爱奇艺效果广告双出价优化历程

原创
2023/10/20 12:00
阅读数 27

01

   项目背景


效果广告的投放是一个博弈的场景:媒体平台希望流量卖出最高的价格,客户希望广告的投放成本和后端效果达标。随着效果广告行业的发展,客户不再满足于仅考核唤醒、激活等浅层转化的效果,越来越多的广告主向媒体平台表达优化后端效果的诉求。后端效果包括次留率、付费率、首日付费ROI等多种深层转化类型。

这篇文章,我们将回顾讲述,效果广告在出价模式上的优化历程。

广告媒体平台一般采用双出价模式来同时保障广告主的浅层转化成本和后端效果。广告主的投放诉求有浅层转化成本达标、深层转化成本达标和两个出价隐含的深层转化率达标。因此,媒体平台需要设计合适的eCPM(effective cost per mille,千次展示收益,指每一千次展示可以获得的广告收入)竞价公式,来满足广告主的要求,同时最大化媒体平台的收益。


02

   项目历程

2.1 传统单出价

客户只为一个转化目标(如下载、唤醒等)出价。媒体平台通过模型预估点击率、转化率,将一个转化的价值转变为一条流量的曝光价值。因为预估偏差的存在,需要用一个额外的出价因子α来调整出价,保障客户的转化成本。


上式中的出价因子,主要承担了两部分的角色。其一,是对预估的校准,使曝光价值根据点击转化率得到准确的衡量;其次,是对优质流量的筛选,结合预估和人群标签,动态地提升优质流量的竞价能力。

2022年以前,我们把这个公式做到了比较极致的水平。出价因子从反比例控制到微积分控制,从小时更新到分钟更新,从单一粒度控制到多维度动态聚合,从单一策略到兼容冷启动、常规投放、激进拿量等逻辑。而随着预估模型能力的不断提升和先进模型校准算法的建设,其实出价因子更多的开始承担优质流量筛选的角色。浅层成本依靠模型自身的准确预估和快速校准稳定可控。上面的一系列优化是另一个精彩的故事,以后有机会和大家再次分享。

挑战发生在2021年下半年,广告行业开始全面转向双出价投放。这时,深层成本问题摆在了我们的面前,预算结构的变化使这个问题变成必须跨过去的坎。

2.2 加权双出价

双出价的业务含义是:客户在投放时设置一浅一深两个出价目标,比如:激活+次留,唤醒+付费等等。客户要求浅层成本达标的同时,也要求深层效果达标,尤其是深层成本达标。2021年下半年开始,深层成本的控制和优化成为了这段时间的核心痛点,为了快速适应变化,我们采用了小步快跑的方式,快速上线了加权双出价。

针对多目标优化问题,常用的手段包括帕累托最优和加权最优。我们使用加权最优的方式,在浅层单出价的基础上,增加深层成本控制因子,加权得到最终的成本控制因子,先解决深层成本控制有无的问题。


上式中,深层出价因子的控制逻辑完全复用了浅层的框架。实际运用中发现这个策略存在以下缺陷:

① 在该出价公式下,浅层成本与深层成本会相互影响,加权以后容易出现翘翘板现象,深层好了浅层差,浅层好了深层差,甚至会出现周期性波动。

② 出价因子本质上是一个反馈控制器,基于当天已投放数据进行控制,对于不同深层效果的流量,出价时没有引入基于历史数据的预估值。即出价公式中无pDCVR参与,仅基于当天投放效果调控出价。

为了优化上述问题,我们进行了持续迭代。

2.3 帕累托双出价

加权的方式保证了浅层和深层成本整体最优,而要求二者分别最优,本质上是帕累托最优解问题。因此,我们以流量价值和目标流量为切入点梳理策略,同时依赖逐渐起步的pDCVR模型预估能力,构建新的双出价策略,实现浅层和深层成本的稳定控制。


为了同时保证浅层成本和深层成本达标,我们引入深层转化率预估pDCVR,将出价公式调整为:


因为深层严控,而深层转化往往更加稀疏,不利于数据积累,且难以跑量,影响收入。为解决该问题,我们通过引入校正系数w控制目标率,来提升跑量能力。同时,为保证效果,线上实时对w进行控制。


该竞价公式从理论上同时严控了深层成本和浅层成本。由于深层转化数据的积累相比浅层数据更慢,往往还要少一个甚至多个数量级,pDCVR模型在该时期处于排序相对准确,但是准确性不足的状态。因此,我们将深层预估值间接使用,作为判断流量质量的依据,从而影响深层出价因子。该出价公式一定程度上解决了2.2中的两个问题。但是出现了新的问题:

① 在严格控制深层成本和放量之间,需要通过矫正系数w来平衡,但是很难确定最优系数做到期望的平衡。

② 对于深层优质流量的出价上限为浅层成本达标的出价。该出价对于深层优质的流量过于保守,相比深层单出价模式,该模式对优质流量生效了打压,会拉低深层转化率。

③ 浅层成本和深层成本同时达标无法保证深层转化率达标。在广告投放的大趋势下,客户考核次留率,长留率和ROI往往都是率的问题,而不是简单的深层成本达标问题。


以上问题可以归纳为:如何实现浅层成本达标的同时,深层的转化率是达标的?如何在投放过程中,使成本逐渐变好的同时释放消耗?

2.4 自适应双出价

为了解决上述问题,除了要长期提升pDCVR模型的准确性,更为有效的方法是从流量价值评估机制上进行突破。因此,我们进行了出价策略的新版本迭代。目标如下:

① 进一步优选流量,实现深层成本和深层转化率的双优。

② 在优选流量的同时,强化优质流量的出价和竞价能力,以解决效果不好就缩量的问题。

在出价机制上,依靠深层预估模型能力的不断提升,相比2.3版本的出价公式,我们强化了pDCVR在出价预估中的作用。由此,引出新的出价公式:


其中,φ函数是一种S型函数,根据其计算得到最终的深层效果控制因子,下图展示了2种不同的 φ函数曲线,g可选择为


η为函数曲率控制因子,DCVR为当前投放的实际深层转化率,T为客户的目标深层转化率 。


其出价调控逻辑如下:

(1)当DCVR>=T时,函数的曲率η为极小值,函数曲线基本与x轴重合。此时pDCVR无论高低,φ函数的值基本一致,不对出价进行干预。可以按照浅层成本达标的要求尽可能跑量。

(2)当DCVR<T时,控制器拉升η,函数曲率提升,低pDCVR的流量保守竞价,高pDCVR流量积极竞价,从而DCVR增大,当DCVR逼近T时,控制算法控制曲率η降低,从而达到动态平衡。

(3)当DCVR<<T时,曲率η被拉升至极大值,竞价时放弃低pDCVR流量,高pDCVR流量积极竞价,带动  E(pDCVR)不断提升,使DCVR接近T,从而重复步骤(2),达到动态平衡。

至此,针对不同客户的后端投放诉求,无论是付费成本、次留率还是首日ROI等要求,配合着付费率预估、次留率预估和付费金额预估等深层转化预估模型,单条流量的深层价值均得到了有效的评估。自适应双出价通过pDCVR进行优质流量的筛选和判别,依赖非线性出价策略,在效果与目标存在差距时,舍弃部分低质流量,同时在优质流量上以更积极的竞价争取曝光,实现了效果自适应调整。达到不断实现效果爬坡,逐渐将消耗自动倾斜到优质流量上的目的。其中还有一些小的细节,比如 g函数同时考虑人群标签等,这里不再展开。


03

   线上效果


多个版本迭代上线,累计驱动效果广告提升:



04

   总结与展望


任何的出价策略都建立在模型预估能力的基础上,同时与人群标签的建设,预算分配逻辑,竞价策略的设计等等密切相关。目前,随着客户的考核目标越来越严格,出价模式也在不断发展,流量价值评估体系需要不断迭代以满足业务发展的需求。未来我们将在以下方向进一步优化:

  • 数据极稀疏下的深层效果控制

  • 深层转化延迟下的效果优化

  • 实时竞价环境变化导致的效果波动

  • 基于环境感知的自动出价框架

也许你还想看
爱奇艺数据湖实战 - 广告数据湖应用
Apache Spark 在爱奇艺的应用实践
揭秘内存暴涨:解决大模型分布式训练OOM纪实

本文分享自微信公众号 - 爱奇艺技术产品团队(iQIYI-TP)。
如有侵权,请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

展开阅读全文
加载中
点击引领话题📣 发布并加入讨论🔥
打赏
0 评论
0 收藏
0
分享
返回顶部
顶部