百都网络小编 发布于 年月日 评论() 阅读()
信息流广告现在比较流行的竞价方式是OCPM和OCPC，平台算法也越来越智能。人群定向、竞价、自动分配甚至起量工具都有一键起量工具。许多优化者说，他们现在更像一个无情的规划机器。从之前的精耕细作，到现在的mkt工具，构建成千上万的新计划来运行概率。今天我想讲一个来自广告逻辑的滴招话题——如何从后端介入滴模型。
可以从两次发射的基本逻辑说起。
两种交付逻辑。
一. ECPM公式
ECPM=CTR*CVR* Bid *在广告分配中，ECPM对广告竞争影响显著(此处暂不考虑频率、方位等过滤)，只有广告胜出才能有后面的计划数量的说法。从公式中可以直观的看出，影响因素主要有三个，其中广告主力方可以直接实时介入，包括竞价(CPA)和CVR。通过干预这两个参数，我们可以调整干预ECPM，进而影响数量。
第二，转换漏斗
在转化漏斗的过程中，前端数据主要由媒体提供；而后端数据在运行API的情况下由广告 owner上报，然后进行归属。在自报过程中，可以人为干预不同级别的转化率。当然，运行SDK的模式也可以进行类似的干预，只是相对复杂一些。
通过上报不同的数据，不仅会影响ECPM，还会影响广告模型的人口，从而影响后端更深层次的数据。其应用主要包括三个方面:
简单的扣除返回的数据(此时会有额外的数据)可以降低实际转化成本或者提高学习期的通过率；
在埋点上下功夫，把埋点行为放在前面或者后面(这也是演绎逻辑)；
利用数据挖掘的手段，预估用户的付费率和LTV，提前返回归属地数据。
特定应用
先说第一个方面，涉及到API数据对接和返回的原理。上一篇文章提到过，这里就不多说了。简单来说，媒体将点击数据发送回广告 master，由广告 master将转换后的设备号与点击设备号进行匹配，然后将转换后的设备发送回媒体进行建模。
以支付对象为例。我们知道媒体对计划学习期有转化数据的要求，比如庞大的引擎。官方对学习期的标准定义是日内积累一个转化来度过学习期。这时候我们可以发回一些真正被点击但没有转化为媒体的设备号。这个时候媒体会判断计划的转化是好的，会让计划更好的度过学习期，更好的消费。
二是演绎。这里的逻辑相对简单。模式需要探索和学习。假设本该发回的数据是一个，而你实际上只发回了一个。对于模型，由于初期的探索曝光和付费机制的存在，系统会加大探索力度。这时候你的实际数据表现会有所提升，比如付费率的提升。在这种情况下，主要通过影响CVR来调整大小。
在增量策略下，后端数据的可控性会更差。这里，最好和第三点一起做，或者选择更有竞争力的材料计划协助协调。在扣费策略下，由于CVR的减少，在初始阶段，系统会通过市场数据挖掘预估数量，实际转换成本会更低，但计划发布难度会更大。如果按照以往的数据去投标，探索期过后，计划很容易崩溃。在这种情况下，注册会计师的出价可以适当调整，以促进ECPM。具体扣费比例和竞价比例调整可根据实际情况进行微调。
二是在数据嵌入上下功夫，可以让我们对不同的转化行为进行竞价，得到想要的结果。扣除不仅仅基于数量，还可以在嵌入行为后进行。比如激活在热云中定义为启动初始化激活，但初始化可以嵌入启动或注册或转角创建界面，通过增加转化行为的深度来进行演绎。这里要注意的一点是，行业市场数据的标准值是有一个范围的，数据是否异常可能会影响数量，类似于上面提到的CVR。例如，如果市场支付率为%，你扣除后的值范围在%左右，可能会使模型在短期内探索更多；如果扣除过多导致支付率降至%以下，可能会使系统认为计划支付率过低，降低探索力度，从而降低幅度。对于扣除后的数据值，需要有一个标准的比较，以自己埋点或第三方标准的数据作为参考。比如用热云扣激活，一个是启动时激活，一个是行为时激活。比较两者在自身后台的数据增长差异，数据是否变好，比如激活成本后端的数据变化。
这里的隐埋回报定义有点类似于关键行为的转化目标，只是媒体本身在不同的转化机制中建模方法和估计值不同，不能一概而论。比如直接用关键行为的一些参数来激活，那么激活率的参考就会有很大的差异，从而导致数量的问题。关于回款，有些产品会出现回款金额低的情况，比如人民币。这个产品去支付的次数会更好，因为支付门槛降低了。但在运行支付率时，可能会造成更多的人民币支付，导致后端数据恶化，roi难以达标。这时候就可以扣除低额的货款进行检测了。对于已经实现的产品，因为成本低，假货量难以控制，可以把初始化激活嵌入点放在主界面或者第一次放在广告上进行用户过滤。
之后通过数据预估的方式提前回传数据，考验客户的数据挖掘和建模能力。广告业主通过建模预测媒体传回的点击数据中是否存在可能的转化。这个时候会涉及到两个方面:
第一，转化的时效性；转换有延迟，延迟时间对幅度和消耗影响很大。比如广告如果能预测到点击数据中哪些设备号有可能被转换，就能及时发回设备号。因为此时的数据依赖于广告 main建模，而不是等到实际转换后再发回，所以转换延迟时间的问题会大大减少，不仅可以保证时效性，还可以进行预测。
第二，预期转化率和实际转化率的关系；其实上面提到的方法都是针对返回的数据做一些策略上的调整，而后一种方法其实是提前预测转换后的数据并返回。这时候可以更好的控制转化率，在一定的时间区间内，预期转化率高于媒体后台的真实转化率，会提高ECPM和竞争力。当然，还不止于此。当广告的拥有者可以为用户预估LTV时，用户的价值是分层的，可以对不同的流量进行竞价，从而更好地平衡质和量的关系。
一般来说，模型介入需要清楚的知道数据各个环节的定义和返回机制，然后是广告模型和一些业务逻辑。选择所需的数据结果时，必须有一个标准量可供参考。在外部调整数据时，并非每个系列都是相同的。同样，不同目标和节点的比例也需要根据成本进行调整。只要能优化实际标的后端，就可以适当调整出价。
此后，媒体和市场规则一直在变，优化者本身的角色定位也一直在变。希望所有的优化器都不要做情绪规划机器。
微海报作者：徐州百都网络 | 来源： | 发布于：2022-04-08 00:32:41