您现在的位置是：首页 > 企业推广 > 常见问题

OCPC在线广告计费及定向方式简析

2021-06-17 08:52:47作者：企业好帮手人已围观

简介在线广告投放是对于实时性和响应率有极高要求的推荐营销类应用场景，其多种lookalike算法思想对于银行的推荐营销类产品有极强的借鉴意义。...

　　随着互联网的诞生与发展，在线广告也应运而生，这是一种以各类互联网产品为媒介向潜在消费者传递营销信息的新型广告形式。

　　目前主流的在线广告媒体主要包括：传统网站、搜索引擎、视频网站以及社交媒体等。

　　与基于电视、报纸为载体的传统广告相比，在线广告的优势在于可以实时精准记录广告曝光、产品点击、下载、购买等实际数据，从而能够有效结合新兴的大数据和机器学习技术完成广告的智能付费和精准营销。

　　本文中，笔者将总结目前主流在线广告的业务投放流程，并介绍几种主流的在线广告计费模式CPT、CPM、CPC、CPA以及近年出现的智能计费模式OCPM、OCPC、OCPA。在智能计费模式下，系统将协助广告主通过实时预估每一次点击的转化率并基于竞争环境智能出价，强化高转化率流量获取，弱化低转化率流量展现。

　　最后，本文将重点介绍提升广告效果的两种主流定向方式以及目前适用于解决不同场景下用户定向问题的4种Lookalike方法。

一、在线广告系统投放业务流程简介

　　不同的媒体都有着适用于自家形式的广告投放历程，但一般至少包含以下流程：

　　下面将详细介绍以上流程：

1.广告投放计划设置

　　广告主一般通过媒体提供的客户系统创建自己的广告投放计划，投放计划中一般至少包含：

　　预算计划，如每天的最大消费上限、预算消耗速率等。

　　定向计划(广告投放客群选择)，如使用标签直接筛选，如指定地域、性别、年龄段、职业等进行投放，实力较强的媒体(或依托第三方科技)可能会提供基于lookalike算法等新兴技术的智能化定向投放方式。

　　计费方式，广告主可结合自己的营销目标和实际情况从CPT、CPM、CPC、CPA中选择最适合自己的计费方式,实力较强的媒体一般还提供智能化的OCPM、OCPC、OCPA等计费模式以供广告主进行选择。

2.广告竞价队列筛选

　　当用户产生媒体的浏览行为(如搜索网站)时，网站除了展示自然内容，还要展示广告内容。

　　例如，当用户搜索“新型肺炎病毒”后，系统会先判断当前用户是否可以投放广告，如客户未达到系统规定客户每天广告浏览上限(过多的广告会影响用户体验，网站会在收益和用户体验之间权衡)，系统才会进入后续流程。

　　接下来，广告投放引擎会通过广告位管理模块判断当前页面可以展现什么类型的广告，然后从已经完成广告投放计划设置的广告中筛选符合展现条件的广告，并将所有符合条件的合法广告放到一起，产生一个合法广告队列。

　　例如，如果某个广告预算消耗完了，或者广告内容与客户搜索的内容差异较大，将无法进入合法广告队列。

　　此外，对于设置了定向客群投放的广告，如果浏览用户不满足筛选条件，则将该广告从广告队列剔除;对于采用Lookalike相关定向算法的广告，系统通过前期训练的模型对浏览用户进行点击率、转化率的预估，过低的广告将会从广告队列删除。

3.广告竞价队列排序

　　一般来说，处于竞价队列中的广告既能满足媒体用户的需求，也能满足广告主的需求，但由于浏览用户的广告位m有限，而竞价队列中的候选广告数n一般较多(m

　　现存的竞价机制主要有三种：广义第一价格(GFP)、广义第二价格(GSP)和VCG。

　　GFP机制的缺点主要在于广告主需要不断地调整出价才可能达到最优，系统整体收益也会因此而变得不稳定，另一方面，VCG虽然通过激励兼容(讲真话)的机制取得全局均衡效果，但计算较为复杂。

　　因此目前主流的媒体主要采用GSP来实现竞价模型，并且实际中都会对GSP做各种调整。

　　GFP、GSP竞价模型的设计都是以提升媒体广告收益的为目的的，在单次的竞价中一种常用的标准是通过量化竞价队列中不同广告本次投放后的预期展示费用排序标准。

　　此时，不同计费模式下的广告可以通过计算可能为媒体带来的收益期望来进行统计量化排序。如CPC计费模式下，广告主为媒体带来的收益可预估为:

　　rank=Bid_cpc*eCTR

　　其中，Bid_cpc为客户的CPC出价，eCTR为系统预估的该广告点击率，而在CPA计费模式下，收益将被预估为：

　　rank=Bid_cpa*eCTR*eCVR

　　其中，Bid_cpa为客户的CPA出价，eCVR系统预估的该广告转化率。

　　广告引擎将根据系统计算出的预期收益对竞价队列中的广告进行排序，进而从m个广告中挑选出能为自己带来最高收益的n个广告进行投放。

　　值得一提的是，在广告位资源有限、广告主预算有限，不同广告投放条件也不同的情况下，传统的竞价机制只能保证媒体在单次的广告投放中预期收益最高，但如果知道了一天的所有流量信息，往往可以找到收益更大的方式(局部最优->全局最优)。

　　如何优化广告系统的在线匹配策略，提升系统总体收益，还值得深入研究。

4.广告展示与结算

　　从竞价队列中确定好要展示的广告后，展现端会根据排序结果展示广告(一般排名越高的展示位置越好)。

　　如果用户点击了广告，广告系统会自动记录点击日志，这些日志可以作为广告系统中各类算法优化的数据源。

　　同时，相关数据也会经过统计分析后展示给广告主，让他们能够看到自己广告的展示信息、点击信息、转化情况。这些日志(一般会实施A/B测试)，也是各类算法评估效果好坏的重要依据，并可根据展示效果逐步优化改进。

　　最后，平台会根据广告主选择的计费方式对投放广告成功的广告主进行扣费，扣费前一般会经过反作弊系统的过滤(主要是恶意点击)。

二、在线广告计费模式的发展

　　与传统的电视、报纸不同，在线广告的媒体一般会提供给广告主多种不同类型的候选计费模式，这些计费模式都是互联网规模和技术发展到一定阶段的产物，下面按照出现顺序介绍一下目前主流计费模式：

1.CPT/CPM

　　互联网早期，由于用户对新鲜事物的好奇，在线广告的点击率一度高达40%(Templeton and Brad,2008)，产品的转化率也能达到一个广告主比较满意的水平。

　　由于效果良好，广告主愿意接受类似于传统媒体(如电视、报纸等)提供的按投放时间(CPT)、按展现次数(CPM)进行计费的方式。

2. CPC

　　随着互联网的普及和发展，在线广告也变得越来越多，用户不再好奇，随之而来的是在线广告点击率(CTR)、转化率(CVR)的大幅下滑，广告主开始深入思考广告和企业营收之间的关系、广告实际效果如何精确衡量。

　　与此同时，随着对用户行为的深入分析，广告系统的设计人员发现不点击广告A的用户，可能点击广告B，这说明不同用户对广告的点击偏好不同。

　　如果能根据用户的喜好，只投放给他们可能会点击的广告，那么同一时段内，流量可以同时售卖给多个广告主，不仅可以保持整体的广告效果，系统也增加了收益。

　　于是，在网站和广告主协商后，按用户点击次数计费(CPC)的模式应运而生。在CPC模式下，网站可以将流量卖给更多的广告主，而广告主也乐于为更直接的效果付费，双方均更愿意接受这样的模式。

3. CPA

　　CPT、CPM、CPC模式下，广告主通过估算每次点击的费用(eCPC)，可以灵活选择性价比最高的广告产品。

　　但越来越多广告主对广告位的竞争导致eCPC逐渐升高，且用户的点击行为和广告主关心的最终转化仍存在一定距离，广告主尤其是对短期实际ROI(投资回报率)如GMV(成交总额)等提升更加敏感的小型广告主开始更关注广告对最终转化的影响。

　　在此情况下，部分媒体推出了按用户实际转化数(CPA)计费的新模式以丰富不同广告主的选择。

4.OCPM/OCPC/OCP

　　CPM模式下，广告主会担心投放后CPR和CTR不高，即钱花了，没点击或没转化;CPC模式下，广告主会担心投放后CTR不高，即钱花了却没转化，所以很多广告主都希望媒体能按照CPA模式进行计费。

　　但媒体方的顾虑在于，广告效果如CPR、CTR等不仅取决于媒体方流量质量还取决于广告主自身产品、广告、落地页等多方产品的质量，采用CPA等于担保了广告主的广告效果，对于媒体而言风险较高，因此市场上大部分媒体仅愿意考虑对少数优质产品提供CPA的计费方式。

　　当CPM、CPC和CPA分别无法满足广告主和媒体方时，OCPM、OCPC(OCPA)应运而生。

　　OCPM、OCPC(OCPA)的本质还是按照CPM/CPC方式计费，但其采用更科学的转化率预估机制，在广告主费用一定的情况下，强化高预期转化率的流量占比，降低预期转化率的流量占比。

　　因此，OCPM、OCPC(OCPA)更像是一种以优化广告主广告效果为目标的智能化出价策略。

4.1OCPC下的广告投放

　　目前主流的OCPC模式主要包含两个广告投放阶段：

　　第一阶段：数据积累。

　　第一阶段和传统的CPC模式没差别，广告主需自行设置合理的CPC出价，在获取一定的转化样本后即进入二阶段(样本用于系统进行转化率预估模型的优化训练)。

　　部分媒体也支持直接跳过第一阶段进入第二阶段，其缺点在于直接跳过第一阶段(或一阶段积累样本过少)可能会影响转化率预估模型的精准度。

　　第二阶段：智能投放。

　　根据eCVR进行智能投放，以转化成本为优化方向，帮助广告主提高广告转化效果，此阶段广告主可设置合理的CPA范围作为OCPC二阶段的优化目标。

4.2 OCPC作用原理和优势

　　下面我们通过媒体不同模式下的实际计费方式和广告位竞争排序值理解OCPC的原理和优势：

　　GFP、GSP竞价模式下，媒体在广告满足基本条件的前提下(如广告不能涉嫌欺诈、影响用户体验、eCVR过低等)，从最大化收益的角度出发，主要的参考指标是eCPM(每次展示的期望收益)。

　　例如，广告主选择传统的CPC模式计费，其eCPM = eCTR * CPC，而在OCPC二阶段中由于eCPM被调整为eCTR * eCVR * 目标CPA。因此，在目标CPA一定的前提下，广告主可以提升自己在高eCVR流量中的eCPM值，提升竞价排名。

　　直观感受就是二阶段的OCPC理解就是通过智能预估转化率，帮助广告主针对适合自己的广告位(高eCVR)，动态提高CPC = eCVR*预期CPA，强化了高转化率流量的曝光占比。

　　例如，广告主A和B设置的目标CPA均为100元;在OCPC二阶段模式下，系统计算出某广告位A和B的预估点击率eCTR_A、eCTR_B分别为0.1、0.2,预估转化率eCVR_A、eCVR_B分别为0.1、0.3，那么系统计算出的A和B的排序水平分别为：

　　Rank_A = eCTR_A*eCVR_A*100 = 1

　　Rank_B = eCTR_B*eCVR_B*100 = 6

　　此时，B胜出，且系统将此次广告的价格实时调整为：

　　CPC_A = eCVR_A*100 = 1

　　CPC_B = eCVR_B*100 = 3

　　上述分析说明OCPC模式下，系统通过动态调整CPC价格，在CPA不变的前提下，增加了高预期转化率广告的曝光机会，实现流量增值。

4.3 OCPC和CPC/CPA比较

　　OCPC和CPC的实际计费方式都是按照点击计费，OCPC的一阶段与CPC完全相同，区别在于OCPC的第二阶段，系统会根据广告主设定CPA目标动态调整CPC出价，其通过智能算法出价替代了传统CPC计费模式下人工调整CPC出价的工作。

　　OCPC和CPA的区别在于两者使用的计费方式不同，在OCPC第二阶段，广告主设置的目标CPA仅作为系统的优化目标，实际的计费方式仍采用CPC。

4.4OCPM/OCPC（OCPA）比较

　　OCPM、OCPC还是OCPA一定程度均为媒体和广告主博弈的产物，都是通过广告主设置目标CPA后由系统完成出价策略的智能优化，它们在评估、排序以及定价逻辑上基本一致的，差别在于实际的计费方式。

　　OCPM和OCPC的区别在于实际计费模式是用CPM还是CPC;而OCPC和OCPA几乎完全一致，均采用CPC方式计费，笔者猜测只是不同媒体按照实际计费模式或优化目标的不同命名方式而已。

三、在线广告定向方式

1. 两种定向方式

　　在线广告定向投放的方式主要有两种：内容定向和用户定向。

　　内容定向主要是对广告位的内容进行选择，如在搜索媒体中常见的关键词匹配模式下，广告主可指定一组希望投标的关键字来定位其广告。

　　如果关键字出现在合适的上下文中(搜索查询或页面内容)，该广告才会进入广告位竞价队列。该模式的缺点在于广告主可能很难枚举它想要投标的整个关键字集。

　　为缓解此问题，许多广告平台推出了宽泛的关键词匹配模式，该模式下，广告商提供的每个关键词都被扩展到一个更大的关键词集合，如关键字“自行车修理”可以扩展成近似的关键字 “修车”和“修理我的自行车”。

　　用户定向模式下，广告主可通过特征筛选用户。这些特征可以显式地指定，也可以从用户的行为中推断。

　　传统的特征筛选主要依赖于广告主在了解自身产品的基础上通过业务经验结合一定的数据分析后找出合适的筛选标签，如年龄、时段、地理位置等。

　　这种方式的缺点在于对广告主业务经验的要求较高(新产品往往较为缺乏)，且往往筛选出来的人群规模不易控制，需要不断尝试;另一方面，与关键字广告一样，列出所有目标用户特征对于广告主来说是极其困难的。

　　为解决此问题，一些广告平台提供了智能化的筛选方式，广告主可以通过给定一批种子客户来告诉系统自己想要将广告投给什么样的人。

2.Lookalike算法

　　Lookalike是优化解决用户定向问题的一系列方法集合，Lookalike通过各类数据分析、数据挖掘和机器学习技术，减少用户定向对于广告主业务经验的依赖，实现广告目标客群的精准定位。Lookalike主要有四类：

　　基于多方计算平台的数据分析

　　基于相似度量化的Lookalike算法

　　基于响应率预测的Lookalike算法

　　基于社区扩散的Lookalike算法

2.1基于多方安全计算平台的数据分析

　　严格来说，该方法不能称之为一种Lookalike算法，其和依赖于广告主自身业务经验或者数据分析确定目标客群方式的差别主要在于其数据标签和维度的丰富程度上。

　　广告平台可以基于多方安全计算平台在保障数据隐私安全的前提下从多个外部数据源扩展可用的数据标签范围。

　　通过更加丰富的数据和标签维度，提供Lookalike技术服务的公司往往可以提供比广告主自身更加丰富合理的目标客群标签信息。

　　另外，该模式下的多维数据标签均可以作为其他类型Lookalike算法的输入。

2.2 基于相似度量化的Lookalike算法

　　基于相似度量化的Lookalike算法，主要通过将用户向量化表示后构建相似度量化模型完成任一用户与种子客群之间的相似度计算。

　　2.2.1 用户的向量化表示

　　进行相似度量化计算的前提是客户的向量化表示，包括word2vec、doc2vec、node2vec等技术都可以用于对于客户不同类型数据的转化，主要的数据类型包括：

　　属性类数据：如年龄、性别、学历、职业等基本数据;在处理类似于学历、职业等多分类数据的时候，一种可行的方法是进行one-hot处理，部分类别较多的变量可能会衍生出过多的0-1变量，此时可以考虑将该变量中的不同类别命名当成单词处理，这样即可以使用word2vec技术完成该分类变量的向量化表示。

　　社交类数据：在微博等强社交型媒体中社交类数据一般较为丰富，其对用户相似性的影响较大;目前基于图数据的挖掘技术主要包括两类：基于客户图特征的挖掘，如距离、中心性等图指标;另一种是基于随机游走条件下的node2vec方式挖掘，其核心思想是使用随机游走模型抽样出大量的节点序列，之后利用类似于word2vec中使用的skip2gram算法完成图节点的向量化表示。

　　文本类数据：短语或者词汇类数据采用目前成熟的word2vec即可以完成词向量的转化;对于一段话这种，文本的向量化可以通过word2vec算法结合词的重要性量化算法tf-idf完成，或者直接采用doc2vec完成，doc2vec算法的优势在于考虑到了语序信息对文本的影响。

　　2.2.2相似度量化模型构建

　　主流的相似度量化模型主要包含三个步骤：不同特征的相似度计算、用户间的相似度计算、用户与种子客群的相似度计算。

　　特征的相似度计算以用户特征的向量化表示为前提，可用如余弦相似度公式进行计算，之后可以进行用户间的相似度计算。

　　假设和分别代表某个种子客户和某个候选用户的向量化表示，两者之间的相似度可以量化为：

　　其中，为各个指标的相似度(可用如余弦相似度公式进行计算)，为不同特征的相似度权重。

　　考虑到不同特征和客户相似度的相关性不同，因此我们需要预先训练出不同向量在相似度计算中的权重。

　　例如，我们将历史上经常在同一广告中响应的客户作为正样本，将很少或基本不在同一广告中响应的客户作为负样本，通过构建LR模型进行不同指标的相似度权重训练。

　　另外，不同的机器学习方法如RF、GBDT、DNN、FM等也可以用于不同数据条件下用户间相似度模型的比较训练。

　　种子客群往往有多个种子节点，因此需要结合候选节点与各个种子节点的相似度结果共同量化其与种子客群的相似度。

　　可以取候选节点与种子客群中客户的最高、最低或是平均相似度作为最终的相似度结果，或者取候选客户与种子客户中相似度最高/最低的N个值平均作为最后的相似度结果。

　　显然，N取决于种子客群的差异性和规模，差异性较大的种子客群可能由几类不同的客群构成，此时较小的N值可能可以取得一个比较好的模型效果。

　　2.2.3相似度量化模型的优缺点

　　相较于传统的客户画像方式，基于相似度量化的Lookalike算法通过训练不同特征相似度权重的方式充分利用了所有特征的信息，其本质上是应用了客户对于历史广告的响应数据进行迁移训练。

　　基于相似性量化的Lookalike算法很容易在用户客群规模较小时方便快捷的实现，难点在于当用户规模急速扩大后，计算用户间的成对相似性不是一项简单的任务。

　　例如，对于M个种子客户N个候选客户以及K个特征的场景，使用训练好的相似度模型进行相似性计算的时间复杂度为O(MNK)，这在大规模的实时应用场景中需要极强的算力支持。

　　在相似度计算中，将用户视为点，相似度视为边，进而构造出一张user-2-user的全局图，能够极大程度上加速发现相似用户的速度。

　　然而，天下没有免费的午餐，构建这张全局图的时间复杂度为O(NNK)。

　　为解决此问题MiniHash+LSH是一种近似计算的优化方案，该方案下，相似度高的能以较高的概率映射至不同的桶中，因此只需在每个桶中构建user-2-user的子图即可实现高相似度目标客群的查找，时间复杂度可优化为O(CnnK),C为桶数，n为一个桶的客户数。

2.3基于响应率预测的Lookalike算法

　　基于相似度量化的Lookalike算法通过确定用户不同属相似度的占比权重完成相关的相似度量化，权重训练依赖于用户在历史中各类产品或广告的表现进行构建，其缺点在于未考虑不同类型的产品，同一特征占有的相似度权重是不同的。

　　比如对于电子类产品，客户性别、爱好等应占有较高比例，而教育、培训类产品可能对客户的职业、学历特征较为敏感。

　　因此，通过定义正样本的种子客户，以及从候选客户中抽样出一定比例的负样本，通过LR、RF、GBDT、DNN等机器学习对于不同的广告构建自己的响应率模型是一种较为理想的解决方案。

　　相比较于相似度模型，响应率模型的优点主要包括：

　　可以加入构建LSTM子模型的方式完成对于不方便向量化表示的时序类信息进行挖掘。

　　针对不同的数据类型可以有更多的数据处理方法提供选择以最大化的保留原始数据的信息含量，如使用lightGBM可直接训练分类变量。

　　机器学习的本质是将种子的信息抽象到一定的公式或者表达上，在模型训练完成后进行候选客户的响应率预测时，相比于相似度量化中的O(MNK)，其时间复杂度可降至O(NK)，代价就是对于不同广告主的种子客户需要训练不同过的机器学习模型，这就要求系统在模型精度和时间复杂度方面作出权衡。

　　响应率预测方式的缺点：

　　机器学习的训练效果对于种子客群的规模大小较为敏感，过小的种子客群训练出来的模型容易过拟合;过大的种子客群往往包含了几类客群，也需要通过分群的方式提高模型精度。

　　当频繁有新的客户加入种子客群时，为保证模型效果，需要加入新的正样本持续优化训练模型，资源开销较大;解决方案包括采用基于GBDT类算法的增量学习方式。

　　响应率模型的构建对于种子客群的规模有一定要求，因此必定存在一个种子客户不足时的冷启动过程，而相似度量化模型可通过借鉴历史上其他广告的客户表现来完成相似度量化，对种子客群规模的要求大大降低。

　　一种合理的优化方式是通过迁移学习的方式，利用同类广告已构建的模型来完成客户的初始化定向，在种子客户增多的过程中，逐渐调整优化模型;

　　另一种克服冷启动的方式可以在无种子客户(=0)时，通过内容匹配或者基于业务经验的客户匹配方式完成广告投放，当种子客户较少不满足建模条件(如<100)时，通过相似度模型找到类似客户完成投放，在规模一般(如100-1000)时考虑将相似度和响应率模型结合的方式筛选出候选节点，并随着种子客群增大逐渐提高响应率结果对客户的评价权重，最终(如>1000)完全依赖响应率模型的预测结果。

2.4基于社区扩散的Lookalike算法

　　相较于传统的媒体，社交类广告不但应考虑候选节点自身的自身对于广告的响应率，还应该考虑的节点协助进行二次社交传播的可能性，即节点的社交价值。

　　相比较于其他类型的广告，社交类广告的最主要特点是具有互动和传播属性，因此相比于传统的搜索、视频类媒体，社交类媒体中，用户关系类数据是一类独有的数据。

　　相较于前面方法中侧重于找到与种子客户中相似的人，社交类媒体中可以利用社交数据寻找种子客户占比较高的社区来完成目标投放。

　　另外，由于社交类媒体的广告效果不仅仅停留在投放期的即时互动上，好的社交广告会引发大众的传播效应，从而大幅提升社交类广告的作用。

　　因此，社交类广告在投放时，广告主不但要考虑候选客户自身的响应概率，还应该考虑候选客户在网路社区中的口碑和影响力，高影响力的候选客户有助于广告主的产品在短时间内形成“病毒传播”，从而扩散到世界上的每一个角落。

　　一种可行性的方案是通过图数据库构建用户的关系网络后，通过如Louvain或标签传播等社区发现算法完成社区划分，从中找出种子客户浓度较高的的社区，之后通过如Pagerank等中心性算法量化节点在社区中的影响力，最终结合相似性和传染能力(如中心度)两方面综合筛选出优质的候选节点。

3.不同定向方式的效果评价

　　在线广告定向方式的核心目标均在于在提升广告主的投资回报率(ROI),因此大部分定向方案可以通过A/Btesing比较不同方案下对于广告主关心的各类指标(如点击次数、转化次数)来比较方案的优劣。

　　值得一提的是，社交类广告的效果往往不仅只局限在广告目标客户的点击和转化等直接结果，它有一个重要的特点是可以互动和二次传播，如何衡量该类广告不同方案下的广告投放效果值得研究。

专业名词解读：

　　CPT(Cost Per Time):照展示时长收费