计算广告之淘宝oCPC智能出价

Paper：Optimized Cost per Click in Taobao Display Advertising

解决问题

淘宝作为世界上最大的电商平台，每天为上百万的广告主提供十亿多在线广告曝光的机会。从商业目的上说，广告主为特定的场景和目标人群进行竞标以竞争商业流量。平台方在十毫秒内选择合适的广告进行展现曝光。常见的出价方法有cpm和cpc。

实现流量和广告的精准匹配，oCPC出价，实现高转化高出价，低转化低出价；同时优化版cpc能实现平台、广告主、用户的三方共赢。

传统广告系统以固定的出价来瞄准特定属性的人群和广告放置位置，本质上被视为出价和流量质量的粗粒度匹配。广告客户为争夺不同质量要求而设定的固定出价无法完全优化广告客户的关键要求。而且平台方需要为商业收入和用户体验做保证。本文提出一种出价优化策略，称为优化cpc（ocpc），该策略可以自动调整出价，以实现出价与网页浏览量（PV）请求粒度的更好匹配。这种方法可以优化广告客户的需求，平台业务收入和用户体验，并从整体上提高流量分配效率。在淘宝展示广告上进行方法验证，在线AB实验证明效果有提升。

本文关注于淘宝移动应用中必不可少的CPC展示广告的出价优化问题。

（高转化高出价，低转化低出价。满足一定条件；带约束优化问题）。

广告系统，包含三种角色：广告主、广告平台、用户；三方诉求不同，为了满足不同的诉求，需要采取不同的措施；同时在满足某方（某两方）诉求时，要关注其他方的价值，这是一个利益权衡的问题。动态博弈~

论文中提到的淘宝APP上的两种CPC广告格式分别是：

• Banner CPC Ads
• 猜你喜欢

淘宝作为连接用户和广告主的平台，其生态特点为：

• 不同于大部分RTB系统，淘宝有dsp和ssp两种角色，数据在平台上能形成闭环，能完整的获得到用户数据以及广告计划信息；
• 淘宝中大部分是中小广告主，其主要关注于提升收入而非提高品牌影响力。因此，提高gmv能有益于这些广告主。
• 不同的广告主可能追求不同的KPI，这里讨论在淘宝平台上以点击竞价的cpc方式。
• 最后，广告场景必须满足媒体要求，通过点击率、转换率、gmv等指标来衡量。

通过权衡利弊，在这两种广告格式中使用cpc竞价计费。原因：

• 相较于cpc，广告主采用cpa承担风险会更低，
• 淘宝中多为中小广告主，cpm相比于cpc风险更高，cpc允许广告主控制点击成本，同时平台承担曝光到点击的风险。

广告主总是期望出价能与流量质量相匹配。但是由于技术限制，传统方法只能为用户组和广告位设置固定出价，以实现粗粒度的流量差异化；但是，广告客户正在寻求对出价和流量质量进行更细粒度的匹配方法。基于固定出价的排序过程有两个不足：

• 广告主设定的一个固定出价去处理具有不同商业质量的持续互联网流量，这种方式是低效的；
• 传统方法会最大化eCPM来追求短期商业收入，但是无法优化和控制媒体需求（例如GMV），这不利于淘宝的长期利益。

为了解决这两个问题，从广告主角度出发，一些社交网络平台提出了从其他出价目标平等转换而来的oCPM，oCPM能最大化广告主利益；但是，不能保证广告平台的生态健康如gmv。另一方面，通过修改排名公式bid * pctr过度追求媒体需求（如GMV）无法为广告商和平台带来有效的商业利益。

为了解决上述问题，我们提出了具有以下特征的OCPC：对于每个PV请求，在优化广告客户需求的前提下，OCPC会根据流量质量的真实价值调整出价，同时将出价最大化 通过保持eCPM排序机制不变来反映用户体验，广告客户的兴趣和平台收入的整体生态的综合评分； 我们的设计使我们能够根据业务变化的需求，以较低的成本灵活地调整OCPC系统。

系统架构

描述淘宝展示广告系统中数据信息流，有利于理解出价优化如何生效。从PV请求开始到最终的展示曝光。

• Front Server：从用户侧接收page view请求，将请求传送给Merger Server
• Merger Server：中心调度器，在整个过程中与其他模块交流通信。Merger Server请求Matching Server分析用户，然后根据广告主的用户定向要求给出一个特征标签列表；
• Matching Server：
• Search Node(SN) Server：通过Merger Server，这些标签被传送给Search Node Server，用于依据出价来查找特定的候选广告。在’猜你喜欢‘广告中，候选广告从数千个减少为4百个。
• Real-time Prediction(RTP) Server：对SN中的候选广告预测点击率pctr、转换率pcvr。
• Strategy Server：负责ecpc逻辑处理，基于pctr、pcvr和出价在排序阶段优化流量分配。策略层还负责后续广告的重复删除，以及广义第二价拍卖下的最终曝光价计算。
• Data Node(DN) Server：根据广告排序结果，Data Node Server将广告的标题、图片地址抽取出来；
• Smart Creative Service（SCS）：对DNS处理得到的广告标题、图片地址进行创意优化。

最终，前端server将结果返回给app或者网站。之后的点击、转化将记录在log日志系统中。

OCPC

A：符合PV请求的广告计划集合。对于一个特定的PV请求来说，对于A中的每个广告计划a，存在一个广告主预先设定的出价ba。对每个ba来说，OCPC算法的作用是调整ba，找到一个优化后的ba*能满足预先设定好的各种优化要求。

优化可行域

ROI Constraint。ROI限制。考虑到淘宝大部分是中小广告主，其主要关注市场效益，我们选择以保持或提高ROI作为算法的主要应用的同时，对他们的收入GMV进行优化。这里先介绍相关概念，然后引出ROI的数学表达。

• p(c|u,a)：用户u点击广告a后发生转化c的概率；
• va：对于特定广告计划a，va表示预计顾客的购买价格（pa-per-buy），或者说卖家的商品定价
• p(c|u，a) * va: 单次点击的预计GMV

广告主的实际耗费依据广义二价机制来计算，这里我们假设广告主为点击点击的付费为ba。单词点击的期望ROI计算公式：

汇总不同用户和点击的广告计划a的总体ROI为：

nu表示一段时间内用户u的点击广告a的次数。

上述等式表明广告主的ROI由3个因素决定：期望转换率$E_u[p(c|u,a)]$，va以及出价ba；其中va是由每个广告决定的，$E_u[p(c|u,a)]$在每个特定的商品（auction）上都是固定的。

实践中，当前的预测模型用于预测过去几天竞争广告的pCVR；消除了这些CVR中最大，最小的10％，计算剩余的平均值作为$E_u[p(c|u,a)$。出价优化的目标需要保证广告主的roi保持不变或者得到优化（称为ROI约束），此外，广告主可以获得更多高质量的流量。

出价优化边界。上面的等式保证了roia和$E_u[p(c|u,a)]$之间的线性关系；为了满足ROI约束，出价优化保证 。考虑到广告主获取高质量流量的需求，实行的出价优化原则为：在ROI约束的条件下提高出价以帮助广告主获取高质量流量， 对于低质量流量 降低出价以节省花销。 对流量质量和数量折中后出价优化可行域如图中的灰色区域。

其中阈值ra是处于安全性和商业设置而定的。下限对于避免某些广告商在优化ROI时获得很少流量的情况至关重要。从上图可以看出，当流量质量较差时，横坐标小于1，$b_a^{\star }$的上限还能达到$b_a$本身，这显然不能保证ROI不降，做了妥协。

对于广告计划a的出价优化上下边界