oCPX智能出价,你想知道的都在这里
作者:龚炜炜
原文发表于 广告营销那点事
定义:oCPX是什么?
我们看看各大平台对于oCPX的定义是什么样的。
广点通OCPA:
Optimized CPA,为广告主提供基于投放目标和出价的效果自动优化,持续提高广告主的广告的效率和投入产出比。
当广告主在广告投放流程中选定特定的优化目标(例如:移动应用的激活,网站的下单),提供愿意为此投放目标而支付的平均价格,并及时、准确回传效果数据,我们将借助转化预估模型,实时预估每一次点击对广告主的转化价值,自动出价,最终按照点击扣费;同时,我们的转化预估模型会根据广告主的广告转化数据不断自动优化。
朋友圈oCPM:
oCPM (Optimized Cost PerMille, 优化CPM) 是朋友圈广告的一种新出价方式,帮助广告主根据自身实际推广需求,设定优化目标(如APP下载、广告点击等),并对优化目标出价,仍按曝光次数收费。广告系统犹如一个实时在线的优化师,根据广告主的优化目标和出价,利用腾讯海量数据和广告算法,智能优化,实时竞拍,将广告投放给最有可能转化的用户,实现广告效果最佳化。
facebook oCPM
oCPM (OptimizedCost Per 1000 Impressions)
与CPM的收费标准相同,但是由Facebook操作,将广告展示给更容易产生下载激活的用户。广告主可以选择和设定投放广告的目标,由Facebook根据这些设定,将广告投放最佳化,尽可能高效地达成目标。
oCPM实际上相当于一个虚拟的运营投放专员,它拥有多维度的、实时反馈的、历史积累的海量数据,能够针对广告的成本目标和实时投放效果,进行快速地计算和调整,给出一个相对最优的出价。
今日头条OCPC
OCPC( Optimized Cost Per Click),广告主可以选择和设定投放广告的目标,并给出目标转化价格,广告系统投放预估点击率和转化率,向最有可能发生转化的用户展示广告,保证转化成本尽可能或者低于广告主的目标出价。
各平台的定义大同小异,总结以下主要就是这几个点:
- 广告主设置一个转化目标,以及愿意为此目标支付的平均价格。
- 根据你设置的转化目标和出价,系统“智能地”帮你做两件事,一个是让转化成本不超过你的目标出价,一个是在转化成本不超过目标出价的情况下帮你达成尽可能多的转化数。
- 广告的最终费用按照实际的点击或者曝光次数来计算。
本质:怎么样更通俗易懂的oCPX?
oCPX的本质就是广告交易市场中的一种流量分配机制。这个分配机制把流量分配给能够让这部分流量价值变高的用户,使得交易过程涉及到的多方利益得到一个平衡。
这世上所有的交易中,买方和卖方肯定都希望自己的利益能够最大化。
而在广告交易的过程中,对媒体方而言,一方面追求平台产品的C端用户的长期体验,一方面永远追求流量效益的最大化。
而对广告主而言,永远期望的是效果的最大化,他们最朴素直接的追求就是:用最低的流量价格(eCPM)拿到足够多且足够好的量。
怎么样才能广告主和平台的利益博弈达到一个平衡的结果呢?
为了更好的理解广告交易的利益关系,我们用菜市场上的通俗易懂的菜品交易来打个比方。平台方就好卖菜的,广告主就好比买菜的。流量(广告位)就好比菜。
卖菜的希望自己赚更多的钱,买菜的希望自己尽量花更少的钱买够好够多的菜。
媒体广告总收益的公式为:
广告总收益=广告总流量 X 广告填充率 X 每次曝光价格(eCPM)。
卖菜总收益的公式为:
卖菜总收益 = 菜品总数量 X 菜品售出率 X 菜品平均价格。
售出率和价格之间存在相互影响的关系,其他条件一样的情况下,价格较高的话,售出率很可能就会相对较低。
如果单纯提高价格,买菜方的利益就会收到损害,那买菜的人就会变少,买家买菜的数量也会变少,最终也会损害卖方的利益。
同理,如果只是简单的提高广告低价的话最终损害的是广告主和平台方两者的利益。
有什么办法可以让双方共赢呢?
我们先看看卖菜可以有哪些售卖方式。
菜品可以有这么几种售卖方式:按堆统一卖,按菜的品类卖,按特定品类的特定品种卖。
按堆统一卖 :售卖者无法或者不希望对菜进行分类,决定按堆进行售卖,购买者不能进行挑选,所有菜5元/斤。
按菜的品类卖:售卖者对菜进行分类摆放,决定按照品类进行售卖,其中洋葱6元/斤、玉米 7元/斤。
按特定品类的特定品种卖:售卖者对菜做了更精细的分类,比如白洋葱6元/斤、紫洋葱 7元/斤,这样每样菜的价格都有了不同程度的提升。
假如有一个菜摊子,卖4种菜,白洋葱、紫洋葱、甜玉米、糯玉米。
现在甲乙丙丁四个人去买菜,甲要买白洋葱,乙要买紫洋葱,丙要买甜玉米,丁要买糯玉米。
我们来看看以上三种售卖方式下,各是什么样的情况。
按堆统一卖 :甲乙丙丁各自要买4斤菜才能买到一斤自己要的菜(假设一堆菜中每个品种的数量是均匀的),得到一斤自己想要的菜每个人都要支付4*5=20元,而这时候每份菜的平均价格为5元。
按菜的品类卖:甲乙各自要买2斤洋葱才能买到一斤自己想要的菜,需要支付6*2=12元。丙丁各自要2斤玉米才能买到一斤自己想要的菜,需要支付2*7=14元,而这时候每份菜的平均价格为((12+14)*2)/8=6.5元。
按特定品类的特定品种卖:甲乙丙丁各自只需要买一斤菜就可以得到一斤自己想要的菜,各自需要支付6、7、7、8元。这时候每份菜的平均价格为(6+7+7+8)/4=7元。
具体差异如图:
显然,相比前面两种售卖方式,第三种售卖方式,卖家可以卖出更多的钱,而买家可以花更少的钱买得自己想要的东西。很好,双赢!
其中的道理很简单:把商品卖给能让商品真正产生价值的人,那么商品就可以卖出相对更好的价格。
在马克思经济学理论中,商品的价格是价值的外在体现,在供求关系不变的情况下,价格会随着价值的变化而波动。
同理,在广告交易中也是一样的,想提高流量的价格,就把流量卖给那些可以让广告更有价值的人。方案就是用类似的思路,把流量精细化、精准化地售卖。
oCPX就是在这样的环境和思路下诞生了。
以上三种售卖方式分别对应按展示出价、按点击出价、按转化出价。
oCPX做的事情就是把人群细化拆分售卖。
即除了把用户按年龄段,性别,兴趣等分开来售卖给不同需求的广告主
还可以针对单个特定广告主,针对不同用户预估转化率,来识别它的高质量用户和普通用户,并使用高质量用户匹配高价的策略。
对平台方来说,不同的客户面向的目标人群不同,通过用户细分与分层,不同客户匹配对他而言高质量的用户,最终流量都售卖出更高的价格,有效地提高整体的eCPM值,达到最大化收益。
对广告主而言,可以用更低的价格买到更多能达成转化目标的流量。
而对C端用户而言,平台展示给用户的广告,由于精准,所以相对而言都是用户更加愿意看到的广告,提升了用户体验。
nice!不仅仅是双赢,而是三赢。
所以,oCPX,是媒体平台、广告主、平台用户,三方利益博弈后的结果。
原理:oCPX是如何实现智能出价的?
我们以广点通oCPA为例子来看下oCPX的实现原理。理解了oCPA的实现原理,oCPM和oCPC自然就理解了。
oCPA的实现原理大概是这样的:系统通过机器学习的方式建立转化预估模型,实时预估出广告的每次点击对于广告主的转化价值,即预估转化成本(eCPA)和预估转化率(pCVR),然后选出预估转化成本小于或者接近广告目标转化成本并且预估转化率相对较高的那些点击,为这些点击曝光这个广告,最终使得平均成本接近目标出价。
上图举了一个例子,一个目标成本为10元的广告,系统会选择哪些点击呢?
我们已经知道系统的目的有两个:
1)转化成本接近10元
2)在成本达成出价的前提下,尽可能多的转化数
为了达到第一个目的,系统会选择预估转化成本小于或者等于10元的点击,另外同时为了达到第二个目的,系统也会适当的选择一些转化成本高于10元而转化率又还不错的点击(比如上图中第4个点击),然后把不满足要求的点击过滤掉。
到这里,有这么几个问题:
1)系统是如何选择出符合要求的点击,使得目标可达呢?
2)eCPA是怎么计算出来的?
我们先看第一个
1)系统是如何选择出符合要求的点击,使得目标可达。
对于一次曝光机会,主要是通过eCPM来参与竞价排序的。要想增加一个广告的曝光概率,就提高eCPM。
eCPM的计算公式如下:
eCPM = 收入/广告曝光曝光次数
又:
收入 = CPM ×广告曝光曝光次数
收入 = CPC×CTR×广告曝光曝光次数
收入 = CPA×CTR×CVR×广告曝光曝光次数
所以:
eCPM = CPM
eCPM = CPC×CTR
eCPM = CPA×CTR×CVR
在oOCPA广告曝光过程中
eCPM = 目标转化出价×pCTR×pCVR*智能调价因子。
可以看出转化率越高ecpm就越高。
所以说答案就是,oCPX在广告主给出的目标成本情况下,针对单次曝光请求,系统预估转化率(pCVR)和点击率(pCTR),pCVR越高的(即对该广告主而言,用户质量越高),则系统帮助客户针对这个用户出越高CPM价格,以提高eCPM,从而提高广告在此用户上的曝光概率。
另外这里还有一个智能调节因子
智能调节因子:相当于一个高级的系统优化师,会根据广告预算的消耗情况,转化成本和目标出价之间的差距,调整短时间内的实时出价。比如在成本满足要求的情况下,如果预算消耗的过快,系统会短时间内降低你的实时出价,让你的广告预算相对消耗慢一点,保证到一天结束的时候,把预算消耗完,同时满足成本接近目标出价。
2)eCPA是怎么计算出来的?
根据以上公式,我们可以得出:
CPA = eCPM/(CTR*CVR)
= CPC/CVR
所以
eCPA = CPC(点击计费)/pCVR
系统可以知道每个广告位的能赢得曝光的最低曝光竞价
点击计费(CPC) = eCPM/pCTR
在广义第二价格GSP(Generalized Second Price)机制下
实际点击计费(CPC) = eCPM2/pCTR
所以就可以算出eCPA了。
同理oCPM、oCPC原理也大体类似。不过可以理解为,oCPM是不是选择点击而是选择曝光,因为oCPM是按曝光计费的,那这时候
eCPA = CPM/(pCTR*pCVR)。
从上面的分析可以看出,oCPA的核心是pCVR和pCTR。
知道pCVR和pCTR才可以智能出价。
我们来理解一下预估转化模型是如何预估pCVR和pCTR的。
机器学习的模型是建立在大量数据的基础上,那这些数据主要包含哪些内容呢?
主要是这三个维度,广告特征数据、用户画像数据、用户历史行为数据。
广告特征数据:创意标题、创意图片、落地页、商品内容、创意文案、广告所属账户ID、应用名称、色彩搭配等。一个广告包含多个特征,特征的集合的差异是描述一个广告创意区别另一个创意的维度。
用户画像数据:包括性别、年龄、学历、地域、兴趣爱好、商业爱好等。
用户历史行为数据:用户在广告上的历史转化行为,谁在什么类型的广告上发生了多少次什么样的转化。比如点击、下载、激活、购买、充值、收藏、加购等。
通过机器学习模型,去训练这些数据,就可以得到这三个维度数据之间的对应关系。
打个通俗易懂的比方,比如相亲网站,帮单身男女做配对匹配。主要考察三个维度的信息,男士信息,女士信息,男女配对信息。
男士信息:年龄、身高、学历、工作、收入、兴趣爱好、家庭等
女士信息:年龄、外貌、学历、工作、收入、兴趣爱好、是否贤惠等
男女匹配信息:什么类型的男士和什么类型的女士成功牵手,以及发展程度恋爱、结婚等。
当平台上存在大量的男女信息和最终成功配对信息,自然能分析出什么样的男士跟什么样子的女士更匹配。
同理,oCPX转化率预估:
广告投放的初期,这三个维度积累的交叉数据相对较少,比较难刻画各维度之间对应的关系。随着广告转化数据的积累,这个对应关系就会越来越清晰准确。所以oCPX的使用一般都会有一定的门槛,需要累积一定的转化数据才可用。而有些平台允许广告主零门槛使用oCPX,那是因为他们平台过往已经累积了很多相似广告的转化数据,但比较广告之间会有一定差异,所以零门槛使用oCPX前期模型可能会不大稳定。
对比:相比传统CPC、CPM出价方式,oCPX有什么优势?
- CPM和oCPX
CPM:CPM出价转化量和转化成本都是不可控,广告主只能盲目地通过调到曝光出价的方式增加曝光率来提高转化量,导致转化成本急剧增加。CPM出价的好处是能够更直接控制曝光的概率。
oCPX:oCPX出价会尽量把广告曝光给转化率高的用户,另外会根据实时的实际广告转化效果反馈,优化下一次曝光的真实出价,实现转化量与转化成本的平衡。
- CPC和oCPX
差异对比如图:
CPC:CPC模式下,点击率高的用户会更容易得到曝光,而高点击率的不一定是高转化率的,所以转化量和转化成本都是不可控。
oCPX:在oCPX模式下,根据目标进行出价优化,会尽量选择高转化率的用户。智能出价系统可以使CVR和CTR二者平衡,在控制成本的同时,尽量提高转化数。
- CPA和oCPX
CPA:对广告主而言,虽然按目标出价,成本可控,但是转化量是不可控的,且投放效率不能保证。对流量方而言,需要承担pCTR/pCVR预估不准确的收益风险,以及广告主作弊(没有上传所有转化数据)带来的收益风险,所以目前市面上支持CPA出价的流量不多。
oCPX:基于目标优化,精准预估每一次请求的转化价值,自动计算bid,机器学习代替人工经验,提高投放效率。按点击扣费,对流量方和广告主而言,风险都是可控的。
汇总图:
oCPX优势总结就是:直面目标,智能计算,控制风险。可控的转化成本下,持续稳定的获得更多转化量。
使用篇:oCPX使用注意事项及常见问题处理
一、确保广告转化数据准确及时回传到平台
平台通过广告主上报的转化数据来训练模型并优化模型。
如果数据上报异常(少报、错报、延迟报等),则会带来很多不好的影响
- 影响模型,导致模型不稳定,预估转化率不准确
- 影响报表,如果少报或上班不及时,广告主会误认为转化成本太高,转化量太少
- 影响策略,模型受影响了,那智能出价策略就会受影响;报表受影响了,那广告主投放心理就会受影响,进而影响投放策略,比如做些错误的策略调整。
常见数据接入方式:
- H5(推广目标是H5上面的转化行为):
- 使用平台提供的落地页制作工具。一般平台自带落地页工具都支持广告行为数据上报的能力,不需要广告主额外上报,比如头条、广点通都有提供建站工具,广点通为电商行业提供的枫叶落地页
- 使用平台对外开放的api来上报,比如Marketing API
- APP(推广目标是APP相关行为,比如应用激活):
- 第三方监测平台:appflyers、热云、talkingdata
- 集成平台对外开放的sdk,使用平台的api来上报
二、耐心观察,小幅调整
- 耐心观察数据变化,特别是APP类以激活或者激活以上更深层次转化为目标的广告,数据的统计需要一定的时间。
- 模型稳定之前:尽量不要修改账户设置,比如出价、定向、创意等
修改账户设置,会导致模型重新学习,影响模型的稳定。
如果非要调整的话,注意几点
- 出价:如果非要调整的话,不要太频繁,调整幅度不要太大
- 定向:如果非要调整的话,最好新建计划
- 创意:如果非要调整的话,最好新建计划,创意调整会需要重新审核
- 模型慢慢稳定之后:成本接近出价,转化量也稳定了,可以视情况逐步优化账户
- 如果觉得成本不够理想,可以视情况小幅度调整出价
- 如果成本理想了,可以逐步放宽定向,获取更多转化量
- 创意新鲜度会随着广告周期变化而降低
三、常见问题及处理方法
几乎所有的广告主都会碰到这些问题:成本过高,量起不来,转化率太低,成本不稳定,转化量不稳定等等。。
该怎么样处理这些问题呢?
1、确认问题本身是否存在。解决所有的问题的第一步都是确认问题本身的真实性。
怎么确认问题真实性?
看数据。看数据还要再确认数据的有效性、完整性、准确性。用真实完整准确的数据确认问题本身是否存在。
比如成本波动?首先要确认这几个点
- 转化数据是否准确上报,如果转化数据没有正常上报,转化量统计错误则导致成本计算错误
- 应该以一段时间的平均转化成本做周期性判断,而非每天的数据对比。比如一周一周对比
- 波动是否在正常的范围内。波动是一种正常的现象,可能受模型稳定程度影响,受广告大盘流量情况,竞争环境影响等
如果是数据上报异常导致,则先修复数据上报异常的问题;
如果是在正常范围内波动的,则耐心观察一段时间后再做判断。
2、拆解问题,解决问题
是否账户设置太频繁 ?
是否定向太宅?兴趣爱好选择不合理?
价格太低或者太高?
创意不够新颖?
投放方式是否不合理?
同账户内是否有不合理计划没有暂停(同账户情况可能会相互影响)?
大部分的问题都可以归为两类问题,成本问题和跑量问题。
- 成本问题
- 跑量问题
影响计划投放的主要有几个因素:创意(落地页、图片、视频、商品内容)、资源位、转化目标、出价、定向、预算、投放方式以及同账户情况。所以优化广告也主要是从这几个维度:
- 转化目标
根据广告主自身的情况做合理的选择,比如自身产品的发展阶段选择转化漏斗模型中不同深度的层次的转化作为目标(要在平台支持的基础上),当然越深层次的目标越接近ROI的优化。一般情况下决策周期比较短的目标行为会更加适合用oCPX出价。
- 预算
根据广告主自身的情况做合理的设置。最好能够满足一定转化量的成本,因为模型稳定需要一定数据累的积累。而数据量越大,相对而言模型学习和稳定的周期更短。
- 出价
一般设置最近一端时间(比如最近一周)平均转化成本为出价,前期尽量不要调整,然后可以视成本达成出价的情况小幅度调成出价。
一般情况下出价提高,转化量增多。因为出价更高的话系统有更大的空间做优化,去获取更多高转化价值的用户。
- 定向
对于受众本身较窄的广告,冷启动阶段使用精准定向训练模型,等转化稳定后再逐步放宽。
如果是CPC转oCPX的广告,先保存CPC广告的定向,等模型稳定后再逐步放宽。
一般情况下定向放宽,转化量增多。
- 创意
如果是CPC转oCPX的广告,先保存CPC广告的创意,因为如果跟新创意又要重新审核。
所有广告的创意,都有一定生命周期,到后面新鲜度都会降低。所以还是要根据转化量情况,适当优化创意。
- 投放方式
标准投放还是加速投放?取决于广告主的具体情况。
如果有预算限制建议标准投放,如果没有预算限制建议加速投放;
如果是处于前期出价和成本的探索期建议标准投放,如果账户已经比较成熟,模型已经比较稳定,建议加速投放。