01
Contexte du projet
Le placement de publicité à la performance est un scénario de jeu : la plateforme médiatique espère vendre le trafic au prix le plus élevé, et le client espère que le coût publicitaire et l'effet back-end seront conformes aux normes. Avec le développement du secteur de la publicité à la performance, les clients ne se contentent plus d'évaluer uniquement les effets de conversion superficiels tels que l'éveil et l'activation. De plus en plus d'annonceurs expriment leurs demandes aux plateformes médiatiques pour optimiser les effets back-end. Les effets back-end incluent le taux de rétention, le taux de paiement, le retour sur investissement du paiement le premier jour et d’autres types de conversions approfondies.
Dans cet article, nous passerons en revue le processus d'optimisation de la publicité à la performance dans le modèle d'enchères.
Les plateformes de médias publicitaires utilisent généralement un modèle à double offre pour protéger à la fois les faibles coûts de conversion et les effets back-end des annonceurs. Les exigences publicitaires des annonceurs incluent une conformité peu profonde des coûts de conversion, une conformité approfondie des coûts de conversion et une conformité approfondie du taux de conversion implicite dans les deux offres. Par conséquent, la plateforme média doit concevoir une formule d'enchères eCPM (coût effectif pour mille, revenus publicitaires pour mille impressions) appropriée pour répondre aux exigences des annonceurs tout en maximisant les revenus de la plateforme média.
02
Historique du projet
2.1 Offre unique traditionnelle
Les clients n'enchérissent que pour un seul objectif de conversion (par exemple, téléchargement, réveil, etc.). La plate-forme multimédia estime les taux de clics et les taux de conversion grâce à des modèles, convertissant la valeur d'une conversion en valeur d'exposition d'un élément de trafic. En raison de l'existence d'un écart d'estimation, un facteur d'enchère supplémentaire α doit être utilisé pour ajuster l'enchère afin de protéger le coût de conversion du client.
Le facteur d'enchère dans la formule ci-dessus joue principalement deux rôles. Premièrement , il s'agit du calibrage des estimations afin que la valeur d'exposition puisse être mesurée avec précision sur la base du taux de conversion des clics ; trafic de qualité.
Avant 2022, nous avons atteint cette formule à un niveau relativement extrême. Les facteurs d'enchères sont passés du contrôle proportionnel inverse au contrôle calculé, des mises à jour horaires aux mises à jour minutes, du contrôle de granularité unique à l'agrégation dynamique multidimensionnelle, et d'une stratégie unique à la compatibilité avec des logiques telles que le démarrage à froid, la livraison régulière et le volume agressif. acquisition. Avec l’amélioration continue des capacités des modèles de prédiction et la construction d’algorithmes avancés d’étalonnage des modèles, les facteurs d’enchères ont en fait commencé à jouer davantage un rôle dans le contrôle du trafic de haute qualité. Les coûts minimes reposent sur une prévision précise et un calibrage rapide du modèle lui-même pour être stable et contrôlable. La série d’optimisations ci-dessus est une autre merveilleuse histoire que je partagerai à nouveau avec vous lorsque j’en aurai l’occasion.
Le défi s’est produit au second semestre 2021, lorsque le secteur de la publicité a commencé à se tourner entièrement vers la publicité à double offre. À cette époque, nous étions confrontés à un grave problème de coûts et les changements dans la structure budgétaire ont fait de ce problème un obstacle à surmonter.
2.2 Double offre pondérée
La signification commerciale des doubles enchères est la suivante : lorsque les clients fixent deux objectifs d'enchères, un superficiel et un profond, tels que l'activation + la rétention, l'éveil + le paiement, etc. Si les clients exigent des coûts peu élevés pour respecter les normes, ils ont également besoin d’effets plus profonds pour respecter les normes, en particulier les normes de coûts élevés. À partir du second semestre 2021, le contrôle et l'optimisation approfondis des coûts sont devenus les principaux problèmes de cette période. Afin de nous adapter rapidement aux changements, nous avons adopté une approche par petites étapes et lancé rapidement des doubles enchères pondérées.
Pour les problèmes d'optimisation multi-objectifs, les méthodes couramment utilisées incluent l'optimalité de Pareto et l'optimalité pondérée. Nous utilisons la méthode optimale pondérée pour ajouter des facteurs de contrôle approfondis des coûts sur la base d'offres uniques peu profondes, les pondérons pour obtenir les facteurs de contrôle final des coûts et résolvons d'abord le problème de l'existence d'un contrôle approfondi des coûts.
Dans la formule ci-dessus, la logique de contrôle du facteur d'enchères profondes réutilise complètement le cadre superficiel. En pratique, cette stratégie s’est avérée présenter les défauts suivants :
① Selon cette formule d'appel d'offres, le coût peu profond et le coût profond s'influenceront mutuellement. Après pondération, un phénomène de bascule se produira facilement si la couche profonde est meilleure, la couche peu profonde sera pire, et si la couche peu profonde est meilleure, la couche la plus profonde sera pire. Il pourrait même y avoir des fluctuations cycliques.
② Le facteur d'enchère est essentiellement un contrôleur de rétroaction, qui est contrôlé sur la base des données de livraison du jour. Pour le trafic ayant différents effets profonds, aucune estimation basée sur des données historiques n'est introduite lors des enchères. Autrement dit, aucun pDCVR n’est impliqué dans la formule d’appel d’offres et les enchères sont uniquement contrôlées en fonction des performances de livraison du jour.
Afin d'optimiser les problèmes ci-dessus, nous avons effectué des itérations continues.
2.3 Double offre de Pareto
La méthode pondérée garantit que les coûts superficiels et profonds sont optimaux dans leur ensemble, tout en exigeant que les deux soient optimaux respectivement est essentiellement un problème de solution optimale de Pareto. Par conséquent, nous utilisons la valeur du trafic et le trafic cible comme point de départ pour trier la stratégie. Dans le même temps, nous nous appuyons sur les capacités de prédiction du modèle pDCVR à démarrage progressif pour construire une nouvelle stratégie à double enchère afin d'obtenir un contrôle stable des superficies et des profondeurs. frais.
Afin de garantir que les coûts superficiels et les coûts importants répondent en même temps aux normes, nous introduisons une estimation approfondie du taux de conversion pDCVR et ajustons la formule d'enchère pour :
Étant donné que le contrôle approfondi est strictement contrôlé, la conversion approfondie est souvent plus rare, ce qui n'est pas propice à l'accumulation de données et il est difficile d'augmenter le volume, ce qui affecte les revenus. Pour résoudre ce problème, nous contrôlons le débit cible en introduisant un coefficient de correction w pour améliorer la capacité de fonctionnement. Dans le même temps, afin de garantir l'effet, w est contrôlé en ligne et en temps réel.
Cette formule d'appel d'offres contrôle théoriquement strictement à la fois les coûts importants et les coûts superficiels. Étant donné que l'accumulation de données de transformation profonde est plus lente que celle de données superficielles, souvent d'un voire plusieurs ordres de grandeur, le modèle pDCVR est dans un état de tri relativement précis pendant cette période, mais avec une précision insuffisante. Par conséquent, nous utilisons indirectement l’estimation approfondie comme base pour juger de la qualité du trafic, affectant ainsi le facteur d’enchères approfondies. Cette formule d'appel d'offres résout dans une certaine mesure les deux problèmes du point 2.2. Mais un nouveau problème se pose :
①Entre contrôle strict des coûts profonds et augmentation du volume, un coefficient de correction w doit être utilisé pour équilibrer, mais il est difficile de déterminer le coefficient optimal pour atteindre l'équilibre souhaité.
② La limite d'enchère pour le trafic de haute qualité de niveau profond est l'enchère qui répond à la norme de coût de niveau faible. Cette enchère est trop conservatrice pour un trafic de haute qualité de niveau profond. Par rapport au modèle d'enchère unique de niveau profond, ce modèle supprime le trafic de haute qualité et réduira le taux de conversion de niveau profond.
③ Si les coûts peu profonds et les coûts profonds répondent en même temps à la norme, cela ne peut pas garantir que le taux de conversion profond atteigne la norme. Dans le cadre de la tendance générale de la publicité, l'évaluation par les clients du taux de rétention secondaire, du taux de rétention à long terme et du retour sur investissement est souvent une question de taux plutôt que de simples problèmes profonds de conformité des coûts.
Les questions ci-dessus peuvent être résumées comme suit : Comment parvenir à une conformité à faible coût tout en atteignant une conformité importante en matière de taux de conversion ? Comment améliorer progressivement les coûts tout en libérant la consommation lors du processus de livraison ?
2.4 Double enchère adaptative
Afin de résoudre les problèmes ci-dessus, en plus d'améliorer la précision du modèle pDCVR à long terme, une méthode plus efficace consiste à réaliser des percées dans le mécanisme d'évaluation de la valeur du trafic. Nous avons donc itéré sur une nouvelle version de la stratégie d'enchères. Les objectifs sont les suivants :
① Optimisez davantage le trafic pour obtenir une double optimisation des coûts profonds et du taux de conversion profond.
② Tout en optimisant le trafic, renforcez les enchères et les capacités d'enchères du trafic de haute qualité pour résoudre le problème de la diminution du volume si l'effet n'est pas bon.
Concernant le mécanisme d'enchères, en nous appuyant sur l'amélioration continue des capacités du modèle de prédiction profonde, nous avons renforcé le rôle du pDCVR dans la prédiction des enchères par rapport à la formule d'enchères de la version 2.3. Cela conduit à une nouvelle formule d’enchères :
Parmi elles, la fonction φ est une fonction en forme de S, sur la base de laquelle le facteur de contrôle final de l'effet profond est calculé. La figure ci-dessous montre deux courbes de fonction φ différentes, g pouvant être sélectionnées.
eta est le facteur de contrôle de courbure de la fonction, DCVR est le taux de conversion profond réel de la livraison actuelle et T est le taux de conversion profond cible du client.
Sa logique de contrôle des offres est la suivante :
(1) Lorsque DCVR>=T, la courbure η de la fonction est une valeur minimale et la courbe de fonction coïncide essentiellement avec l'axe des x. À l'heure actuelle, que le pDCVR soit élevé ou faible, la valeur de la fonction φ est fondamentalement la même et il n'y a aucune intervention dans l'enchère. Vous pouvez gérer autant de volume que possible en fonction des exigences de conformité à moindre coût.
(2) Lorsque DCVR < T, le contrôleur augmente η et la courbure de la fonction augmente de manière conservatrice, et le trafic avec des offres pDCVR élevées de manière agressive, de sorte que lorsque DCVR s'approche de T, l'algorithme de contrôle contrôle la courbure. eta pour diminuer, obtenant ainsi un équilibre dynamique.
(3) Lorsque DCVR<<T, la courbure η est augmentée jusqu'à la valeur maximale, le trafic pDCVR faible est abandonné pendant l'enchère et le trafic pDCVR élevé est activement proposé, ce qui entraîne une augmentation continue de E (pDCVR), ce qui rend DCVR proche de T. , répétant ainsi l'étape (2) ) pour atteindre l'équilibre dynamique.
À ce stade, en fonction des demandes de livraison back-end des différents clients, qu'il s'agisse du coût de paiement, du taux de rétention secondaire ou du retour sur investissement du premier jour, etc., combinées à des modèles d'estimation de conversion approfondie tels que l'estimation du taux de paiement, l'estimation du taux de rétention secondaire. et estimation du montant du paiement. La valeur profonde d'un seul flux de trafic a été efficacement évaluée. Le double système d'enchères adaptatif utilise pDCVR pour filtrer et identifier le trafic de haute qualité. Il repose sur une stratégie d'enchères non linéaire. Lorsqu'il existe un écart entre l'effet et la cible, une partie du trafic de faible qualité est en même temps ignorée. définit des enchères plus agressives pour une exposition sur un trafic de haute qualité afin d'obtenir les meilleurs résultats. Atteindre l'objectif d'obtenir continuellement un effet d'augmentation et d'orienter progressivement et automatiquement la consommation vers un trafic de haute qualité. Il y a aussi quelques petits détails, comme la fonction g prenant en compte en même temps les labels de foule, etc., qui ne seront pas développés ici.
03
Effet en ligne
Plusieurs versions sont lancées de manière itérative, entraînant cumulativement des améliorations de performances publicitaires :
04
Résumé et perspectives
Toute stratégie d'enchères est basée sur la capacité de prédiction du modèle et est étroitement liée à la construction d'étiquettes de foule, à la logique d'allocation budgétaire, à la conception de stratégies d'enchères, etc. Actuellement, à mesure que les objectifs d'évaluation des clients deviennent de plus en plus stricts et que les modèles d'enchères continuent d'évoluer, le système d'évaluation de la valeur du trafic doit être continuellement itéré pour répondre aux besoins du développement commercial. À l’avenir, nous optimiserons davantage dans les directions suivantes :
Contrôle approfondi des effets sous des données extrêmement clairsemées
Optimisation des effets sous un délai de conversion important
Fluctuations des effets causées par les changements dans l'environnement d'enchères en temps réel
Cadre d'enchères automatiques contextuelles
Cet article est partagé à partir du compte public WeChat - Équipe produit technologique iQIYI (iQIYI-TP).
En cas d'infraction, veuillez contacter [email protected] pour suppression.
Cet article participe au « Plan de création de sources OSC ». Vous qui lisez, êtes invités à vous joindre et à partager ensemble.