互金场景下竞价广告投放简介

引言

自2014年井喷式爆发以来，互金行业经历了从野蛮生长到理性回归的过程。由于大部分人对互金产品存在戒备心以及互金产品天然存在的风险性，互金产品从拉新、注册到投资转化的道路注定是艰难的。花光一个亿的广告投放绝不是噱头，随着获客成本攀升的，互金产品的竞价成本已经从人均几十攀升到几百甚至上千，各大互金企业在获客上的投入都是极大的。然而大部分企业面临的现状是要想获客就先得有流量，而流量越来越贵，好不容易获得的流量又没有很好地转化，转化后的用户质量也不高，且粘性差，于是进入砸钱、获取用户、用户质量差、砸更多的钱、获得更多低质量用户的怪圈。

案例分析
小A是一名做互金产品拉新的运营同学，我们一起来看看他在广告投放中遇到的问题：

小A发现互金产品的借贷成本（新增一次借贷需要的广告投入）太高，于是他分别通过降低出价、定向低风险和高需求用户进行后续的竞价。然而，虽然投放的成本降低了，但是产品的曝光量却急剧减少（广告的展示次数）。于是，小A通过提高出价和放宽人群定向限制来增加广告曝光量，但这样又导致了成本超标和人群质量较低的问题。

图：广告投放怪圈

可见，想要破圈需要我们在商业逻辑的框架下从广告主的角度出发对流量到转化的全流程进行拆分、评估、优化，权衡各个环节使得转化的全链路最优。

实时竞价广告是什么

当你刷抖音、快手等媒体时，是否有留意到各种各样的广告呢？它们或许是文字，或许是视频，在你点击之后会送你直达广告产品的落地页。站在广告主的角度，每人都希望自家的产品能够被媒体展示，那么媒体是如何决定展示哪个广告主的广告呢？答案就是实时竞价。竞价广告简单来说就是媒体按照价高者得的策略将某个流量的某个广告展示位卖给广告主。实际上由于大部分广告都是产生点击后才计费（ $CPC$广告），所以媒体并不是简单的按照出价对广告主进行排序，而是按照点击收益*点击率（ $eCPM$千次展示期望收益）对广告主进行排序，并将流量分给TOP1的广告主。其中点击收益是广告主在媒体广告交易平台设置的点击成本。实际成交价在广义第二高阶的竞价策略下略低于广告主设置的点击成本（细节可以参考《广告计算学》）。实时竞价指的是以上所说的竞价过程是在流量到达媒体端后在毫秒内计算得到的。所以对于媒体来说，广告点击率预测的越准，意味着收益越大。

竞价广告的最优投放策略是什么

对于广告主来说，希望在预算一定的前提下获得最多的有效转化。广告主的动作空间是什么呢？有2点：广告素材和分层出价。由于广告素材不在本文讨论范围内，我们重点来看看为什么需要做分层出价。

流量的市场价是由参与竞价的广告主决定的，流量的市场价与流量价值（流量为广告主带来的收益）成正比。试想一下，如果我们对所有用户都按市场平均价出价，会获得什么样的流量呢？答案是容易获得低价值的流量。因为对于高价值流量，我们的出价不具有竞争力。当我们对流量价值预估不准时，我们把不同价值的流量放在一起出价，依然会出现高价值流量竞争力不足的问题。在竞争激烈、出价接近用户价值的情况下，这个问题可能导致广告主的亏损！

图：均一出价

所以竞价广告的优化策略是：对不同价值的流量设置不同的点击成本——分层出价。最极端的做法当然是我们对于每个流量都设置不同的成本，但由于落地难度太大，实际更多采用的是客群维度的分层出价，即将价值相近的用户放在一起来设置成本。分层出价问题可以拆分为分层和最优出价两个子问题。

分层出价之如何进行人群分层

由上可知，如果我们希望在流量价值维度对人群进行分层，那么我们就需要对用户的价值做出预测。

什么是用户价值呢？我们通常使用生命周期价值（Life Time Value，LTV）来衡量企业客户对企业所产生的价值，但在实际业务中，我们往往需要用短期的指标进行量化。以互金产品为例，我们通常从逾期风险、借贷需求等维度考察用户价值。不管考察维度是什么，我们都可以通过机器学习的方式从用户的行为画像中预测用户价值。至此，我们将问题抽象为一个有监督的机器学习问题，建模的本质是从历史数据中学习到用户画像到价值的映射关系，通常可以以XGBoost作为baseline, 通过模型融合、深度学习等方式提高预测的准确性。

与一般的有监督模型相比，广告投放场景下的建模难点在于媒体端流量对于广告主来说大部分是薄信息甚至无信息用户，那我们该如何预测这部分流量的价值呢？一种有效的方式是联邦建模。联邦建模指的是在保证参与方信息不泄露的前提下完成多方数据的联合建模。在广告投放场景下，广告主拥有流量价值相关数据，如是否逾期、是否借贷、是否活跃等，媒体侧拥有流量的行为数据，如浏览次数、登陆时长等，通过联邦建模可以实现用媒体侧的行为数据预测流量价值，从而进行人群分分层。联邦学习框架提供的安全的数据共享机制使得具有强互补性的媒体和广告主间的数据能够实现最大化的变现。如京东数科已开创性地与头部媒体合作，将联邦学习落地到实际广告投放业务中，实践表明联邦模型比起单边建模无论是从覆盖度还是模型预测效果上都有很大提升。

如何确定最优出价

当我们按照流量价值对用户进行分层后，我们如何对每个客群出价呢？最理想出价结果当然是出价略高于市场价，然而市场价是多方广告主动态博弈的结果，几乎是无法预测的。而且现在广告投放是卖方市场，即广告位供不应求，所以我们需要确定每个客群我们能付出的最大成本是多少才能保证盈利，并以此作为上限动态调整出价来增加曝光量。如果我们的出价已经达到上限但依然无法竞得流量，可能意味着我们的竞争对手在此客群上比我们投入太多。这时，我们需要考虑的是应该加大投入，还是转向别的媒体或者别的客群。

那么，如何确定每个客群我们所能付出的最大成本呢？首先，我们一起来看一下互金场景下流量的转化链路：

图：均一出价

假设我们由用户的生命价值得到某个客群的借贷成本需要低于2000元/次借贷 才能实现盈利，且由历史数据得到这个客群的点击->借贷的转化率为50%，则我们能付出的最大点击成本是 2000*50%元/次点击，也就是是说按点击出价时我们能设置的最高出价是1000元。运营实际操作的时候可以以1000元为起点向下调整价格。

$oCPX$下的最优出价

上面给大家介绍的是点击出价+点击计费+考核借贷成本模式下的优化方法，在实际中，广告投放的商业逻辑非常复杂。广告的转化流程可以分为 m m