前文：來自@[策略產品經理研習社]（公眾號chanpin007）的一些Q&A的梳理和思考。

從我以往的經歷來看，廣告平臺的策略，尤其是智能化的也蠻多，可以參考我文章的頭圖。個人覺得有價值的是兩方面：一是怎樣實現智能投放？（這涉及到ROI問題，管的是不同場景/目標/人羣/業務的綜合策略，往往是要利用規則+策略去餵養演算法模型進行定義、權重、計算、排序）二是如何去防止流量作弊？（這涉及到價格的預算和預判，流量的價值和防刷防作弊）

由於這個話題比較大，從我經驗是第一塊比較有經驗，所以會重點展開多一些。

對於第二塊會以RTB（競價模塊）來舉例，說下如何處理的思路。後面若有相關分享，則此篇是系列一。以下內容，純文無圖，學習需要耐心。

#目錄#

  • 一、什麼是廣告平臺的智能投放策略？
  • 二、智能投放需要怎樣的演算法策略？
  • 穩定目標CPM：
  • 目標CPM+CTR：
  • 穩定目標CPC：
  • 目標CPC+CTR：
  • 目標CPA：
  • 目標CPA+老客：
  • 目標CPA+新客：
  • PDB退量控制：
  • 投放速度控制：
  • 三、看數據反饋的業務效果的策略有哪些？
  • 四、廣告系統的防作弊策略怎麼智能？

一、什麼是廣告平臺的智能投放策略？

簡單來說是什麼呢？

就是通過各種訓練及機器學習，我們可以在競價前（離線）對歷史的廣告請求、廣告投放、點擊後到站及轉化等等大量歷史數據，進行訓練離線模型。

如何實現呢？（觸發的運轉流程）

  • 當有廣告曝光機會競價請求，
  • DSP被邀請參與競價的時候，
  • DSP方的智能推薦引擎根據廣告請求的人羣標籤、瀏覽器、時間、地域、廣告位尺寸等等多維度特徵，並結合廣告創意的特徵，
  • 依據離線已事先訓練好的，對不同特徵效果預測的數據模型，
  • 預測該次廣告展現可能產生的價值，包括到達率、點擊率、點擊轉化率等，
  • 並根據預測來評估進行合理的出價，從而實現對目標人羣的競價購買。

（原諒我懶得畫圖....）

二、智能投放需要怎樣的演算法策略？

我想的智能就是要在不同業務、目標、場景、人羣、ROI等綜合因子達到一個平衡點的餵養模型，並且這個模型會基於不同的因素和風險點來觸發「自身調節」。

簡單來說就是：能自我學習、處理、反饋修正。

常見的推薦出價引擎策略（這些策略很多時候會交叉並用）有很多，或者隨著業務和產品的發展，用戶羣體畫像的遷移變化，也會不同的交疊、改變以優化。

我無法收集和列舉，只能分享一些行業通用的標準，來給大家拋磚，以此希望能引玉。

此外，也同樣也是幫助大家有一些「預判」認識。（PM需要關注的是：在日常工作實踐中能知道什麼場景下該選用什麼演算法即可。對於演算法內部的詳細機制也不做大篇幅的展開）

  • 流量探測：

這種演算法就是簡單在廣告請求的底價之上，加一定比例或固定的數進行出價。

因為是流量探測為目的，基本是打底廣告投放，這樣可以訓練出大量的有價值的數據（如最低成交價、成交價同勝率的分佈等等）。還有一些需要大曝光的廣告投放也會採用這種演算法。
  • 穩定目標CPM：

這是最基礎的一種策略。一般演算法可以依據預測成交價、及目標CPM設定、及歷史勝率來計算出價。

  • 目標CPM+CTR：

這個演算法是在達成目標CPM的基礎上，達成CTR目標的方式類篩選流量及計算出價。

  • 穩定目標CPC：

這個演算法主要是通過CPC目標，依據CTR預測、及出價、及勝率模型數據反推CPM出價。

  • 目標CPC+CTR：

這個演算法是在達成目標CPC的基礎上，並以CTR目標篩選流量及計算出價。

  • 目標CPA：

這個演算法會預估轉化率，根據歷史投放計算該點位在該廣告主、該行業的轉化率，過濾掉轉化率較低的流量，最終以CPA期望計算出價。

  • 目標CPA+老客：

這個演算法會提取多維度的feature及其交叉維度，通過機器學習獲取 feature權重，根據feature權重對老客進行打分排序，取top進行投放，並以CPA期望計算出價。

  • 目標CPA+新客：

這個演算法會根據轉化數據為正樣本，提取feature，根據feature得到對應廣告的擴展人羣，打上相應的標籤然後對相似標籤進行投放，並以CPA期望計算出價。

  • PDB退量控制：

這個演算法主要在PDB視頻退量模式使用。會實時動態記錄，並計算每Deal退量比，確保退量小於閥值。當然還會兼顧TA篩選及頻次控制等等因素。

  • 投放速度控制：

這個演算法主要基於PID（比例Proportion、積分Integral、導數微分Derivative）反饋迴路閉環控制。

  • PID控制的基礎是比例控制；
  • 積分控制可消除穩態誤差，但可能會增加超調；
  • 微分控制可加快大慣性系統響應速度及減弱超調趨勢。
  • 運用「傅立葉變換」將流量波動波形及投放進度波形進行數學擬合的基礎上來做預測。
  • 來控制投放速度，確保均勻投放，或快速消耗等等。

大體的處理邏輯：就是實時依據投放反饋數據，來動態運用比例、積分、微分手段及勝率的預測，控制投放速度的均勻穩定。

三、數據反饋的業務效果的策略有哪些？

一般常用的就兩種，如果有條件都是結合使用的。

（其他細分業務還會做其他測試反饋，包括用戶訪談、模仿預測等，關於線上模擬、技術等回歸指標不在此討論。）

  • 策略1：AB測試：

這個常用於新演算法策略上線，或尋找合適的演算法時，會使用該策略在真實投放中觀測效果，找出最優的演算法。

  • 策略2：Ranking排名：

這個主要是綜合上述策略演算法的整體調度演算法，並從宏觀提升整體流量利用率，及整體ROI來對各策略的得分在進行加權計算，排名得出最合適的出價者。

一般權重：訪客>轉化>點擊。（具體賦值可以參考[策略產品經理研習社]，裡面很多文章有提到權重比例得分，特徵選擇和反饋數據）
  • 小結：

實操中通過歷史數據建立數學模型過程中，不可避免地要注意到，數據中會存在一些噪音。

所謂噪音，可以簡單理解就是幹擾模型運算的東西，就是一種幹擾。就像我們不管如何行路，都會受到摩擦力。但穿什麼、如何行駛可以使所受的摩擦力也隨之變化（減少）。

怎麼做呢？

如常用的方式是：加入一些人工幹預，設置補償因子及係數的方式。

  1. 一方面這樣做可以一定程度簡化演算法及模型，
  2. 另一方面也大大降低對計算資源的消耗，從而降低成本、提升效率。

（這也是典型的二八原則的做法：大部分80%的問題僅需要20%的投入即可解決。）

四、廣告系統的防作弊策略怎麼智能？

需要預防作弊嗎？

需要，並且可以說偏向業務的系統都需要防作弊機制。

為何需要？舉個例子，RTB來說：RTB屬於競價，而價格是比較敏感的東西，影響廣告主、平臺主和流量主等的「元素」。如果流量都參差不齊，那麼流量帶來的廣告曝光價值肯定不一樣，不能好的壞的都取得「高價或者統一價」吧？同時，RTB管單價，正是更多流量商都希望能取更高，都想刷刷。所以，需要預防作弊）

怎麼做呢？

  1. 首先，我們已經知道RTB長尾流量中的流量質量參差不齊，所以防作弊是DSP的一個十分重要的模塊。
  2. 那麼，處理的方式，一般來說是：通過規則引擎設置（監督學習）或關聯挖掘（非監督學習）非人類流量特徵，並實時進行過濾。
  • 當嫌疑特徵流量會被放入觀察室，不可競價，待嫌疑特徵消失纔可使用。
  • 當那些分佈較為特徵集中的廣告流量其很有可能存在問題。（常見的一些特徵例如：單用戶ID或IP地址請求間隔時長多短、某些用戶請求集中在某些媒體或頁面，而不是全網使用等等。）

（這塊可以參考[策略產品經理研習社]社區中的風控策略章節內容，類比原理邏輯）

—————

以上，謝謝

希望對你有幫助，

大家也可以分享給身邊有需要的人~

附：關於信息

以上內容，來自點評整理自飯糰「策略產品經理研習社」，乾貨內容匯總： dwz.cn/f2q6gKCo

PM+策略—>高級PM，是PM成長和脫穎而出的路徑之一。「策略產品經理研習社」做兩件事：1.社區：分享產品經理策略通識、AI和策略類產品經理的修鍊乾貨；2.服務：提供入行產品經理的0-1轉型和麪試指導，PM日常答疑幫助；策略類涵蓋：AI人工智慧、商業廣告、推薦系統、搜索排序、電商策略、黑客增長、用戶運營、數據分析、風控等

公眾號：chanpin007（策略產品經理研習社）

乾貨匯總： dwz.cn/f2q6gKCo

飯糰-社區入口：（微信掃描）


推薦閱讀：
相關文章