如何有效辅助成本达成-InHouse广告技术中台实践（三）
点击上方「蓝字」关注我们
超成本问题始终是广告投放过程中最值得优先关注的。即使是在头部广告平台，我们在买量时依然会遇到显著超成本（实际成本/出价>120%），甚至是超成本爆量（在成本没有达成时短时间内花出去很多钱）的情况。成本达成其实也是广告平台系统的首要优化目标。但是因为广告系统本身的复杂性，多模块相互耦合，模型和策略的可直观解读能力差等原因导致成本不能保证稳定达成。统计数据来看，即使是较宽松的成本达成口径（实际成本/出价<120%），大盘互联网广告的消耗成本达成率（成本达成计划的消耗/总消耗）也只有70%。
InHouse 广告技术中台的一部分职能即是有效辅助广告计划的成本达成。
成本达成与什么有关
主要有三个要素：
模型预估偏差
因为曝光计费发生在转化发生之前，所以计费是按照预估点击率和预估转化率折算的。这方面的模型预估，如果预估高于实际，则成本高于出价，反之亦然。所以数据和算法策略能力强的平台，成本达成率高。
计费比
因为竞价系统的计费逻辑是，最高价胜出但是并不以最高价计费。一种广泛采用的机制是，最高价胜出，次高价结算。我们把在计费点，一般是曝光节点，上的计费/出价成为计费比，它永远是小于1的。平台诚信守约的时候，计费比有利于成本达成。这也是为什么在Google 和Facebook上大部分的模型稳定的跑量计划都能以显著低于出价的状态持续投放。国内大盘计费比很高，在90%以上，海外低一些。同质化广告主的流量竞争越激烈，越卷则计费比越高。
时间差
广告平台账户内的成本=当日消耗/当日回传的转化。但是因为计费发生在曝光时，而转化发生在曝光之后，如果没有做正确的计费关联，也就是自归因，看到的数据在时间上是错位的。所以一般买量量级还在波动的计划，在分析成本达成时，我们说要等它稳定一些再看。这就是希望这种时间差可以在稳定时，前后抵消。广告系统的模型学习和算法成本达成，特别是转化率的预估是考虑到这种的时间差的，也就是归因之后的样本进行学习。
如何避免模型预估偏差损失
赔付期计划应该迎合赔付标准，比如转化数，出价和定向修改次数遵守平台标准。InHouse广告技术中台应该充分利用平台的机制降低损失。
模型预估不准，除了平台的数据和算法能力以外，尽量全的进行转化归因上报为模型提供准确样本时必须的。其中有两个能力很重要，一个是应报尽报，避免因为Mapping识别率低带来的漏报。另一个是准确有序，应当将转化准确关联到计划和素材维度，同时保持上报稳定，避免脉冲式和截断式的上报。
现行的广告系统机制下，我们几乎无法直接干预模型，减小预估偏差。长期来说，降低预估偏差的解决方案是更多的用户特征数据和更先进的模型。在这两个方面，广告主都不太可能给广告平台提供增量价值。任何InHouse广告技术中台都不能在oCPX的机制下实现模型范围内的直接干预。不能指望只靠技术中台实现高水平的全自动投放。
如何充分利用计费比
因为模型偏差校正、新计划扶持等策略，广告平台普遍都有类似调价因子的参数。他们在平衡超欠收时，如果将计费比带来的欠收平衡掉，就会形成事实上的一价计费。这样就将本来是属于广告主的竞价计费剩余费用收归平台。
一价计费的CPC时代
广告主通过频繁地调整出价以实现总是略高于第二名的出价，以获取这部分价值。这对于早期的SEO和SEM行业来说是核心工作。
当前的oCPX广告系统
频繁调整出价会对模型带来较大影响，引发不可控的变化。一般选择在归因的回传引擎施加策略。这里需要较强的一方或者三方DMP能力，以实现在具体细分流量上的CPM、点击率、转化率的统计分析，根据小时和天级别的流量竞争和模型预估稳定性进行一定归因回传的时效和比例调整，从而实现等价于频繁调价的效果。这里投入大，但是只有百分位成本达成的提升，只有很头部的广告主或者专业的中立三方可以完成。
长期来看
应该推动广告平台在监测链接上透传计费比参数，对广告平台的计费过程进行公开监测。
如何消除时间差带来的成本误差
不管广告主是否选择自归因作为回传方式，都需要做自归因，以实现归因口径的成本监测，即可最大程度校正这部分时间差误差。Maketing API并不会透漏归因后数据，主要是因为归因后的数据不能做到实时，而且数据粒度细，量级大，对平台的MKT API接口增加了很大的负载。平台视角性价比很低而没有做。因为模型侧是以归因后的成本作为优化目标，所以根据归因后成本达成的情况制定投放盯盘和计划筛选策略会更加科学合理。InHouse的广告数据中台承担了自归因的任务，除了消除转化时间差带来的成本误差，还会有利于从曝光起点，用户维度追踪用户行为和ROI，一举多得。
回传引擎要做回传窗口期，一般认为3天到7天为好，具体以90%的转化达成时间为窗口期为理论推荐值。避免很早期的存量用户持续触发转化，对成本带来扰动。
往期推荐
引力引擎
扫码关注 了解更多
点个在看 你最好看