计算广告（三）

出价是最靠近广告主侧的业务

广告精排结束，就基本确定哪些广告要被投放出去了，这个时候对于该用户流量优化调整已经微不足道了（ctr, cvr, deep_cvr），

这个时候，就可以采用出价的方式来对模型结果做干预，但是做干预也倾向于基于一个原则（本次广告展现预估花掉广告主多少钱，是不是能带来更多的广告主转化）

竞价广告，对于同一个流量来说，是基于ecpm排序作为出哪个广告的标准，相关的ecpm公式为：

ecpm = rank_bid * pctr * pcvr + hidden_cost

ecpm：有效千次展示收入（Effective Cost Per Mille，即每一千次展示的预期收入）。这是一个常用于广告投放优化的指标，用于衡量广告的预期收益。

rank_bid：广告排名出价。这是广告主为了使其广告在广告展示位上具有更高的排名而提出的出价。

pctr：点击通过率（Click Through Rate，CTR）。表示某广告被点击的概率，即广告点击数与广告展示数之比。

pcvr：转化率（Purchase Conversion Rate，PCVR）。表示用户点击广告后进行购买的概率，即广告购买数与广告点击数之比。

hidden_cost：隐藏成本包括但不限于广告制作成本、广告投放平台的服务费、数据跟踪与分析的成本等。

rank_bid = cpa_bid * (1 + kp * p + ki * i + kd * d) * pctr * pcvr + hidden_cost

cpa_bid：按照购买行为支付的出价（Cost Per Action，CPA）。这是广告主为每个转化行为（例如，购买、注册等）愿意支付的费用。

kp、ki、kd：这是三个权重参数，用于调整广告主对应于竞争对手、行业和市场需求的敏感度。kp 表示竞争对手的权重系数，ki 表示行业的权重系数，kd 表示市场需求的权重系数。

p：竞争对手的影响因素。这个变量表示广告主与竞争对手之间的差异。

i：行业的影响因素。这个变量表示广告主在整个行业中的地位。

d：市场需求的影响因素。这个变量表示广告主在

广告的排名出价（rank_bid）是由按购买行为支付的出价（cpa_bid）乘以一个调整系数，再乘以点击通过率（pctr）与转化率（pcvr），最后加上隐藏成本（hidden_cost）所得到的。

当竞价广告环境过于充足的时候，那么pctr, pcvr获取的数据更置信，为了保证竞价广告投放出去，需要调控bid（广告出价）

bid 是指广告出价。广告出价是指广告主为了在广告展示位上获得竞争优势而提出的价格。在广告竞价中，广告主通常需要出价以确保其广告在目标受众面前获得更好的展示和点击机会。

在之前讨论的公式中，我们讨论了两种不同类型的出价：

rank_bid：广告排名出价。广告主为了使其广告在广告展示位上具有更高的排名而提出的出价。

cpa_bid：按照购买行为支付的出价（Cost Per Action，CPA）。广告主为每个转化行为（例如，购买、注册等）愿意支付的费用。

在这些公式中，广告出价（bid）是用于计算 eCPM 和 rank_bid 的关键变量。广告出价反映了广告主对广告效果的预期以及在竞争中的投入。通过调整广告出价，广告主可以在一定程度上控制其广告在展示位上的排名，从而影响广告的点击率

广告主出价产品要求

优先跑量

【量级】预算基本花不完，跑量上有些困难

【成本】希望成本相对平稳

【优先级】量级≈成本

【投放速度】加速

均衡投放

【量级】预算基本花不完，跑量上有些困难

【成本】希望成本相对平稳

【优先级】量级≈成本

【投放速度】匀速

优先低成本

【量级】预算偏小，对于跑量需求不大

【成本】成本越低越好

【优先级】成本>量级

【投放速度】匀速

跑量

花费一定的钱，拿到足够多的转化（有转化，就必须有曝光）

王者荣耀新游上限，我的目标是，3个月内，要拿到100W的用户，平均1天，需要10个用户，cpa_bid = 100，ctr = 1%, cvr = 1%

10/ctr/cvr = 10/10^-4 = 10W， 10W*100 = 1000W

竞价点

不管是CPM，CPC还是后续的CPA，OCPM，oCPC，双出价等所有出价模式，绝大多数媒体平台最终都是根据换算公式，将出价换算成eCPM，再对eCPM排序后，选择eCPM最高的广告进行展现。

这样媒体每个展现机会的收益可以很直接地被度量，也能最大化自身的利益。在所有的广告课程中，我们讨论的“竞价点”都在m（展现）

媒体平台最后是按什么的个数来收广告主的钱。例如CPM中，是按照展现次数来收费，那么计费点就是m。而在CPC广告中，虽然按照eCPM排序来决定出哪个广告，但是对于出的广告，是按照点击次数来收费，这时计费点是c

广告主在媒体平台的投放后台里填写的是什么价格。在CPM和CPC广告中，出价点和计费点是在同一个行为，CPM的出价点也是m，填写的是千次展现价格, 而CPC广告出价点是c，填写的是每个点击的价格。而在oCPX中，出价点和计费点是分离的

ocpc，出价点在哪？计费点在哪？

出价点和竞价点是不一样的，竞价就是show，出价 cpa_bid，计费， click

ocpm，出家电在哪？计费点在哪？

竞价是show，出价 cpa_bid，计费， show

考核点

在广告投放中，广告主真正想要出价的可能不是展现或者点击，甚至也不是下载和付费

广告主真正想要的是LTV（Life Time Value)，即这个用户在使用广告主产品的生命周期内给广告主带来的所有价值。

在理想中，广告主可以为每1元的LTV出价，例如出价0.8元。那么广告主的ROI就是1/0.8=1.25>1，广告主就可以躺着数钱了。

可惜LTV通常很难核算出来，也很难量化，例如用户即使不付费买道具，也可能发挥陪玩玩家的价值。

所以广告主在投放的时候，通常会找一个在链路中更前置的更好量化的指标来考核投放优化师的工作。

例如考核一个付费用户的成本，或者七日ROI之类的，我们把这个点叫做考核点。

后面的分析中，我们假设考核点为付费（缩写为p），实际中可以是别的点，但是不影响我们讨论的结论

LTV（long term user value），长期用户价值

LTV = arpu * LT（arpu -> 每用户收入，lt 时间）

LTV30，LTV365

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

CPM出价模式：

推广一款游戏，通过核算得到一个付费用户的获取成本在80元以下，就能有钱赚。也就是说，广告主（或者投放优化师）内心有个隐含的付费用户出价（即隐含CPP=80元），后续简称为付费出价。那么广告主会根据之前的投放数据，估计一个从p(m->p)的概率，假设估计点击率CTR p(m->c)大概0.03，p(c->i)大概0.1，p(i->a)大概0.4，p(a->p)大概0.1，

那么整个p(m->p)就是0.03*0.1*0.4*0.1=0.00012：

cpm = p(m->p)* 隐含付费出价 *1000

cpm = 0.00012 *80 * 1000 = 9.6元

所以广告主的CPM出价就设为9.6元。

广告投放策略的，其中的m、c、i、a、p分别代表以下五个阶段：

m：代表曝光（Impression），即广告被展示给用户的次数。

c：代表点击（Click），即用户点击广告的次数。

i：代表安装（Install），即用户安装游戏的次数。

a：代表激活（Activation），即用户激活游戏的次数，通常是指成功安装并打开游戏。

p：代表付费（Pay），即用户在游戏中进行付费的次数。

这段话中讨论了一个广告主或投放优化师通过核算一款游戏的付费用户获取成本（CPP，Cost Per Paying user）来设定CPM（Cost Per Mille，每千次曝光成本）出价的过程。在这个例子中，付费用户获取成本的上限为80元。然后通过估计从曝光到付费的各个阶段的转化率（即p(m->c)、p(c->i)、p(i->a)、p(a->p)），最后计算出整个p(m->p)的概率为0.00012。接着用该概率乘以隐含付费出价（80元）和1000（因为CPM是每千次曝光成本），得出广告主的CPM出价为9.6元。

但不少广告主或者优化师表示实操中没有这样算过。其实在实际操作中，广告主并不都是显式地这么干，他们通常是先设置一个经验CPM，然后看报表的付费用户成本，付费成本高于80，就调低价格；如果低于80，就调高价格。最后实际上达成的效果，和上面描述的是一个意思:

即在广告主的出价中，会隐式地包含一个用固定值预估的p(出价点->考核点），在CPM中为p(m->p)，从而将考核点的出价（付费出价），换算得到出价点的出价（即CPM出价）

CPC出价模式：

也是类似的，广告主的CPC出价中，会隐式地包含一个用固定值预估的p(出价点->考核点），在CPC中为p(c->p)，从而将考核点的出价（付费出价），换算得到出价点的出价（即CPC出价）

提高p(出价点->考核点)这一段比率的真实值，对于求量的广告主，在同样付费用户成本下可以换算得到更高的出价点的价格。

例如CPM模式中的CPM价格（因为cpm = p(m->p)* 付费出价 *1000）。从而赢得更多的原本不能赢得的展现机会，拿到更多的量，因此媒体平台的收入也会增加。

而对于预算有限不求量的广告主，保持出价点的出价不变的情况下，获得更多的付费用户，ROI提升。

所以在提高p(出价点->考核点)的真实值上，媒体平台和广告主是完全利益相同的，例如CPM模式下媒体平台会通过优化广告位位置，从而提高点击率来提升p(出价点->考核点)。

因为利益一致，广告主可以信任媒体平台提供的建议和工具。

对于CPC来说，和CPM不一样的地方在于计费点和出价点都在c了，而竞价点一直在m。因此，会有一个p(竞价点->计费点)的率。

接下我们探讨这个比率真实值的高低，和预估值的准确度，对博弈双方（即媒体平台和广告主）都有什么利益影响

p(竞价点->计费点)比率真实值高低对媒体和广告主的影响

提高从竞价点（m）到计费点（例如在CPC出价模式中是c)这段的真实值，对于求量的广告主，在同样的付费点出价上，可以换算得到更高的CPM。

在CPC出价模式中，CPM=CTR*CPC*1000，赢得更多的原本不能赢得的展现机会，拿到更多的量。因为CPM提高了，媒体也获得了更多的收入。

但是，对于不求量的广告主，不一定是这样了。不求量的广告主在本课程中是指，在获得一定的量之后，不再追求继续扩大采买量的广告主。

这时候只要实际付费用户成本小于根据用户LTV估算出来的可以接受的最高付费用户成本，广告主应该是量越大越好才对，这样总的利润会更高。为什么会有不求量的广告主呢？

比较典型的有两类广告主，他们对量的需求到了一定程度就不再增加了：

第一类是小代理或者CP自己。通过广告投出去的钱不能在短时间内收回的，需要一个周期，例如重度游戏可能需要几个月，

休闲游戏可能需要几周。对于资金实力不够的小代理公司或者自己投广告的CP自己，即使ROI在大于1的情况下，预算也是有限制的。

第二类是服务能力有限的广告主。当采买的量大了之后，自己的服务能力更不上。不过在互联网行业，因为增加服务能力的边际成本很低，通常这种情况较为少见

对于不求量的广告主，为什么提高p(竞价点->计费点）的真实值，对他们没有好处呢？

一个很容易想到的原因是广告是按照计费点处行为的个数来计费的，例如计费点在点击c处，没有点击是不收广告主钱的。广告平台从100个展现里带来2个点击还是从10个展现里带来2个点击，对于广告主来说都是花一样多的钱带来一样多的点击，点击率的提高并没有直接给广告主带来好处。而且在有些情况下，p(竞价点->计费点）的比率越低，反而对不求量广告主来说更好。

某电信诈骗公司先广撒网群发诈骗短信，如果有上钩的，回复短信或者电话联系，再通过专员的一整套话术，进行诈骗。群发短信的成本很低，基本上可以忽略，类比CPC模式下的展示m；而通过专员沟通进一步诈骗则需要占用专员的时间和精力，类比CPC模式下的点击c，是需要付出成本的。而诈骗公司的人力是有限的，需要专员“服务”的人的量必须是有限的，多了电话打不过来。因此在这个类比下，诈骗公司就是不求量的广告主。

如果诈骗短信太有欺骗性，“点击率”很高，一些其实不太容易上当的人一时没反应过来也给专员打电话做咨询，在专员有限的人力下，比如一天接1000个电话，最后能“转化”的用户是比较少的。而如果短信很拙劣，“点击率”很低，那么只有非常容易上当的人才会给专员打电话，那么专员同样是接1000个电话，能“转化”的用户机会比较多。

回到互联网广告行业，类似地，在一些情况下，p(竞价点->计费点）是和p(计费点->考核点）是负相关的。这就是为什么对于不求量的广告主，提高p(竞价点->计费点）对他们来说，不一定有好处甚至可能有坏处的原因。作为媒体平台，因为互联网的边际服务成本很低，求量的广告主一般占多数，所以影响一般不是很大

和CPM不一样，从m到c这一段，也就是p(竞价点->计费点）这一段的预估，是由媒体平台通过机器学习来预估的。每一个用户每一个广告在不同的上下文（context)的预估值通常都是不一样的。

如果对某一条广告的预估值偏高，那么该广告在竞价点的CPM会比较高（因为CPM=p(竞价点->计费点）* p(计费点->出价点）* 出价点的出价），抢占了其他广告的展现机会，但是实际发生的计费数又少，广告平台的收入就降低了。对于广告主来说，计费数少计费也会成比例少，最终ROI没有明显变化。

如果对某一条广告的预估值偏低，那么该广告在竞价点的CPM会比较低，竞价队列里不是最优的广告会排到更前面，导致广告平台的收入也降低。对于广告主来说，拿到的量就少了。

所以我们看到，媒体平台对于p(竞价点->计费点）的预估越准确，收入越高。对于广告主来说，主要就是影响拿量的多少，相对来说，影响较小

从CPM到CPC，媒体平台和广告主的博弈关系发生了什么变化

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

如果考核点在c以及c之后，从CPM到CPC，广告主的利益得到了很大的保证。原来广告主用固定值预估p(m->c)，会非常不准，而且不管偏高还是偏低，都会广告主的ROI或者量有负面影响。

而在CPC中，p(m->c)属于竞价点->计费点这一段。这个值（点击率）由掌握用户特征和label(即c)的媒体平台用机器学习模型预估，会比广告主用固定值预估准得多，而且如果预估偏高，

广告主的ROI也不会受到明显影响。所以广告主用CPC比CPM几乎只有好处没有坏处。

对于某些只考核m不考核c的品牌广告主，考核点就在m，上述分析都不适用了，这类广告主不会使用也没有必要使用CPC

如果广告主考核点在c以及c之后，从CPM到CPC，对媒体来说也是利大于弊的。CPM中p(m->c)是由广告主用一个固定值来预估所有广告的p(m->c)，假设广告主预估非常准，即用所有广告的均值来当做这个固定值。那么会有近一半的广告高估，一半的低估。在一段时间之后，广告主会发现预估偏低的很多竞价失败，而偏高的容易竞价成功。所以在看报表时，投放出去的广告的平均成本是要明显高于出价的。这个时候广告主要达到目标成本，就必须要降低这个用来预估的固定值（也就是降低出价点的出价）,导致大部分的预估都是偏低的，也就是媒体平台的收入主要是降低的。

而在CPC模式的实际投放数据表明，虽然媒体平台承担了p(m->c)预估不准的带来的后果（因为不管偏高还是偏低，都由媒体平台买单），但是因为预估准太多了，

损失比在CPM中由于广告主预估值明显偏低带来的媒体平台收入下降带来的损失更小。所以综合来看，媒体平台在CPC模式下收入也是增加的。

另外，比率真实值部分，CPC模式下，预算有限的广告主，在是否提升m->c这一段比例的诉求，利益和媒体平台不一致了。还好这一部分影响相对比较小，实际投放中，

CPC对于媒体平台来说还是明显利大于弊

CPC的成功，让人不禁思考一个问题，是否可以如法炮制，把计费点和出价点移动到a，这也就是CPA的模式

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

什么情况下可以使用CPA模型？

如果a行为的数据，也是媒体平台能完全控制完整收集的，那么没有问题，CPA模式也是成立的。

媒体平台是京东，广告主推广自己在京东的产品，那么京东可以完全掌控a的行为，那么做CPA（甚至CPS）是可以的。

如果a行为的数据，是由广告主收集的，再由广告主自己回传给媒体平台，那么把计费点移动到a就会有问题。比如广告主出价是80块一个a行为，那么广告主就有动力一直不回传a行为的数据，或者克扣部分a行为的数据给媒体平台，从而让媒体平台少收了广告主的钱。所以其实定义a标注的人是媒体。

所以我们可以得到一个准则：

付费点通常不能超过媒体平台完全控制的行为点，不能到达由广告主收集的行为点

CPA（Cost Per Action）：按行为计费，这种模式下，广告主只需为特定行为产生的有效结果支付费用。行为可以包括用户注册、安装软件、填写表格、订阅电子邮件等。这种计费模式对广告主来说风险较低，因为只需为实际产生的结果付费。

CPS（Cost Per Sale）：按销售成交计费，这种模式下，广告主仅在广告产生实际销售时支付费用。通常，这种计费模式适用于电子商务网站和线上零售商。CPS广告费用通常是基于销售额的固定比例或固定金额。这种计费模式对广告主而言更具吸引力，因为费用与销售额直接挂钩，从而降低了广告支出的风险。

这两种计费模式的关键区别在于，CPA关注的是特定行为，而CPS关注的是实际销售。这两种计费模式的选择取决于广告主的目标和业务类型。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

如果a行为由广告主负责收集，那么我们就不能直接按CPA出价和计费，p(c->a)这一段的预估还是只能由广告主用固定值来预估，根据上面的分析，对于广告主和媒体平台都是不利的。p(c->a)这个比率预估的特征数据（用户特征和广告特征）在媒体平台手里，但是label是在广告主手里。所以如果要预估p(c->a)，必须有一方让步把数据给另外一方。

通常媒体平台比各个广告主具有更好的数据分析能力，广告主把label数据给了媒体平台，由媒体平台进行p(c->a)来预估。这时候FB创新的oCPX就出现了，

它把出价点和计费点分离了，计费点在m(或c)而出价点在a。

DSP（Demand-Side Platform，广告需求方平台）和SSP（Supply-Side Platform，广告供应方平台）分别代表广告主侧和媒体侧。

DSP（Demand-Side Platform）：DSP为广告主提供一个集中的购买和管理广告展示机会的平台。广告主可以在DSP上设定广告目标、预算、出价等信息，并利用平台提供的优化工具来提高广告效果。DSP通过与SSP进行实时竞价，为广告主购买合适的广告展示机会。

SSP（Supply-Side Platform）：SSP为媒体（如网站拥有者、应用开发者等）提供一个管理、优化和出售广告展示机会的平台。媒体方可以将广告位放在SSP上，然后与多个DSP进行实时竞价，以实现最高的广告收益。SSP还可以帮助媒体方优化广告位设置和报价策略，提高广告收入。

总之，DSP和SSP分别代表广告主侧和媒体侧，它们在广告生态系统中起到连接广告需求和供应的作用。

oCPX：

oCPX=计费点和出价点分离+连续竞价下的智能出价控制

广告主把行为数据主动给媒体平台，由媒体平台免费为广告主提供把出价点价格转化成计费点价格的出价转换服务（通过预估p(c->a)的方式），另外媒体平台提供在连续竞价下的智能出价控制服务

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

广告竞价点（Bidding Point）：广告竞价点是指在广告投放平台上，广告主为争取展示位置而进行竞争的过程。竞价点通常依赖于广告主设定的出价（如CPC、CPM、CPA等）和广告素材的质量分。在实时竞价（RTB，Real-Time Bidding）环境中，广告竞价是在瞬间完成的，每次用户访问网页时都会进行一次竞价。

计费点（Billing Point）：计费点是指广告主需要为广告效果付费的节点。这个节点可能是广告被展示一定次数、被点击一定次数或触发特定行为等。根据广告投放模式（如CPC、CPM、CPA等），计费点可能在不同阶段产生。

出价点（Bidding Price Point）：出价点是指广告主为实现广告展示而愿意支付的最高价。广告主会根据广告目标、预算和竞争情况设定合适的出价。在实时竞价（RTB）环境中，广告主的出价会与其他广告主的出价竞争，以争取广告展示位置。

考核点（Evaluation Point）：考核点是指广告效果评估的节点。在广告投放过程中，广告主需要对广告效果进行实时监控和评估，以便及时调整策略。考核点可以包括广告展示次数、点击次数、转化率、销售额等各个环节，根据广告主的目标和业务类型，考核点可能有所不同。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

p(计费点->出价点）越高，根据广告主出价点的出价换算到计费点出价再换算到竞价点的CPM出价也会越高，广告平台收入提升。对于求量广告主来说，这个比率越高，换算的CPM出价也越高，越容易拿到量。对于不求量的广告主，保持付费点出价不变的情况下，获得更多的出价点行为，ROI得到提升。

我们可以发现在提高 p(计费点->出价点）比率的真实值上，媒体平台和广告主的利益也是一致的。

对于由媒体平台用模型预估的预估值，如果偏高的话，广告主在计费点的出价就会偏高，导致ROI下降。如果偏低的话，导致换算到竞价点的CPM偏低，拿不到量。

对于媒体平台来说，预估值偏高，会换算得到更高的计费点出价和竞价点CPM出价，收入增加。而预估偏低的话，从出价点换算得到的CPM就比较低了，广告队列竞争激烈程度不够，媒体平台收入下降

在最常用的GSP竞价机制下，对于单次竞价，广告主只需要出自己能接受的最高价格就是利益最大化的。比如说广告主核算后发现最高可以承受800块1个付费用户，按照激活到付费的历史经验大约是0.1，那么激活出价就应该填写80元。

但因为投放是一个连续的多次拍卖行为，一方面广告主给出的价格是多次竞价的平均价格，前期拍卖的结果会对广告主后续能接受的最高价格有影响（例如前期买便宜了，后面出价可以出高点）。另一方面，有的广告主也有预算限制。因为这两个原因，所以有必要根据过去拍卖的结果，对每次的出价进行调整。每个原因对应一种控制。

连续竞价下的成本控制

广告主激活出价为80元，如果早期通过投放购买到的100个激活只花了每个50元，那么其实可以在后面的出价出得更高一些，只要最后综合的成本不超过80元就可以，提高出价还可以买到更多的量。同理，如果之前投放的平均成本到达了120元，那么就需要限制出价，让最后的综合平均成本降到80元左右。oCPX通常就意味着媒体平台对出价点的出价进行连续竞价下的成本控制，让最后的平均成本接近广告主设定的值

连续竞价下的预算控制

这种控制是针对广告主有单日或者周预算限制的情况：

例如一天的预算为1万元，并且在上午就已经花掉了5000元。那么在后面的竞价里，就应该降低出价，防止预算太早花完。如果过早花完预算，

那么晚些时候一些很便宜的流量就没有预算进行购买了，没有最小化平均成本。

在有限预算下要降低每个行为的平均成本（例如激活的平均成本），就必须让预算以合理的节奏花掉。不是说绝对的平均花费（每个小时花1/24），而是让花费和流量的分布差不多一致（例如晚上流量高的时候多买点）。想做得更好的话，可以在流量更便宜的时候多买一些，贵的时候少买一些。这就是体现技术实力的地方了。值得注意的是，在有些出价产品中，当设置了预算控制时，广告主无需在投放后台填写出价点的出价，而是完全由媒体平台根据预算来设定和调整

现在基本上所有媒体平台的出价模式，只要带上“智能出价”（smart bidding）类似字眼的，就意味着至少有这两个控制中的一个。

值得注意的一点是，在oCPC这个名字里，是看不出出价点在哪里的。因此不能唯一确认一个出价模式。

可以约定在最后加一个出价点的字母来唯一标示一个出价模式，例如oCPC-A, oCPM-I等等。

不过为什么媒体平台都没有这么命名呢？

因为媒体平台其实没有办法保证广告主回传的是a还是别的什么行为

假设媒体平台想用oCPC-A模式，但是广告主其实可以回传不是a而是付费p, 同时在出价里填上一个付费的出价就可以了（原本应该填一个激活的出价）。这个时候oCPC-A就变为oCPC-P了

按照上面的讨论，出价点的行为数据是广告主自己回传的，广告主可以有几种方式不按照媒体平台要求的回传所有的出价点数据，我们依次来讨论下对广告主是否有利。

广告主只回传部分出价点的数据, 例如只回传50%

这种情况下，对于该广告主的p(计费点->出价点) 预估会偏小接近1半，导致广告主的出价偏低，拿不到量。要拿到一样的量，就得把出价提升为原来的2倍。这样一抵消，在计费点的出价是不变的，媒体的收入并没有降低，反倒是因为少了一半样本，p(计费点->出价点)的预估变得更不准了，损害了广告主自己的ROI。

国内是由广告主自己归因，有些广告主以为归因媒体平台的时候尽量保守，对自己会有好处，其实是不对的。

广告主回传更深度(或者更浅）的数据而不是出价点的数据，例如回传付费数据（或者下载），而不是原来约定的激活数据

这种情况下，广告主如果在出价里也填入的是付费出价（或者下载），那么对于这个广告主而言，oCPC-A就变成了oCPC-P或者oCPC-I。遗憾的是，如果其他大部分广告主还是回传的激活数，那么因为媒体平台在训练p(计费点->出价点）模型的时候，并不是只用该广告主自己的数据，而是也受到其他广告主数据的影响，那么这样做会因为训练目标的类型不一致，让这个广告主的p（计费点->出价点）的预估准确度受到负面影响，对广告主投放不利。

所以在oCPX出价中，广告主按照约定，完整回传约定的行为数据，其实是对自身最有利的行为。

为什么国内的很多oCPX会有超成本赔付机制

对比CPC和oCPC, 我们只发现一个区别，就是谁来预估p(c->a)的区别

在CPC中，p(c->a)由广告主预估，预估得偏高或者偏低广告主利益都受损

在oCPC中，p(c->a)由媒体平台预估，如果预估偏高，媒体平台的收入是增加的，偏低则媒体平台收入下降。那么理论上媒体平台就有动机在短期内故意预估偏高（不会长期偏高是因为广告ROI下降后，会减少投放，最终损害媒体平台利益）

因此在国内如短视频等广告平台在oCPC（或者oCPM，原理一样）都会有超成本赔付机制来自我制约，弥补这个机制上的问题。例如广告主用激活出价，80元一个转化，如果因为媒体平台故意短期内预估偏高，导致广告主激活成本超过80元，媒体平台都会进行赔付。而在国外，FB和Google的广告产品并没有这个赔付，笔者个人认为是因为国外的信任机制比较好，广告主相信大的媒体平台会考虑更长远的利益，即使偶尔会有超成本，但是也相信是技术上的原因，是投放成本的一部分。而国内因为历史原因，比较难建立这样的信任机制，所以需要媒体平台自缚双手，以示清白。

智能投放是DSP

OCPX是SSP

为什么国内的媒体平台，对oCPX的超成本赔付，要求广告积累的行为数(例如激活数）

达到一定的数量才开始赔付?

国内短视频平台的oCPM赔付要求该广告单元积累10个行为数（例如激活数），为什么不能只要超成本就赔付呢？

如果没有行为数（以下以激活数为例）门槛，那么广告主有可能会隐藏激活数不上报，最后要求媒体平台进行全额赔付（因为一个激活都没有）。虽然因为广告主不上报激活数，媒体的模型会将这个广告单元的预估得越来越低，最终为0，也就是媒体平台给这个广告主的量越来越少，最终完全不给量。但是在早期，广告主仍旧能获得不少点击或者激活（但是没上报给媒体平台）。如果媒体平台不设置激活数门槛而全额赔付，就会一直被广告主薅羊毛。而一旦设置了激活数门槛，相当于广告主至少需要支付激活出价*激活数门槛的费用。因此只要媒体平台做完全停止给广告主量的时候，成本小于上述的广告主最小支付成本，那么媒体平台的利益就不会受到损伤。

模型学习需要一定数量的样本，在没有积累到足够的激活数之前，模型预估偏高偏低都是很难避免的，这并不是媒体平台刻意为之的行为，不应该由媒体平台来单方面承担这部分成本。

什么将自有流量要从oCPC模式转为oCPM？

从oCPC到oCPM，有两点变化:

在比率绝对值上，不求量广告主原来有动机不提高p（竞价点->计费点）的比率，在oCPM模式下两方动机一致了，是一个改进。

在oCPC模式下，原来媒体平台不管预估偏高偏低都会收入下降，但是在oCPM下，有动机预估偏高了，而且会损害广告主ROI，但是通过赔付机制可以弥补这个问题。

从oCPC过度到oCPM对广告主没有什么利益损伤，对媒体平台来说，可以避免不求量广告主主动降低p(竞价点->计费点）的问题（虽然这个问题在充分竞争的流量上影响很小）。

如果平台产品很多，有文字广告，图片广告，视频广告，所以转化链条也很多样，有的按点击收费，有的按播放3秒收费，有的按播放完收费，如果统一用m计费也有利于统一管理。但是FB和Google的广告产品还是可以让广告主自行选择oCPM还是oCPC，这两者的差异其实并不太大

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

双出价是怎么样一种出价方式？

以激活付费双出价为例，该出价模式有两个不同的出价点，广告主把这两个行为数据都给媒体平台，让媒体平台提供免费的出价转化服务。最终转化到计费点的时候，也会有两个计费点价格。这两个价格是有冲突的，得从这两个价格合并得到一个最终的价格。具体实现就看各家媒体自己的设计了。

不过可以确定的是，各家媒体平台都会力求保证激活和付费的成本都不超过设定的激活和付费出价。那么这种方式和单按付费出价并保付费成本（例如短视频平台的“激活且付费”出价模式）有什么区别呢？我们来分析一下。

如果一批流量，激活成本达标，付费成本也达标，那么这批流量双出价和单付费出价都能拿到。

如果一批流量，激活成本达标，付费成本不达标。那么这批流量双出价和单付费出价都拿不到。

如果一批流量，激活成本不达标，付费成本也不达标，那么这批流量双出价和单付费出价都拿不到。

如果一批流量，激活成本不达标，付费成本达标，那么这批流量双出价拿不到，而单付费出价能拿到。

如果只有付费单出价，会有什么问题

付费数据，肯定是稀疏，我直接从click -> 付费了，如果没有足够多的数据，那么线上预估肯定是不准

双出价，相当于既要预估 click -> 激活，又要预估 激活 -> 付费，那click -> 激活的数据肯定要比click -> 付费的数据要多，那么就更准一些，相当于把目标从一步到位拆分到多个目标，

每个目标都是漏斗的，这样，能保证一定的数据准确性和模型准确性

min(ecpm_activate, ecpm_paying)

ecpm_a = activate_bid * ctr * cvr * deep_a * cof

ecpm_p = paying_bid * ctr * cvr * deep_p * cof

广告公式涉及到两种不同的eCPM（每千次展示的有效成本）计算方法：一种是基于激活（activate）的eCPM（ecpm_a），另一种是基于付费（paying）的eCPM（ecpm_p）。广告主通常会选择两者中较小的一个作为最终的eCPM，以实现成本效益最大化。

下面我们来详细解释这个公式：

ecpm_a：激活eCPM，用于衡量广告为每1000次展示带来的激活用户价值。它由以下几个因素相乘得到：

activate_bid：激活出价，广告主为每个激活用户支付的金额。

ctr：点击率，广告被点击的概率。

cvr：转化率，点击后实际转化（如注册、购买等）的概率。

deep_a：激活深度，用于衡量激活用户的质量，例如，一个高质量的激活用户可能为广告主带来更多的收益。

cof：其他影响因素，可能包括季节性、地域等。

ecpm_p：付费eCPM，用于衡量广告为每1000次展示带来的付费用户价值。它也由以下几个因素相乘得到：

paying_bid：付费出价，广告主为每个付费用户支付的金额。

ctr：点击率，广告被点击的概率。

cvr：转化率，点击后实际转化（如注册、购买等）的概率。

deep_p：付费深度，用于衡量付费用户的质量，例如，一个高质量的付费用户可能为广告主带来更多的收益。

cof：其他影响因素，可能包括季节性、地域等。

min(ecpm_activate, ecpm_paying)：广告主会选择两种eCPM中较小的一个作为最终的eCPM，这有助于实现成本效益最大化。

通过这个广告公式，广告主可以比较不同广告策略的效果，并根据实际情况调整出价、优化广告投放，以实现最佳广告效果和投放成本。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

app events可以是下载，安装，激活，付费等各种app事件但不能是回收金额。Facebook的计费点中的v表示视频观看完10s或者看完。

另外在Facebook的产品中，当app events选择不同行为时，计费点，加强点的选择是有限制的，不是都可以选择。Google计费点的m/c这个并没有实锤，是我猜测的。

腾讯用oCPA来表示出价点在a，计费点在m或c的出价模式，命名方式不一样，和其他公司的模式容易混淆起来，注意区分。

另外，表中所有有预算控制的出价模式，广告主都无需在投放后台填写出价点的出价，而是完全由媒体平台根据预算来设定和调整。在尽量花完预算的同时，最小化出价点的成本。

在各家的产品中，每个模式还可以配搭几种不同的消耗速度，例如短视频平台有（均衡投放、优先跑量、优先低成本），每家的具体策略不一样，本质上是在成本控制和预算控制的具体实现上，匹配了不同的pacing策略和参数。Facebook，Google也有两档的消耗速度可以选（standard标准和accelerated加速)，腾讯两档（标准投放，加速投放），百度有三档（标准，匀速，加速）。

表中回收金额表示某段时间内（例如一周）通过内购或广告的形式产生的广告主收入。当出价点为回收金额时，表示每回收1元钱，所需要出的价格，也就是ROI出价。例如广告主可以对一周内的1元回收金额出价为0.4元，则对应的ROI目标就是0.4。Facebook中的ROI优化产品就是大家了解的VO（value optimization）, 根据成本/预算控制的区别，对应两个出价模式：Value optimisation with min. ROAS和highest value。优化app events的产品就是AEO（appevents optimization），根据成本/预算控制的区别，对应两个出价模式：lowest cost最低成本（其实还有一个target cost目标成本，控制上稍微有些不一样）和cost cap成本上限。

所以激活付费双出价和单付费出价的差异就在于是否要“激活成本不达标，付费成本达标”这部分流量。

广告主更在意的是付费成本，“激活成本不达标，付费成本达标”这部分流量广告主是需要的，那么为什么还需要有双出价？原因在于前期付费数据较少，付费成本在收敛到付费出价之前，

会经历较大的波动，某个时刻甚至会远超付费出价，导致学习期失败或广告主受不了自己关停。而双出价，通过放弃了“激活成本不达标，

付费成本达标”这部分流量（实际上是放弃了“激活成本不达标”的所有流量，因为早期无法把“激活成本不达标，付费成本达标”的流量从“激活成本不达标，付费成本也不达标”的流量中区分开来，只好一股脑全放弃了），来达到降低前期付费成本波动的效果，最后可能学习得更稳，成功率更高，全时间段的综合成本更低。

但是到了后期，付费数据已经积累够多，有能力把“激活成本不达标，付费成本达标”的流量和“激活成本不达标，付费成本也不达标”的流量区分开了。那么再放弃“激活成本不达标，付费成本达标”的流量就会限制广告主能买到的量了。因此对于已经积累到较多付费数据，和前期付费成本波动较小的广告，可能用单付费出价是更合适的选择。

“四点三率两控制”都讨论完了，就剩下一个“一加强”。我们以Facebook的一个产品为例来介绍。

​

编辑

添加图片注释，不超过 140 字（可选）

在Facebook应用推广的投放设置页面，我们可以看到计费点可以选择为impression，出价点可以选择为转化（例如可以是激活a）,

还可以选择针对某个应用内事件优化（Optimiaztion for Ad Delivery App Events），这个优化可以是激活后的某个行为，例如付费p。

那么投放系统会在oCPM-A的基础上，尽量优化获得更高的付费数。我们姑且把这个命名为oCPM-A-enhancedP模式。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

这么一来就在出价点和考核点之间加了一个新的点，加强点。假设出价点在a, 激活点在p。那么问题来了，为什么媒体平台不直接让广告主在更后端的加强点p出价，然后通过预估p(a->p)和其他几个率，把加强点p的价格换算成eCPM? 如果是这样，就相当于出价点在p, 没有加强点的情况。为什么不这么做呢？

回顾一下前面的内容，出价点与计费点分离且更靠近链路后端能带来更好的效果，前提是媒体平台对p(计费点->出价点)要比广告主隐含地用固定值预估的p(计费点->出价点)要更准才行。但有时候，因为数据较少或者其他原因，对于p(a->p)这个比率，媒体平台用数据预估的比率，比广告主隐含地用固定值预估的值更加不准确。那么这一段就不能放到计费点->出价点了。这也就是为什么不能把出价点后移到加强点的原因。

但是媒体平台的数据也不能浪费了，可以用来对广告主隐含地用固定值预估的值进行加强（enhance），即：

p_adj(出价点->加强点) = p_广告主预估(出价点->加强点) * adj(x) ---（式1）

其中x为广告的特征向量。

直观理解，媒体平台根据数据，判断该广告的p(出价点->加强点)较一般广告高，就把出价再调高一些，如果p(出价点->加强点)较一般广告低一些，就把出价再调低一些。这个价格的再次调整通常会有个范围，例如某条的“自动优化”在公开文档上写明是控制在-30%到+30%之间，即adj(x)的范围在0.7到1.3之间。只要p_adj(出价点->加强点)的准确率大于p_广告主预估(出价点->加强点)，那么添加这个加强点就有收益。

媒体平台是无法直接获得p_广告主预估(出价点->加强点)这个值的，因为这个值是隐含到出价里的。不过还好也没有必要，我们把针对加强点调整后的ecpm记为ecpm_adj，则有

ecpm_adj= p(竞价点->出价点)*p_adj(出价点->加强点)*加强点出价

将（式1）和加强点出价=出价点出价/ p_广告主预估(出价点->加强点)

代入上面ecpm_adj的式子，则有

ecpm_adj= p(竞价点->出价点)* p_广告主预估(出价点->加强点) *adj(x) *(出价点出价/ p_广告主预估(出价点->加强点))

约去后有

ecpm_adj= p(竞价点->出价点)*adj(x)*出价点出价

用这个值作为竞价点排序的ecpm就可以了。

从这里我们也知道为什么（式1）中是把adj(x)简单地乘到p_广告主预估(出价点->加强点)上了，因为如果是更复杂的函数，上面的推导就不一定成立了。

除了Facebook，Google的enhanced CPC从文档描述上看也是这类产品，另外某条的“自动优化”功能也是将付费作为了加强点的产品。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

广告联盟是将媒体从与投放平台及流量聚合的整体利益共同体中分离出来了，那么RTB模式就是将投放平台从与流量聚合的利益共同体中分离出来，使得投放平台更多地和广告主的利益结合在一起。

具体的利益结合方式主要有三种，对应DSP的三种盈利模式：套利模式，服务费模式，消耗分成模式。

以前所有的食材（媒体流量）只供给给一家餐厅，要吃饭只能去这一家餐厅吃（一个投放平台），服务地再不好也得忍。现在食材同时供给给好多家餐厅（多个DSP），可以选择服务地最好的餐厅吃，餐厅因为有竞争，也会更加站在消费者的角度，为消费者考虑。如果觉得餐厅都不合自己的口味，还可以买回厨房自己做着吃（广告主自营DSP)。

DSP之所以叫Demand Side Platform，就是以为它是更站在需求方这一边的平台，更加代表需求方（广告主）的利益，也让部分广告主更加放心把自己的数据上传并用于投放。

1套利模式

广告主和DSP签订某个行为数的购买价格，例如每个点击1元钱。然后由DSP通过ADX采买流量，DSP会通过技术手段将每个点击控制在例如0.8元钱，这时候DSP就可以赚0.2元的差价。DSP的技术越强，相同的量的情况下，就可以以更低的成本从ADX里购买到点击，例如降低到0.6元，那么就可以获得更高的利润。

因为激活或者其它更深度的行为数据通常由广告主收集，DSP并不能防止广告主隐瞒激活。所以通常广告主和DSP约定的结算行为和大媒体平台里的计费点类似，需要在DSP能完全控制的范围之内。

广告主和DSP以点击数或者展现结算，但是也可以实现和大媒体平台类似的oCPX模式，即广告主在DSP平台上也可以按激活或者付费来出价。例如广告主和DSP以一个点击1元钱结算，但是同时对每个激活出价60元。和之前介绍的oCPX一样，DSP会根据预估的p(c->a)将激活出价转换到点击出价，再根据p(m->c)转化到eCPM。同时通过成本控制，将点击成本控制在比如说0.8元，那么DSP就可以每个点击赚0.2元，这也为什么叫套利的原因。DSP对点击率预估地越准，就可以用越低的成本买到同样质量的点击，从而盈利也越高。另外，也需要将广告主的激活成本控制在60元以下。笔者14年在国内首家移动DSP设计竞价策略时，就是采用这个模式，广告主按CPA出价，DSP用技术手段保证点击成本低于和广告主的结算成本保证利润空间。

在套利模式下，因为DSP的获益方式和原来联盟以及大媒体都不一样了，因此，“三率”的表格也发生了改变。在这个表格里，我们将DSP称之为平台，ADX及聚合的媒体流量称之为媒体。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

和联盟不一样的只在p(竞价点->计费点）预估偏高这一项。因为DSP从竞价点到计费点的预估如果偏高了，媒体的收入是提高了（因为出价偏高了），

但是因为广告主和DSP是按计费点的数目结算，所以并不影响ROI，这部分损失由平台（也就是DSP）承担了。

1. 广告主自营DSP/服务费模式

一些广告主，特别是电商广告主（如京东），可能不愿意将自己的详情页到达或者用户购买商品等广告主端收集的数据回传给平台（如大媒体广告、广告联盟或DSP）。原因主要有以下几点：

数据隐私和安全：用户数据对于电商广告主来说具有极高的价值，包括用户行为、购买记录、喜好等信息。这些数据可以帮助广告主更准确地判断用户需求和购买意愿，从而优化广告投放策略。然而，将这些数据回传给外部平台可能会导致数据泄露，进而影响用户隐私和企业竞争力。

商业竞争：电商行业竞争激烈，广告主的用户数据可能会被竞争对手利用。例如，竞争对手可能会根据这些数据来调整自己的广告策略或产品定价，对广告主造成不利影响。

定制化和灵活性：通过自营DSP，广告主可以实现更高程度的定制化和灵活性。他们可以根据自身需求和策略来设定投放规则、优化算法等，而不需要依赖第三方平台的标准产品和服务。

正因为这些原因，一些电商广告主可能不愿意使用依赖数据回传的oCPX等产品，转而选择自营DSP。通过自营DSP，广告主可以在保护自己的数据安全的同时，实现广告投放的优化和成本效益最大化。

以一个假设的广告主（如某电商平台）为例，他们希望在某个大媒体广告平台（如Facebook）上投放广告，以吸引更多用户购买商品。在这种情况下，数据回传的例子可能如下：

广告主在大媒体广告平台上创建广告活动，设置目标用户和广告预算等信息。

用户在大媒体广告平台上看到广告主的广告，点击进入电商平台的详情页。

用户在电商平台上浏览商品，可能会进行购买操作。

广告主希望了解用户从广告点击到购买的整个过程，以便优化广告投放策略。因此，他们需要将这些数据（如详情页访问量、购买转化率等）回传给大媒体广告平台。

为实现数据回传，广告主需要在电商平台的相应页面上添加大媒体广告平台提供的追踪代码。这样，当用户访问详情页或完成购买时，相关数据就会被发送回大媒体广告平台。

基于这些回传数据，大媒体广告平台可以为广告主提供更精确的广告效果分析和投放优化建议。

然而，正如前面所提到的，一些电商广告主可能出于数据隐私、安全和竞争等原因，不愿意将这些数据回传给外部平台。因此，他们可能会选择自营DSP，以实现更高程度的数据保护和广告投放优化。

有些行业的广告主，比如电商广告主（如某东某宁），因为用户数据的价值太大，导致他们不能把自己的详情页到达或者用户购买商品等广告主端收集的数据回传给平台（不管是大媒体广告，联盟或者DSP）。所以他们不能用oCPX等产品，但是他们又不甘心只用CPC来购买流量，这样后链路完全没有优化。这个时候，自营DSP就是一种相对适合他们的解决方案。

还有些DSP采用固定服务费的方式，即广告主交一笔钱，DSP就专心为广告主服务，DSP的利润和任何行为数都没有直接关系。这种方式从利益关系的角度非常接近广告主自建DSP的模式，只是和其他模式一样不一定能用上广告主所有的私有数据。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

因为不管是广告主自营DSP还是DSP收取固定服务费的方式，广告主和平台的利益都完全一致了，也就没有了平台和广告主之分，所以上表中，直接用“广告主”代表了双方的共同利益。

另外因为广告主和平台不存在计费行为，因此4个关键点中的计费点消失了，关键比率也从3个变成了2个。

因为p(计费点->出价点）也就是p(竞价点->出价点）由广告主自己用模型预估，所以效果的好坏和广告主自己拥有的数据有非常直接的关系。所以这个模式只适合自己拥有丰富数据的广告主（例如自己同时也是大媒体的广告主，例如某东，某条）。

3消耗分成模式

还有的DSP采取消耗分成的模式，即帮广告主花了多少预算，按一个约定的比例分成。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

因为广告主和平台之间不存在按行为数计费的行为，因此同样地，4个关键点中的计费点消失了，关键比率也从3个变成了2个。

在消耗分成模式下，DSP的收入和广告主的消耗成正比，也就是和媒体的收入成正比，让DSP的利益反而和媒体绑定了。不过这种模式仍然存在是因为这张表分析的只是短期的利益关系，

长期而言，如果广告主ROI下降，就会终止和DSP的合作，换其他的DSP。而DSP作为比联盟更需要代表广告主的角色，不太会做短期伤害广告主利益的事情。

RTA

前面介绍广告主自营DSP的时候说到，有些广告主因为自身用户数据的价值太大，导致他们不能把自己的详情页到达或者用户购买商品等广告主端收集的数据回传给平台（不管是大媒体平台，联盟或者DSP），所以他们建立了自营DSP，这样就可以放心地将自己的数据用来训练模型了。

那么在大媒体平台或者联盟买量的广告主，是不是也可以不回传数据给平台，而是像广告主自营DSP那样自己来搭建投放系统呢。答案是肯定的。这种方式在某条和某手都叫RTA广告。

可以认为在RTB模式下的广告主自营DSP也是一种特殊的RTA广告。下图展示了在大媒体平台，联盟，和RTB下（也就是自营DSP）的RTA广告示意图。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

图中，橙色部分都是投放系统的一部分，都会用模型来预估各种比率。我们能看到在大媒体平台和联盟中，投放系统被拆成了两部分，一部分在大媒体或者联盟平台中，

一部分在广告主自己的RTA投放系统里。那么不难理解，如果大媒体平台或者联盟能完全收集到的行为是点击的话，那么p(m->c)是由大媒体或者联盟平台的投放系统来预估，

而p(c->出价点）是由广告主自己的RTA投放系统来预估。

这个切分不是按计费点来切分的，所以有时候大媒体或者联盟平台预估的是p(竞价点->计费点）（如oCPC)，有时候也可能是p（计费点->出价点）（如oCPM)的一部分，

而广告主RTA系统预估的都是p(计费点->出价点）的全部或者一部分。

这样对于广告主来说，就有六个广告模式了（3个普通的，加3个RTA），这六个模式哪个投放效果更好呢？模型和算法的实现就看各家的技术功底了，我们来看看从数据源上，

这六个模式有什么本质差异。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

上表中，假设大媒体平台或者联盟能完全收集到的行为是点击，那么就有两个模型需要预估，一个是p(m->c)一个是p(c->出价点)。每个模型的数据来源又分为了特征和label。

只有特征数据和label数据都比较好，最后的模型才能预估得更好。另外，蓝色底色表示这个模型由大媒体，联盟或者非自营DSP来预估，

橙色底色表示这个模型由广告主自己的RTA投放系统或者自营DSP来预估。另外，上表中所有参与方都可以购买第三方数据，因此表中不再单列第三方数据。

大媒体 vs 联盟:

联盟能拿到的数据局限在用户的广告行为，但是有来自更多媒体的数据，所以如果联盟不够大，媒体数量的优势无法弥补种类的缺失，那么两个模型的预估就会不如大媒体准确。

DSP vs 联盟:

首先ADX只会把局部的请求发送给DSP，所以在特征维度上，DSP只能拿到部分小媒体的用户广告行为。另外，对于p(m->c)模型，DSP只能拿到竞价成功的那些展现后续是否被点击的反馈，因此label上也比联盟差不少。因此，如果DSP要发挥自己的优势，必须靠广告主愿意给自己传更多的深度数据（例如激活，付费等），要么就是自己就是广告主（自营DSP)，要么自己同时是大媒体（例如某度的DSP，某讯的DSP)。没有数据的第三方DSP，很难维持。

“大媒体和联盟” vs “大媒体+RTA和联盟+RTA”：

在RTA广告中，大媒体和联盟给广告主的RTA投放系统传用户的特征都是纯自愿的，传多传少广告主也控制不了，有些大媒体或者联盟也完全不传特征数据。虽然在p(c->出价点）的模型上，label数据对RTA来说占有绝对优势，但是如果广告主没有大量的自有用户特征，这个模型也是训练不出来的。广告主有当前用户的特征就意味着这个用户已经是广告主旗下某产品的用户了。所以RTA不适合于买新用户，而更适合对广告主旗下某产品A的用户投放旗下其他产品B的广告。所以RTA特别适合电商广告，因为大部分用户其实都在电商广告主那里买过东西，电商广告主已经有了这些用户的特征数据，可以对这些用户推荐他们没有买过的新的商品的广告。而RTA就不太适合游戏类广告，因为游戏类广告主通常需要买旗下所有游戏都没用过的新用户，对于这些新用户，广告主一点特征数据也没有。

不过，还有一种RTA模式是广告主把RTA当成是一个排除用户的blacklist来用，p(c->出价点）还是由平台来预估，不过广告主通过RTA来返回是否想要对这个用户展现。一般广告主用这个来实现对于已在旗下相似产品转化过的用户（这个信息平台不一定有）。这种RTA的特殊用法（但不一定用得少）可以认为只是个更实时更好用的blacklist（投放平台一般也都提供反向人群包，只是不能做到实时更新）。

黑名单：广告主可能希望将某些特定用户排除在广告投放之外，例如已经在旗下相似产品转化过的用户。这些用户通常被视为低价值用户群，因为他们可能已经了解产品、服务，或者已经成为客户。

在RTA模式下，广告主可以利用RTA作为黑名单来排除这些特定用户。在这种情况下，广告主不直接参与出价预估（p(c->出价点)），而是通过RTA返回是否想要对某个用户展示广告。换句话说，广告主在RTA中设置规则，以实时判断某个用户是否属于黑名单，从而决定是否对其展示广告。

相比于传统的反向人群包（投放平台提供的一种排除特定用户群的功能），RTA作为黑名单的优势在于实时更新。广告主可以根据最新的用户数据实时调整黑名单规则，以实现更精确的投放策略。

总结一下：数据积累非常多的，有对用户重复推荐旗下不同产品的广告主（例如电商广告主），或者因为某些特殊考虑绝对不可以把数据传给平台的广告主，可以考虑用RTA的方式从大媒体或者联盟中买量，或者自营DSP的方式从ADX中买量。事实上目前市面上也是电商类（如某东）对这两种方式用得比较多。而对于其他广告主，可能最好还是把数据回传给大媒体或者联盟进行买量。

1保率双出价与不保率双出价有什么区别？分别适用于什么情况？以及和带加强点的单出价有什么区别？

首先我们来看一下什么叫做保率双出价。双出价大家可能都比较熟悉，但是对保率和不保率的差异可能不是所有朋友都了解。下面我们以“激活付费双出价”来举例，在这个产品里，广告主需要设置激活出价和付费出价两个出价。

不保率双出价：系统目标是激活成本不超过激活出价（或不超出出价的某个比例，例如20%，下面讨论简化为不超过激活出价），并且付费成本不超过付费出价。

保率双出价：系统目标是激活成本不超过激活出价，并且付费成本不超过付费出价，并且激活到付费的率（即付费数/激活数，也就是激活成本/付费成本），不低于激活出价/付费出价。

假设客户的激活出价是100元，付费出价是1000元，最终激活成本是40元，付费成本是800元。那么对于不保率双出价而言，是达成目标的（因为40<100, 800<1000)。但是对于保率双出价而言，多了一个要求，就是从激活到付费的率（=40/800=0.05）不小于激活出价/付费出价的（=100/1000=0.1），在这个case里是没有达到的。也就是说保率双出价是更严格的一个目标，除了成本达标，率也要达标。

为什么要求率也要达标呢，如果我们的更加深度的目标（本例为付费成本）都已经达到了，为什么还需要关心激活到付费的率呢？原因在于付费成本也不是广告主要的最终目标，付费只是出价点，真正的考核点可能在付费金额上。而在大多数时候，激活到付费的率，是正相关于付费到付费金额的率（也就是付费金额/付费数，或者叫ARRPU。为了和前面的链路说法保持一致，我们把付费金额/付费数，也叫做付费到付费金额的率（虽然这个率可能大于1），也记做p(付费->付费金额）。把付费金额简称为v，如下图所示）。在保证付费成本一定的情况下，激活到付费的率越高，通常ARRPU越高，最后的ROI越高。比如同一个游戏两个推广计划，都买了100个付费用户，平均付费成本都是1000元。A计划的100个付费用户是从1000个激活用户转化来的，B计划是从300个激活用户转化来的，B计划的激活到付费率明显更高。大概率可以推断B计划带来的用户更加精准，这些用户最终付费的金额也会更高。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

同样的，其他双出价也是类似，例如保率激活次留双出价，如果保激活到次留的率在一个比较高的水平，在相同次留成本情况下，7留数，14留数也会比较高。

当然，增加了对精准度的要求，就需要付出量减少的代价。好的投放系统和差的投放系统，差异只在于好的投放系统量和质的换算效率高一些，如果进行了保率，量掉得少一些。

2什么时候适合用保率的双出价，什么时候适合用不保率的双出价？

那就得回到前面说的基本假设上来，即：出价点1到出价点2的率，是正相关于出价点2到考核点的率。以激活付费双出价举例，就是激活到付费率，正比于ARRPU。虽然大多数时候这个关系是成立的，但是不同广告主可能这个正相关性是有高有低的。正相关性越高的广告，越适合用保率的双出价；正相关性越弱的广告，越适合用不保率的双出价。举个极端的例子，如果一款应用，它的ARRPU是固定的，比如付12元就终身免广告，没有其他变现方式。这个正相关性就为0。对于正相关性较弱的广告主，可能保率带来的量的下降的损失，就超过了ARRPU增加带来的好处，可能用不保率的双出价就会更加合适。

3保率双出价和带加强点的单出价有什么区别呢？

我们用“激活付费双出价”和“付费出价带付费金额加强点”这两个具体的例子来分析。这两个产品同样是在保证了付费成本的基础上，优化了付费金额。“激活付费双出价”是通过优化激活付费率，并且利用了激活到付费率正比于p(付费->付费金额）的方式，不需要广告主回传付费金额数据，对于激活到付费率高低的控制，交给广告主自己控制。“付费出价带付费金额加强点”则是通过直接预估p(付费->付费金额)的率，然后算ratio的方式（"ratio的方式"指的是计算预估的付费转化与实际付费金额之间的比率。它能帮助广告主更好地评估广告投放效果和ROI（投资回报率）。这种方法可以用于付费出价策略的优化，通过调整预估付费转化与实际付费金额之间的比率，广告主可以使广告投放更加精确和有效）。如果在预估p(付费->付费金额)的率的模型里，把激活到付费率也作为一个特征，那么也能利用激活到付费率正比于p(付费->付费金额）这个特性。只不过这个率的权重和这个模型里其他特征的权重，需要通过广告主回传付费数据来训练。

总结一下就是，保率双出价通过广告主手动控制“出价点1到出价点2的率”这一个因素来影响出价点2到考核点的率，不过不需要广告主回传考核点数据。带加强点的单出价可以通过模型自动控制包含“出价点1到出价点2的率”在内的多个因素来影响出价点2到加强点的率，不过需要广告主回传加强点数据。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

从量上来说，付费出价>不保率激活付费单出价>保率激活付费单出价/带加强点的付费单出价>付费金额出价（ROI出价）。

牺牲量依次带来的好处的是，前期成本更加稳定，ARRPU提升，ARRPU进一步提升且能赔付。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

广告主可以根据自己对于量和质的区别，对稳定程度的区别，来选择适合自己当前阶段的出价产品。

4什么是一价计费，广义二价计费（GSP）？为什么大多数广告平台要用GSP计费？

广告A和广告B的CTR分别是0.03和0.02，出价分别是0.3元和0.4元。讲到“排序按eCPM排，但不是按照eCPM来计费的，还是按照CPC来计费。也就是说，如果这条广告被用户点击了，媒体平台会收广告主0.3元。如果没有被用户点击，媒体平台不收广告主钱。

eCPM_A = 0.03 *0.3 * 1000 = 9元 eCPM_B = 0.02 *0.4 * 1000 = 8元

这里为了让概念更清晰，是按照一价计费的情况下解释的。也就是排名第一的广告主出多少钱，计费的时候就扣第一名的广告主多少钱。事实上，在大多数广告平台使用的广义二价（GSP）计费中，媒体平台收广告主的钱比0.3元要少。二价计费就是排名第一的广告主获得展现后，计费（也就是扣第一名广告主的金额）是排名第二广告主的出价（广义二价是指第n名用n+1名的出价计费，以下讨论我们不特意区分广义二价和二价）。比如CPM出价下，广告主A出10元排第一，广告主B出9元排第二，那么这次展现就扣广告A 9元/1000=0.009元。

另外，在计费点不等于排序点（也就是展现）的时候，GSP的具体的计费规则要稍微变换一下。因为在按cpm排序的最终队列里，因为第一名和第二名的广告的点击率不一样，可能出现第二名的点击出价还比第一名的高的情况（例如上面的例子，广告主B的点击出价是0.4元比0.3元还高，不能直接扣第二名的点击出价。这里就需要用点击率来换算下。

GSP的计费公式是这样的（当计费点不等于排序点时）

​

编辑

添加图片注释，不超过 140 字（可选）

在CPC（或oCPC) 的情况下为

​

编辑

添加图片注释，不超过 140 字（可选）

然后在上面的基础上再扣一个最小货币单位，比如1厘钱。

在上文的例子中，广告主A最后计费的金额是：0.02*0.4/0.03=0.267元，如果加上一厘钱，就是0.0268元，比0.3元少。

关于GSP计费，记住两个性质就好了。

一是计费值等于让广告ad1保留在第一位的最低出价。

把计费公式两边都乘以

​

添加图片注释，不超过 140 字（可选）

，则有

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

这里如果广告ad1按

​

添加图片注释，不超过 140 字（可选）

出价，最左边就是广告ad1的eCPM。

右边就是广告ad2的eCPM。如果广告ad1的出价比

​

添加图片注释，不超过 140 字（可选）

少1厘钱，广告ad1的eCPM就要低于广告ad2的eCPM了。

也就不能排到第1位了。如果出价按

​

添加图片注释，不超过 140 字（可选）

出，eCPM也只是刚好和ad2的一样。

因此，大多数广告系统会在

​

添加图片注释，不超过 140 字（可选）

的基础上，多扣1厘钱，保证广告ad1的eCPM是大于广告ad2的eCPM。

二是计费的最高值一定不会超过广告ad1的出价 。

因为广告ad1既然能排第一，说明它的eCPM比第二名的广告ad2的eCPM高，也就是说有

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

两边同时除以

​

添加图片注释，不超过 140 字（可选）

则有

​

编辑

添加图片注释，不超过 140 字（可选）

左边就是

 

​

添加图片注释，不超过 140 字（可选）

，所以

​

编辑

添加图片注释，不超过 140 字（可选）

charge出价

接下来解释下为什么需要用GSP计费。我们上面的第二个性质也说了，计费的最高值不会超过出价，而如果用一价计费，计费就等于出价。

也就是说GSP计费的钱，是一定小于等于一价计费的值的。那为什么广告平台不选择一价计费，岂不是更赚钱？

严谨的证明需要涉及博弈论，要证明二价计费是纳什均衡的。大概意思是说，在二价计费机制下，广告主直接给出心里能承受的真实的价格，对广告主和平台而言都是最佳的选择。

这里的证明比较复杂，笔者不展开说明了。从一个简单的角度举个例子，大家也许更直观体会到二价计费的好处。

为了好理解，我们用计费点就在展现的二价计费来举例。假设我们在拍卖某一个广告位的流量，按cpm一价计费拍卖，也就是出价高的人拿走流量，计费完全等于出价。假设有两个广告主竞价，保留价是10元。那么一开始广告主A出10.1元买走了第一个的流量，广告主B出10.2元买走了第二个的，这个时候广告主A会调整出价到10.3元，广告主B又调到10.4元。。。直到当前价格是广告主A出100元，这个时候广告主B算了下再加价要亏本了，决定不再跟了，反正是第二名，出99.9元也是输，出10元也是输，不如把价格调回到10元，这样如果广告主A预算撞线了或者退出了，还能捡个漏。这个时候广告主A发现B已经把价格调到10元了（不能直接看到B的出价，但是可能会逐渐试探到），自己也不用花100元去买，直接出10.1元就可以了。广告主B又把价格提高到10.2元。。。于是，一个新的循环又开始了。排名第一的广告的价格呈现锯齿状，非常不稳定。这就是没有达到纳什均衡的现象，即没有达到：博弈的任何一方，只要改变当前的选择，双方各自的利益都不会增加。不管现在这个循环的哪个阶段，总有一方可以针对性地调整自己的出价，从而提高自己的收益。

如果是二价计费会怎么样？当广告主B把价格调整到10元后，广告主A不需要再把价格调到10.1元。因为计费按第二名+最小货币单位，也是按10元+0.001元计费。不管是保持100元出价还是修改到10.1元，都是按10.001元计费。这个时候循环就被打破了。在这个阶段，广告主A是没有办法再通过调整自己的出价，来提高自己的收益。广告主B也没有办法再调整出价，来提高自己的收益。这个时候就达到了所谓的纳什均衡。

这是在一个两人竞价的理想态的分析，真实的广告竞价场景要复杂一些，虽然Google和FB在一些特殊产品上，也有应用一价计费的case，但是总体来说，大多数的广告系统还是采用GSP二价计费。

5oCPX的"一键起量"是个什么产品？为什么需要有这个产品？

稍微介绍下“一键起量”是个什么产品。它的功能是这样的：

在一个广告单元冷启动阶段（已经过了冷启动就不能用了），广告主可以自己出一笔预算，让平台用这笔预算对这个单元进行冷启动探索。通常平台会通过在智能出价中提高出价的方式，来把这笔预算花掉。等到这个单元积累到了足够的转化数据，证明了自己是个好单元/或者差单元，再把出价降回到正常出价。这样这个广告单元冷启动成功概率就增加了。

即使不用这个产品，平台也会有自己的冷启动机制，来对广告进行探索。所以一般情况下，广告主并不需要使用这个产品。只有当广告主对一些比较好的素材有信心的时候，但平台并没有给这个素材足够的探索量。或者在探索的时候，这个素材因为运气不好，在较少的展现中，没有展现出足够的实力。那么这个时候，广告主可以通过这个产品来告诉平台，“这个素材麻烦你提高出价探索一下”。其实，即使没有这个产品，很多广告主也是通过自己主动提价，等过了学习期再降价的方式，变相实现了这个功能。

另外，之前广告平台之所以有超成本赔付，是因为平台需要有个机制来保证自己不会故意对广告主的各种率预估偏高，从而盲目提高出价使得最后超成本。但是现在是广告主自己要求对这个广告提价。因此“一键起量”这一类产品起作用的单元，是不会进行超成本赔付的。这个从机制上看也是非常合理的。如果平台还是会进行超成本赔付，那么广告主就会对所有的单元，都应用这个功能，让投放系统进行提价，反正超成本了平台还会进行赔付。

我们再来分析下为什么需要有这个产品。先回顾下前面讨论的oCPM里智能出价这部分，它的本质是媒体平台免费为广告主提供把出价点价格转化成计费点价格的出价转换服务。这个智能出价即使完全交给广告主自己来出，是没有机制上的问题的。广告主自己不做是因为p(计费点->出价点）的数据都在平台手里，自己没有办法做得比平台好。基于这个机制上的合理性，广告主可以用各种手段对这个出价进行有利于广告主自己的干预，都是符合双方利益最大化的。包括使用一键起量来要求提高出价。

有些广告主试图通过回传等手段来hack投放系统智能出价算法对这个单元的出价，其实是平台没有对应的产品来支持广告主对出价的干预（虽然大多数时候，广告主的出价干预也许不一定比程序做得更好）。

"hack"一词用来描述广告主试图通过一些手段或技巧来影响投放系统的智能出价算法，以达到自己期望的广告效果。这通常意味着广告主试图在系统本身没有提供出价干预功能的情况下，通过其他途径（如回传数据等）来实现对广告投放效果的优化。

这种行为可能源于广告主对系统智能出价算法的不信任或者希望通过自己的策略来改善广告效果。然而，值得注意的是，大多数情况下，广告投放平台的智能出价算法已经经过大量优化和调整，因此广告主的出价干预并不一定能比程序做得更好。

总之，这里的"hack"指的是广告主试图通过一些手段或技巧来影响投放系统的智能出价算法，以达到自己期望的广告效果。然而，这种行为未必能带来更好的广告投放效果。

6智能出价产品是否可以用一价计费？

在oCPX产品中，每次竞价的计费点出价都是平台的出价算法出的，它考虑了p(计费点->出价点）的率，也考虑了当前出价点成本的达成情况。那么既然现在出价都是平台出的了，是不是就不需要二价计费了，直接用一价计费是不是就可以了？

前面举例的一价情况下，广告主A出10.1元，广告主B出10.2元。。。形成恶性循环的情况，因为现在都是广告主A和广告主B都是通过平台来出价，平台理论上可以通过集中管理，来避免这样情况的出现。其实这么做的缺点也很明显，就是从原来机制上的保证，变成了平台算法实现上的保证。例如按照前面的例子，假如是一价计费，当广告主A出到100元，广告主B把出价调回到10元的这个时刻，如果广告主A自己来出价，是会把价格调整到10.1元的。但是平台为了不让价格出现波动，可能把广告主A的出价稳定在100元。在这个时刻，平台为了自己的利益（计费稳定）和广告主的利益出现了分歧。长此以往，广告主就有动力要求平台把出价交给自己来控制（因为虽然比平台缺少数据，但至少能往自己利益最大化的方向去出价），或者通过各种hack方式来试图影响平台的出价。另外，智能出价算法在优化的时候，除了优化客户的成本达成情况，还需要额外考虑价格的平稳性（在二价的情况下，通过机制保证了）。这些都是智能出价产品仍旧使用二价计费的原因。

7用RTA做动态过滤是怎么一回事？

“RTA不适合于买新用户，而更适合对广告主旗下某产品A的用户投放旗下其他产品B的广告。所以RTA特别适合电商广告，因为大部分用户其实都在电商广告主那里买过东西，电商广告主已经有了这些用户的特征数据，可以对这些用户推荐他们没有买过的新的商品的广告。而RTA就不太适合游戏类广告，因为游戏类广告主通常需要买旗下所有游戏都没用过的新用户，对于这些新用户，广告主一点特征数据也没有。” 这里主要描述的是RTA作为“动态出价”产品的使用场景。

RTA其实也可以用来买新用户的，但是主要是作为一个“实时黑名单（realtime blacklist)”的方式用来做用户的动态过滤。具体的运行方式是，RTA的广告主，对平台发过来的每个广告请求，看看这个请求对应的用户，是否已经在别的平台转化过自己的这个产品，或者转化过自己的类似的产品。如果是的话，就返回0告诉平台说我不要这个流量；否则返回1，告诉平台这个流量我要了。各种率都还是平台去预估，使用RTA的广告主自己不预估（因此广告主还是需要回传转化等后链路数据给平台，进行点击到转化率或其他率的预估）。这个用法和平台的排除人群包比，差异在于这个黑名单是实时更新的，广告主不用经常update排除人群包。

总结一下RTA的用法主要分为两种：

​

编辑

添加图片注释，不超过 140 字（可选）

RTA这个产品的问题主要在于，广告平台需要把自己的请求发送给广告主，这个请求至少是带了用户ID信息。对平台来说，有数据泄漏的风险。因此这个请求数的规模不能太大，另外可能可以有选择性地发送请求。ADX发请求给DSP也会有类似的问题，不过在ADX的请求是从很多小媒体来的，小媒体对于数据不是太care，另外成熟的ADX也会有选择性给DSP发请求的策略（例如长期对接ADX只拿请求不竞价的骗数据的DSP，流量是要被ADX卡掉的）

有些DSP（需求方平台）长期与ADX（广告交易平台）对接，但他们仅获取请求数据而不参与实际竞价。这种行为被视为骗取数据，因为这些DSP通过接收请求来收集广告位和用户信息，但并不为广告位出价，从而不会产生实际广告投放。

成熟的ADX会注意到这种行为，并采取措施阻止这些不诚实的DSP。卡掉流量意味着，ADX会限制或停止将广告请求发送给这些只拿请求不竞价的DSP，以保护广告交易平台的正常运作和其他参与竞价的广告主的利益。

8广告产品如何支持广告主更好地进行表达？

匹配效率对于广告系统来说可能是最核心的诉求。要提高用户和广告的匹配效率，一方面要足够了解用户（用户画像，用户数据和特征挖掘等等），另外一方面要足够了解广告（素材，广告主诉求）。用户侧和推荐等产品没有明显差异，下面主要关注广告主侧。要让广告系统尽可能了解广告，需要支持广告主的以下两类表达：

诉求表达（例如：各种出价产品，消耗速度选择）

先验表达（例如：定向产品，标签产品，一键起量，一键继承）

（a) 诉求表达

诉求表达主要让广告主告诉平台，要的是量还是质，优化到激活就够，还是需要优化付费甚至ROI。这些都可以通过让广告主选择不同优化侧重目标的出价产品来表达，因此很难有一个出价产品一统天下。出价产品的多样性也是需要一定保障的。

另外广告主在不同的阶段，诉求也是不一样的。例如在有些游戏早期上市的时候，会在于先把市场铺起来，不太在乎ROI，只要激活成本达标，激活越多越好，玩游戏的人多了以后，形成一定的传播性，社交性。等到中期后期的时候，前期已经积累了一部分数据，再开始优化付费/ROI，从要量转为要质。早年间，Facebook的MAYA, AEO, VO产品就形成了这么一套满足不同阶段广告不同诉求的出价产品矩阵。处在不同阶段的广告主同一时间也不是只用其中一个产品，而是搭配使用，只是预算占比不同。

（b) 先验表达

诉求表达支持广告主表达：我要什么样的广告。先验表达则是广告主告诉投放系统：你一开始没数据的时候，可以先按我告诉你的这样去投，效率会好一些。等你有数据了，再按照数据里统计出来比较好的方式去投。

先验后验是算法里最经常遇到的概念，先验和后验的关系大概可以理解为：

先验+数据观察->后验

只有先验需要广告主表达，后验是投放平台自己计算的。这里有两种情况都需要满足才能形成完善的广告产品组合

1没数据（或者数据少的时候）用先验

2有数据的时候用后验

例如定向产品，提供了很多人口属性，兴趣标签等定向条件给广告主选择。有一部分广告主并不在乎谁下载了自己app或者购买了自己的产品，他们只是通过对自己产品的理解，选择合适的启动人群，来告诉广告系统，投放这些人群效果会比较好。这就做到了第1点，没数据时候用先验，但是没有做到第2点，就是有数据的时候用后验。因此后来有了“智能扩量”产品，让单元投放到一定量级的时候，系统可以根据投放历史数据，适当放宽定向。

同样的例子还有“一键起量”，广告主提供的先验是：这个素材转化好，出高点的价格探索它。但是过了冷启动，如果实际数据表现不好，系统会忽略这个先验。同样的还有“一键继承”，广告主提供的先验是：这个广告的目标人群和之前这几个unit（单元）的人群差不多。

总结一下，可以从两个角度审视现在有的产品是否很好地支持了广告主的先验表达：

1. 有什么其他先验知识是广告主可以输入，但是现在产品不支持的？

（2）有什么产品支持了广告主先验的表达，但是在有数据的时候，没有切换用后验来投放的？

另外，支持广告主表达，需要用机制保证广告主是truth-telling的

先验信息有些是自带boost属性的，例如“一键起量”，会让投放系统提高这个unit的出价。如果“一键起量”产品中的超成本赔付没有取消，那么广告主就会有动力对所有的unit使用这个功能。另外这里再说一个某条失败的产品案例。据说某条曾经设计了一个让广告主可以对自己的广告打标签的功能，让广告主表达自己的广告是与什么内容相关的。初衷是为了用户和广告更加匹配，例如给经常看二次元内容的用户，展现给自己的广告打上二次元游戏标签的广告主的广告。但是因为这个标签是广告主自己填的，没有机制保障他们填的都是真实的。后面广告主就都填成了和自己的产品其实完全不相关，但和当前热门事件相关的词。这样做的后果就是这个标签在模型里的权重越来越低，低到可以忽略。

最后，广告产品对于广告主来说，是用来赚钱的生产工具，和用户产品不一样，不用过分担心产品功能太多广告主不愿意学习，或者懒得使用。当然合理的产品结构，降低上手门槛，和提高使用效率是基本操作。