广告数据策略：ROI策略

广告数据策略：ROI策略

2021年｜类型：策略产品｜标签：设计服务效果｜角色：产品策划，交互设计

背景

金额、电商行业因广告主出于对数据安全的顾虑（或因其它原因）未能向媒体回传后端转化数据。在实际广告投放中，出现优化目标和实际考核目标不一致的情况，而现有模型仅能根据广告主回传的浅层转化数据（如激活、下单等）进行优化，导致模型无法很好优化广告主深度目标。

房产、家居、汽车、招商加盟、婚纱摄影等行业，因其推广商品属性决定了它存在低频高客单且决策链条长两个明显特征，导致在实际广告投放中，后端效果不理想。

什么是 ROI 广告

以特定 ROI 为优化目标的广告。通过优化 eCPM 计算策略、提升 pLTV 准确性，优化广告 ROI 达成。广告主需要选择一个浅层优化目标（如激活、下单等），并填写目标 ROI。

ROI = LTV (付费金额) / Cost (广告花费)
ROI 达成 = 真实ROI / 目标ROI
LTV：用户生命周期终身价值，指在获得新用户后的一段时间内，每一位顾客的平均利润净现值。这里仅表示单用户的付费金额
Cost：广告花费，这里仅表示广告主获得该用户相应转化愿意承受的成本

ROI 广告需要回传浅层转化、以及后端付费数据。系统根据广告主回传的数据，构建pLTV回归模型，预估不同用户的付费金额。付费金额有不同的统计口径。例如激活后首日付费金额是指以激活为开始时间的首日内付费总额，相应的还有3日、7日等，最终计算结果对应首日ROI、3日ROI、7日ROI等。

ROI 广告的 eCPM = 1000 * pCTR * pCVR * ( pLTV / targetROI )

pLTV / targetROI 作为广告的转化出价。其中：pLTV 指转化行为发生后若干时间段内（首日、3日、7日等，与广告投放时选择的时间窗相同）的预估付费金额。pLTV 与 pCVR 中使用的转化口径要保持一致。targetROI 是广告设置的目标 ROI。

举例：首日付费 ROI 0.1。对于一个预估付费金额为 100 元的用户，当广告的目标 ROI 是 0.1 的情况下时，广告主对于此次转化愿意承受的成本是100 / 0.1 = 1000元。

用户

投放端优化目标与实际考核目标不一致的广告主团队，主要为数据分析师以及广告投手。不一致体现在比如考核目标为下单/付费/LTV/次留，投放端优化目标选择激活成本；或考核目标为表单有效性，投放端优化目标选择表单成本。

用户特点

产品定位

ROI 策略为数据分析师以及广告投手提供了以受众为抓手的三种直接作用于广告粗精排环节的调价策略。通过安全上传一方数据，同时在确保优化目标成本可控的前提下，支持广告主基于不同受众的后端价值差异化调整 eCPM 竞争力。提升广告主后端效果，获得更多高价值流量。

三种策略生效的本质即为基于标签、基于人群包、基于机器学习样本。其中机器学习样本依赖于样本集的选取及其分类。对应到产品能力，即：

基于标签：标签加强
基于人群包：人群加强
基于机器学习样本：智能加强

设计分析

ROI 策略使用的 XGBoost 算法，底层技术除了支撑广告数据团队平台产品（知数），还服务了投放管理平台、流量侧、行业侧。其中，流量主（微信广告）通过修改代码实现，行业侧（电商行业）通过枫叶落地页实现，这两者更多的是研发直接对接客户提供建模能力。而知数和投放管理平台则为广告主提供了可以直接操作的能力，他们的区别在于：

知数：为数据分析师从策略的角度提供创建、管理的能力。目前服务于所有开了专业版的客户，提供完整的三种策略。
投放管理平台：为投手从广告的角度提供创建、管理的能力。目前仅服务于游戏客户，仅支持标签加强和人群加强。

ROI 策略如何作用到线上系统

下面我们将从知数如何操作 ROI 策略进行优化分析。

创建一条 ROI 策略需要满足

基础信息：这是什么策略，名称是什么，哪种策略类型。
配置策略：三种策略如何配置。尤其是智能加强，机器学习对于样本数量的限制。
应用范围：策略在哪些范围内生效。范围即账户、广告维度，且广告维度优先生效。

一条 ROI 策略成功上线需要满足

基础信息：不为空。
配置策略：不为空。
应用范围：不为空。应用范围在本账户内还可以相互覆盖，覆盖可能导致原策略的范围为空。
机器资源：配额未满。智能加强对资源要求高，为了避免浪费资源，针对智能加强设定了配额。
流转状态：不被限制。策略从创建成功到上线成功会经过诸多限制条件。
策略效果：一段时间内效果正向。为了避免浪费资源，针对上线 10 日无消耗的策略将自动下线。

如何验证正向效果是 ROI 策略带来的

我们通过标准流量实验来对比 ROI 策略生效与不生效下，广告主的 ROI 达成情况。即针对微信流量、非微信流量进行长期实验。采样方式为 UV，50% 流量生效，50% 流量不生效。

对照组：采样流量比例 50%（0～4999）
实验组：采样流量比例 50%（5000～9999）

如果当前请求的用户实验参数是 1，代表是实验组。就把所有的 ROI 策略的生效因子作用到所有进到精排的广告上。后续通过解析 Pageview 日志，提取每个 ROI 策略的效果数据。

当前问题

基础信息薄弱

用户难以了解在什么场景下使用何种策略，分不清不同策略之间的差异。

基础信息目的弱

配置策略层级深

配置策略的操作层级高达四层，信息架构繁琐，操作复杂。Rule、加强、高价值人群、加强点价值等概念增加用户认知负担，需要更加简单直观。

配置策略层级深

应用范围不清晰

在账户、广告两个维度同时存在应用范围已选不直观、禁选缺原因、可选查找难的问题。账户、广告被就旧策略应用后，新策略无法使用，只能在旧策略中删除账户、广告。但因为策略一定得包含应用范围，导致账户、广告不能全删。导致实际的生效范围更加模糊。

应用范围不清晰

机器学习门槛高

涉及机器学习时，需要满足额外的样本集、设备资源的要求。如智能加强的 ROI 策略平台配额目前只有 1000 个，将 ROI 策略开放给知数专业版后势必难以满足需求。

机器学习门槛高

流转状态限制多

上线有等待时间要求，且返回结果可能有“阻碍”导致失败。正常在线的策略无法编辑，需要先下线。原因是修改智能加强的样本会导致模型重新计算，为了避免计算中策略不可用、计算失败等情况，即产生了正常在线的策略无法编辑的限制，该限制在三种策略上一刀切。同时，在线但无消耗的智能加强的 ROI 策略利用率不足 30%，对机器资源也是一种浪费。

流转状态限制多

效果数据查看难

数据下载路径长、入口散，且仅支持实验数据。因微信流量、非微信流量在父子广告 id 的差异、口径定义差异、中间表的时间含义差异及统计对象不同、数据缺失等问题，带来效果数据之间存在接近 70% 的 Gap。

效果数据查看难

实验设置干扰大

广告对比模式不科学。除此之外，ROI 策略是针对广告粒度或账户粒度生效，从账户粒度看效果数据时，实验组和对照组很不均匀。而采样发生在请求阶段。这个不均匀不是采样导致的，而是共用同一个实验层，广告竞争导致的消耗不均匀。AA 组差别比较大。把 ROI 策略的出价系数全部设置为 1，相当于实验组不生效，只是简单的分组，成本差别甚至可以超过 10%。

实验设置干扰大

设计目标

基础信息直接
配置策略精炼
应用范围清晰
机器资源可预知
流转状态灵活
策略效果统一
实验分层科学

设计方案

基础信息直接：删减不必要的设定目标，直接披露三种策略的类型及解释，帮忙用户判断使用何种策略。

基础信息直接

配置策略精炼：减少信息层级，精简「策略配置」操作步骤，由四层降低为两层。并减少相应的文字概念。

配置策略精炼

应用范围清晰：在选择中合并维度，引入字段使选择操作明确，支持覆盖；在呈现中直接展示范围及顺序。

应用范围清晰

机器学习可预知：提前披露，让机器学习的要求更加明确。智能加强对资源要求高，为了避免浪费资源，针对智能加强设定了配额。

机器学习可预知

流转状态灵活：新增操作状态，完善配置状态，分离三种策略的编辑。为了避免浪费资源，针对上线 10 日无消耗的策略将自动下线。

流转状态灵活

策略效果统一：在解决底层数据问题的基础上，将策略详情、策略效果、数据下载合并，并新增操作记录，缩短数据下载的路径。

策略效果统一

实验分层科学：去掉广告对比实验。在同一个账户下针对不同的 ROI 策略建立实验层，即每一个 ROI 策略都是一个实验层，在每一个实验层里面都重新对大盘流量进行随机分配。这种做法比较科学，但产生的机器资源需要重新评估。（另外，相比 ROI 策略，RTA 策略中，因目前仅服务于 60+ 的广告主，每个广告主的账号下可以创建 5 个 RTA 策略。在实验系统中建立 5 层实验在可行性上比较合理。）

实验分层科学

效果

基础信息直接：通过回访可知已使用的客户创建意愿变强，愿意尝试智能加强。
配置策略精炼：信息层级与操作步骤减少一半，从 4 层缩短至 2 层。策略配置时长缩短近 60%。
应用范围清晰：-
机器学习可预知：配额分配更加均匀。
流转状态灵活：智能加强的 ROI 策略在线利用率从 30% 提升至 70%。
策略效果统一：数据下载的点击次数少了 50%，数据之间的 Gap 降低至 10%。
实验设置科学：-

写在最后

因人力投入问题，应用范围和实验设置均未能完整实现。以及标签，目前在标签广场、标签洞察、ROI 策略的标签加强以及内部营销工具、投放管理平台之间都无法对齐。后续拟在内部数据治理中，逐步标准化用户画像的从挖掘到应用的全部流程。