01
프로젝트 배경
퍼포먼스 광고 배치는 게임 시나리오입니다. 미디어 플랫폼은 트래픽을 가장 높은 가격에 판매하기를 희망하고, 고객은 광고 비용과 백엔드 효과가 기준을 충족하기를 바랍니다. 퍼포먼스 광고 산업이 발전함에 따라 고객들은 더 이상 각성, 활성화 등 피상적인 전환 효과만을 평가하는 데 만족하지 않고, 백엔드 효과를 최적화하기 위해 미디어 플랫폼에 대한 요구를 표출하고 있습니다. 백엔드 효과에는 유지율, 지불율, 첫날 지불 ROI 및 기타 깊은 전환 유형이 포함됩니다.
이번 글에서는 입찰 모델에서 퍼포먼스 광고의 최적화 프로세스를 검토해 보겠습니다.
광고 미디어 플랫폼은 일반적으로 광고주의 얕은 전환 비용과 백엔드 효과를 동시에 보호하기 위해 이중 입찰 모델을 사용합니다. 광고주의 광고 요구 사항에는 얕은 전환 비용 준수, 깊은 전환 비용 준수, 두 입찰에 내재된 깊은 전환율 준수가 포함됩니다. 따라서 미디어 플랫폼은 미디어 플랫폼의 수익을 극대화하는 동시에 광고주의 요구 사항을 충족할 수 있는 적절한 eCPM(유효 비용, 1,000회 노출당 광고 수익) 입찰 공식을 설계해야 합니다.
02
프로젝트 이력
2.1 전통적인 단일 입찰
클라이언트는 하나의 전환 목표(예: 다운로드, 깨우기 등)에만 입찰합니다. 미디어 플랫폼은 모델을 통해 클릭률과 전환율을 추정하고 전환 가치를 트래픽 노출 가치로 변환합니다. 추정 편차가 존재하므로 고객의 전환 비용을 보호하기 위해 추가 입찰 계수 α를 사용하여 입찰을 조정해야 합니다.
위 공식에서 입찰 요소는 크게 두 가지 역할을 합니다. 첫째, 클릭 전환율을 기준으로 노출값을 정확하게 측정할 수 있도록 견적을 보정하는 것입니다. 둘째, 고품질 트래픽을 선별하여 견적과 크라우드 태그를 결합하여 고가의 입찰 능력을 동적으로 향상시키는 것입니다. 양질의 트래픽.
2022년 이전에 우리는 이 공식을 비교적 극단적인 수준으로 달성했습니다. 입찰 요소는 역비례 제어에서 미적분 제어로, 시간별 업데이트에서 분 업데이트로, 단일 세분성 제어에서 다차원 동적 집계로, 단일 전략에서 콜드 스타트, 정기적 전달, 공격적인 볼륨과 같은 로직과의 호환성으로 변경되었습니다. 인수. 예측 모델 기능이 지속적으로 개선되고 고급 모델 보정 알고리즘이 구축됨에 따라 입찰 요소가 실제로 고품질 트래픽을 선별하는 데 더 많은 역할을 하기 시작했습니다. 얕은 비용은 안정적이고 제어 가능한 모델 자체의 정확한 예측과 신속한 보정에 달려 있습니다. 위의 일련의 최적화는 기회가 있을 때 다시 여러분과 공유할 또 다른 멋진 이야기입니다.
문제는 광고 업계가 이중 입찰 광고로 전면 전환하기 시작한 2021년 하반기에 발생했습니다. 이때 심각한 비용 문제가 우리 앞에 놓여 있었고, 예산 구조의 변화는 이 문제를 극복해야 할 장애물로 만들었습니다.
2.2 가중 이중 입찰
이중 입찰의 비즈니스 의미는 고객이 활성화 + 유지, 깨우기 + 지불 등 얕은 것과 깊은 두 가지 입찰 목표를 설정하는 것입니다. 고객은 표준을 충족하기 위해 얕은 비용을 요구하는 동시에 표준, 특히 깊은 비용 표준을 충족하기 위해 더 깊은 효과도 필요합니다. 2021년 하반기부터 이 기간 동안 철저한 비용 관리와 최적화가 핵심 문제점이 되었습니다. 변화에 빠르게 적응하기 위해 우리는 작은 단계의 접근 방식을 채택하고 가중치가 있는 이중 입찰을 빠르게 시작했습니다.
다중 목표 최적화 문제의 경우 일반적으로 사용되는 방법에는 파레토 최적성 및 가중 최적성이 있습니다. 우리는 가중 최적 방법을 사용하여 얕은 단일 입찰을 기반으로 깊은 비용 통제 요소를 추가하고, 이에 가중치를 부여하여 최종 비용 통제 요인을 얻은 다음 먼저 깊은 비용 통제가 존재하는지 여부에 대한 문제를 해결합니다.
위 공식에서 Deep Bidding Factor의 제어 로직은 얕은 프레임워크를 완전히 재사용합니다. 실제 적용에서 이 전략은 다음과 같은 결함이 있는 것으로 밝혀졌습니다.
① 이 입찰 공식에서는 얕은 비용과 깊은 비용이 서로 영향을 미치게 되며, 깊은 층이 좋으면 얕은 층이 나빠지고, 얕은 층이 좋으면 시소 현상이 일어나기 쉽습니다. 더 깊은 층은 주기적인 변동이 있을 수도 있습니다.
② 입찰 요소는 본질적으로 그날의 전달 데이터를 기반으로 제어되는 피드백 컨트롤러입니다. 다양한 심층 효과가 있는 트래픽의 경우 입찰 시 과거 데이터를 기반으로 한 추정이 도입되지 않습니다. 즉, 입찰공식에 pDCVR이 개입되지 않으며, 그날의 배송실적만을 토대로 입찰이 통제된다.
위의 문제를 최적화하기 위해 지속적인 반복을 수행했습니다.
2.3 파레토 이중 입찰
가중 방법은 얕은 비용과 깊은 비용이 전체적으로 최적임을 보장하는 반면, 두 가지가 각각 최적이 되도록 요구하는 것은 본질적으로 파레토 최적 솔루션 문제입니다. 따라서 우리는 트래픽 가치와 목표 트래픽을 출발점으로 삼아 전략을 정리하는 동시에 점진적으로 시작되는 pDCVR 모델 예측 기능을 사용하여 얕은 및 깊은의 안정적인 제어를 달성하기 위한 새로운 이중 입찰 전략을 구축합니다. 소송 비용.
얕은 비용과 깊은 비용이 동시에 표준을 충족할 수 있도록 깊은 전환율 추정 pDCVR을 도입하고 입찰 공식을 다음과 같이 조정합니다.
심층 제어가 엄격하게 제어되기 때문에 심층 변환이 더 드물어 데이터 축적에 도움이 되지 않고 볼륨을 유도하기 어려워 수익에 영향을 미치는 경우가 많습니다. 이 문제를 해결하기 위해 우리는 실행 능력을 향상시키기 위해 보정 계수 w를 도입하여 목표 속도를 제어합니다. 동시에 효과를 보장하기 위해 w는 실시간으로 온라인으로 제어됩니다.
이 입찰 공식은 이론적으로 깊은 비용과 얕은 비용을 모두 엄격하게 통제합니다. 심층 변환 데이터의 축적은 얕은 데이터의 축적보다 느리기 때문에(종종 1배 또는 여러 배까지) pDCVR 모델은 이 기간 동안 상대적으로 정확한 정렬 상태에 있지만 정확도가 부족합니다. 따라서 우리는 트래픽 품질을 판단하기 위한 기초로 심층 추정치를 간접적으로 사용하여 심층 입찰 요소에 영향을 미칩니다. 이 입찰 공식은 2.2의 두 가지 문제를 어느 정도 해결합니다. 그러나 새로운 문제가 발생합니다.
① 깊은 비용에 대한 엄격한 통제와 물량 증가 사이에서 균형을 맞추기 위해 보정 계수 w를 사용해야 하지만 원하는 균형을 달성하기 위한 최적의 계수를 결정하는 것은 어렵습니다.
② Deep 수준의 고품질 트래픽에 대한 입찰한도는 Shallow 수준의 비용 기준을 충족하는 입찰가입니다. 이 입찰은 심층 수준의 고품질 트래픽에 대해 너무 보수적입니다. 이 모델은 심층 수준의 단일 입찰 모델과 비교하여 고품질 트래픽을 억제하고 심층 수준의 전환율을 낮춥니다.
③ 얕은 비용과 깊은 비용이 동시에 기준을 충족하는 경우 깊은 전환율이 기준에 도달한다는 것을 보장할 수 없습니다. 광고의 일반적인 추세에 따라 고객의 2차 유지율, 장기 유지율 및 ROI에 대한 평가는 단순히 뿌리 깊은 비용 준수 문제가 아닌 비율의 문제인 경우가 많습니다.
위의 질문은 다음과 같이 요약할 수 있습니다. 얕은 비용 준수를 달성하면서 깊은 전환율 준수를 달성하는 방법은 무엇입니까? 배송 과정에서 소비를 풀어주면서 점진적으로 비용을 개선하는 방법은 무엇입니까?
2.4 적응형 이중 입찰
위의 문제를 해결하기 위해서는 장기적으로 pDCVR 모델의 정확도를 높이는 것 외에도 트래픽 가치 평가 메커니즘을 혁신하는 것이 보다 효과적인 방법입니다. 그래서 우리는 새로운 버전의 입찰 전략을 반복했습니다. 목표는 다음과 같습니다:
① 트래픽을 더욱 최적화하여 깊은 비용과 깊은 전환율의 이중 최적화를 달성합니다.
② 트래픽을 최적화하는 동시에 고품질 트래픽의 입찰 및 입찰 역량을 강화하여 효과가 좋지 않을 경우 물량이 줄어드는 문제를 해결합니다.
입찰 메커니즘과 관련하여 심층 예측 모델 기능의 지속적인 개선에 힘입어 버전 2.3의 입찰 공식에 비해 입찰 예측에서 pDCVR의 역할을 강화했습니다. 이는 새로운 입찰 공식으로 이어집니다.
그 중 ψ함수는 S자 모양의 함수로, 이를 바탕으로 최종 Deep Effect Control Factor가 계산됩니다. 아래 그림에서는 g를 선택할 수 있는 두 가지 다른 ψ함수 곡선을 보여줍니다.
eta는 함수 곡률 제어 요소이고, DCVR은 현재 배송의 실제 깊은 전환율이며, T는 고객의 목표 깊은 전환율입니다.
입찰 제어 논리는 다음과 같습니다.
(1) DCVR>=T일 때, 함수의 곡률 θ는 최소값이고, 함수 곡선은 기본적으로 x축과 일치합니다. 이때, pDCVR이 높거나 낮거나 관계없이 ψ함수 값은 기본적으로 동일하며 입찰에 개입하지 않습니다. 얕은 비용 준수 요구 사항에 따라 최대한 많은 볼륨을 실행할 수 있습니다.
(2) DCVR < T일 때 컨트롤러는 θ를 높이고 함수 곡률이 증가합니다. pDCVR 입찰이 낮은 트래픽은 보수적으로 증가하고 pDCVR 입찰이 높은 트래픽은 공격적으로 증가하므로 DCVR이 T에 가까워지면 제어 알고리즘이 곡률을 제어합니다. 따라서 동적 균형을 달성합니다.
(3) DCVR<<T일 때 곡률 θ를 최대값으로 끌어올리고 낮은 pDCVR 트래픽은 입찰 중에 포기되고 높은 pDCVR 트래픽은 적극적으로 입찰되어 E(pDCVR)가 지속적으로 증가하여 DCVR이 T에 가까워집니다. , 따라서 동적 평형을 달성하기 위해 단계 (2))를 반복합니다.
이 시점에서 결제 비용, 2차 유지율 또는 첫날 ROI 등 다양한 고객의 백엔드 배송 요구를 기반으로 결제율 추정, 2차 유지율 추정과 같은 심층 전환 추정 모델을 결합합니다. 및 결제 금액 추정, 단일 트래픽 흐름의 깊은 가치가 효과적으로 평가되었습니다. 적응형 이중 입찰은 pDCVR을 사용하여 고품질 트래픽을 선별하고 식별합니다. 이는 비선형 입찰 전략에 의존합니다. 효과와 목표 사이에 차이가 있는 경우 동시에 품질이 낮은 트래픽이 일부 폐기됩니다. 최상의 결과를 얻기 위해 고품질 트래픽에 대한 노출에 더욱 공격적으로 입찰합니다. 지속적으로 효과 상승을 달성하고 점차적으로 고품질 트래픽에 대한 소비를 자동으로 기울이는 목적을 달성합니다. 군중 레이블을 동시에 고려하는 g 함수 등과 같은 몇 가지 작은 세부 사항도 있지만 여기서는 확장하지 않습니다.
03
온라인 효과
여러 버전이 반복적으로 출시되어 누적적으로 광고 성과가 개선되었습니다.
04
요약 및 전망
모든 입찰 전략은 모델의 예측 능력을 기반으로 하며 크라우드 라벨 구성, 예산 할당 논리, 입찰 전략 설계 등과 밀접한 관련이 있습니다. 현재 고객의 평가 목표가 점점 더 엄격해지고 입찰 모델이 계속 발전함에 따라 트래픽 가치 평가 시스템은 비즈니스 개발 요구 사항을 충족하기 위해 지속적으로 반복되어야 합니다. 앞으로는 다음과 같은 방향으로 더욱 최적화할 예정입니다.
극도로 희박한 데이터에서 심층적인 효과 제어
깊은 변환 지연 시 효과 최적화
실시간 입찰 환경 변화에 따른 효과 변동
상황 인식 자동 입찰 프레임워크
이 기사는 WeChat 공개 계정인 iQIYI 기술 제품 팀(iQIYI-TP)에서 공유되었습니다.
침해가 있는 경우 [email protected]에 연락하여 삭제를 요청하세요. 이 글은 " OSC 소스 생성 계획
" 에 참여하고 있습니다 . 이 글을 읽고 계신 여러분의 많은 참여와 공유 부탁드립니다.