其他買方策略不變的情況下，自身收益達到最大，那麼他沒有動力去調整自己的報價 ( 風險中性 )，系統整體處於穩定狀態，我們說此時構成該機制的一個納什均衡。直接機制要求每個買方同時獨立的直接報告自己的估價，如果每個買方真實報告自己的估價形成一個納什均衡，那麼我們稱爲真實均衡，根據顯示性原理，任何一種機制的任何均衡結果都可以通過某個直接機制的真實均衡來複制，即二者之間是等價的，所以我們可以聚焦直接機制。

上面說在直接機制裏每個買家真實的報告自己估價，如果形成納什均衡，稱爲真實均衡，那麼此時表明該機制是激勵兼容的，即說真話對於買家來講是一個弱佔優策略，即對於買家i，估計爲vi，報價爲xi時，則買家i的效用 ( 消費者剩餘 ) ui(v)=vipi(v)-ti(v)≥vipi(x)-ti(x)，在我們前面連接 提到的單物品第二價格密封拍賣就滿足激勵兼容 ( 分配規則：報價高者得，支付規則：二價結算 )，我們可以通過簡單的推理得到說真話 ( bi=vi ) 是弱佔優策略。

推理如下：假設有N個買家，買家i的估價爲vi，報價爲bi，pj=maxbj≠i，如果bi＞pj，則買家獲得物品，買家效用ui=vi-pj；反之則不獲得物品，此時買家效用ui=0，分爲兩大類來分別分析：bi＞vi和vi＞bi；

① bi＞vi時

如果bi＞vi≥pj，獲得物品，此時買家i的效用=vi-pj≥0，與bi=vi時效用相同；如果bi＞pj＞vi，獲得物品，此時買家i的效用=vi-pj＜0，效用低於bi=vi時效用 ( 不獲得物品效用爲0 )；如果pj＞bi＞vi，不獲得物品，此時買家效用爲0，效用與bi=vi時效用相同 ( 不獲得物品效用爲0 )。

② vi＞bi時

如果vi＞bi≥pj，獲得物品，此時買家i的效用=vi-pj≥0，與bi=vi時效用相同；如果vi＞pj＞bi，不獲得物品，此時買家i的效用爲0，效用低於bi=vi時效用 ( 獲得物品，買家i的效用=vi-pj＞0 )；如果pj＞vi＞bi，不獲得物品，此時買家效用爲0，效用與bi=vi時效用相同 ( 不獲得物品效用爲0 )。

綜上所述，說真話 ( bi=vi ) 是弱佔優策略，推理完畢。

之所以研究激勵兼容這個特性，是因爲它能夠引導廣告主說真話，以自己對曝光的真實估計來參與競價，只有廣告主認爲物有所值纔會持續參與，對廣告平臺而言會形成一種健康的競價環境，有利於長期發展，比如Facebook所採用的的VCG機制也滿足激勵兼容 ( 配置規則：報價高者得，支付規則:買家i支付的數額等於由於自身參與給其他買家帶來的損失之和 )，但顯然不是人人都這麼想，下一節我們介紹如何選擇機制才能使得賣家的收益最大化，雖然它不是激勵兼容的，也不是有效公平的，但不妨有大批追隨者，這大概就是所謂的選擇不同吧。

▌最優機制

拍賣有兩個目標：賣者收益和社會效用。不同目標決定選擇不同的機制，不同機制導致了競拍人獲得物品的不同概率函數和期望支付，以及該機制下的特性，比如激勵兼容、個人理性預算平衡等。剛剛我們說到，在直接機制中，滿足激勵兼容特性的機制鼓勵廣告主說真話 ( 報價=估價 ) 是一個弱佔有策略 ( U≥U' )，會形成一個真實均衡，廣告主會持續參與競價，有利於廣告生態的長期發展，但有個現象：它不能保證每次競拍使得拍賣者的收益最大化，現在我們來探討下如何選擇機制才能使得每次收益最大化，這種機制被稱爲最優機制。

我們的假設條件不變：一個不可分割的單品拍賣，潛在買家數量爲N，買家i對物品的估價爲vi ( 假設買家知道拍賣品對自己的價值，不受其他買家影響，稱爲私有價值 )，賣家不知道買家的真實估值，但知道買家估價的累計分佈函數Fi(v)，及連續密度函數fi(v)，Fi相互獨立，假設V的範圍[0，w]，fi≥0。

現在構造一個估價V的函數 Y(v)=v-[1-F(v)]/f(v)，稱爲買家的虛擬估價函數，假設Y是關於v的遞增函數，此時我們稱之爲常規問題。分配規則是價高者得，此時的價指的是買家虛擬估價的價格，即把拍賣品分配給虛擬估價最高的競拍者，因爲我們沒有假設買家是對稱的，所以不同買家有不同的虛擬估價函數，不同函數的斜率可能不同，估價最高的買家虛擬估價不一定是最高的，所以說在最優機制下的拍賣不是一個公平的機制；支付規則是二價結算，假設買家i的虛擬估價最高，Y-i=A是除買家i以外虛擬估價最高者，那麼此時買家i的支付=Y-1(A)，其中Y-1是買家i虛擬估價函數的反函數，我們稱該機制是不帶保留價的最優機制。

下面我們用具體圖形展示會更加直觀，假設有兩個買家1和買家2，虛擬估價函數分別如下所示，當他們的估價分別是v1＜v2時，買家1的估價函數斜率更大，函數對估價的變動更敏感，此時Y1(v1)＞Y2(v2)，此時買家1獲得拍賣品，並且支付=v0，如下圖所示：

對於廣告系統而言，廣告主1的支付價格不是v0，因爲廣告是按照ecpm來競價的，我們現在反推一下競價勝出的廣告主應該支付的實際價格，假設按照點擊計費 ( cpc )，pCTR是預估點擊率，那麼：

• 買家1的競價值=Ecpm1=1000*pCTR1*Y1

• 買家2的競價值=Ecpm2=1000*pCTR2*Y2

假設Ecpm1＞Ecpm2，則買家1獲得該次曝光，買家1的點擊支付的實際價格爲：

Y-1[Ecpm2/(1000*pCTR1)]

Y-1是買家1虛擬估價的反函數。

廣告的實際計費的計算雖然多了一步，但是本質沒變，從上圖1中我們可以看出，買家2的估價明明更高，但是物品被分配給了買家1，顯然不是一個公平的競價環境，也不是一個有效的拍賣，這涉及到了價格歧視。 看人下菜碟，知道你是個有錢的主，你要同樣的東西就得比別人多出錢，怎麼知道你是個有錢的？這就基於系統對你過往的理解，歷史數據的收集，通過建模擬合出來你的估價分佈函數，有些大數據殺熟的意思，直覺上給人感覺很不公平，不過在現實生活中價格歧視無處不在，比如工業用電和居民用電價格就不同 ( 三級歧視 )，出租車分公里數階梯計費以及個人稅分階梯計費 ( 二級歧視 )，壟斷廠商不同買者不同價格 ( 一級歧視 ) 比比皆是，可是爲什麼採用虛擬估價函數的時候賣者的收益就最大化了呢，這涉及到經濟學的一個解釋，受限於篇幅，我們將在後面的文章進行解讀。

作者介紹：

莫菲克，一個對廣告有濃厚興趣的廣告從業者。

原文鏈接：

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