快手抖音发作品怎么赚钱做短视频自媒体赚钱的步骤( 二 ) _云知道

用户利益：尽量少看广告（抖音的Ad load），即使看也是看自己感兴趣的内容。

我们模拟一轮简化的广告分发场景：“用户看了广告主A和C的素材后都没有点击，而用户B不仅点击了广告主B的素材，并且注册成为B产品的客户。”

这一轮广告展示中，广告主A和C需要根据广告展示次数向平台付费（CPM），但他们获得客户的利益点没有得到满足，这就出现了客户收益与平台成本不匹配的问题，长期没有改善广告主自然就会停止投放。
所以，想要满足客户的投放目标（如：合理的获客成本），就需要提高广告的点击/转化水平（CTR/CVR），这就回到了前文所说的「个性化推荐」在计算广告的应用，尽量匹配用户感兴趣的广告。例：给饭圈粉丝推荐Idol代言产品。
如何持续改善广告点击/转化率（CTR/CVR）呢？
以【京东】的广告排序模型为例，用户在【搜索商品的场景】，广告点击的概率（CTR）可以描述为依赖于4个不同类型输入的函数：

Query：描述用户搜索意图。
user(用户侧特征)：描述用户的兴趣、偏好。
item(商品侧特征)：描述这个商品是否优质。
Context(文本特征)：描述用户搜索时属于怎样的场景，是上班的时候搜的还是周末搜的，此时是否有活动。

来源：刘鹄，《CSCNN：新一代京东电商广告排序模型》
通过构建特征工程并确定目标函数（贪心算法（局部最优）/长期回报），利用Online-Learning大量数据训练后得到CTR优化结果。
在推送1次广告时，平台到底从海量的广告主中推哪一个，核心考量因素是eCPM（平台每千次展示的收入） = 预估点击率（p-CTR） *预估转化率（p-CVR）* 预估出价（p-Bid）。根据每个广告的eCPM进行排序，选出值最大的那个进行展示，如果涉及i个不同的客户则，取所有客户∑eCPM求和最大化的解。

来源：刘鹄，《CSCNN：新一代京东电商广告排序模型》
从产品实现的角度，平台在广告排序时需要前置预估点击率（p-CTR）、转化率（p-CVR）和出价（p-Bid），所以预估准确度决定了最终平台的收益是否真的能实现最大化。

预估点击率（p-CTR）与转化率（p-CTR）很好理解，就是广告实际下发前，平台并不知道推给用户后有多少人会点击、转化，只能用模型估算，广告下发后再基于实际数据返回模型学习，不断提高预估准确度。
预估出价（p-Bid）主要是因为广告平台通常采用GSP（广义第二价格）模式，即：广告被展示后，广告主所需支付的价格并非自己出具的价格，而是为下一位出价者的价格+Δ（字节为0.01元）。这里就涉及到广告系统需要预估最终的bid price，并在产生实际值后带回模型进行学习。

字节跳动巨量引擎oCPM的GSP计费介绍
直观感受，采用GSP（第二价格）计费增加了系统预估的参数量（p-Bid），会让预估变得更难，为什么不直接使用广告竞得者的出价（第一价格）？
这里主要考虑了使用“第一价格”带来的出价波动问题，如果广告竞得者支付他的竞价价格，则广告主为了获得展现，他会不断提高价格，在获得广告展现后，他又会开始不断减少出价以降低成本，这个博弈过程，容易使得出价不稳定，影响eCPM的预估准确度。谷歌2002年开始将GSP引入搜索引擎，并成为主流的在线广告计费模式。