转载出处:http://blog.csdn.net/stund/article/details/73611755

0、背景简介

之前了解oCPC概念是从今日头条流传出来的,之后各种寻找终于找到大淘宝的一篇原创性的论文。点个赞!下面正式开始。

文章提出了Optimized Cost per Click(oCPC)方式去优化站内广告投放效果-自动动态调整广告对流量的竞价bid,控制roi的同时提高gmv。具体场景是淘宝这种能拿到最终转化数据的平台的广告投放工作。在移动端的列表页广告与banner广告场景中展开。

整理文章中的缩写:

  • pay per click (PPC)

  • gross merchandise volume (GMV)

  • cost per mille (CPM)

  • cost per click (CPC)

  • Real-time bidding (RTB)

1、Introduction

淘宝广告平台的特征:

* 打通用户从浏览到付款的闭环。

* 广告主多数是中小型商家,相比品牌效应更关注收入的提升。因而增加gross merchandise volume (GMV) 对这些商家有益。

* 投放广告需要满足媒体的要求。以GMV为例分析一下:首先,不影响用户体验,需要在商业收入和用户体验之间达到双赢的状态。其次,广告主大多是淘宝平台的商家,其广告费多数来自于其收入的某个固定比例。所以,增加GMV能影响广告主增加广告投入,有利于广告平台的长远发展。

相对于CPS时广告主承担更小的损失风险却忽略了点击的价值,导致 worse traffic liquidating efficiency. 而CPM则是广告主方承担了较大的损失风险,综合来看CPC是淘宝平台广告比较有效的运作方式。 Facebook[9] 在之前的文献中有提出类似的oCPM:广告主按点击出价而按展现量计费适合SNS网络。

淘宝广告平台系统流程:A, matching stage匹配过程,从大量广告中粗选出一些广告。B,Real-Time Prediction(RTP) 预测精选广告集的pCTR。C,基于bid*pctr排序。

传统广告投放系统中,只能指定特点用户群体与广告位上的叫初粒度的竞价bid。缺点是:A,不同质量的流量没有在出价中体现出差异。B,对应的eCPM追求的是短期的商业利益,而不能优化GMV等长期收益因子。

OCPC: 对每次广告请求都动态设置bid 为与该流量的质量相匹配,综合优化了用户体验、广告主的诉求、淘宝平台方的收入;同时保持使用eCPM的排序机制不变。

2、System Architecture

介绍了淘宝广告业务的工程架构与对应的数据流动方式。先上架构图:

各个子模块的简要介绍:

  • Front Server: 大前端对接一次广告请求
  • Merger Server: 中心Hub。 内部的Strategy Layer进行oCPC优化流量,广告去重,广告计费。
  • Matching Server: 提取用户信息标签集合,用于广告主的用户定向需求。
  • Search Node Server: 生成所有相关的广告Ads与其出价bids。
  • Real-time Prediction Server(RTP): 基于Mixture of logistic regerssion, MLR预测pCTR与pCVR。
  • Data Note Server: 用Smart Creative Service(SCS)进一步优化。

3、OPTIMIZED COST PER CLICK

下面开始讨论oCPC算法。

本文约定广告主的需求是:ROI 与 增加高质量的流量。GMV则视作广告平台的生态指数。通过调整广告主的bids优化GMV与广告平台的收益(eCPM)。

3.1 Optimization Scope

ROI 约束:

针对淘宝平台主要是中小商家,重视营销效果的需求;平台方主要采取保持它们的广告的ROI持平或增加,优化它们的GMV的方法。

名词说明:

  • 广告活动的集合记为A, 每个广告活动记为a,广告主对应的出价为ba。oCPC通过调整其得到优化后的出价b*a 而得到预先约定的优化目标。
  • 用户对广告a 的预测的成单价(predicted pay-per-buy, PPB)记为va.
  • 一个用户u 在一段时间的总点击数记为 n
  • 用户u 对其点击过的广告a 的成单概率记为p(c|u, a), 一次点击的期望roi=p(c|u,a) * v/ ba .
  • 假设广告a 在给定受众群体与位置时的出价ba是常量,则广告a 在所有投放流量上的期望 ROI为:

  • 上式中,约定v 对每个广告a 是固定的(is inherent),期望值E 对每次广告拍卖时是固定的(is stationary)。
  • 期望值Eu的计算方式:用pCVR模型对过去一段时间的广告(点击)数据进行预测,去掉Top&Buttom的10%的cvr数据后取其均值进行估计。

Bid Optimization Boundary 

基于3.1中的讨论可以对bid 与优化后的bid* 设置一些约束条件, 比如:

bid*a  / bida  <= p(c|u,a) / Eu (p(c|u,a) 时,既能保证最终的 ROI 不会降低。

【讨论】:从这个式子里面可以看到,如果本次的流量的转化大于历史均值,那么提高出价,反之,则降低出价。由于该公式是通过每次优化后当前pcvr较高才提高出价,所以对该广告主会引入更高转化率的流量,长期累计后Eu的值也增加,从而会导致bid*/bid 趋近于1 (上限值)。

一些bid 优化的原则:

  • 在保持ROI约束(不增)时,增加bid 的值,从而提高广告主获得有价值的展示流量的机会。(说明:即 p(c|u,a)/ Eu >=1 ,对应约束条件中的 bid*a  / bida >=1 )
  • 在低价值(即p(c|u,a)/ Eu <1 )流量上减小bid 的值,为广告主节约成本。
  • 考虑到安全和商业环境因素,将波动的上下限设置一个阈值 ra =40%。

优化原始出价bid 后的出价上下限为:

如果广告主关闭优化bid的功能,则上下限都为广告主的原始出价bida 。

3.2 Ranking

提出一种新颖的方法优化bid,达到在综合考虑各方需求并保持用eCPM 排序的情况下,达到最佳综合指数的效益( composite index )。

给定广告k,在eCPM 排序机制下优化bid的目标函数为:

说明:

  • f( * ) 是bida 的单调递增函数。两个计算函数的例子:
  • f1(k, bk)=pctr∗pcvr∗vk,  即提高GMV。

    f2(k, bk)=pctrk ∗pcvr∗vk + α∗pctrk ∗bk ,综合提高GMV 和 广告收入。

  • 上式的约束条件1: argmax pctr * b 表示保证按eCPM排序时保持在第一位。
  • 约束条件2:控制优化后的bid在3.1中约定的上下限区间里。
  • 约定pctrk ∗bk 的边界为 l(S*k)=pctrk ∗ l(b*k),u(S*k)=pctrk ∗ u(b*k)。

排序求得最优的bid’a 实现 f(k, b) 的最大化:只需要将广告按f(*) 降序排序,选择对应的 u(Sk )  >= 所有其他广告的l(Si )  的广告k (保证满足上式中的两个约束条件),作为结果广告展示并将其出价bk  置为 u(bk )  ,然后调整其他广告的bid值使得广告k 具有最大的eCPM 值。

算法流图:

说明:

  • 第3行即先对广告集合进行排序。
  • 第4-5行即挑选出一个广告k
  • 第8-11 行即对应更新剩下的广告的bid和eCPM的上限,保证前面被选出的广告k 有最大的eCPM
  • 第13-15 行即将所有广告的优化后bid 设置为其上限eCPM对应的出价。

效果:解耦了最后一步的排序和 广告流量目标,一方面,广告仍然通过最大话eCPM的方式排序;另一方面,广告平台可以根据不同的目标函数f(*) 选择不同的广告。

3.3 Algorithm Details

校准:

历史经验发现,在oCPC之前得到的预测值cvr存在某些固定的偏差,因而需要对预测值先进行校正,再用来计算oCPC。

在对应的真实CVR值较大是,RTP模块的模型预测的pCVR值会被估计为一个更大的值。我们将广告按其pCVR升序划分为20组,对比不同组的预测pCVR与真实cvr的比值,会越到较大值的pCVR所在组时比值越大。

校准预测的pCVR的方式:

其中,tc 即阈值点,tc=0.012。

【讨论】:因为p(*)<1故log(p) <0,将p(*) 的值缩小,达到缩小pCVR与真实CVR的gap(pCVR > 真实CVR)的效果。

完整的oCPC 算法流程图:

说明:

  • 第1-4 行进行预测值校准 与 上下界计算。
  • 之后进行排序。
  • 最终返回优化后的bid(个人理解:计费与广告的真实排序不是按本文中的rank()来的)

4. MODEL ESTIMATION

In CVR prediction, the results of click quality model are used as input(提升明显)。

对比pCVR - 真实CVR 曲线 和  pCTR - 真实CTR 曲线来看,前者出现在最大pCVR组的真实CVR下降的转折,而pCTR则与真实CTR的趋势一致。

文献【6】表明,有些时候线下跑出的AUC更好的模型,上线后效果可能不好。AUC指标并不区分不同用户与广告位。本文中提出一种新的Group AUC(GAUC):

  • 1,按用户和广告展示为将测试数据分为若干组。
  • 2,在某个组内计算对应的AUC,对应全部为正or负例的分组从数据集中去掉。
  • 3,将各组的AUC 加权平均得到GAUC。 权重W(u,p) 于各组的曝光 或 点击次数相关。

监控CVR 和 CTR模型过去一周的线上数据AUC 和GAUC,每天的值都比较平稳。说明满足oCPC 实验的高度可靠性的要求。

5. EXPERIMENTAL RESULTS

5.1 Offline Simulation

线下模拟采用模型的预测概率来代替正式的点击率 或转化率。

设计了4组实验:

  • Strategy 0 (Str 0), 线上策略。
  • Strategy 1 (Str 1), 一种简单的点击率优化策略,优化后的bid’ 的计算公式:
  • Strategy 2 (Str 2), 本文提出的OCPC策略,上式中的max f(k, b’) 的计算公式:
  • (补充说明:考虑了整个广告队列的转化情况,是提升ROI效果的重要原因)
  • Strategy 3 (Str 3), 直接按 pctr ∗ pcvr ∗ bid 排序,而不做bid的优化。
  • 其中,Str 1 与Str 2 的参数w 采用交叉验证取值为2 和 6.
  • Str 1 聚焦于优化广告主的ROI而不保证对RPM的效果。 Str 3 通过按pctr*pcvr*bid 排序提高GPM,同事拉低的RPM(因为pay per click 与CTR下降)。只有Str 2 同事在GPM、ROI、RPM之间取得效果。

Offline simulation results indicate that larger ra can bring better performance.

the increment of RPM is less than that of GPM, which results in a higher ROI lift when the adjustment range is large.

分 campaigns 分析:

取广告消费TOP10 的活动分析,其中有8个的ROI有提升。其中有7个活动的GMV增加而PV降低-即他们放弃了部分相对它们而言的低质量流量。

5.2 Online Results

目前淘宝的列表页广告每天有9+KW(@201608)。

Advertisers’ interests (indicated by ROI), platform’s revenue (indicated by RPM) and overall GPM achieve a tripartite win-win situation.

In all campaigns with more than 5 conversions in a week, 67% campaigns get GPM and ROI improvement at the same time. And 24% campaigns are in the so called quantity and quality ex- change situation: their PV increment is larger than the ROI drop.

more than half impressions belong to group 5, the middle group which includes records with b= ba. It’s a reasonable observation, because the bid optimization upper bound for those low quality traffics is set to  ba according to Eq5.

不同的广告品类由其内部固有的ROI和CVR区间。

分析不同品类的占比变化: PV占比方面,the traffic shifting is not too obvious, with all the variations are within ±10% 。17% categories (with 62% PVs) get GPM and ROI improvement 。

在淘宝双十一前,商家比较关心用户将其商品放入购物篮的数据。本文使用OCPC实验不同的f(*) 在双十一前夕的表现。公式如下:

效果:OCPC策略将  ASR has been improved 15.6%

同时也在Banner CPC广告中实验了OCPC,公式如下:

其中,w=6,ra =0.4,

在f(*)中去掉了va, because there are store campaigns in which PPBs of different items vary a lot.

效果也提升明显。

其他参考:
58商业广告从CPC到OCPC的技术探索
http://www.yopai.com/show-2-208046-1.html
今日头条广告重磅上线 目标转化出价(oCPC出价) 让优化变得简单的正确姿势
http://www.seohow.com.cn/tui_guang/3406.html
精准投放、动态定价、更多成交,阿里新算法帮卖家解决广告投放难题
https://news.cnblogs.com/n/576241/

机制设计智能出价:OCPC相关推荐

  1. oCPC实践录 | oCPC产品设计与出价原理(2)

    在上篇文章oCPC实践录 | oCPC产品设计与出价原理(1)中已经提到了oCPC产品设计的前两个关键点(1)转化目标和给定成本(2)模型,这些都是oCPC产品做好的必要条件,本篇讨论(3)怎么出价保 ...

  2. 深入互联网广告中的出价模式(中) — 智能出价模式

    (上)篇回顾 在(上)篇中我们探讨了出价模式的"四点三率两控制一加强"分析模型中的"四点三率".其中"四点"即竞价点,计费点,出价点,考核点 ...

  3. 漫谈广告机制设计 | 开篇语

    很久没有写文章了,oCPC实践录的专栏还没有写完,我就换工作了,去了M公司,做的内容与oCPC不怎么相关,对于其中的问题思考也没有那么多了,好在专栏的核心思想已经基本阐明了. 在M公司也已经快两年了, ...

  4. 从央视到谷歌:聊一聊竞价广告的机制设计

    关于竞价广告,很多人有两个极端的看法--第一观点会认为竞价广告非常简单,不就是央视每年黄金广告位招标么,谁出价高广告位给谁: 第二个极端会认为竞价广告过于复杂,涉及到到博弈论.机制设计.拍卖理论.CT ...

  5. 关于“智能出价“的一些探索和实践

    背景 在移动数字广告营销的整个链路中,主要有三个主体,分别是媒体.adx和dsp.对于一个adx系统,主要有两个功能,分别是: 向下对接媒体:汇聚下游的媒体广告流量 向上对接dsp(广告主):将媒体流 ...

  6. 漫谈广告机制设计 | 从维纳斯的七个香吻说起

    情人节就要来了,节日快乐,让我们从一段浪漫的爱情故事开始. 维纳斯的七个香吻-最早的广告费 传说在古罗马一个小国,国王有一个女儿叫普绪喀,长得很漂亮,以至于被人们认为是爱神维纳斯下凡,而不再去供奉真正 ...

  7. 百度大牛讲机制设计和计算广告学

    转自: http://blog.sina.com.cn/s/blog_747e86a90100reyd.html 声明:本系列是一般性介绍,多处引用了田国强老师的<经济机制设计和信息经济学> ...

  8. 广告位置拍卖与机制设计

      假设有一组广告位可以被占用,将这些广告位按照其经验价值排名,分别记为 s=1,2,⋅⋅⋅,Ss=1,2,···,Ss=1,2,⋅⋅⋅,S(对横幅广告而言,这S一般为1).在某次广告请求中,有一组广 ...

  9. 机制设计专栏(3)-组合拍卖简介

    一,何为组合拍卖 组合拍卖属于多物品拍卖领域,其应用领域非常广泛,例如FCC的频谱拍卖,路线规划,网路选优等等.问题描述为,有m件不可分割的待售物品要分给n个bidder,每个bidder对这些物品中 ...

最新文章

  1. ICCV 2017《Unsupervised Laerning of Important Objects from First-Person Videos》论文笔记
  2. 【TweenMax】实例TimelineMax
  3. WordPress 短代码集
  4. 【技术角度看问题之一】ARM到底是个啥?
  5. Head First Java学习笔记(2):类与对象
  6. 苹果手机收不到推送信息_[赞助信息]拜仁签约新赞助商 球员将被禁用苹果手机...
  7. 2014-04-08 创新点整理
  8. abp vnext token失效时间设置
  9. qq视频转码失败怎么办_迅捷视频转换器腾讯视频转换失败如何解决?
  10. SM6125平台扩容camera id的修改方法
  11. oeasy教您玩转python - 002 - # 你好世界 - 各位同学除夕快乐,除旧布新之时预祝能玩
  12. ZYNQ BRAM_ctrl PS PL通信报错
  13. python中幂运算_python 计算幂
  14. 为选区添加描边_ps怎么给选区加上虚线描边
  15. MTTF,MTBF,MTTF
  16. iit delhi_向印度最聪明的人学习—这里有来自IIT的300项免费课程即将开始
  17. 【有利可图网】PS教程:制造低多边形熊猫头像
  18. 2022-2027年中国活性染料行业市场深度分析及投资战略规划报告
  19. 桌面应用程序脚本录制
  20. 从本质矩阵恢复相机矩阵

热门文章

  1. PDF怎么编辑?PDF可以编辑吗?
  2. Latex 数学公式换行 对齐
  3. 3D转换、动画的学习与使用
  4. word恶意样本打开后闪退
  5. C语言一阶低通、高通滤波器滤除截止频率外的杂波
  6. ico格式的计算机图标,ICO(Windows的图标文件格式)_百度百科
  7. 分布式光纤测温火灾报警系统在向家坝某水电站的应用
  8. 静态定时分析、时钟域与同步化设计
  9. vue.js 密码加密_软件操作与排错专题_第五期文档及操作系统加密小攻略
  10. 《WEB服务器——Tomcat》源码学习