【内参】广告分发和内容分发的底层逻辑——流量算法玄学的本质
全文2500字+，通俗易懂地解释广告分发的漏斗逻辑和内容分发的流量池逻辑，搞懂底层逻辑算法玄学也有规律可循，当然还有知+分发逻辑的说明和后台优化建议说明。
所有基于推荐算法（而非关注、订阅关系）的流量平台的分发机制（即如何分配流量）都是黑盒（即不透明的），无论内容推荐还是信息流广告。
投信息流广告时，我们经常开玩笑说流量是「玄学」。这种玄学一方面来自于分发机制的不透明（否则会被利用钻空子、无法实现平台利益最大化）；一方面是因为竞价环境过于复杂、造成的混沌状态。
但是任何复杂系统，大的底层的逻辑还是很好理解的。对于信息流广告，你经常会从优化师、运营嘴里听到一个高频词「漏斗」，而对于内容推荐、则经常会提到「流量池」的概念。漏斗和流量池，就是信息流广告和内容推荐的底层逻辑。
【漏斗】
这就是一个漏斗的示意：
几个名词白话解释下：
请求：比如你在刷微博，手指向下一滑动，微博APP要给你提供几条新微博（里面可能还包括一个广告位）看，这就是你向引擎发起了一次请求。
召回：引擎接到请求，会从候选的内容库、广告库里找到一定量的内容、广告提供给算法。
过滤：因为提供的内容、广告可能很多，最终展示的只能是1条或N条，所以要进行排序。但是参与排序的越多、算法工作量越大，所以要先进行过滤。比如用户不喜欢的、广告主定向屏蔽的等等，这些就没必要参与排序计算了。
粗排：先用一些基础值（比如预估点击率）卡一道，缩短排序计算队列长度。
精排：加入需要综合考虑的各方面因素，按照价值最大化的原则筛选出最优选择（用户可能最爱看的内容、或者最可能转化的广告）提供给用户。
后处理：一些人工干预策略。
这样一层层漏下来，每往下走一层剩下的就越少，所以像「漏斗」一样。当然每个信息流平台的算法逻辑不尽一致，但大逻辑都差不多。
拿一个一两年前的信息流 RTB 模型（已脱敏）举例：
用户刷信息流，下一个槽位是广告位，这时候主站向广告引擎发起了一次「请求」，并附带了这次请求的信息（比如这个用户希望看什么、讨厌看什么、看过什么……）。
然后广告引擎基于这次请求的信息（比如用户A是女、兴趣美妆、4G环境、iOS系统……），从在投的广告库里「召回」了符合定向条件的广告单元（比如只定向男性的不要、只定向兴趣游戏的不要、只定向WiFi环境的不要、只定向安卓系统的不要……）。
召回的广告经过N多「过滤」策略，比如频控（就是用户不能频繁看到相同的广告素材或者广告主）、相似性去重（比如虽然广告ID不一样但文案图片都差不多）等等。
过滤剩下的广告开始进行算法排序，按刚才说的「粗排」+「精排」两步。这步是最难的，因为CTR（点击率）、CVR（转化率）是后验数据（用户点没点、转化没转化你给他看了才知道），所以实际使用的是pCTR（预估点击率）、pCVR（预估转化率），能估多准取决于数据基础和算法能力、很大程度上决定了变现效率。
最后再经过一些后处理（比如某些行业要扶持提权、新广告主新创意要扶持提权、什么要打压之类的），最后下发到广告位，并回收曝光、点击、转化数据给算法模型进一步学习。
因此通常运营会有一个「漏斗工具」，查一条广告在漏斗每一层的折损率，好判断这条广告核心需要优化的地方在哪（如果你找运营说没有，那要么这个平台基建还很薄弱、要么这运营刚来的不懂、要么懒得给你查——毕竟挺麻烦的）。比如召回太少扩定向、排序胜率太低要优化点击率或提高出价等等。
这个工具有时也会以投放优化建议之类的方式粗糙地披露给广告主指导方向，但是数据不会特别详细。
【流量池】
逻辑上信息流媒体的内容推荐，也是上述过程。用户不断刷、客户端（APP）不断请求、引擎不断召回、算法不断排序、引擎再把算法排序胜出的下发给客户端展示给用户看。
但通常讲内容的时候，会用流量池的说法。因为相比于广告，内容的库存是海量的（一个RTB平台有几万条广告在投就不少了、但一个信息流内容媒体可能有几十亿条内容可曝光）。如果按B端的逻辑去理解，就太复杂了，也不利于C端用户（创作者、UP主）理解。所以切换到C端视角，就是流量池逻辑。
以DY为例（图片转自@抖查查）：
这不是官方解释，我也看过更细致的，但大概的逻辑就是一条视频发出来、先通过基础过滤、只要不违规就会先推给冷启动流量池（一小批用户）。
如果这批用户反馈好（点赞、评论、收藏、分享、关注、完播、停留时长等「正向互动」高），会推给更大的流量池、如果反馈不好（比如以上正向互动率很低，或者有一定的「负反馈」比如不感兴趣、举报等）则不会进入下一级流量池（通常就停止分发了）、甚至可能送给人工审核团队去判断视频是否需要下线。
如果说「漏斗」是由大到小，那么「流量池」就像鲤鱼跳龙门一样由小到大。
所以为什么会有「删了重发」呢，就是冷启动流量池没跑好，明显已经跑不动了，有时不一定是视频本身的问题、可能是运气不好赶上的冷启动流量不好、那换一拨人试试、没准就跑出去了。「第二遍会火」并非特指第二遍，只是一种概率事件。
这就是所谓「玄学」的部分，但其实搞懂底层逻辑，你就明白玄学也是有规律的。
【知+的分发】
知+会把原生内容加速分发到各流通场景，比如首页推荐、下一个回答、搜索等。
以首页推荐为例（我们还做了其他位置的说明图，这里就贴一张，因为给代理商公开培训过了所以我就直接放了，如需要更多位置的说明图投「知+」可以找你的代理商或客户运营要）：
基于前面讲的，先试着看一下能不能看懂再往下划、文字说明很细了。
为什么使用了「漏斗」表达而不是「流量池」表达呢？
前面说了，ToB 用漏斗逻辑容易理解， ToC 用流量池逻辑好解释。
一样：请求、召回、过滤、排序、下发、曝光。
核心后面三层，要扩召回就是争取更多参与排序（海选）的机会、主要通过选择热门问题的方式。
要闯过中间的层层过滤，就要减少定向、保证预算充足、保持内容新鲜度（已读用户不会重复下发）、保持内容丰富度（相似内容会减少下发）、提高出价（提升ECPM即商业价值）、优化点击率（也和选题相关，另外也和导语、首图、互动相关）。
在知+后台，有个「分发效率影响因素」列，说明是：
进度条长度越长，因素对分发影响越大
红色表示超过经验均值，较为严重
出价：出价越高，内容质量越好，竞争力越强
覆盖：人群覆盖会逐步饱和，建议新增内容
预算：低预算会减速、停止
我拿4个今天的真实订单举例：
1 订单是个好内容、跑得很快，今天设了2K预算，已经撞线了，所以需要增加预算才能继续加速分发。
2 订单也是个好内容，累计消耗已经大几十万了，这个问题能覆盖的潜在人群覆盖差不多了、所以需要扩充新内容。
3 是个本地线下服务型客户，只定向了单城市，导致在定向环节过滤最多。要么扩充定向，要么只能铺更多内容。
4 订单点击率还不错，但是出价只给了底价，导致本来很多可以拿到的量没吃到。如果效果可接受，建议适当提价。
这里只是举个栗子，我们正在迭代升级更完善的过滤漏斗排查工具赋能客户和代理商运营提效。
今天分享的这些底层逻辑，看得懂的话可以有助于提高咱们的沟通效率。看不懂也不用纠结，尤其做知+的话核心还是内容，把内容写好，一切算法、玄学、逻辑都是浮云。