浅析竞价广告功能和原理
前言
在线广告，又称之为互联网广告，指代在线媒体上投放的广告类型，我们日常使用的PC、APP端等互联网流媒体呈现的广告形式都可以统称为在线广告，在线广告不仅为广告主带来了全新的营销渠道，更形成了以人群投放为目标，以产品为导向的技术型投放模式。
但是广告涉及的业务领域是非常复杂的，展示量合约广告的询价与定量 ；实时竞价广告中的智能出价 （Nobid、oCPC等）、智能创意 （自定义创意、程序化创意）以及定向（DMP定向、智能化定向）等都是非常复杂深奥的业务场景。
广告发展
根据在线广告的广告特性与售卖方式主要分成了以下四种：
*（1）合约产品广告： *这种广告模式源自传统的线下交易方式，将广告位按时间跨度（CPT，Cost Per Time）或保证曝光量（CPM Guaranteed Delivery, GD）的形式出售给广告主，主要适用于那些难以直接量化广告效果但追求品牌曝光的企业。这类广告在门户和视频网站上尤为普遍，旨在提升品牌知名度和影响力。
- 定向精准与销售效率的冲突：广告商追求精细用户定位，但媒体提供过高定向细化会降低广告位售出概率，并使得预估特定标签组合流量难度加大，尤其是采用固定展示量保证时。
- 流量潜力未充分挖掘：单一展示若符合多项合约要求，依在线规则分配可能导致优质流量未能以更高价值售出，资源分配效率受影响。
- 合约壁垒影响中小企业：定向广告本质上基于合约，规模较小的广告商难与大型媒体达成合作，限制了其市场参与度，凸显在线广告市场对灵活投放方案的需求。
*（2）竞价产品广告： *核心体现为搜索引擎广告，聚焦于关键词竞价，后拓展至展示广告领域，如ADN，通过竞拍页面关键词或用户标签来精准匹配流量。与合约广告的根本区别在于其基于效果导向的CPC、CPM计费模式，尤其擅长解决效果类广告需求。
- 出价不可控性：每次展示的直接出价不由广告主直接决定，市场运作看似不透明，广告主需通过精选标签组合与灵活调整出价策略，以间接优化广告成效。
- 定向精准性局限：尽管竞价广告擅长精准定向，但仍面临挑战，如特定场景下难以触及流失用户或寻找相似潜在用户，因这些判定依赖广告主独有的用户数据库验证，而媒体标签库难以覆盖此类特定标签。
*（3）程序化交易广告产品： *竞价广告的进一步发展催生了实时竞价的交易形式。实时竞价使得需求方可以更加灵活地划分和选择自己的目标受众，也使得更广泛的数据使用和交易迅速发展起来。以实时竞价为核心的一系列交易方式逐渐演变成为机器之间以程序化的方式完成广告交易决策，因此，这类产品叫做程序化交易广告产品。其售卖方式主要也是以CPC、CPM、OCPM、OCPC的售卖方式；
*（4）原生广告产品： *广告的产品体系除了自身的演进，另一个重要课题就是如何处理与非商业内容的关系，让广告尽可能的和内容以原生的方式共存。搜索广告和社交广告的信息流广告对此做了非常值得拓展的部分；
以抖音举例，原生广告依托抖音实名账号发布视频，巧妙融合广告与内容，利用账号影响力同步运营和推广，实现广告与内容的无缝对接。这种方式不仅短期内能提升广告曝光度，带动流量快速增长，还利于长期构建品牌信誉，促进业务持续健康发展，实现自然与付费流量的双赢策略。
在线广告的计费（结算）方式
*（1）CPT/CPD（cost per time/day）结算： *这是一种专为大品牌定制的广告合作模式，通过独家占用特定广告位并在约定时间段内专享曝光，其本质为一种高级别的广告资源包销策略，而非基于效果的计费模式。价格经双方预先协商确定，无需根据点击率或每次点击价值动态调整，实现了广告位的高端定制与时段独享。
*（2）CPM（Cost Per Mille）结算： *即按照千次展示结算。这种方式是供给方和需求方约定好的千次展示的计费标准，至于这些展示内容是否能够带来收益，需要需求方资金进行评估和控制风险。因为每次展现的费用数字很小，业内约定按照广告展现了1000次的形式来收费。按此付费的广告大多以品牌展示、产品发布为主，比如：微信朋友圈广告，曝光效果通常比较好。
*（3）CPC（Cost Per Click）结算： *即按照广告被点击的次数来计费。最早出现在搜索广告，目前市场上关键词竞价、信息流广告大多是这种模式。
*（4）CPS(Cost Per Sale)/CPA（Cost Per Action）结算： *即按照用户行为/销售来计费，CPA一般为注册行为，注册成本。比如在手游中，用户充值一定金额为一次有效销售。不接入渠道SDK，只给渠道一个游戏包，分成由cp分给渠道；CPS出现在电商平台中，每销售一旦提取销售佣金、直播带货、淘宝客以及京东联盟都是这种结算方式。
随着广告计费模式向后端转化，如采用CPA（按行动付费）或CPS（按销售付费），广告平台面临的不确定性及风险随之上升，而广告主对广告效果的调控余地缩减，这不利于广告平台实现收益最大化。但随着行业数据链的完善及广告主日益重视投资回报率（ROI）的衡量，侧重效果的广告模式渐成互联网主流。在此背景下，为了平衡广告主对效果的严格要求与保障平台自身盈利，创新计费模式如OCPM（优化千次展示成本，侧重转化优化）应运而生，旨在达成双方利益的最佳契合点。
实时竞价广告RTB（RealTime Bidding）
概述
综合来讲，竞价广告就是通过在广告平台（比如百度、360、抖音、快手），购买能锁定目标客户群体的关键词或者人群标签定向，以主要以竞价排名（CPC,CPM,CPA,OCPM,OCPC等）付费的方式，来争取广告展现的机会，竞价广告通常就是广告在互联网平台获取曝光展现的一种广告付费方式和广告类型。
实时竞价广告优点
一、RTB对APP(媒体)的价值
- 优化广告库存收益： 应用程序（媒体平台）利用实时数据分析广告展示空位，根据市场反馈动态调整热门广告位价格，实现单个广告位的精细化与高效变现。
- 提升填充效率： 实时竞价（RTB）随用户访问即时启动，通过自动化拍卖快速填补剩余广告库存，缩短响应时间，全面提升广告投放的覆盖率和效率。
- 简化售卖流程，加速投放： 相比于传统的包段购买方式，RTB汇聚广泛广告主资源，大幅缩减了人工协商和交易周期，加速了广告内容的优化迭代过程，更为便捷高效。
二、RTB对广告主的价值
- 强化广告主投资回报： 广告主可通过精细的定向设置，如目标人群筛选、站内重定向及频次、预算管理，在RTB低成本环境下精准投放，确保广告直击潜在客户，推动转化目标高效达成。
- 流量聚合优选： 一旦广告主通过资质与创意审核，即可通过DSP平台接入RTB的广阔流量池，摆脱单一媒体排期约束与库存填充限制，灵活选取最优流量资源。
- 实时策略调控： 赋予广告主投放控制权，支持随时随地启动、终止广告活动，即时调整与优化策略，确保广告效能与市场动态紧密同步。
实时竞价广告流程
竞价广告的出价方式
OCPM，OCPC是可以从多个维度的、实时分析用户的兴趣爱好，积累成历史海量数据，科学性分析广告的成本目标和实时投放效果，进行快速地计算和调整，给出一个相对最优的出价，可以让得到的广告效果最大化。
OCPM/OCPC核心知识点说明
（Optimized Cost Per 1000 Impressions）/（Optimized Cost Per Click）
与自然搜索和推荐系统相比，广告领域更像是一个深邃的经济策略博弈场，它与自然结果相互渗透但又各有区分，共性与特性并存，要求广告策略产品经理深刻洞悉搜索与推荐的逻辑。
广告平台与广告主间的利益均衡点尤为微妙：广告平台的盈利核心在于提升每千次展示收益（CPM），在页面浏览量（PV）和广告展示比例稳定时，更高CPM直接驱动广告收入增长，这便与广告主追求成本效益最大化的初衷形成了一组动态平衡的矛盾关系。
<math xmlns="http://www.w3.org/1998/Math/MathML"> 广告流量平台收入 = ( 平台 p v ∗ 广告曝光率 ∗ C P M ) / 1000 = ( 广告展现 P V ∗ C P M ) / 1000 广告流量平台收入=(平台pv*广告曝光率*CPM)/1000=(广告展现PV*CPM)/1000 </math>广告流量平台收入=(平台pv∗广告曝光率∗CPM)/1000=(广告展现PV∗CPM)/1000
对于效果投放广告主而言，相较于广告展现多寡或者CPM的高低，其更加在乎的是转化个数与每次转化带来的CPA成本，在客户客单价和转化个数一定的前提下，CPA成本越低，客户的ROI越高，广告主毛利也就越大。
<math xmlns="http://www.w3.org/1998/Math/MathML"> 广告主页毛收入 = ( 客单价 − C P A ) ∗ 转化数 广告主页毛收入=(客单价-CPA)*转化数 </math>广告主页毛收入=(客单价−CPA)∗转化数
<math xmlns="http://www.w3.org/1998/Math/MathML"> R O I = G M V / 广告消耗 = 转化客单价 / ( C P A − 转化成本 ) ROI=GMV/广告消耗=转化客单价/(CPA-转化成本) </math>ROI=GMV/广告消耗=转化客单价/(CPA−转化成本)
1.基础业务目标函数构建
广告生态构成了一幅多元参与者的博弈画面，涵盖广告主、需求方平台（DSP）、供给方平台（SSP）及终端用户等，其复杂性根源于平台追求高广告效益（以CPM衡量）与广告主追求高投资回报（ROI）间的内在张力。因此，在优化广告排序策略时，无法简单遵循自然推荐系统中的单一目标优化路径（如仅提升CTR、CVR或GMV），而需细腻平衡各方利益，不仅要精准预测CTR与CVR，还需巧妙融入竞价机制，确保既提升用户体验，又满足平台与广告主的双赢目标。
基于上述的最大期望期望收益目标出发 ，将业务目标排序问题，可以拆分成两个问题一个是CTR（预估点击率）和CVR（预估转化率）的预估问题，而另一个就是竞价问题 ，通过eCPM最大化期望收益方式进行广告排序，得到如下公式，也是各大互联网广告通用得搜推广告排序方式，这是eCPM（Expected Cost Per Mile，期望千次展示收入）排序公式诞生的思路；
<math xmlns="http://www.w3.org/1998/Math/MathML"> e C P M = p C T R ∗ C P C ∗ 1000 = p C T R ∗ C P A ∗ p C V R ∗ 1000 eCPM=pCTR*CPC*1000=pCTR*CPA*pCVR*1000 </math>eCPM=pCTR∗CPC∗1000=pCTR∗CPA∗pCVR∗1000
预估CPM（排名分数） = 预估点击率 * 成本 * 1000 = 预估点击率 * 成本 * 预估转化率 * 1000
eCPM则是将不同出价方式的价格归一化为千次展现出价价格的一种工具。
2.来自于客户投放计划预算-Budget的约束
在理想无限制环境下，广告分配可理想化采用贪心策略，即每回推荐或搜索均展示预期千次展示收益(eCPM)最高的广告。然而，实际操作中此法并不可行，因为广告主不仅设定广告出价bid，还限定了投放预算Bk，这为问题增添了复杂度。
预算约束连同广告实时分配机制，共同将广告优化问题复杂化。这时，优化目标不仅要追求收益最大化，还需综合考量流量管理策略，比如预算的均衡分配（采用pacing策略维持投放节奏）与集中消耗策略以争夺流量，以及智能动态调整出价。同时，依据历史表现预测每日流量余量，精细规划预算使用与流量预估，进一步增加了策略的深度与挑战性。
3.来自于广告投放用户体验的约束
在广告生态系统中，考量远不止于DSP投放平台、SSP流量提供方及广告主三方的利润追逐。用户的感受同样至关重要，正如自然搜索与推荐系统一样，须注重用户体验，比如规避负面反馈内容、同类广告重复展示及已购商品重复推广等问题。单纯追求经济收益而忽视用户体验会导致用户流失，故平衡收益与体验，实现商业与用户满意度的双赢，是构建成功商业化产品的核心理念（体现了商业策略的"道"）。
一般兼顾体验收入平衡有两种方式，一种是在排序公式eCPM中增加质量分Q，另一种是直接增加价格挤压系数K；
<math xmlns="http://www.w3.org/1998/Math/MathML"> e C P M = p C T R ∗ c p c ∗ 1000 + Q eCPM=pCTR*cpc*1000+Q </math>eCPM=pCTR∗cpc∗1000+Q
预估CPM（排名分数） = 预估点击率 * 成本 * 1000 +质量因子
质量分约束
Q的质量分一般通过广告投放主体item的质量得出，如果电商商品item广告就会考虑商品评价、店铺整体评价、物流履约率、店铺GMV等等
<math xmlns="http://www.w3.org/1998/Math/MathML"> e C P M = p C T R k ∗ C P C ∗ 1000 eCPM=pCTR^k*CPC*1000 </math>eCPM=pCTRk∗CPC∗1000
预估CPM（排名分数） = 预估点击率 ^k * 成本 * 1000
挤压系数约束
k表示挤压系数，当k→0 ，只考广告主出价bid因素，展现最高出价的广告不考虑任何匹配相关性；当k→∞，不考虑广告主出价bid，只考虑点击率相关性来分配广告，所以可以当出现很多质量不高的广告的时候，这些广告主希望通过抬高出价获取曝光，可以通过提高挤压系数来压低广告出价对于整体质量差带来的影响。
举个例子
如果广告主A的一条广告CPC出价为0.3元，广告主B的一条广告CPC出价为0.4元，这个时候媒体平台并不是直接出CPC出价更高的广告主B的广告，因为两个广告的点击率可能并不相同。
这个时候媒体平台通常会用点击率预估模型，预估每个广告分别的点击率（CTR），即从m到c的概率p(m->c)，再用
eCPM=CTR * CPC * 1000
（需要乘以1000是因为CPM是1000次展现的价格）分别计算得到两条广告的eCPM (estimated CPM)。
假设广告主A的点击率CTR_A预估为0.03，广告主B的广告CTR_B为0.02，那么计算得到
eCPM_A = 0.03 *0.3 * 1000 = 9元
eCPM_B = 0.02 *0.4 * 1000 = 8元
4.动态调价因子
OCPM或者OCPC这些广告模型都有一个动态的调控因子，即 eCPM = PCTR（预估点击率） CPA （成本）PCVR（预估转化率） * β;动态调价因子的出现旨在确保广告投放成本与广告主预设目标紧密贴合。该机制的引入基于三大关键场景：
- 竞争不充分场景下的成本控制：在某些广告竞价不够激烈的时段，由于采用二阶计费模型，广告主的实际激活成本可能远低于其设定的目标成本，这对广告平台的盈利构成挑战。为此，动态调价因子介入，旨在缩小这一差距，通过调整，使广告主的实际成本更贴近其期望值，保障平台收益优化。
- 转化数据延迟与调整需求：鉴于转化数据（如应用激活）的反馈存在时间差，初期预估转化率可能不准确，特别是考虑到跨日激活现象。动态因子在此承担起校正角色，根据历史趋势调整当前的转化率预估，如对首日数据适度上调，以反映未来几天可能回传的转化，确保出价策略更加准确有效。
- 预估偏差矫正：鉴于OCPM/OCPC模型基于预估进行扣费，预估误差可能导致广告主实际成本与目标成本偏离。引入PID调整算法等智能手段，动态调价因子能够及时响应转化率预估的不准确性，有效缩小这一偏差，提升成本控制的精确性。
智能调节因子： 智能调节因子扮演着类似资深优化专家的角色，它密切关注广告预算消耗速率、实时转化成本与广告主设定目标之间的动态平衡。例如，当预算消耗过快但成本控制良好时，系统会智能降低实时出价，延长预算使用周期，确保全天预算平稳消耗，同时精准锚定目标成本，实现成本与预算的双优化。
预估CTR/CVR问题
这一块是广告和自然搜推关联相似度最大的地方，整体来说比较类似，基本上围绕预估三要素的问题：
- 排序的样本构建（CTR预估即为展现后点击与未点击的正负样本，CVR预估则为点击后转化与未转化的样本）
- 排序特征工程的构建（用户相关的行为日志信息、用户画像，广告特征-投放主体item特征（商品的类目、商品评价、商品的发货地等等））、广告ad的特征（文案、图片广告素材信息、广告附近内容上下文c信息，对于搜索广告还有query信息等）
- 排效果的评估：本质上和推荐排序评估一样，通过混淆矩阵&AUC曲线关注模型预估点击率准确性、精准性等效果，观察预估点击率和真实点击率的分布是否一直；
模型框架同样是用LR逻辑回归中PointWise、PairWise、以及ListWise、因子分解机FM（从基于特征的PLOY2模型出发，解决计算向量问题，同时降低特征标注的重复性）以及特征嵌入方法（GBDT+LR）,将GBDT和LR模型前后融合通过对GBDT对原始特征进行更高阶组合。
广告定价问题解析
广告出价策略是搜索推广广告与自然搜索结果的核心区别，关键在于广告主通过在投放平台设定的出价(Bid)直接影响广告排名。广告主依据投资回报率(ROI)来调整预算和出价策略，力求提升ROI以降低成本，而广告平台则致力于激励广告主增加预算与提高出价。为平衡二者利益，实现平台收益最优化，广告平台引入了拍卖机制，这一机制最初由Google经济学家范里安在关键词竞价中提出。
为解决定价难题，广告生态系统采纳了第二价格密封拍卖模型，又称Vickrey拍卖。在涉及多广告位竞拍的情境下（例如搜索引擎广告），每个胜出广告位的支付价格依据紧随其后的次高投标价确定，形成了广义第二价格(GSP)拍卖规则。部分平台会对计费作微调，如最低加价至0.01或0.1元，以此作为收益策略，但总体上不改变GSP的基本框架。这一机制有效让市场决定价格，促使广告主在竞争中寻求效率与效果的均衡，同时确保广告平台的收益增长。
相比较第一价格密封拍卖机制（出价即扣费），第二价格密封拍卖会更加鼓励广告主提交对自己商品的真实估值，让一个广告系统更加稳定，避免在第一价格密封拍卖机制下广告主胜出就调低出价，失败就调高出价的反复性给广告平台带来的不稳定问题。
二价竞价
竞价的规则是： 价格高者得，次高价结算，即出价最高的DSP赢得本次展现，并以第二高的投标价格（通常比第二高多1分钱）跟Exchange结算。
一价竞价
竞价的规则是： 价格高者得，最高价结算。
孰优孰劣
如果两种竞价模式都在市场上存在，那只能说明一件事，两者各有优劣。
二价竞价能够较好的鼓励买家讲真话：中标者的成交价不是由自己而是由出价最高的未中标者决定的，出标的高低只决定输赢而不决定具体价格，只有用真实价格竞拍才能保证最后中标的那个价格是自己想要支付的价格，所以参加拍卖的人没有扭曲自己价格的激励------我可以出天价来赢得竞价，但如果第二名的价格不是我想付出的价格，我在这次竞拍中就失败了。
二价竞价会带来"投标人用多个身份来投标"的问题。
一价竞价，永远价高者得按最高价结算。 避免了串谋的问题。 但由于要按照最高价格计算，每个拍卖者会猜测他人的报价，因而压低自己的报价。 目前几乎所有的DSP都采用bid shading的技术来试探价格。
想了解更为详细竞价优劣，可以去看博弈论方面的书籍。
总结
在常规广告投放操作中，手动采用CPC或CPM出价策略要求广告专家不断微调目标受众、投放时间及广告展示位置，以期达到理想的转化效果。然而，由于人工作业的局限性，实时响应每个用户的个性化出价及溢价设置极具挑战，这不仅考验着广告投放者的专业技能，也消耗大量时间和精力。
为应对这一挑战，现代广告平台引入了智能化出价工具，如oCPX（包括oCPM和oCPC）、以及tCPA（Google采用的术语）。这些工具的创新之处在于利用机器学习技术，自动优化广告系列的整体转化率(CVR)，让广告主只需设定期望的转化成本（如每订单成本），系统则在CPC计费框架下自动调整出价，确保转化成本维持在广告主设定范围左右（通常容许±20%的波动）。策略逻辑基于实时监测实际转化成本与目标成本的偏差，据此动态调价。
值得注意的是，oCPX策略的高效运行高度依赖于高质量的转化样本数据，以精确预测转化概率(pCVR)。因此，实施过程中通常分为两个阶段：初期采用CPC/CPM传统出价模式，积累足够的转化样本（如新广告计划运行一周内达成30笔订单），随后过渡到第二阶段，启用oCPX自动出价。鉴于oCPX对预测模型的高要求，平台通常配备初期赔付机制，确保数据达标且未经广告主人为调整的计划，若因系统预测失误导致成本超支达120%以上，超出部分将由平台赔付，以此增强广告主对智能投放的信任，同时也为平台提供了更大的出价调整自由度，进而提升流量利用效率和广告消费水平。
推荐阅读
招贤纳士
政采云技术团队（Zero），Base 杭州，一个富有激情和技术匠心精神的成长型团队。规模 500 人左右，在日常业务开发之外，还分别在云原生、区块链、人工智能、低代码平台、中间件、大数据、物料体系、工程平台、性能体验、可视化等领域进行技术探索和实践，推动并落地了一系列的内部技术产品，持续探索技术的新边界。此外，团队还纷纷投身社区建设，目前已经是 google flutter、scikit-learn、Apache Dubbo、Apache Rocketmq、Apache Pulsar、CNCF Dapr、Apache DolphinScheduler、alibaba Seata 等众多优秀开源社区的贡献者。
如果你想改变一直被事折腾，希望开始折腾事；如果你想改变一直被告诫需要多些想法，却无从破局；如果你想改变你有能力去做成那个结果，却不需要你；如果你想改变你想做成的事需要一个团队去支撑，但没你带人的位置；如果你想改变本来悟性不错，但总是有那一层窗户纸的模糊......如果你相信相信的力量，相信平凡人能成就非凡事，相信能遇到更好的自己。如果你希望参与到随着业务腾飞的过程，亲手推动一个有着深入的业务理解、完善的技术体系、技术创造价值、影响力外溢的技术团队的成长过程，我觉得我们该聊聊。任何时间，等着你写点什么，发给 zcy-tc@cai-inc.com
微信公众号
文章同步发布，政采云技术团队公众号，欢迎关注