01
プロジェクトの背景
パフォーマンス広告の配置はゲーム シナリオです。メディア プラットフォームはトラフィックを最高価格で販売することを望み、顧客は広告コストとバックエンド効果が基準を満たすことを望んでいます。パフォーマンス広告業界の発展に伴い、顧客は目覚めや活性化などの浅いコンバージョン効果を評価するだけでは満足できなくなり、バックエンド効果の最適化をメディアプラットフォームに求める広告主が増えています。バックエンド効果には、維持率、支払い率、初日支払い ROI、その他の深いコンバージョン タイプが含まれます。
この記事では、入札モデルにおけるパフォーマンス広告の最適化プロセスを確認します。
広告メディア プラットフォームは通常、広告主の浅いコンバージョン コストとバックエンド効果を同時に保護するために二重入札モデルを使用します。広告主の広告要求には、2 つの入札に暗黙的に含まれる、浅いコンバージョン コストのコンプライアンス、詳細なコンバージョン コストのコンプライアンス、および詳細なコンバージョン率のコンプライアンスが含まれます。したがって、メディア プラットフォームは、メディア プラットフォームの収益を最大化しながら、広告主の要件を満たす適切な eCPM (実効コストパーミル、1,000 インプレッションあたりの広告収益) 入札式を設計する必要があります。
02
プロジェクトの歴史
2.1 従来の単一入札
クライアントは 1 つのコンバージョン目標 (ダウンロード、ウェイクなど) に対してのみ入札します。メディア プラットフォームは、モデルを通じてクリックスルー率とコンバージョン率を推定し、コンバージョンの値をトラフィックの露出値に変換します。推定偏差が存在するため、顧客のコンバージョンコストを保護するために、追加の入札係数 α を使用して入札を調整する必要があります。
上記の式における入札係数は主に 2 つの役割を果たします。1 つ目は、クリック コンバージョン率に基づいて露出値を正確に測定できるように推定値を調整することです。2つ目は、推定値とクラウド タグを組み合わせて、高品質のトラフィックをスクリーニングして、高トラフィックの入札能力を動的に向上させることです。質の高いトラフィック。
2022 年までに、私たちはこの公式を比較的極端なレベルまで達成しました。入札要素は、反比例制御から微積分制御に、時間ごとの更新から分単位の更新に、単一の粒度制御から多次元の動的集計に、単一の戦略からコールド スタート、定期配信、積極的なボリュームなどのロジックとの互換性へと変化しました。取得。予測モデルの機能が継続的に改善され、高度なモデル キャリブレーション アルゴリズムが構築されたことにより、入札要素は実際に高品質のトラフィックのスクリーニングにおいてより重要な役割を果たし始めています。浅いコストは、安定して制御可能であるためには、モデル自体の正確な予測と迅速なキャリブレーションに依存します。上記の一連の最適化についても素晴らしい話ですので、機会があればまたお話ししたいと思います。
この課題は、広告業界が二重入札広告に完全に移行し始めた 2021 年後半に発生しました。このとき、深刻なコスト問題が目の前にあり、予算構造の変化により、この問題は乗り越えなければならないハードルとなっていました。
2.2 加重二重入札
二重入札のビジネス上の意味は、顧客がアクティベーション + リテンション、覚醒 + 支払いなど、浅い入札と深い入札の 2 つの入札目標を設定した場合です。顧客は標準を満たすために浅いコストを必要としますが、標準を満たすためにより深い効果、特に深いコスト標準も必要とします。 2021 年後半から、徹底したコスト管理と最適化がこの期間の主要な課題となり、変化に迅速に適応するために、当社はスモールステップ アプローチを採用し、加重二重入札を迅速に開始しました。
多目的最適化問題の場合、一般的に使用される手法には、パレート最適性と重み付き最適性が含まれます。加重最適法を使用して、浅い単一入札に基づいて深いコスト制御要素を追加し、それらを重み付けして最終的なコスト制御要素を取得し、最初に深いコスト制御が存在するかどうかの問題を解決します。
上の式では、深い入札要素の制御ロジックは浅いフレームワークを完全に再利用します。実際の適用では、この戦略には次のような欠陥があることが判明しました。
① この入札式では、重み付け後、浅い層のコストと深い層のコストが相互に影響し、深い層が優れている場合は浅い層が悪くなり、浅い層が優れている場合はシーソー現象が発生しやすくなります。より深い層ではさらに悪化する可能性があり、周期的な変動もあるかもしれません。
② 入札係数は基本的にフィードバック コントローラーであり、その日の配信データに基づいて制御されます。異なる深い効果を持つトラフィックについては、入札時に履歴データに基づく推定は導入されません。つまり、入札式には pDCVR は関与せず、入札はその日の配信パフォーマンスに基づいてのみ制御されます。
上記の問題を最適化するために、継続的な反復を実施しました。
2.3 パレート二重入札
重み付け方法では、浅いコストと深いコストが全体として最適であることが保証されますが、この 2 つがそれぞれ最適である必要があるのは、本質的にパレート最適解の問題です。したがって、トラフィック値とターゲット トラフィックを開始点として使用して戦略を整理すると同時に、徐々に開始される pDCVR モデルの予測機能を利用して、シャローとディープの安定した制御を実現する新しい二重入札戦略を構築します。費用がかかります。
浅いコストと深いコストが同時に基準を満たすことを保証するために、詳細なコンバージョン率推定 pDCVR を導入し、入札式を次のように調整します。
ディープ コントロールは厳密に制御されるため、ディープ コンバージョンは多くの場合よりまばらであり、データの蓄積には役に立たず、量を増やすのが難しく、収益に影響します。この問題を解決するために、補正係数 w を導入して目標レートを制御し、走行能力を向上させます。同時に、効果を確実にするために、wはオンラインでリアルタイムに制御されます。
この入札式は理論上、深いコストと浅いコストの両方を厳密に制御します。深い変換データの蓄積は浅いデータの蓄積よりも遅く、多くの場合 1 桁または数桁も遅いため、この期間中、pDCVR モデルは比較的正確なソート状態になりますが、精度が不十分です。したがって、トラフィック品質を判断するための基礎として間接的に詳細推定を使用し、それによって詳細入札係数に影響を与えます。この入札方式は、2.2 の 2 つの問題をある程度解決します。しかし、新たな問題が発生します。
①深コストの厳密な管理と体積の増大との間で 、補正係数wを用いてバランスを取る必要があるが、所望のバランスを達成するための最適な係数を決定することが困難である。
② 深層高品質トラフィックの入札制限は、浅層コスト基準を満たす入札となります。この入札はディープレベルの高品質トラフィックに対しては控えめすぎます。ディープレベルの単一入札モデルと比較すると、このモデルは高品質のトラフィックを抑制し、ディープレベルのコンバージョン率が低下します。
③ 浅いコストと深いコストが同時に基準を満たした場合、深いコンバージョン率が基準を達成することを保証することはできません。広告の一般的な傾向では、二次リテンション率、長期リテンション率、ROI に対する顧客の評価は、単純な根深いコストコンプライアンスの問題ではなく、レートの問題であることがよくあります。
上記の質問は次のように要約できます。コンバージョン率の徹底したコンプライアンスを達成しながら、浅いコストのコンプライアンスを達成するにはどうすればよいですか?配送プロセス中の消費を解放しながら、徐々にコストを改善するにはどうすればよいでしょうか?
2.4 適応型二重入札
上記問題を解決するには、長期的には pDCVR モデルの精度を向上させることに加えて、トラフィック値の評価メカニズムをブレークスルーすることがより効果的な方法となります。そこで、新しいバージョンの入札戦略を繰り返し検討しました。目標は次のとおりです。
① トラフィックをさらに最適化し、ディープコストとディープコンバージョン率の二重最適化を実現します。
②トラフィックの最適化を図りながら、質の高いトラフィックの入札・応札機能を強化し、効果が悪い場合の量の縮小問題を解決する。
入札メカニズムに関しては、詳細な予測モデルの機能の継続的な改善に依存し、バージョン 2.3 の入札式と比較して、入札予測における pDCVR の役割を強化しました。これにより、次のような新しい入札式が生まれます。
このうち、φ 関数は S 字関数であり、これに基づいて最終的なディープ エフェクト制御係数が計算され、次の 2 つの異なる φ 関数曲線 g が選択されます。
eta は関数曲率制御係数、DCVR は現在の配信の実際のディープ コンバージョン レート、T は顧客の目標ディープ コンバージョン レートです。
その入札制御ロジックは次のとおりです。
(1) DCVR>=T のとき、関数の曲率 η は最小値となり、関数曲線は基本的に x 軸に一致します。このとき、pDCVRが高くても低くても、φ関数の値は基本的に同じであり、入札には介入しない。浅いコストのコンプライアンスの要件に従って、可能な限り多くのボリュームを実行できます。
(2) DCVR < T の場合、コントローラーは η を引き上げ、関数の曲率が増加します。pDCVR が低いトラフィックは控えめに入札され、pDCVR が高いトラフィックは積極的に入札されます。そのため、DCVR が T に近づくと、制御アルゴリズムは曲率を制御します。 ηが減少し、動的バランスが達成されます。
(3) DCVR<<T の場合、曲率 η は最大値まで引き上げられ、入札中に低 pDCVR トラフィックが放棄され、高 pDCVR トラフィックが積極的に入札され、E(pDCVR) が継続的に増加し、DCVR が T に近づきます。したがって、ステップ (2) を繰り返して、動的平衡を達成します。
この時点で、支払いコスト、二次リテンション率、初日 ROI など、さまざまな顧客のバックエンド配信需要に基づいて、支払いレートの推定、二次リテンション率の推定などの詳細なコンバージョン推定モデルと組み合わせます。単一のトラフィックの流れの深い価値が効果的に評価されます。適応型二重入札は、pDCVR を使用して高品質のトラフィックを選別し、特定します。効果とターゲットの間にギャップがある場合、同時に一部の低品質のトラフィックが破棄されます。最良の結果を達成するために、高品質のトラフィックでの露出に対してより積極的に入札します。継続的に効果の上昇を達成し、消費を徐々に自動的に高品質のトラフィックに傾けるという目的を達成します。また、群集ラベルを同時に考慮する g 関数などの細かい詳細もありますが、ここでは説明しません。
03
オンライン効果
複数のバージョンが繰り返しリリースされ、累積的にパフォーマンス広告の改善が促進されます。
04
概要と展望
どの入札戦略もモデルの予測能力に基づいており、クラウド ラベルの構築、予算割り当てロジック、入札戦略の設計などと密接に関連しています。現在、顧客の評価目標はますます厳しくなり、入札モデルは進化し続けるため、ビジネス開発のニーズを満たすためにトラフィック価値評価システムを継続的に反復する必要があります。将来的には、次の方向でさらに最適化していきます。
極度にまばらなデータの下での深い効果の制御
大きな変換遅延下での効果の最適化
リアルタイム入札環境の変化による効果変動
コンテキストを認識した自動入札フレームワーク
この記事は、WeChat パブリック アカウント - iQIYI テクノロジー製品チーム (iQIYI-TP) から共有されたものです。
侵害がある場合は、削除について [email protected] までご連絡ください。
この記事は「OSC ソース作成計画」に参加していますので、読んでいる方もぜひ参加して共有してください。