漫谈互联网广告：为什么oCPX不适合小流量平台

我第一次接触oCPX是2016年在今日头条工作时，跟运营部门的同学一起参与oCPC和CPA两种竞价模式的运营，致力于在销售和广告主中使用率与普及率的提升,并伴随oCPC的二阶段转化数量从200个降低到120个，直到后来的80个、20个，最终实现了冷启动。

所谓冷启动，就是不需要积累任何转化数据，直接帮助广告主按照接近转化出价目标实现投放效果控制。

正因经历过这种竞价模式从出生到成长的一个过程，到后来去到别的公司，我一直不赞同流量尚未规模化的平台推行这种竞价模式。一个好的产品形态之所以好，必然有其主观和客观两方面环境的共同影响。主观环境，是产品、算法的经验与能力；客观环境则是平台究竟有没有适合这种产品生存和发展的空间与土壤。

所有干过移动互联网广告投放的同学都知道，oCPX由于需要系统积累历史数据机器学习（学习已回传的转化数据），之后才能算法优化。一般分两个阶段：第一阶段为人工定向或盲投，数据采集阶段，按照人工的设置以传统CPC、CPM的方式出价；第二阶段广告投放人员会在系统中设置转化目标价，系统根据转化数据算法智能优化，并以此转化目标价为目标，系统算法管理对传统的CPC、CPM进行智能浮动出价。

对于游戏和网服行业而言，oCPX约定最终的衡量目标至少激活activate，同时需要最大化或保证投放的ROI。进入到2020时代，大多数广告主甚至用用户付费率来衡量广告效果。故在oCPX中，需要几个概率将曝光数据与ROI建立联系：

• P(m->c)：曝光-点击概率
• p(c->a)：点击-激活概率

激活后我们就可以通过使用该客户的LTV(life time value)来衡量本次投放的收益，并反推出最大的广告出价价格。

同时为了使得投放更加智能，引入智能调控因子及二阶价格调控，尽可能的做到流量控制。高转化率流量则出高价竞争，以更高概率拿到流量；低转化率流量则出价低、扣费低，避免预算浪费。

在智能调控因子的作用下，就会出现这样一个现象：为了让广告主获得更稳定的转化效果以及更接近理论值的转化成本，精准化的调控必然带来对该广告主流量分发的紧缩，或者CPC价格的降低。如果流量分发紧缩后，平台没有更多广告主参与流量填充，则极有可能导致竞价不饱和，最后流量的eCPM会逐渐走低。

但是，小流量平台有足够的容量带动大量的广告主吗，答案当然是否定的。因此，从这种情况下讲，做oCPX显然不是一个最明智的决策。

第二，oCPX的出价模型中，广告系统的实时出价 = 预估eCPM = bid_price（你设置的转化出价）* pCTR（点击率预估）* pCVR（从点击到转化的比例预估）* 智能调控因子。

我们从这个出价模型可以看到，预估两个字显得尤为突出。特别是在平台模型尚未成熟的情况下，一阶段投放主要是为了拿到历史数据，以便模型计算pCTR及pCVR，智能调控因子则控制本次出价的最大值、最小值，以便控制均匀购买流量。
那么，怎么才能让pCTR和pCVR能够尽可能准确？答案当然是大量或稳定的样本数据参与模型训练。

大量，要求的是参与算法的样本量足够大、场景足够丰富，这显然是小流量平台无法提供的。这种情况下就只有稳定一条路可以走，那么这要求平台分配给oCPX的流量尽可能保持一致性，这种一致性是流量时间、空间和行为三种属性协同上的一致。但大多数小流量平台急于变现，要么全流量保头部高溢价客户填充，导致oCPX获得的流量波形较大，对算法模型的稳定性会带来极大震荡；要么为了急功近利地创收，不愿意花时间和成本参与模型训练，必然导致oCPX的最终失败。

再则，oCPX的模型训练时，一定情况下需要广告主参与宽泛投放，只通过一定的创意来筛选流量，这样可以更快速地向第二阶段转化。但这样的，由于前期需要对转化数据进行测试，所以成本会比较高，这也是广告主和销售无法接受的。

因此，小流量平台推动oCPX落地一定要谨慎，与其花大量的时间和研发成本在这种投放模式上，不如系统化地做好数据体系的建设和标签梳理。在数据能力能够对流量场景做到足够精细化管理的前提下，CPC投放达到oCPX的投放效果并非没有可能。