百都网络小编 发布于 年月日 评论() 阅读()
信息流广告比较流行的申办方式是OCPM和OCPC。平台算法越来越智能，有人群定向、竞价、自动编辑甚至一键起订量的工具。很多优化者说，他们现在更像是一台无情的规划机器，从之前的精耕细作，到mkt工具下批量建立和运行上千个规划的概率。今天我想从广告的逻辑来说一个关于交付诡计的话题——如何从后端介入交付模式。
可以从两次发射的基本逻辑说起。
两种交付逻辑。
一. ECPM公式
ECPM=CTR*CVR* Bid *在广告分布中，ECPM对广告胜出的影响更大(这里暂时不考虑频率、方位等过滤)，只有广告胜出，才有后面的计划数量的说法。从公式中可以直观的看出，影响因素主要有三个，其中广告主力方可以直接实时介入，包括出价(CPA)和CVR。通过这两个参数的干预，我们可以调整和干预ECPM，进而影响取量情况。
第二，转换漏斗
在转化漏斗的过程中，前端数据主要由媒体提供；后端数据，运行API时，由广告 owner上报，然后归属。在自报过程中，可以手动干预不同级别的转化率。当然，运行SDK的模式也可以进行类似的干预，但相对复杂。
通过上报不同的数据，不仅会影响ECPM，还会影响广告模型的人口，进而影响后端更深层次的数据。它的应用主要有三个方面:
简单扣除返还数据的金额(此时也会有增加)，可以降低实际转化成本或提高学习期通过率；
在埋点上下功夫，把埋点的行为往前或往后放(这本身也是推演增量逻辑)；
通过数据挖掘的手段，预估用户的付费率和LTV，提前返回归属地数据。
特定应用
先说第一个方面，涉及到API数据对接和返回的原理，上一篇文章已经提到了，这里就不多说了。简单来说，媒体将点击数据发送回广告 master，由广告 master将转换后的设备号与点击设备号进行匹配，然后将转换后的设备发送回媒体进行建模。
以支付对象为例。我们知道媒体对花费计划研究期的转化数据量级有要求，比如巨大的引擎。度过学习期的官方标准是，你可以通过在天内累积一个转换来度过学习期。这时候我们可以把一些真正被点击但没有转化回媒体的设备号发送出去。这时候媒体就会判断计划的转换是好的，会让计划更好的度过学习期，更好的被消费。
第二个是演绎。这里的逻辑比较简单，模式需要探索和研究。假设有一条数据应该被返回，但是你实际上只返回了一条。对于模型来说，由于初期的探索曝光和付费机制，系统会加大探索力度，此时你的实际数据表现会有所提升，体现在付费率的提升等。在这种情况下，主要通过影响CVR来调整大小。
在增量策略下，后端数据的可控性会更差。在这里，最好和第三点一起做，或者选择有竞争优势的物料计划来辅助合作。在扣除策略下，由于CVR的减少，系统通过市场数据探索预估数量时，初始阶段的实际转换成本会更低，但计划增加的难度会更大。如果按照以往的数据进行投标，计划在探索期过后很容易崩溃。在这种情况下，注册会计师的出价可以适当调整，以促进ECPM。具体扣费比例和竞价比例调整可根据实际情况进行微调。
二是在数据埋点上下功夫，可以让我们投标不同的转化行为，得到想要的结果。扣除不仅仅是数量上的扣除，更是一种后嵌入行为。比如在热云中定义激活来开始初始化激活，但是初始化可以嵌入到启动或者注册或者转角创建的界面中，通过增加转化行为的深度来进行演绎。这里要注意的是，行业市场数据存在一个标准值范围，数据是否异常可能会影响数量，类似于上面提到的CVR。例如，如果市场支付率为%，扣除后的值范围在%左右，可能会使模型在短期内探索更多；如果扣除过多导致缴费率降至%以下，可能会使系统认为计划缴费率过低，降低探索力度，从而降低幅度。对于扣除后的数据值，需要有一个标准的对照，以自身埋点或第三方标准的数据作为参考。比如用热云扣激活，一个在启动时激活，一个在行为A时激活，比较两者在自己后台的数据增长差异，数据是否变好，比如激活成本后端数据的变化等。
这里的埋回定义有点类似于关键行为的转化目标，但是媒体本身在不同的转化机制中会有不同的建模方法和估计值，所以不能同时看待，比如直接用关键行为的一些参数来运行和激活，所以激活率的参考会有很大的差异，从而导致量的问题。在支付回报上，有些产品会有低支付，比如元。这个产品去支付的次数会更好，因为支付门槛降低了。但在运行支付率时，可能会造成更多的元支付，导致后端数据恶化，难以达到roi标准。这时候可以扣除低保金进行检测。对于实现产品来说，因为成本低，虚假量很难控制，用户可以通过在主界面或者第一时间放入初始化激活嵌入点来过滤。
后期通过数据预估的方式提前返回数据，考验客户的数据挖掘和建模能力。广告业主通过建模预测媒体返回的点击数据中是否存在可能的转化。这个时候会涉及到两个方面:
第一，转化的时效性；转换有延迟，延迟时间的长短很大程度上影响幅度和消耗。比如广告 master如果能预测到点击数据中哪些设备号有可能被转换，那么就能及时返回设备号。因为此时的数据依赖于广告 master建模，而不是等待真正的转换返回，所以转换延迟时间的问题会大大减少，时效性是可以保证和预测的。
第二，预期转化率和实际转化率的关系；其实上面列举的方法都是为了对返回的数据进行一定的策略调整，后一种方法其实是提前预测转换后的数据并返回。这时候可以更好的控制转化率，在一定的时间区间内预期转化率高于媒体后台的真实转化率，使得ECPM增加，竞争力也提高。当然，还不止于此。当广告 owner可以为用户做LTV预估时，用户的价值可以分层，可以针对不同的流量进行竞价，更好地平衡质和量的关系。
一般来说，模型介入需要清楚了解数据各环节的定义和返回机制，其次是广告模型和一些业务逻辑。选择所需的数据结果时，必须有一个标准量可供参考。在外部对齐数据时，并非每种情况都相同。同样，不同目标和节点的比例也需要根据成本进行调整。只要能优化实际标的后端，就可以适当调整出价。
此后，媒体和市场规则一直在变，优化者本身的角色定位也一直在变。希望所有的优化器都不要做情绪规划机器。
微海报作者：徐州百都网络 | 来源： | 发布于：2022-03-27 00:36:20