現(xiàn)在信息流廣告盛行的出價方式是OCPM和OCPC，平臺算法越來越智能，人群定向、出價、自動版位，甚至起量都有了一鍵起量的工具，很多優(yōu)化師都表示自己現(xiàn)在更像是一個無情的上計劃機器，從之前的精耕細作，到現(xiàn)在mkt工具下批量幾千上萬條的計劃新建去跑概率，似乎我們已經(jīng)很難做人工干預了。今天想從廣告邏輯方面談一個投放取巧的話題——如何從后端干預投放模型。

我們可以從兩個投放的基礎(chǔ)邏輯出發(fā)。

eCPM=CTR*CVR*出價*1000

      在廣告分發(fā)中，ecpm對廣告競得影響比重大（這里暫不考慮頻次、定向等過濾），只有廣告競得的情況下才有后面的計劃起量的說法。從公式中比較直觀的可以看到影響因素主要有三個，其中廣告主側(cè)能直接進行實時干預的包括出價（CPA）和CVR，通過干預這兩個參數(shù)我們可以調(diào)整干預ECPM，進而影響拿量情況。

二、轉(zhuǎn)化漏斗

      在轉(zhuǎn)化漏斗過程中，前端數(shù)據(jù)主要由媒體提供；而后端數(shù)據(jù)，在跑API的情況下是由廣告主自行上報，然后再進行歸因。在自行上報的這個過程中，就可以人為干預不同層級的轉(zhuǎn)化率情況。當然，跑SDK的模式也可以進行類似的干預，不過相對復雜。

      通過上報不同的數(shù)據(jù)，除了能夠影響ECPM之外，還會對廣告模型的人群產(chǎn)生影響，進而影響后端更深層的數(shù)據(jù)。它的應用主要有三個方面：

1、單純的對回傳數(shù)據(jù)進行扣量（此時也會存在加量的情況），可以降低自身的實際轉(zhuǎn)化成本或者提高學習期的通過率；

2、在埋點上面下功夫，將埋點行為前置或者后置（本身也是扣增量邏輯）；

3、利用數(shù)據(jù)挖掘的手段，對用戶的付費率以及LTV等進行預估，提前將歸因數(shù)據(jù)進行回傳。

      先講第一個方面，這涉及到了API數(shù)據(jù)對接回傳的原理，在之前的文章中有提到，這里就不多說。簡單來說就是媒體將點擊數(shù)據(jù)回傳給廣告主，廣告主這邊將轉(zhuǎn)化的設備號同點擊設備號匹配一致，最后將轉(zhuǎn)化設備回傳給媒體進行建模。

      以付費目標舉例。我們知道媒體對于度過計劃學習期是有轉(zhuǎn)化數(shù)據(jù)量級要求的，比如巨量引擎，官方定義度過學習期的標準是在3天內(nèi)積累20個轉(zhuǎn)化就可以度過學習期。在此時我們可以將一部分真點擊但是沒有轉(zhuǎn)化的設備號回傳給媒體，此時媒體會判斷該計劃的轉(zhuǎn)化良好，就會讓該計劃更好的度過學習期并且可以更好的消耗起來。

      第二個則是扣量，這里的邏輯相對簡單，模型是需要探索學習的，假設原本應該回傳的數(shù)據(jù)是50個，但是你實際只回傳了40個，對于模型來說，由于初始探索曝光以及賠付機制存在，系統(tǒng)會加大力度探索，這個時候你的實際數(shù)據(jù)表現(xiàn)會提高，表現(xiàn)在付費率提高等。在這種情況下，主要是通過影響CVR來調(diào)整量級。

      在增量策略下，后端數(shù)據(jù)會不那么可控，這里最好結(jié)合第三點一起做，或者選取比較有競爭優(yōu)勢的素材計劃去輔助配合?？哿坎呗韵?，由于CVR降低，在初期系統(tǒng)通過大盤數(shù)據(jù)進行預估給量探索，實際的轉(zhuǎn)化成本會更低，但是計劃會更難放量，如果按照過往數(shù)據(jù)進行出價，在過了探索期，計劃很容易崩盤，這種情況可以適當調(diào)整CPA出價來拉升ECPM。具體的扣量比例，和出價比例調(diào)整可以按照實際情況微調(diào)。

      第二個則是在數(shù)據(jù)埋點上面下功夫，埋點可以讓我們針對不同的轉(zhuǎn)化行為進行出價，得到我們所希望的結(jié)果?？哿坎粏渭冎皇窃诹可线M行扣除，也可以埋點行為后置，比如激活定義在熱云上是啟動初始化激活，但是初始化可以埋在啟動也可以埋在注冊或者創(chuàng)角這個界面，通過增加轉(zhuǎn)化行為的深度進行扣量。這里面要注意的點，行業(yè)大盤數(shù)據(jù)標準值是存在一個范圍區(qū)間，而數(shù)據(jù)是否異常可能會影響拿量，類似上面講的CVR。比如大盤付費率20%+，你扣量之后數(shù)值范圍在15%左右的話，可能會使得模型在短期內(nèi)加大探索；如果扣量太多導致付費率跌到10%以下，可能會讓系統(tǒng)認為計劃付費率過低而減少探索力度，使得量級減少。對于扣量后數(shù)據(jù)取值的話，需要存在一個標準對照，統(tǒng)一用自有埋點或者第三方標準的數(shù)據(jù)去做參照。比如用熱云扣量激活，一個在啟動就激活，一個在a行為激活，對比兩者在自己后臺的數(shù)據(jù)增長差異，數(shù)據(jù)是否變好，比如激活成本后端數(shù)據(jù)變化等情況。

       這里的埋點回傳定義有點類似關(guān)鍵行為的轉(zhuǎn)化目標，但是媒體本身在不同的轉(zhuǎn)化機制中會存在不同的建模方式和預估數(shù)值，所以又不能同一來看，比如直接用關(guān)鍵行為的某些參數(shù)去跑激活，這樣在激活率參考上就會有很大差異，導致拿量問題。在付費回傳上，有些產(chǎn)品會有低額付費，比如1元，這種產(chǎn)品去跑付費次數(shù)會更好拿量，因為降低了付費門檻，但是在跑付費率的時候，可能會造成1元付費較多，導致后端數(shù)據(jù)變差，roi難以達標，這時可以把低額付費扣除做測試。對于變現(xiàn)產(chǎn)品，由于成本較低，假量難以控制，可以通過把初始化激活埋點放到主界面或者首次廣告上去進行用戶過濾。

      最后是通過數(shù)據(jù)預估的手段提前將數(shù)據(jù)回傳，這比較考驗客戶的數(shù)據(jù)挖掘和建模能力，廣告主通過建模預測出媒體回傳回來的點擊數(shù)據(jù)中是否有存在可能的轉(zhuǎn)化。這個時候會涉及到兩個方面的內(nèi)容：

      一是轉(zhuǎn)化的時效性問題；轉(zhuǎn)化是存在延遲的，延遲時間的長短很影響量級和消耗，比如廣告主可以預測到點擊數(shù)據(jù)中哪些設備號是可能會轉(zhuǎn)化的，那么就可以及時將該設備號進行回傳，由于此時的數(shù)據(jù)是依賴廣告主建模，而不是等真實轉(zhuǎn)化之后才回傳，會使得轉(zhuǎn)化延遲時間的問題大大減少，不僅時效性可以得到保障，而且預測的轉(zhuǎn)化效果會更好，畢竟沒有比廣告主更了解自身產(chǎn)品的了。

      二是預期轉(zhuǎn)化率與真實轉(zhuǎn)化率之間的關(guān)系；前面所列舉的幾種方法其實都是針對回傳數(shù)據(jù)進行一定的策略調(diào)整，而最后一種辦法實際上就是提前預測出轉(zhuǎn)化數(shù)據(jù)并進行回傳，此時我們就可以更好的控制轉(zhuǎn)化率，而預期轉(zhuǎn)化率在一定時間區(qū)間內(nèi)是要高于媒體后臺的真實轉(zhuǎn)化率，也就使得ECPM提高，競爭力也同時得到提高。當然也不止于此，當廣告主可以針對用戶進行LTV預估的時候，用戶的價值得到分層，可以針對不同的流量進行出價，更好的平衡質(zhì)與量之間的關(guān)系。

       總的來看，進行模型干預需要了解清楚數(shù)據(jù)每個環(huán)節(jié)的定義以及回傳機制，然后是廣告模型以及業(yè)務上的一些邏輯。在選取想要的數(shù)據(jù)結(jié)果的時候，一定要有一個標準量去參考，外部對齊數(shù)據(jù)的時候并不是每家情況都一樣。同樣的，對于不同目標和節(jié)點的比例需要根據(jù)成本拿量情況去做調(diào)整，只要實際目標的后端能得到優(yōu)化，出價可以做適當?shù)恼{(diào)整。

     最后，媒體和市場規(guī)則一直在變，優(yōu)化師角色的定位本身也一直在變，愿所有優(yōu)化師都不會是一個木得感情的上計劃機器。