设计以外，广告以内：业务结构篇

设计以外，广告以内：业务结构篇

2021年｜类型：编著｜标签：专业理论

广告角色

广告主：增长团队，负责搭建投放工具以提高获客效率
流量主：商业化团队，负责通过广告实现流量变现以提高公司营收
广告平台：广告团队，兼顾多方利益，从整体上提升广告匹配效率

抽象概念

eCPM = r(a, u, c)

这个业务函数高度概括了每次广告展现时的平台收益，即每次用户 u 访问或搜索时，上下文 c 情况下，系统展示广告 a 的期望收益。它定义了广告的核心问题。

结算方式

CPT (Cost per Time)：将广告位以独占方式交给广告主，按照独占时间段收取费用。
CPM (Cost per Mille)：按照千次展示结算。
CPC (Cost per Click)：按点击结算。
CPS (Cost per Sale) / CPA (Cost per Action) / ROI 结算：按照销售订单、转化行为或投入产出比来结算。目的都是更加靠近广告主，按照转化来付费。
oCPM (optimized CPM)：广告平台按照CPM结算，但会根据转化率来进行优化。

流量主与广告主的矛盾

流量主广告收入 = pv * 广告曝光率 * CPM
广告主业务毛收入 = (客单价 - CPS) * 交易量

流量主和广告主个字关注离自己最近的结算指标且期望相反，而中间的所有转化率都存在不确定因素。这种矛盾是广告系统中所有产品逻辑产生的根源。

流量主和广告平台的价值

目标都是提升广告的变现效率。整体上可以用投放自动化来概括，我们通常从五个要素来看自动化的推演：

预算
定向
出价
创意
落地页

预算自动分配。为计划、账户设置预算，在确定目标下决策是保量还是保成本。

人群自动匹配。主要经历了两个阶段。第一阶段利用平台的二方数据进行挖掘，通过标签组合、标签提取等实现提取人群投放广告；第二阶段利用广告主的一方数据，做拓展、分级后投放广告，又或者更进一步，执行分人群出价直接影响广告召回、粗排和精排。

自动出价。oCPX 等解决方案的出现将预算控制、转化率预估以及出价等逻辑全部内化在了平台侧。出价会直接影响 eCPM 的实时排名。

动态创意。一次性上传所有广告素材，系统自动完成素材组合、人群分发与效果测试。

落地页。目前落地页侧重于行业制作工具以及参考模版，在自动化层面还比较冷静。

预估模型

由于大部分广告都是按照CPC或CPA结算的。

eCPM = oCPA * CVR * CTR * 1000

因为在广告曝光之前系统无法获知真实 CVR 和 CTR，一般通过机器学习预估。所以：

eCPM = oCPA * pCVR * pCTR * 1000

出价方式

围绕广告投放的 ROI 可以将广告主常见的投放策略分为三类：保守、常规和激进。（巨量引擎将出价场景分为五类：控制成本上限、均衡投放、优先跑量、放量投放且优化转化成本、放量投放）

约束条件

常见的约束包括：

在线分配。
预算约束。广告主或广告主设定的广告计划k的投放预算，即一段时间内广告消费的金额上限。
流量约束。广告在线分配的特征也是约束条件之一。
用户体验。广告问题不仅有流量主、广告主、平台方还有隐藏的用户。广告如果一味追求收益，平台就会充斥着高价低质的广告。这就是提升广告用户体验的必要性，而这一点在广告形态上尤为明显。通常的做法是量化用户体验或者引入价格挤压系数。

召回阶段

目标

面向全广告库，搜索空间大。从各种角度召回用户可能感兴趣的广告。模型可以非常多样，对精度要求不高。简单、高效即可。

衡量

召回结果的相关性（用户兴趣相关、上下文相关）
召回结果的多样性

现状

目前的做法是多路召回融合。大致可分为 TAG 支路、ANN 支路和正在探索的新支路。

TAG支路。即标签召回，在此基础上结合权重和标签动态调整。主要包括：

行为兴趣定向
App 安装定向
场景定向
人群包
LevelTag
BackendTag

ANN支路。即向量化召回，模型当前主要为双塔NN模型。双塔模型有两方面缺陷，一是双塔 Embedding 的表达能力受限；二是双塔模型建模原本是基于业务目标的，并不会以 item 的 Embedding 相似度作为优化约束。而 ANN 要求 item 之前的相似度。这个过程可以是 u2i，也可以是 u2i2i。目前ANN支路主要包括：

协同过滤、Looklike
ETR（曝光率）、CTR（点击率）、CVR（浅层转化率）、DCVR（深层转化率）、eCPM、GMV、粗排胜出率、精排胜出率等预估模型
FM、深度学习双塔模型、多兴趣模型（双塔的拓展）、序列推荐模型、GNN图神经网络模型

正在探索的新的支路主要包括：

DR/CAR（深度图检索），阿里妈妈在用
TDM（深度树检索），巨量引擎在用

未来，期以智能定向多路召回的思路，进行 Top K 截断和多路归并。包括：

原始定向召回
内容召回
行业策略召回
流量方策略召回
通用策略召回
一方数据召回

结合检索过滤的规则，比如定向过滤、素材规格过滤、预算过滤等等。取1～2万进入下一阶段。

架构模块

下以广告主选择一个定向后是如何在广告系统中生效来介绍召回。

粗排阶段

目标

召回优质广告：高 eCPM 广告，发掘优质新广告
精度速度平衡：粗排的算法对计算性能要求较高，需要相对简单而快速的算法
与精排目标的关联：从系统收益角度，选出精选所认为的优质广告

衡量

粗精排一致性
策略一致性
eCPM 一致性

架构模块

出于性能的考虑，每个环节都有一个前置的预排序截断保护，目的是将前一个环节的广告数量绑到固定上限，避免在线广告数不可控导致的超时。具体的做法，第一、二道预排序阶段，因为还没有 LiteCXR 模型，使用离线统计的广告、账户、大盘粒度的 CTR、CVR 计算 eCPM 离线分；第三道超时截断使用 LiteCXR 模型计算 eCPM。

第一次超时截断：由于广告库中广告数量增长、智能定向扩召回、原始定向提高标签覆盖人群量级等情形，会导致进入粗排阶段的广告数量大幅上涨。
★聚量优选：聚量优选主要解决广告聚拢的问题，使用广告粒度的优选分在同账户、商品等维度下选择优质广告进入后续环节。降低“创建大量相似广告抢量，导致广告拿量散、起量难、空耗率高”的恶行循环。实现改善系统生态，提升起量体验的作用。
第二次超时阶段：为预打分选出最优质的广告。
LiteBindAds：为与打分准备数据，绑定广告打分所需要的字段。主要分为几类：用于计算 eCPM 的出价相关字段、用于调整广告出价的出价因子、广告属性、CXR 离线分及校准因子、 eCPM 扶持相关字段、物料相关字段。
★预打分：用 Lite 模型对检索召回广告进行打分，计算粗排 eCPM，用于第三次超时截断、过滤、排序、洗脸环节。该环节是一个策略框架，串联 LiteCXR、调价等模块，对召回广告进行打分。LiteCXR 可以使用离线、线上 AUC 评估，eCPM 可以用与精排 eCPM 的一致性进行评估。
第三次超时截断：在性能允许的条件下，选出最优质的广告到下游排序环节。
FullBindAds：给广告绑定后续过滤、分桶、排序、洗脸等环节所需的字段。
过滤：综合各类业务策略，对进入过滤环节的候选广告进行过滤。
分桶：根据广告属性给广告设置某个桶的遮罩信息，以便后续对不同分桶执行不同打分、排序逻辑。
洗脸、排序、选择广告进入 Top N：对经过超时截断、聚量优选、过滤环节后剩余的广告 (800~1000) 分桶进行 Scoring 排序与策略过滤，并按照分配 Quota 进行截断，汇总后最终进行洗脸排序，最终选出 Top N (100~300) 个广告。目前通过实验系统观察排序和洗脸的改动优化。

精排阶段

目标

合理平衡广告系统、广告主和用户价值
选择精准度高的广告，策略主要在精选控制

架构模块

多路归并：介于粗排和精排的中间环节，包括多路归并、按分桶 Quota 召回、同广告主同商品广告洗脸等。其中，多路归并，目前是二路普通广告&二路动态创意。普通广告与动态创意都基于相同的粗排打分公式。按分桶 Quota 召回，和 Scoring 分桶逻辑保持一致，新、老、特殊业务桶；各桶内使用 Scoring 打分排序。部分特殊广告跳过多路归并、洗脸逻辑直接召回，如合约、CPD、直出、广告位白名单。
填充排序信息：在校准、打分排序前，分别解析用户数据、广告位数据、广告数据，为后续打分做前置数据准备。解析内容涉及到新鲜度、用户负反馈、曝光时间解析等。
校准：涉及到多物料 (动态创意广告、多素材广告) 时需要进行优选，同时流量侧也会对 pCTR 进行校准。以此选出最优物料和最优素材，优化 pCTR bias，为后续 eCPM 的精准计算做铺垫。
★打分&排序：精排最核心的模块，eCPM 计算，根据 eCPM 排序决定了广告倒数第二到排序。(后续还有各种调序策略、新鲜度过滤策略等)
过滤：根据广告类型、流量特征以及业务特点，综合考虑用户体验、广告和平台收益，将广告队列中的低质广告去除的模块。
调序：与业务强相关。根据具体流量、业务背景等信息对广告对广告队列进行调整。
决出：包括多样性策略、流量方特有策略、CPD 广告插入、计费逻辑等，最终选出胜出广告。

参考资料

《计算广告》
《策略产品经理模型与方法论》