zero2algo

搜广推 / 09

出价优化与价值建模

广告出价优化要回答：一次曝光值多少钱，应该出多少钱，如何在预算内获得最大收益。

出价的基本逻辑

广告排序常看期望价值。一个简化公式：

expected value = pCTR * pCVR * conversion value

如果广告主按点击付费，系统更关注点击价值；如果按转化优化，系统更关注转化概率和转化价值。

手动出价和自动出价

手动出价由广告主设定 bid，系统根据 bid 和预估参与竞价。

自动出价则由系统根据目标 CPA、ROI 或预算自动调整出价。自动出价依赖更强的预估、pacing 和反馈控制。

oCPX

oCPX 是按目标优化的投放方式，例如 oCPC、oCPM、oCPA。

它的核心是：广告主设置目标成本，系统根据预估转化概率和目标成本自动换算出价。

例如：

bid = target CPA * pCVR

实际系统会更复杂，还要考虑 CTR、预算、竞争、校准和探索。

价值建模

不是所有转化价值相同。电商订单有金额差异，游戏用户有长期付费差异，本地生活用户有复购差异。

价值建模可以预测：

  • GMV。
  • 毛利。
  • LTV。
  • 复购概率。
  • 用户质量。

排序时不只看是否转化，还看转化值不值钱。

ROI 约束

广告主最终关心投入产出。出价优化要避免“转化多但成本更高”。

可以把目标写成：

maximize 转化价值
subject to cost <= budget
           ROI >= threshold

或者把 ROI 融入出价策略。

探索问题

出价系统也有探索利用问题。新广告、新人群、新商品没有足够数据，如果完全按历史预估排序，可能永远拿不到学习机会。

可以使用：

  • 小流量探索。
  • 相似广告迁移。
  • 分层冷启动。
  • 不确定性建模。
  • bandit 策略。

面试题：预估偏差如何影响出价

如果 pCVR 高估，系统会出价过高，导致广告主成本上升。
如果 pCVR 低估，优质流量拿不到，导致消耗不足。
如果不同人群校准不一致，会造成预算错配。

所以广告预估要重视校准。

面试题：如何优化广告主 ROI

回答框架：

  1. 检查转化归因和数据质量。
  2. 优化 CTR/CVR/LTV 预估。
  3. 调整出价策略和预算 pacing。
  4. 优化定向和扩量。
  5. 过滤低质流量。
  6. 按行业、广告主、人群分层评估。

面试题：自动出价为什么会震荡

可能原因：

  • 转化反馈延迟。
  • 预估不稳定。
  • 预算 pacing 调节过猛。
  • 竞争环境变化。
  • 样本太少。

解决方式：

  • 平滑出价系数。
  • 延迟反馈建模。
  • 设置调节幅度上限。
  • 分阶段学习。
  • 增加稳定性约束。

总结

出价优化不是简单公式，而是预估、价值、预算、ROI、探索和反馈控制的组合。面试里要把“为什么出这个价”和“如何证明出价有效”讲清楚。