在线广告是互联网公司的主要收入来源，经过多年的发展，其购买机制已经由合约广告进化为关键词匹配的搜索广告，近几年又高速发展为实时竞价(Real Time Bidding, RTB) 。RTB机制允许广告主可以对每一个来自于媒体的展示机会进行自动竞价。根据谷歌的白皮书，RTB竞价已经成为在线广告的主流购买机制。其参与者有媒体（Publishers）、供给方平台（Supply-Side-Platform,SSP）、需求方平台（Demand SidePlatform, DSP）、AD exchanges、广告主、用户。 下图给出了以某个DSP为视角的RTB的流程图。
当一个用户访问了嵌入广告位的网站或者打开了含有广告位的App，该网站或者App会通过供应方平台(Supply-SidePlatform, SSP)将广告请求发送给广告交易平台(Ad Exchange, ADX)，进而ADX将广告请求发送给多个DSP。 当某个DSP收到广告请求时，首先检索自身的广告库，将适合该请求的广告检索出来，DSP需要对每个检索出的候选广告综合评估，并计算出一个合适的出价，通过内部竞价选出价最高的广告，将该广告的出价和ADX保留的底价进行比较，如果该广告高于ADX保留的底价，则将该广告和出价发给ADX进行竞价，否则不响应该竞价请求。
经过上面对DSP的RTB竞价流程的简述，可以看到RTB竞价非常重要，是DSP的核心技术，很大程度上决定了DSP能否以较低的成本完成广告项目（Campaign）的KPI。这也涉及到两个问题，竞价该考虑哪些因素以及如何出价。
要考虑的出价因素主要包含：广告项目预算和KPI、库存、流量质量、市场竞争等。
预算即一个广告项目在一个投放周期内要要完成的投放总额，一般可以细化到每天的预算，同时一个项目同时又往往有一些特别的要求，比如ecpc（点击成本），ecpa（转化成本），这个因素代表了广告主对流量的需求，一般来说这个因素相对稳定，其他三个因素则是动态变化的；
库存，代表了流量市场上能够满足该项目的流量总量，库存整体上较为稳定，但仍然是一个符合某种分布的随机变量，处于动态变化状态，库存代表的是市场上的流量供给量。当供大于需，就需要适当降低出价以降低成本，如果供小于需，就需要提高出价以尽量完成消耗；
流量质量，对于特定的广告项目，同样的流量也存在质量优劣之分，比如同样的流量会有不同的CTR（点击率）和转化率（CVR），这也是更好的完成KPI所必须考虑的；
市场竞争，特定的流量如果竞争激烈，则只能提高出价以提高竞价成功率来获得流量，但也进一步加剧了竞争，如此循环往复会达到一个均衡点。
当上述四个因素交织在一起且动态变化时，DSP的出价过程将非常复杂。
一个好的竞价策略会根据广告项目的特定需求，综合考虑上述因素，尽量达成广告项目的KPI要求。基于此，市场上产生了一些不同的竞价策略，主要有以下几种：
DSP的出价是通过竞价策略来实现的，一些常见竞价策略包括：固定出价、CPM动态出价、受限点击成本出价和ORTB出价等。
固定出价。对所有广告请求均出同一个价格。这种出价相对简单，可以通过人为调整价格来影响供需，优点也在于此：简单且易于控制。如果广告主的要求偏曝光且预算偏少，则可以考虑这种出价。但它的缺点也相对明显：即没有考虑流量的真正价值，可能用较高的成本买到很多劣质流量，同时因为固定出价，也不能动态地适应市场竞争。
CPM动态出价。CPM动态出价以较为经济的方式获取较多的曝光，主要实现方式是基于成交价格预估模型，在模型的基础上用实时竞价成功率进行反馈调节。这个出价策略和固定出价策略相对应，适用于侧重曝光的项目，但是CPM动态出价则更为经济和灵活，不要需要人工调整，能根据竞价成功率自动调整出价。
受限点击成本出价。在CPC模式下，广告主一般会设定可接受的最高点击成本( mCPC )，这时就可以通过计算 mCPC*CTR来出价。如果点击率预估准确，该策略可以保证其支出小于收入。如果将mCPC替换为mCPA， 广告主为一次转化付的价格，则可以转化为受限转化成本出价。 CTR和CVR一般可以通过历史数据进行估算，也可以用机器学习的方法来预测。该出价方式考虑了流量质量，但并没有考虑流量供需和竞争，所以在流量充足的情况下可以使用该方法，一旦流量紧张，可能导致预算消耗变慢，甚至完不成预算。
ORTB出价。该出价模型在有预算限制的情况下最大化收益(点击数或转化数)。如下图a所示，为价格和竞价成功率的关系，当价格较低时，增加一个单位的出价，可以大幅度提高竞价成功率，但当价格较高时，提高很多出价却对增加竞价成功率的帮助有限。基于这一观察，该模型将更多预算分配到价格更低的流量上，虽然价格更低的流量往往CTR更低，但大幅增加的竞价成功率将抵消点击率的下降，从而以同样的预算买到更多的点击（点击率低的流量占到绝大部分），如图b所示，当KPI（点击率）较低时，出价提高的速度很大，但是当竞价成功率很高时，出价提高的速度就会降低。
该策略的出价函数中有两个参数，分别是c和λ。其中c可以通过一段时间的盲投（如利用随机出价策略），得到多个出价与成功率的离散点，再利用最小二乘法拟合曲线得到如图a；λ可以通过网格遍历的方法，利用历史日志计算不同取值时的收益，从中选取最高的参数。
该出价模型考虑了流量供需、流量质量，同时利用了离线日志来拟合竞价成功率和出价的关系，尤其考虑了前一天的竞价成功率，但在实时竞价成功率上有所欠缺。
RTB竞价是一个涉及多方而且动态变化的复杂系统，本文只是撩开其神秘的面纱，从DSP为角度简单介绍了设计竞价策略时要考虑的因素，同时介绍了几种常见的竞价策略，在后续的文章中将继续探究各种竞价策略以期从更多角度来优化竞价策略：
如，如何根据竞价环境变化实时自动调整参数甚至切换竞价策略？如何出价以优化DSP整体而不仅仅是优化某个项目？
欢迎各位工程狮、程序猿留言交流。
（转载请备注来源：力美科技）
关于我们
力美科技（股票代码：838556），成立于2011年，是中国领军的场景智能营销平台，于2016年9月在新三板挂牌上市，致力于打造大数据时代领军的场景智能营销生态圈，以智能数据、智能营销、场景数据、场景营销等产品为核心进行全方位业务布局，为全球范围的广告主提供基于大数据的场景智能营销服务。
