导读：广告公司的业务范围怎么写，广告策略产品(一):广告业务目标构建与思考整体而言，广告策略会更加复杂，尤其是在定位、排名、广告展示、归因策略等方面。本文作者从整体业务目标与
广告公司的业务范围怎么写，广告策略产品(一):广告业务目标构建与思考
整体而言，广告策略会更加复杂，尤其是在定位、排名、广告展示、归因策略等方面。本文作者从整体业务目标与功能构建、预估问题、广告定价问题三个方面分享了对广告业务目标构建的思考。让我们看一看。
从整体思路来看，我认为从事过搜索和推荐广告策略产品的同学，其实可以直接跨越自然推荐，搜索策略产品的转化或者涵盖大部分工作，其中召回和排序策略算法环节的大部分底层是共通的。自然搜索和广告搜索推送会在一个交汇点Mix混合，最后以前端风格呈现，但广告策略整体会更复杂。特别是在定向(灰、白、黑盒定向)、排名-预测与竞价策略、广告展示-创意生成展示策略、归因策略等四大类上有明显差异。
今天分三部分来讲解广告算法的策略分析:
广告问题的整体业务目标与函数构建；预估（CTR/CVR）问题；广告定价问题解析；一、广告的总体经营目标和功能建设问题
1.基本业务目标函数的构建
相对于自然搜索和推荐，广告是经济博弈的复杂场景问题。广告和自然结果之间的关系是交织在一起的，但并不完全一致。他们之间有许多相同点和不同点。个人认为，作为广告策略产品的前提，还必须了解搜索和推送的策略。
因此，不可能优化贪婪算法的维度(CTR点击率、CVR、GMV等。)喜欢排名优化时的自然推荐，而且需要平衡平台和广告主的利益。除了CTR和CVR估算，还需要考虑平台的竞价。因此，从上下文相关性和平台收入的角度出发，计算广告收入的eCPM业务函数得到如下:
但广告毕竟不是离散的投放模式，它是作为一个整体在平台上持续投放的。因此，最大化所有广告的eCPM总和的表达式可以表示为:
基于上述最大预期收益目标，业务目标排序问题可以分为两个问题，一个是CTR估算问题，一个是竞价问题。以下公式是通过eCPM的期望收益最大化进行广告排名得到的，这也是各大互联网广告常用的搜索广告排名方法。这就是eCPM排名公式诞生的思路。
PCTR和pCVR是估计结果，p是预测值。如果是CPC竞价，则采用公式左侧，如果是CPA竞价，则采用公式右侧。
2.最大化期望公式中的其他约束。
1)来自客户的计划预算-预算的约束
如果没有约束，这种广告匹配可以用贪心算法解决，只需要根据用户的每次推荐访问和搜索，展示eCPM利润最大的广告。但现实中，这是不可能的。除了在计划中设置相应的广告竞价级别，广告主还会设置投放预算Bk，即一段时间内广告的小额消费金额上限。因此，添加了此约束条件后，上述收入最大化公式可以改写如下:
这意味着bid_a，需要是方案K的A个连续出价之和，小于方案K的总预算B_k，除了最大化广告预期收益的考虑(用户-广告匹配)。
预算条件的引入，加上广告在线分发的特点，使得广告的结论更加复杂。不仅要考虑收益，还要考虑流量的调度(预算分配——调步统一策略分配，集中消费分配，后面智能竞价模块会详细介绍)，预算分配，根据历史数据预估每日剩余流量。
2)来自广告用户体验的制约
前面说过，广告问题不是简单的广告平台(投放平台DSP+流量领域SSP)和广告主的问题。只需要考虑营收，还包含了C端用户第三方的体验性质(与自然搜索和推送一致)，包括负反馈过滤、相似品类过滤、已购买过滤等。一味追求营收而不考虑用户体验，只会导致用户的流失。因此，必须同时兼顾收益和体验，以达到平衡(商业产品“道”
平衡经验收益一般有两种方法，一种是在排序公式eCPM中增加质量得分Q，另一种是直接增加价格挤压系数k。
Q的质量分一般是通过广告主题项的质量得到的。如果电商产品单品做广告，会考虑产品评价、店铺整体评价、物流履约率、店铺GMV等等。
k代表挤压系数，当k→0时，只测试广告主的出价因子，显示最高出价的广告不考虑任何匹配相关性；当k→∞时，不考虑广告主的出价，只考虑点击率相关性来分发广告。所以当很多低质量的广告出现时，这些广告主希望通过提高出价来获得曝光，而广告出价对整体质量差的影响可以通过提高挤压系数来降低。
第二，估算CTR/CVR的问题
这是广告和自然搜索、推送最相似的地方，整体上也是相似的，本文就不详细展开了。后面我会重点讲自然推荐如何排序和召回，然后在相应的文章里详细讲解，基本上是围绕三要素的估算问题:
1)有序样品构建
CTR估计是指显示后有点击和无点击的正负样本，CVR估计是指有点击和无点击的样本。
2)测序特色项目的构建
用户的行为日志信息、用户画像、广告特征——投放主体的物品特征(商品的类别、商品的评价、商品的投放地点等。)、广告的特征(文案、图片广告素材信息、广告附近的内容上下文C信息、搜索广告的查询信息等。).
3)排水效果评估
本质上& amp；as推荐排名评价，通过混淆矩阵& AUC曲线关注模型预测点击率的准确性和精度，观察预测点击率和真实点击率的分布是否一直如此。
模型框架还使用了LR logistic回归中的逐点法、成对法和列表法，因子分解机FM(从基于特征的PLOY2模型开始，解决计算向量的问题，减少特征标注的重复性)和特征嵌入法(GBDT+LR)，前后结合GBDT和LR模型，在更高层次上结合原始特征和GBDT。
三，广告定价问题分析
广告竞价定价是搜索广告与自然搜索广告的最大区别，核心是通过广告主在投放平台上设定的计划竞价因子来干预广告广告的排名；一般来说，广告主会通过其投资的ROI来决定他们的广告预算&:额外的出价可以通过提高ROI来降低整体投放成本，而广告平台则希望提高客户的预算和单价。
所以作为广告平台，最好的办法就是设计一种机制，可以让广告主在竞争中达到结果的平衡，最终实现平台收益的最大化。
因此，为了解决这个定价问题，广告系统引入了拍卖机制(Google首席经济学家范里安引入的第一个关键词竞价机制)，将整体效果广告市场的定价/竞价权交给市场。
广告主可以把每一个向C端用户呈现广告的机会，都当成拍卖的商品，让每个广告主根据广告的整体ROI和主体(商品、游戏等)的估值来竞价。).
最后，第二价格密封拍卖(也称为维克瑞拍卖)得到验证。对于搜索结果广告等多个广告位的同时拍卖，每个位置的胜出者按照下一个位置的胜出者的报价收费，即广义两价拍卖(GSP)。有的公司还会对付费广告收取0.01元或0.1元的费用，这只是平台增加收入的方式和玩法(积少成多)，整体不会影响广义的两者。
与第一种价格密封拍卖机制(竞价时扣除费用)相比，第二种价格密封拍卖鼓励广告主提交自己产品的真实估值，使得一个广告系统更加稳定，避免了广告主获胜时降低出价、失败时提高出价的重复性带来的广告平台不稳定。
还有一种叫做VCG的拍卖机制。总体思路是，如果一个广告主A赢了第一名，导致部分广告主无法占据广告位，那么获胜的广告主付出的代价就是其他广告主赢不了的损失。VCG作为一个整体并不来自于自己的出价，而是参考了其他广告商的出价。这种拍卖机制确实是一种容易达到最大效用的方式，但GSP的可解释性和理解成本较低，目前在互联网公司中仍是使用的主流。
在正常投放中，纯CPC/CPM的竞价模式需要广告投放员/优化员不断调整投放人群/投放时间段/广告位，才能达到广告可转化的目的。但人毕竟不是万能的，每次用户拍卖都及时调整竞价、溢价等内容，对广告主的经验和时间精力要求更高。
因此，广告平台的最新优势是提供oCPX(oCPM/oCPC)和TCPA(Google称之为oCPX)等智能竞价投放方式。核心思想是通过机器学习的方式实现整体CVR投放效果。
客户表示一个行为CPA成本竞价(下单/成交)，计费还是用CPC计费(逻辑有点绕，之后会单独写一篇文章介绍竞价方式和广告系统的发展历史)。系统帮助优化客户表达的行为成本，平台在展示和点击中替代广告主的竞价行为，保证转化成本可以控制在客户竞价的范围内，一般在20%以内。策略的简单设计就是衡量当前的实际转化成本和广告主的竞价目标。
CPA_real表示客户计划投放的实际转化成本，CPA_object表示客户在投放平台上设定的预期目标出价的成本。平台通过机器学习接管所有的人、时段、资源作为竞价匹配策略，根据每个pv的转化概率PCVR给出不同的竞价级别pCVRCPA = CPC。
而oCPX的竞价策略更依赖于点击后样本是否转化，样本的丰富程度也决定了pCVR估计的准确性，所以会拆分成两个阶段。第一阶段，广告主仍然表示CPC/CPM竞价模式，等到一定的时间戳范围内累积到一定数量的样本(比如新计划是7天下30单等等。)，然后进入第二阶段竞价oCPX，通过预估转化率CVR自动竞价。
因为oCPX对预估模型的要求很高，一般平台前期也有在线支付机制。为了满足某些阈值数据&而且，客户没有修改计划设置，这完全是由于系统的估计稳定性，导致费用超过了客户表述的120%，超出部分将被支付。这也是平台证明自己清白的一种方式，提高广告主的智能使用能力，增强其信任度，让平台有更大的空间调整出价，提高平台流量利用率和广告消费水平。
综合来看，以上是广告战略基本经营战略目标的构建和介绍。核心是帮助广告策略产品经理入门，了解eCPM排名公式构建的思路和算法环节需要解决的核心问题。网上有很多关于普及广告的商业知识的信息，但是对于广告策略的打造干货内容比较少，所以想单独一个系列分享一下。
本文由@战略产品Arthur原创发布。大家都是产品经理，未经允许禁止转载。
来自Unsplash的图像，基于CC0协议。
此观点仅代表作者本人，大家都是产品经理。平台只提供信息存储空间服务。
总结:以上内容是对广告公司的业务范围怎么写的详细介绍，以及广告策略产品的目标构建与思考(一):广告业务。文章部分内容转载自网络，希望对你了解广告公司的业务范围有帮助和参考价值。
版权声明
本站搜集来源于网络，如侵犯到任何版权问题，请立即告知本站，本站将及时予与删除并致以最深的歉意。
