营销广告定价平台应用实践

I. 引言

          对于一般的营销广告系统来说，主要目标是吸引用户、合理出价促成用户转化。广告是否合理精准投放，直接决定了用户、广告主、平台三方能否平衡获利。广告定价的业务指标是寻求投入产出比（ROI）、实收（GMV）、转化率（CVR）这三个优化指标的平衡，我们团队在营销广告这个领域，从工程和算法这两个方面持续进行优化，目前取得了一些效果。

工程篇

一、概述

1.业务目标

          寻求投入产出比（ROI）、实收（GMV）、转化率（CVR）这三个优化指标的平稳提升，其三者呈不完全线性相关。我们可以控制的是：广告门槛（Advertise Threshold）、广告出价成本（Advertise Amount）这两个变量。优化的实质就是满足这些目标约束条件下，找到最大化的广告门槛和最小化的出价成本。

          对于多目标优化问题，应将其转化为单目标优化，我们把多目标拆分为单目标，但需要注意每个目标内指标均为正相关。优化这些单个目标的同时，不能牺牲其他指标来实现，其他指标必须是基本持平、甚至提升。

2.系统架构

          整体系统架构如下，纵向来看，分为接口层、业务策略层、算法模型层、监控体系层、数据指标层，其中实时和定时调度、日志记录贯穿整个体系，以及底层的基础平台设施。

二、实现

1.接口层

          对于直接触达用户的方式，目前的有广告定价平台暂时为三种：智能权益投放、push通知推送、短信推送。
          第一种是为了保证已经在app上留存的用户的转化率，重点优化转化率CVR，分为定时和实时投放两种方式。

• 定时权益投放：需要事先建立投放策略模板，按照用户不同活跃时间段定时投放。
• 实时权益投放：根据用户当前客单价在线计算预估广告出价。

          第二三种是为了引流，吸引用户到广告平台上来，重点优化点击率CTR，通过对接第三方厂商的消息推送SDK接口，实现app通知推送和短消息推送。

• 智能文案：这里我们事先配置好投放文案模板，根据用户历史行为、热销商品等召回不同的商品和价格，填充到文案模板中，这样可以做到个性化文案精准匹配用户。
• 时段投放 & 频率控制：主要是用户疲劳度控制，计算用户活跃度，一天中不同时段给用户进行消息推送，尽可能多地促成打开率和点击率提升。比如中午和晚上用户使用手机比较活跃的时段，同时也会结合用户历史点击率，调整发送同时的条数、内容；周末、节假日用户使用手机频率较平时上升，也会在这个时间段集中对用户进行推送。

2.业务策略层

2.1.用户分层 & 人群圈选

          电商营销的核心是获客吸引、用户点击、用户转化、用户留存，对不同用户我们按照价值维度进行用户分层，按标签圈选人群，将广告投放给相应广告定价的目标人群。借鉴电商运营中的RFM用户价值分层体系，用户按照不同维度进行分层打分，例如历史转化率、活跃度、购买力、权益敏感度，综合评判打分决定了广告定价。

• 历史转化率：对于偏向高转化率等优质用户，由于用户黏性本身较高，所以广告出价应该在保证这部分用户同时尽量降低出价成本、提升GMV；相反地对于偏向低转化率用户，应该适当用策略促其转化。
• 活跃度：对于偏向高活跃等优质用户，广告出价应该在这部分人群身上降低出价成本、提升GMV；对于中间段用户，我们细分了其活跃时段，分早间、中午、晚间分别对用户进行不同广告推送，最大化总体转化率；相反地对于低活跃度用户，应该适当用策略促其转化。
• 购买力：高购买力用户，可以适当提升广告出价以提升GMV， 重点是对于中间部分用户，优化目标是合理预估广告出价，在最小化出价成本的同时，尽量逼近其用户历史真实成交价格，降低广告成本、促其转化。
• 权益敏感度：对于敏感度不是很高的用户，尽量提升广告出价门槛，降低广告成本，其余则相反。但是要保证整体用户的广告成本下降，广告实收提升。

2.2.定价策略

2.2.1.基本计算方法

          在定价策略方面，用户不同价值维度的分级评分，综合相加，决定了广告的基准出价。
定义用户总评分$(Threshold\;Coefficient)$：

$$threshold\_coefficient\_score = \sum_{i=1}^n score_i$$

可得归一化分数$(Normalization\;Threshold\;Coefficient\;Score)$：

$$normalization\_threshold\_coefficient\_score = \frac{score_i-\min(threshold\_coefficient\_score)}{\max(threshold\_coefficient\_score)-\min(threshold\_coefficient\_score)}$$

定义预估广告定价门槛$(Price\;Threshold)$如下：

$$price\_threshold = avg\_per\_order\_fee \times (1-threshold\_coefficient)$$

其中，avg_per_order_fee为用户平均订单金额，threshold_coefficient为门槛系数。
定义预估定价成本 ($ Price\;Amount $) 如下，其中feeRate为基准费率：

$$price\_amount = price\_threshold \times fee\_rate \times amount\_coefficient$$

该预估模型计算出的广告出价门槛、广告出价成本，存放在离线数据库中。

2.2.2.频率控制

          对广告投放频率进行控制，这个主要区分在定时和实时策略上，在定时策略中，周中和周末、上午下午和晚上时段，按照用户疲劳度控制都会有调节。

2.2.3.兜底策略

          对于一些新人用户，类似于推荐系统中的冷启动策略，会给出一些兜底的定价。同时，对于华北、华东、华中、华南等不同地区，我们进行了人群分析，发现不同地区的用户在购买力和折扣敏感度上的差异，会细分调整系数。
          例如华南和华北的对比差异如下，我们看到华南大区的购买力稍高，且整体的折扣敏感度较高。所以对比华北大区，在华南大区的广告的兜底基准定价就会下调价格门槛，同时增加出价成本，促使不同分层用户进行转化。

2.2.4. 费率限制

          为了使整体ROI得到保证，我们为广告定价的费率做了范围限制，在基准费率的基础之上，实际投放给用户的广告费率会在上下浮动一定百分比，但百分比会被限制在一定阈值范围之内，防止有部分用户的薅羊毛情况，同时也需要保证新人用户的权益优惠力度。

2.2.5. 费率调节 & 步长调节

          对于不同分层用户，我们做到了动态费率，在保证实收GMV和转化CVR的基础之上，尽可能地降低费率，从而降低补贴率，提升整体的ROI。
          同时，对于每个广告的预估定价，由于步长过大导致精度不够高，在策略后期，我们将步长调整到更精细的粒度。

2.3.转化漏斗

          对于广告出价方面，我们进行了线上小流量迭代多组实验，在之前的实验结论基础上，我们对用户转化漏斗进行分析。
          用户转化流程：

          通过分析转化漏斗发现，各个环节的人群占比直接关系到广告预估出价。
          从下单转化到用券转化，在之前小流量实验中，有将近60%~70%的用户，其最终用券转化的客单价和广告预估出价差距在真实阈值 $\alpha$ 范围之内，可以认为这部分用户预估是精准的，但仍旧有相当一部分用户（约30%）尚未达到预估门槛而未发生转化、少部分约10%用户达到预估门槛但未发生转化。对于前一种用户，优化方向采取用折扣后客单价替代总的客单价，从而更准确地预估定价门槛；对于后一种用户，只能从其平时消费行为习惯分析着手，但这部分用户基本上也很难再发生转化。
          从点击转化到下单转化，这个环节有大量用户流失，也就是说，在来访率一定的情况下，下单率偏低，这个跟app的产品设计、用户的购物路径习惯有关。一般地，这些跟app内一些推荐位、广告位的曝光有关，而且若采用一般的点击、加车、购买加权置顶方式，还是很容易出现马太效应，所以策略上我们做了改进，同时考虑了广告展位的穿插展示多样性，在下单率方面有一定提升。

3.算法模型层

3.1.离线模型

          在离线模型中，我们采用了分层打分模型、线性逼近模型、多分类模型等。

• 分层打分模型：如前所述，按照用户各个不同维度价值体系进行分层打分，最终得到综合评分，直接决定广告定价门槛系数、广告定价成本系数、费率系数。从而计算出广告定价门槛、广告定价成本。
• 线性逼近模型：通过拉取用户近期90天的购买行为，按照时间序列预估用户在下一单的成交成本，对于需要不同转化的用户设定不同的广告定价门槛，达到整体GMV/客单价的提升。

• 多分类模型：主要指未下单、下单未用券、下单且用券来给用户分类，离线预估其CVR，然后从召回候选集列表的topN个广告中，选择门槛最大、定价成本最低的广告进行投放，以保证最大化ROI。

  3.2.在线模型

            这个主要是在线多特征动态预估，在线预估的定价反过来会定期更新离线模型。

  3.3.在线预估框架

            智能广告定价算法引擎 Ad-Server，其框架图如下：
  

  

• 召回阶段：在多路并发召回中，会召回不同的候选广告列表，比如按照用户最大客单价进行的预估定价、按照用户历史最低折扣价进行的预估定价、按照用户真实折扣后客单进行的预估定价……除了某些单一场景，还会增加不同场景下的预估召回结果。

• 结果汇总：把不同召回源结果汇总。
• 过滤调整：费率浮动限制、动态费率调整、步长调整等。
• 结果排序：当有多个广告定价时，优先级高的应该按照什么策略出价等。
• 结果封装：结果触达用户投放展示。

4.监控体系层

4.1.离线数据监控

• 生产任务监控：任务失败、任务运行超时监控、任务占用资源量。
• 数据量监控：离线数据特征是否稳定。
• 导数任务监控：写入数据量、数据写入速度。

4.2.在线性能监控

          对接Monitor监控平台，这里主要观测的是系统性能指标：如TPS/QPS、响应时间RT、系统并发数、平均请求PV、TP99/TP999等。

4.3.业务指标监控

          对于广告定价，还特别地对业务指标进行分钟级监控，以能做到实时响应。主要包括：

• 发送率、匹配率、成功率；
• 定价的上限率、下限率、范围比率；
• 召回数、召回时间；
• 来访率、使用率/转化率、实收/毛利率、客单价/笔单价、ROI/补贴率；

5.数据指标层

          我们进行了多版实验迭代，主要针对以下数据指标进行统计：

• 定价成本指标：主要包括营销补贴率、ROI、用券补贴率等。
• 定价收益指标：主要包括实收GMV、客单价/笔单价、毛利率等。
• 转化留存指标：券使用率、下单转化率、用券转化率等。

---

算法篇

          在工程篇的开头，我们提到，广告定价平台的业务指标是寻求投入产出比（ROI）、实收（GMV）、转化率（CVR）这三个优化指标的平衡。
          寻求投入产出比（ROI）、实收（GMV）、转化率（CVR）这三个优化指标的平稳提升，其三者呈不完全线性相关。其中可以控制广告门槛（Advertise Threshold）和广告出价成本（Advertise Amount）这两个变量。优化的实质就是满足这些目标约束条件下，找到最大化的广告门槛和最小化的出价成本。

一、问题分析

          对于多目标优化问题，应将其转化为单目标优化，我们把多目标拆分为单目标，但需要注意每个目标内指标均为正相关。优化这些单个目标的同时，不能牺牲其他指标来实现，其他指标必须是基本持平、甚至提升。
          一般意义上讲，广告竞价排名的排序分公式计算如下，其为多目标的线性加和，而优化目标就是寻求合适的 $\alpha$、$\beta$、$\gamma$，计算单个广告位的各个展示广告的排序质量分，得到总的广告展示排序后，获得总体的ROI、GMV、CVR三者最优：

$$rank\_score = \alpha\cdot ROI + \beta\cdot GMV + \gamma\cdot CVR$$

          其中，每个因子的计算方式如下。

$$ROI = \frac{1}{subsidy\_rate} = \frac{GMV}{subsidy\_fee} = \frac{UV_{visit}\;\cdot CVR \cdot Price}{UV_{convert}\;\cdot \overline{subsidy}}$$ $$GMV = UV_{convert}\;\cdot CVR \cdot Price$$ $$CVR = \frac{UV_{convert}}{UV_{visit}}$$

          当中，ROI和补贴率(Subsidy Rate)为反比，即ROI为总实收(GMV)除以总补贴费(Subsidy Fee)。分子GMV等于来访UV乘以转化率(CVR)，再乘以客单价(Price)；分母总补贴费(Subsidy Fee)等于转化UV乘以人均补贴费(avg(Subsidy))。
          总实收(GMV)，等于转化UV乘以转化率CVR乘以客单价(Price)；
          转化率CVR等于转化UV除以来访UV；

二、问题建模

          在计算广告领域，不是一个类似于搜索推荐的排序问题，而是一个多目标最优化、在给定空间中，找函数最优解的问题。 广告定价预估转为凸优化问题，在解空间里找到最优解，用历史数据取预估，解空间的降维。
          第一阶段的目标是最小化广告出价补贴费用，即最大化ROI。其数学表示为：

$$\min(subsidy\_fee) = \min(\frac{1}{ROI}) = \max(ROI)$$ $$\begin{equation} s.t. \begin{cases} A \le th \le B \\ C \le amt \le D \\ 0 < E \le amt < th \le F \\ G \le fee\_rate \le H \\ \end{cases} \end{equation}$$

          其中费率定义如下：

$$fee\_rate = \frac{amt}{th-amt}$$

          其中th为广告出价门槛（Advertise Threshold），amt为广告出价成本（Advertise Amount），FeeRate为初始化约定费率，定义如上所示。
          解空间范围定义：

• A: 最小门槛值，常量
• B: 最大门槛值，常量
• C: 最小成本值，常量
• D: 最大成本值，常量
• E/F：出价成本小于出价门槛，有常量范围限制
• G: 费率下限值，常量
• H: 费率上限值，常量

          由上定义公式可以推导出，其余两个变量GMV和CVR的约束是保持其不下降，最大化ROI。通过拆分，两者之积等于人均出价成本除以ROI，再乘以券转化率$(CVR_{useCoupon}\;\;\;)$。

$$CVR \times Price = \frac{UV_{convert}\;\;\cdot \overline{amt}}{UV_{visit}\;\cdot ROI} = \frac{\overline{amt}}{ROI}\;\cdot \frac{UV_{convert}}{UV_{visit}} = \frac{\overline{amt}}{ROI}\;\cdot CVR_{useCoupon}$$

          我们可以控制的变量仅为2个，门槛th和出价成本amt。对于此非线性规划问题，目标是在广告转化率有保证、费率符合要求的情况下求解出门槛最大的广告定价。
          解空间如下图阴影部分的矩形面积，即在函数 $y=x$ 的下方部分围成的梯形。

• 选择LR模型学习训练数据，目的是提高线上求解速度和性能
• Label: 用户是否有广告转化
• 特征包括用户特征和广告特征及交叉特征三部分
• 广告特征主要包括广告门槛th、出价成本amt、费率
• 用户特征包括平均客单价、平均总价、折扣率、折扣订单率、用户历史转化率等
• 交叉特征包括门槛客单价比，门槛总价比，定价成本折扣比等

三、非线性规划

          由于解空间的枚举数量较小，所以采用全局搜索的方法，即能在时间复杂度为O(1)的情况下求出最优的门槛和定价成本组合。
          伪代码如下：

while(th>min_th && amt>min_amt):
    if(CvrCheck(th, amt) && feeRateCheck(th, amt)):
        find = true;
        break;
    if(!CvrCheck(th, amt)):
        adjustStep(th, amt);
    else if(feeRateCheck(th, amt)):
        adjustFeeRateLimit(th, amt);
    else:
        break;

          通过以上求解方法可以得到全局最优的广告定价，在目前的ROI和CVR优化上取得了一些效果，但是仍然还有提升空间可以进一步优化。