凤凰广告投放

OCPC 广告算法在凤凰新媒体的实践探索(下)

发表时间:2023-04-10 10:00

OCPC广告算法在凤凰网推广平台的实践探索


二价机制和智能出价


二价机制:在实际的过程中,OCPC 客户成本的波动性相当大,同时消耗非常不稳定,根本原因是 CVR 预估做不了太准确(如果可以做的准确就有更简单的解决方案了)。我们会采用智能出价,在二价基础上会更积极,能帮客户在高 CVR 上抢量,低 CVR 上丢量。智能出价带来了更稳定的成本ROI和客户消耗,并平衡平台和广告主收益。

智能出价:在多个客户情况下,智能出价变成一个组合优化的问题。可以参考阿里论文中贪婪方法求解,其中论文中的时间复杂度还可以优化,可以使时间复杂度降低 log(N) 倍。

智能出价是一种很有效的一种手段,但是核心还是 CVR 预估要准确,并需要找到一个合理的 CVR 期望。

关于 E(cvr) 的求解,阿里和新浪据说会采取用户的多个竞品对应极限的转化率。最好有多个竞品,去掉多个竞品中的最大值与最低值,然后取平均比较准确。但是在实际业务开展的过程中,尤其是 OCPC 没有足够竞品的时候,我们采用相对低效的手段,我们取客户本身已经近似的广告最近若干次的 CVR 预估,去除最高值与最低值的10%并取平均,这是一个低效的策略。

我们还在探索基于强化学习的动态调价。但是这个需要有很大的流量来做支撑,所以不太好建模。

更多关于凤凰网广告平台的介绍详情官网咨询!

OCPC 算法及架构

90.png

总结下 OCPC 算法策略的特点:

① 业务进化,包含试探和分裂的策略,我们并没有明显的 OCPC 第一阶段;

② 在线学习,可以有一个在线的校准 ( Calibration ) 效果,可以一定程度上降低偏差;

③ 在小样本的情况下,通过评估置信度,在准确和泛化中找到一个平衡,人工干预整个算法的进程;

④ 整个算法有试探、分裂等策略,在实践中有一个很快速、很明显的优化链路。

这是我们截取的客户的案例,经过短短的一周,用户的 CPC 的消耗和成本就能快速稳定下来,蓝色是 CPC 跑出来的曲线,黄色是 OCPC 跑出的曲线,可以发现 OCPC 比 CPC 的成本要低30%左右,同时 OCPC 的波动性也大大降低了,整个算法收敛的还是很快的 。

91.png

接下来谈谈 OCPC 其他的细节,除了对算法进行常规 AUC 评测、OE 评测和偏差评测之外,OCPC 还有很多的策略、方法和参数。如果都在线上开启 AB 测试,成本太高;另外,线上测试样本不足,用户的转化可能只有10几个转化,用10几个转化做 AB 测试,在统计上难以置信。

因此,我们采用虚拟测试的方法进行测试。我们会对用户一段时间内历史的竞价数据进行随机采样,把数据完全复原。然后,基于虚拟的竞价数据,针对我们新的方法和策略进行虚拟测试,观察采用新的算法,成本能否得到优化。但是会有一个问题,这种方法无法完全对等。比如客户的部分流量竞价没有成功,所以没有曝光,这部分流量的后续点击、转化概率其实都是未知的。

92.png

完成上述所有的手段后, 我们必须承认算法的不足,此时需要加入人工干预。干预手段包括:

① 对于已经转化的用户应该去掉,作弊的用户也去掉;

② 如果客户效果不好,可以采用刷新,促使用户流转起来;

③ 适当补量,对有问题的客户,可以通过人群补包补量,其他APP的流量引入;

④ 运营根据经验来做一些临时策略。

根据算法的表现,比如结算的 CPC 变低,可能是 CVR 预估偏低,这样的情况下可以做一定的修改。所以我们是用进化的算法+人工干预来保证每个客户的 RI。

93.png

最后是我们 OCPC 的技术架构落地。整个过程的关键是在线学习,融合了试探、分裂、净化的策略,在线追求好的工作链路,需要做些监控保证工作正常,可以构建虚拟侧环境,在线上引入 AB 测试,整个架构相对简单,预估部分与 CTR 工程相似,包括特征工程、模型。


行业信息
广告投放
 
 

18971576794

企业外站.png

免费开户中


需求提交>>