广告策略产品经理：浅析广告系统的智能策略有哪些方面？

前文：首发知乎@凤城狂客[策略产品经理研习社]专栏。

来自@[策略产品经理研习社]（公众号chanpin007）的一些Q&A的梳理和思考。

从我以往的经历来看，广告平台的策略，尤其是智能化的也蛮多，可以参考我文章的头图。

个人觉得有价值的是两方面：一是怎样实现智能投放？（这涉及到ROI问题，管的是不同场景/目标/人群/业务的综合策略，往往是要利用规则+策略去喂养算法模型进行定义、权重、计算、排序）二是如何去防止流量作弊？（这涉及到价格的预算和预判，流量的价值和防刷防作弊）

由于这个话题比较大，从我经验是第一块比较有经验，所以会重点展开多一些。

对于第二块会以RTB（竞价模块）来举例，说下如何处理的思路。

后面若有相关分享，则此篇是系列一。以下内容，纯文无图，学习需要耐心。

#目录#

一、什么是广告平台的智能投放策略？

二、智能投放需要怎样的算法策略？

稳定目标CPM：

目标CPM+CTR：

稳定目标CPC：

目标CPC+CTR：

目标CPA：

目标CPA+老客：。

目标CPA+新客：

PDB退量控制：

投放速度控制：

看数据反馈的业务效果的策略有哪些？

广告系统的防作弊策略怎么智能？

一、什么是广告平台的智能投放策略？

简单来说是什么呢？

就是通过各种训练及机器学习，我们可以在竞价前（离线）对历史的广告请求、广告投放、点击后到站及转化等等大量历史数据，进行训练离线模型。

如何实现呢？（触发的运转流程）

当有广告曝光机会竞价请求，

DSP被邀请参与竞价的时候，

DSP方的智能推荐引擎根据广告请求的人群标签、浏览器、时间、地域、广告位尺寸等等多维度特征，并结合广告创意的特征，

依据离线已事先训练好的，对不同特征效果预测的数据模型，

预测该次广告展现可能产生的价值，包括到达率、点击率、点击转化率等，

并根据预测来评估进行合理的出价，从而实现对目标人群的竞价购买。

（原谅我懒得画图....）

二、智能投放需要怎样的算法策略？

我想的智能就是要在不同业务、目标、场景、人群、ROI等综合因子达到一个平衡点的喂养模型，并且这个模型会基于不同的因素和风险点来触发“自身调节”。

简单来说就是：能自我学习、处理、反馈修正。

常见的推荐出价引擎策略（这些策略很多时候会交叉并用）有很多，或者随着业务和产品的发展，用户群体画像的迁移变化，也会不同的交叠、改变以优化。

我无法收集和列举，只能分享一些行业通用的标准，来给大家抛砖，以此希望能引玉。

此外，也同样也是帮助大家有一些“预判”认识。（PM需要关注的是：在日常工作实践中能知道什么场景下该选用什么算法即可。对于算法内部的详细机制也不做大篇幅的展开）

流量探测：

这种算法就是简单在广告请求的底价之上，加一定比例或固定的数进行出价。

因为是流量探测为目的，基本是打底广告投放，这样可以训练出大量的有价值的数据（如最低成交价、成交价同胜率的分布等等）。

还有一些需要大曝光的广告投放也会采用这种算法。

稳定目标CPM：

这是最基础的一种策略。一般算法可以依据预测成交价、及目标CPM设定、及历史胜率来计算出价。

目标CPM+CTR：

这个算法是在达成目标CPM的基础上，达成CTR目标的方式类筛选流量及计算出价。

稳定目标CPC：

这个算法主要是通过CPC目标，依据CTR预测、及出价、及胜率模型数据反推CPM出价。

目标CPC+CTR：

这个算法是在达成目标CPC的基础上，并以CTR目标筛选流量及计算出价。

目标CPA：

这个算法会预估转化率，根据历史投放计算该点位在该广告主、该行业的转化率，过滤掉转化率较低的流量，最终以CPA期望计算出价。

目标CPA+老客：

这个算法会提取多维度的feature及其交叉维度，通过机器学习获取 feature权重，根据feature权重对老客进行打分排序，取top进行投放，并以CPA期望计算出价。

目标CPA+新客：

这个算法会根据转化数据为正样本，提取feature，根据feature得到对应广告的扩展人群，打上相应的标签然后对相似标签进行投放，并以CPA期望计算出价。

PDB退量控制：

这个算法主要在PDB视频退量模式使用。会实时动态记录，并计算每Deal退量比，确保退量小于阀值。当然还会兼顾TA筛选及频次控制等等因素。

投放速度控制：

这个算法主要基于PID（比例Proportion、积分Integral、导数微分Derivative）反馈回路闭环控制。

PID控制的基础是比例控制；

积分控制可消除稳态误差，但可能会增加超调；

微分控制可加快大惯性系统响应速度及减弱超调趋势。

运用“傅立叶变换”将流量波动波形及投放进度波形进行数学拟合的基础上来做预测。

来控制投放速度，确保均匀投放，或快速消耗等等。

大体的处理逻辑：就是实时依据投放反馈数据，来动态运用比例、积分、微分手段及胜率的预测，控制投放速度的均匀稳定。

三、数据反馈的业务效果的策略有哪些？

一般常用的就两种，如果有条件都是结合使用的。

（其他细分业务还会做其他测试反馈，包括用户访谈、模仿预测等，关于线上模拟、技术等回归指标不在此讨论。）

策略1：AB测试：

这个常用于新算法策略上线，或寻找合适的算法时，会使用该策略在真实投放中观测效果，找出最优的算法。

策略2：Ranking排名：

这个主要是综合上述策略算法的整体调度算法，并从宏观提升整体流量利用率，及整体ROI来对各策略的得分在进行加权计算，排名得出最合适的出价者。一般权重：访客>转化>点击。（具体赋值可以参考[策略产品经理研习社]，里面很多文章有提到权重比例得分，特征选择和反馈数据）

小结：

实操中通过历史数据建立数学模型过程中，不可避免地要注意到，数据中会存在一些噪音。

所谓噪音，可以简单理解就是干扰模型运算的东西，就是一种干扰。就像我们不管如何行路，都会受到摩擦力。但穿什么、如何行驶可以使所受的摩擦力也随之变化（减少）。

怎么做呢？

如常用的方式是：加入一些人工干预，设置补偿因子及系数的方式。

一方面这样做可以一定程度简化算法及模型，

另一方面也大大降低对计算资源的消耗，从而降低成本、提升效率。

（这也是典型的二八原则的做法：大部分80%的问题仅需要20%的投入即可解决。）

四、广告系统的防作弊策略怎么智能？

需要预防作弊吗？需要，并且可以说偏向业务的系统都需要防作弊机制。为何需要？举个例子，RTB来说：RTB属于竞价，而价格是比较敏感的东西，影响广告主、平台主和流量主等的“元素”。如果流量都参差不齐，那么流量带来的广告曝光价值肯定不一样，不能好的坏的都取得“高价或者统一价”吧？同时，RTB管单价，正是更多流量商都希望能取更高，都想刷刷。所以，需要预防作弊）

怎么做呢？

首先，我们已经知道RTB长尾流量中的流量质量参差不齐，所以防作弊是DSP的一个十分重要的模块。

那么，处理的方式，一般来说是：通过规则引擎设置（监督学习）或关联挖掘（非监督学习）非人类流量特征，并实时进行过滤。

当嫌疑特征流量会被放入观察室，不可竞价，待嫌疑特征消失才可使用。

当那些分布较为特征集中的广告流量其很有可能存在问题。（常见的一些特征例如：单用户ID或IP地址请求间隔时长多短、某些用户请求集中在某些媒体或页面，而不是全网使用等等。）

（这块可以参考[策略产品经理研习社]社区中的风控策略章节内容，类比原理逻辑）

—————

以上，谢谢

希望对你有帮助，

大家也可以分享给身边有需要的人~

附：关于信息

以上内容，来自点评整理自饭团“策略产品经理研习社”，干货内容汇总： https://dwz.cn/f2q6gKCoPM+策略—>高级PM，是PM成长和脱颖而出的路径之一。「策略产品经理研习社」做两件事：

1.社区：分享产品经理策略通识、AI和策略类产品经理的修炼干货；

2.服务：提供入行产品经理的0-1转型和面试指导，PM日常答疑帮助；

策略类涵盖：AI人工智能、商业广告、推荐系统、搜索排序、电商策略、黑客增长、用户运营、数据分析、风控等

公众号：chanpin007（策略产品经理研习社）

干货汇总： https://dwz.cn/f2q6gKCo

饭团-社区入口：（微信扫描）