自從Facebook引入oCPM出價以來，國內的頭條廣告、微信廣點通、百度信息流都陸續推出了自己的oCPX出價，oCPX出價已經成為主流廣告投放平臺的標配。

簡單而言，oCPX是一種出價機制，允許廣告主按照轉化行為成本出價；假設對于游戲類的廣告主，希望優化App的激活，那么廣告主在投放系統中設置了激活成本之后，算法就會根據以往轉化數據和廣告主的出價，自動篩選有價值的人群，針對高激活概率的人提高出價贏得廣告曝光，對低激活概率的人群降低出價減少廣告曝光以減少廣告浪費。

常見的廣告出價方式還有CPM、CPC。

• CPM：Cost Per Mille，每千次曝光成本，即按照曝光次數出價，如微信朋友圈視頻形式廣告在上海就按照￥180一千次曝光扣費，不管你是否點擊了廣告。這在短期內顯然是最有利于媒體的，因為它不用care本次曝光是否有效；但是為什么說是短期？很簡單，廣告主又不是傻子，若發現廣告后續轉化一直很差，勢必會減少在該媒體的投放。
• CPC：Cost Per Click，按照點擊出價，如果廣告只有曝光沒有點擊，就不扣費；看似比較公平，但是廣告主需要大量的測試，才能找到最優的投放方法，其實還是有一部分點擊是浪費的，這對于媒體也是損失。

于是oCPX模式就應運而生，它能幫助廣告主優化更深層次的轉化行為，同時提升有效點擊，提高媒體受益。

這段時間在網上找到一篇淘寶的關于oCPC論文，邏輯很清晰，在這里簡單轉述一下。

文章細節很多，沒興趣看的同學只要關注以下幾點：

本次預估的點擊率*轉化率與歷史平均的點擊率*轉化率的比值，決定了系統出價調整的系數；

淘寶的論文中，廣告保證eCPM最大和各方利益總和最大。

先定義：

出價：廣告主原始出價為b0，算法調整后的出價為b1（也就是我們經常說的：“系統會自動調整出價”）；

預估轉化價值p=pCTR*pCVR*v；v代表平均每次購買帶來的價值，可以假定是常數；pCTR表示預估的廣告點擊率，pCVR表示預估的轉化率（如轉化行為可以定義為“購買”）；

歷史轉化價值h=hCTR*hCVR*v；hCTR代表歷史廣告點擊率，hCVR代表歷史點擊后轉化率；淘寶實踐中，hCVR是用過去一段時間的競品廣告數據（估計是解決冷啟動的問題，如果賬戶已經積累了轉化數據，肯定會用廣告主自己的數據），利用pCVR預估模型進行計算，去掉最高&最低10%取均值得到的。

為了簡化說明，做兩個假設：

假設廣告主的目標是保證（或者提高）ROI；

單個點擊ROI = （pCTR * pCVR * v）/ b0；b0是該廣告出價，比如廣告帶來的購買GMV除以該廣告的投放費用，即得到該廣告的ROI（為了簡化計算方式，假定廣告主出價即等于廣告點擊費用，即不考慮廣義次高價的邏輯，廣義次高價GSP機制可以參考此前的的文章）

要維持或者提升ROI，那么只需要保證 b1/b0 ≤ p/h。

b1代表算法優化后的出價；舉個例子，假設本次曝光，預計能帶來1.5倍的轉化價值，那么只要優化后的出價/廣告主出價小于等于1.5倍，那么整體的ROI是不會下降的；反之，若預估轉化價值低于歷史均值，那么降低出價；由于b0、p和h都已知，那么只需計算b1，滿足該約束即可。

真實廣告投放環境中，為了兼顧品牌安全和賬戶穩定，將b1/b0的范圍控制在[1-α, 1+α]范圍之內，淘寶論文中將α值設置為0.4，即廣告最高出價不會超過廣告主設定的140%，下限也不會低于廣告主設定的60%。

• 若p/h≥1，那么系統優化后出價b1的下限l(b)=b0，出價上限u(b)=b0*min（1+α, p/h)）（因為有ROI約束在，不能突破p/h的約束）；
• 若p/h<1，那么系統優化后出價b1的下限是l(b)=b0*（1-α），上限是u(b)=b0。

通過以上約束，也就能實現我們經常說的：對于轉化概率高的流量（p/h＞1，即本次廣告轉化率比歷史平均轉化率要高）提高出價，獲得更高展現概率；反之，對于轉化概率低的流量（p/h<1）降低出價，減少展現機會。

那么問題來了，若多個廣告競爭，到底誰贏得此次出價？

廣告排序我們都知道采用了eCPM排序，eCPM=b0*pCTR，eCPM高者贏得廣告展現機會。那么在ROI約束下的，eCPM能夠取到的最大值即上限u(eCPM)=pCTR*u(b)，eCPM能夠取到的最小值即下限l(eCPM)=pCTR*l(b)；

淘寶給定的排序機制是：按照eCPM排序，同時保證各方利益總和最大。

各方利益總和的計算，淘寶給出了兩個公式：

f(1) = pCTR1 * pCVR1*V

f(2) = pCTR2 * pCVR2*V+β*CTR2*b0

f(1)計算的是廣告帶來的所有GMV；f(2)計算的是廣告帶來的GMV和平臺的廣告收益。需要指出的是，f可以擴展，因此可以優化任何目標；這里認為f是單調遞增函數，隨著系統調整后的出價b1提高，收益也提高。f(1)雖然沒有將b1作為參數，但是假設b1的增加，能拿到更好的資源位從而帶來更高的CTR、更加優質的流量。

廣告排序過程如下（稍微有點繁瑣，請記住每個字母代表啥意思）：

① 對候選廣告池子A中每一個廣告計算f(u(eCPM))，按倒序排序；即按照最高出價來計算f，由于假設f是b1的遞增函數，那么按照b1的上限值來計算，理論上是能保證f最大，即保證各方收益總和最大；

② 計算所有備選廣告中，所有eCPM下限的最大值t=l(eCPM)；

③ 按順序，找到第一個滿足u(eCPM)≥t的廣告k，k廣告贏得此次競價，并將該廣告移出A池子；即，只要某條廣告最高出價下的eCPM大于其他廣告的最低出價下的eCPM，就能贏得此次廣告曝光。這是為了保證媒體收益，如果只按照f排序而不考慮eCPM，那么可能對于媒體而言是一個虧本的買賣；

④ 比較剩下所有廣告的最大出價下的eCPM即u(eCPM)與上一個贏得廣告k的u(eCPM)，取兩者當中最小值，這樣就能保證已經贏得展現機會的廣告k的eCPM，在所有候選廣告中是最大的；若廣告i的eCPM上限u(eCPM)被調整，也就意味著廣告i的eCPM上限u(eCPM)大于廣告k的u(eCPM)，將其調整為廣告k的u(eCPM)。

此時，那么廣告i的出價同樣需要被調整，看淘寶的代碼更直觀一點：

• 第一步：u(i-eCPM)=min(u(i-eCPM),u(k-eCPM))；
• 第二步：u(b)=min(u(b),u(i-eCPM)/pCTR)；

第一步首先比較廣告i的上限eCPM與已經贏得展現機會的廣告K的上限eCPM，取兩者 當中最小值，這就能保證已經贏得曝光的廣告k的eCPM是最大的。

第二步，更新廣告i的出價上限；如果u(i-eCPM)在第一步被更新了，那么廣告i的出價 在第二步也會被更新；需要注意的是，由于出價上限改變了，那么廣告i的f(u(eCPM)) 同樣會被更新（由于f()是一個單調遞增函數，f()會減小）；

至于這里為什么要調整剩余候選廣告上限eCPM，使其不高于勝選廣告的上限？我的理解是（不一定準確）：首先是兼容eCPM排序機制，也就是保證了媒體收益最大化；其次，兼顧f(u())排序是為了保證平臺、廣告主和消費者的利益。

重復以上4個步驟，直至廣告數量填充滿所有廣告位，或者所有沒有廣告贏得該次展現，此時結束循環，并將所有廣告出價b1設置為u(eCPM)/pCTR，也就是所有廣告按照上限出價。

投放啟示：

① 單純從邏輯上看，真實出價是對廣告主最優的策略。若廣告主最初出價b0小于其真實成本，那么拿不到預期的流量，這對廣告主不利；若最初出價b0高于其真實成本，這對拿量有好處，但是會導致模型會不斷往該出價水平去靠近（p(c|u,a)/h(c|u,a)不斷趨近于1），后期要控成本時勢必需要重新積累數據重新學習；

② 開啟oCPC之前，需要穩定的投放。換句話說，用戶轉化路徑是走得通且成本達到預期的。比如目前雖然激活成本達標，但是后續的轉化（注冊、購買、申請貸款等等）都還不達標，即使開啟oCPC去優化激活意義也不大，因為這樣帶來的激活用戶后續轉化率也不會存在很大變化。

這是淘寶oCPC的思路細節，我們跳出這些細節，看看一條廣告從請求到展現涉及到的全過程：

為了保證不丟失細節，我直接把論文描述貼過來：Front Server接收到頁面曝光請求之后，將該用戶信息傳給Merger Server，Matching Server分析得到該用戶的特征（一連串的標簽），這些標簽被傳入Search Node Server檢索符合條件的候選廣告，此時候選廣告數量降低為400條左右。

Real-time Prediction Server預估得出pCTR和pCVR。Stragedy Layer包含oCPC的邏輯和GSP機制。經過該邏輯層，贏得展現的廣告被Data Node Server和Smart Creative Service優化，最后Front Server返回廣告元素并展現。

淘寶論文直達，點擊

總結

以上是生活随笔為你收集整理的广告中oCPX到底是如何进行优化的？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。