贝壳CVR转化率预估模型实践

最新推荐文章于 2024-06-21 15:16:20 发布

weixin_38754337

最新推荐文章于 2024-06-21 15:16:20 发布

阅读量1.5k

点赞数

文章标签：广告大数据算法 python 机器学习

原文链接：https://mp.weixin.qq.com/s?__biz=MzI0MTM2NTI3OQ==&mid=2247500777&idx=1&sn=a9a6d282db9bc87ecebb9792432c204c&chksm=e90e3b99de79b28f8c40dc36af4d36151e776e03ebf43c05f082878ad29f2e0521b40077bcb2&scene=126&&sessionid=0

版权

分享嘉宾：王志勇贝壳架构师

编辑整理：戴稚晖陆金所

出品平台：DataFunTalk

导读：贝壳从房产领域的产业互联网角度介绍智能广告投放的挑战、实践和思考。房产互联网是典型的高价值、长周期转化领域，本次分享重点介绍了贝壳CVR转化率预估模型在延时反馈问题上的实战经验；贝壳设计了一套实验机制评估RTA策略算法带来的增量价值，通过优化出价系数预估模型，转化率相对直投提升10%+，产业互联网广告主可以借鉴相关经验。

本文将围绕以下三个方面展开：

贝壳广告投放业务介绍和痛点分析
智能投放关键技术
智能预算分配关键技术

贝壳效果广告

1. 贝壳广告业务背景介绍

效果广告的目标是最大化业务目标效果，如月活MAU、总销量GMV、线上成交转化率。

贝壳构建了全域智能采买平台（泛DSP平台），从流量平台如字节跳动巨量引擎、腾讯广点通等接入流量，DSP业务方向涉及拉新和拉活，核心功能包括智能出价、增量价值预估、优化用户定向（用户分层和用户偏好分析）、RTA策略优化，通过数据采买和媒体合作方式实现数据共享来提升广告效果。

贝壳也有媒体直投业务，建设的灵犀系统提供了一系列直投工具，包括DPA、oCPX归因、数据回传等。DPA是Dynamic Products Ads简称，动态千人千面的商品广告，主要原理是基于用户之前与商品的互动行为，针对该用户展开该商品的再营销。oCPX，包括oCPC、oCPM等，以优化广告主的转化目标为目的，通过预估转化率来调整出价，为广告主选择转化率更高的流量，帮助广告主控制成本。oCPC出价模式主要分两个阶段，第一阶段为CPC投放-数据积累阶段；第二阶段为智能投放，当转化量积累到一定数值时系统根据转化率动态调整出价，控制转化成本接近目标成本。

贝壳广告业务的核心背景特点如下：

复购比例小：低频高价值，在高议价空间上提升算法带来的收益也是很大的。
转化周期长：开始看房到成交要历经数月以上，和一般消费互联网（电商和资讯内容）有很大区别，后者决策和转化周期短。

2. 贝壳效果广告--形态和链路

下图是贝壳广告的一个事例，通过各个媒体，包括信息流、应用商店、搜索引擎优化SEM等方式投放贝壳的广告。在拉新过程中，会涉及注册App的过程；在拉活时，通过广告唤起贝壳app。

3. 贝壳效果广告--业务痛点

广告效果营收可分解为三大重要因子，一是广告预算额度，二是预算分配，三是转化率。三大部分各自的特点和痛点说明如下：

核心重点关注的是转化率指标：广告渠道众多分散，渠道之间差异很大，如果仅仅对单渠道进行优化，达不到全局优化的效果，需要整体上进行优化。
预算分配问题：分配涉及很多维度，包括渠道维度、计划维度、推广单元维度，还需要考虑分配的调整频次和粒度。相对传统凭借市场经验判断的方式，智能自动化计算分配有很大提升空间。
预算申请预估和效果评估：业务运营会从获客成本和新客数量等角度评估，确认预算申请额度，评估广告投放带来的效果收益。除了获客数量，线上广告投放需要能为经纪人产生商机，为经纪人派发商机，所以需要对商机的成本、商机数量、商机转化带来的收入提前进行评估和预测，确保投放ROI达到业务目标。

智能投放关键技术

1. 智能投放流量漏斗和核心技术概览

我们先来看智能投放的7层流量漏斗。

第1层是来自流量媒体的请求，在用户访问媒体时，将对应的请求发给DSP。第2层是参与竞价，DSP需要评估是否参与竞价以及出价价格。后面5层分别是竞价成功、曝光展示、点击、调起app、成交转化。这些环节的转化率都需要提前预估。

这7层漏斗涉及哪些技术呢？

参竞率涉及到的关键技术是用户定向，例如，对于城市定向，哪些城市的特定画像人群会对贝壳这个平台产生大的增量价值。

参与竞价需要对各层转化率进行预估。考虑到漏斗各个环节之间不是完全独立的，来自不同渠道的流量漏斗转化也不一样，高点击率的客户调起率可能很低，高调起率的客户可能商机率和价值很低，所以为每层转化率单独训练模型学习效果不够好，在建模的时候采取多任务优化联合建模。智能出价预估公式：eCPM=CPO*CVR*CTDTR*1000，涉及pCTDTR预估（点击率和调起率联合预估）、pCVR预估（登录成交转化率预估）。其中，pCTDTR通过采取MMoE（Google团队发表的Multi-gate Mixture-of-Experts）多任务学习模型进行联合优化建模；pCVR预估采用DFM（Delayed feedback model）模型。

除了转化率预估，贝壳还设计了预算平滑机制，对每天的广告投放预算进行有效的流量预估和控制。

2. 用户定向之GEO城市定向

为了扩展用户定向能力，贝壳将内外部数据、跨渠道跨站点进行数据融合，构建更全面的用户画像。

这里特别分享下地理位置定向。有很多用户在媒体请求层，未打开位置信息，如果仅仅采用ip进行位置定位，不利用跨渠道数据融合，准确率不高。贝壳房产业务有丰富的楼宇字典数据，结合直投、DMP、DSP的离线GEO信息，分析用户的地理位置偏好，进行更准确的人群和位置定位。

3. 商机转化率-反馈延时建模

互联网电商的转化周期很短，但转化周期长在贝壳是个很大的特点，对模型预估也是个大的挑战。需要对模型的新鲜度和准确率做个平衡，模型每天更新，但还在考虑中的潜在用户没有完成转化，会导致建模的label没有更新，这样预估是偏低的。这种延时label更新的问题在推荐场景影响相对小一些，因为推荐系统核心关注的是排序问题，但这个问题对广告效果影响是非常大的，因为广告预估不仅关注排序而且关注转化率的真实值，预估结果会直接影响出价。

下图右侧模型是一个反馈延时模型（dfm），把转化率和转化周期预测进行联合训练，在预测转化率的同时，模拟转化率在时间上的分布。假设转化周期分布是指数分布，通过设置不同的归因窗口进行尝试，最后选择一个合适的归因窗口。

转化率的衰减分布虽然和指数分布有很大的相关性，但在实际转化中还是有差异的。因此我们做了一些其他尝试，从时间方面去建模，减少观测样本和真实样本的偏差，实时更新我们的真实样本反馈到训练样本中。采取采样纠偏的方式，类似于热点机制进行校准，这类技术对样本量规模要求很大，而且要能快速实时回传正样本。在贝壳，这种方式不太实用，原因是用户交互的数据量不够大，反馈也不够实时。

贝壳参考了谷歌在延时反馈、一个点击多次成交转化场景上的应用算法，核心是在时间维度上，把label拆成了不同的延时桶(比如，M个)，不同天的转化对应不同的桶，根据未完全转化的样本对应延时桶，依次训练可以确定样本label的模型；然后将该模型的预测值和后续模型的已转化label 集成，作为后续模型的label训练，使后续模型能利用更新鲜的样本数据(延时从M天降低到1天)。

4. 商机转化率-校准

真实转化率的波动很大，对出价预估有很大的影响，需要增加一个平滑校准模块。校准的作用是将CTR预估模型和竞价策略进行解耦隔离。label的延迟，通过一些半转化行为进行建模校准。在真正产生交易的商机前，用户有很多行为数据，如搜索、详情页点击，通过统计规则，可以构建半转化模型判断用户在某些行为后产生商机转化的概率，这部分的校准能提升对效果评估的准确性和时效性。

5. RTA应用和价值

最后介绍RTA的应用，RTA出价不直接起作用，媒体会对用户价值进行预估，广告主智能采用竞价扰动和调整出价系数进行效果优化。

贝壳设计了一个实验机制来评估RTA算法的增量价值，除了对比投与不投，还会对比空投、采取媒体直投、以及贝壳自己设计的不同RTA策略，对比不同分流组的效果，选出最优策略；同时也将前述的商机转化模型(CVR)和出价策略联合进行基于出价系数的智能出价。

智能预算分配

1. 用户和商机价值

我们关注拉新拉活中漏斗的转化率，在现实应用中，政策法规、供需行情和各类线上线下运营策略，对转化率有很大的影响。在做预算申请、分配时，依赖商机价值和成本评估，最大化ROI。

2. 基于ROI的预算分配

基于ROI的预算分配，是以最大化收入为优化目标，拟合的曲线是存在边际效应递减的业务假设，单调递增且边际递减。

单调递增的业务假设是：花费越多，商机量越大；边际递减的业务假设是：花费越多，商机成本越高。

通过在市场上进行一定的投放、收集数据。受到市场行情、定向策略以及各种上下文影响，不同渠道上相同的花费产生的效果不同。针对全渠道训练全局模型拉齐各渠道在不同上下文环境下的收益，生成与预测期相同上下文的增强样本；然后结合各特定渠道的样本，分别拟合该渠道的最优“收益-消耗”弹性曲线；接下来就可以利用这组弹性曲线进行基于全局ROI最大化的渠道间预算分配。