从0到1设计一个CPC分时自动投放系统（三）——效果和评估

前言

上篇文章我们设计了一个简单的算法，并分析了的边界条件和边界情况。这篇文章，我们将评估推广通自动投放算法使用前和使用后的效果，看看实际情况是怎么样的。

文章传送门：
从0到1设计一个CPC分时自动投放系统（一）——问题和背景
从0到1设计一个CPC分时自动投放系统（二）——算法和设计

阅读本文大约需要11分钟

参考基准

推广通投放的基准是人工投放。人工投放一般分几种方式：

• 方式一：设定一个价格基本不变：最偷懒、也是最方便的方式。把出价一直设为2元或者2.5元，最多上下浮动调整。这种方式一般不精准，不能根据时段分开，但是节省人力。

图为推广通金额消耗，纵坐标为“消耗金额（元）”，全天预算设定400，出价为3元，当天为周三。中间只在17:00左右更改过一次价格。可以看到凌晨消耗量较小，中午开始到下午消耗逐渐增多，到了夜间又减少。

• 方式二：在特定时间段内提升投放：适合预算较少的情况。这种策略一般适合想对时间精准投放的商户，把握黄金流量时间来投放。

按照时段投放，纵坐标为“消耗金额（元）”，全天预算400，当天为周三。在12:00～15:00，18:00前后，21:00前后时段投放比较多。这种方式需要专人管理推广通的投放。

• 方式三：“拍脑门”投放：没有策略，随意投放。想加就加，想减就减，预算耗尽为止。

自动投放效果

参数设定

自动投放之前，我们先要设定时段和时段内的投放金额，用来模拟方式二。根据之前的分析，我们做出如下设定：

时段	投放金额（元）
0:00～1:00	20
1:01～7:00	10
7:01～9:00	10
9:01～12:00	20
12:01～14:00	80
14:01～17:00	60
17:01～19:00	80
19:01～21:00	20
21:01～22:00	60
22:01～24:00	40
合计	400

开始投放

我们按照之前的投放策略执行程序，执行结果如下：

按照时段投放，纵坐标为“消耗金额（元）”，全天预算400，当天为周三。可以看到投放点击量为111，点击均价3.6元。消耗主要集中在11:00, 14:00和18:00左右。但是效果并不好，因为时间虽然集中，但是点击均价过高。在这种情况下，注意12:00～14:00时段，设定的预算还提早消耗完毕。没有达到预期效果

从图里可以看到，消耗主要集中在11:00, 14:00和18:00。但是效果并不好，因为时间虽然集中，但是点击均价过高。在这种情况下，特别注意12:00～14:00时段，设定的预算还提早消耗完毕。并且，在夜间19:00左右，当日预算耗尽，导致晚上没有预算投放。总体来说，没有达到预期效果。

原因在哪里呢？

我们导出出价记录看看：

1月13日12:00～13:30分推广通自动投放记录，H列为点评出价，I列为美团出价

可以看到点评出价和美团出价极为不稳定，价格经常一下从2元跳到3～4元，只投放了5分钟立马就又降下来了。总的来说，“抖动”严重。

为什么会出现这样的情况呢？和开发同学对了一下以后，发现程序没有问题。于是验算了一下算法。最后发现是算法本身的问题。问题主要出在：

• 出价上升太快，瞬间过高出价导致广告位过于靠前，一下吸引了太多流量¹，于是预算流失太快。在下一次轮询时发现钱所剩无几，于是算法立即下调出价。
• 这种情况频繁出现，导致平均出价过高，投放效果不佳。

改进

根据以上经验，我们将算法做出如下改进。

加入步长参数

改进公式：

其中

改进后的公式设定了一个出价提升缓冲参数 0.15，可以让算法在提升出价时缓慢提升，不会一下子提升的太高，这样就可以抑制抖动。

经过调整后的推广通消耗，可见时段内的出价断层没有了

经过调整后的推广通消耗，可见时段内的出价断层没有了

至于为什么是 0.15，这个是我们试出来的参数，不仅能明显抑制抖动，而且可以保持出价在一个相对合适的范围。

再调取出价记录看看：

出价能够缓慢调整了，很棒

后面要做什么

投放策略的来源

尽管目前已经可以按照预设的时间段自动调整出价，但是仍然要事先设定时段内投放方案。投放方案是通过经验确定的，人的经验能靠得住吗。

技术宅从不相信人所谓的经验，于是，我问自己：能不能根据以往的投放经验，结合投放后的效果，来自动设定投放策略呢？

机器学习迷思

我于是很快想到。既然以前投放的记录是一条一条的数据，应该可以从这些数据出发，用机器学习的方式寻找规律，给出当前情况下最优的出价。

如果用机器学习，也许可以这样：

将以往投放记录和出价记录一起看作训练集 ，那么我们需要为每个 设定一个分值，视为 。之后训练模型，有了模型就能预测出价了。²

最后一个问题：分数应该怎么定义？

合理的方式是，从运营数据里估算一个值来定义。一般来说，可供参考的数据可以是订单量、电话联系数、点击量等。

结语

这篇文章里，我们首先参考了人工投放方式，作为基线。然后，通过检查程序的出价记录和推广通的投放情况，我们发现了公式里的抖动问题并做了改进。结果还不错。

最后，我们提出了一个使用机器学习方法的思路。

大家可以期待一下，如果有机会，以后我们也许会尝试用机器学习处理推广通问题。

最后，我是个技术宅，如果文章中对于数学表述有不妥当的地方，请大家指出谢谢。

注释和参考

1. 越靠前的广告位，出价越高。因为：消耗金额 = 单价 x 点击量，在竞价排名中，单价越高广告位越靠前，点击量越高。如果假设点击量和广告位的位置为幂律关系，而广告位的位置与出价为线性关系，那么消耗金额与单价也为幂律关系。

2. 机器学习算法是如何工作的？：How Machine Learning Algorithms Work (they learn a mapping of input to output) (machinelearningmastery.com)

版权声明

本作品采用知识共享署名 4.0 国际许可协议进行许可。