计算广告OCPC实践(四) 如何从0开始建立ocpc业务

作者：赵子游，高级广告算法工程师，微信DDLDLD，欢迎联系交流。

首先，建立一个新的业务是为了解决现有的痛点问题，而ocpc业务主要解决的是广告主的成本波动问题。如果系统里有不少对成本控制要求高的广告主，可以考虑做ocpc。

基本上这个建立过程分几期逐步迭代，每一期测试效果良好再往下一期进行。

初期不用拘泥于优化细节，先跑通整个流程再说，之后再逐步优化。

第一期

算法先做个cvr模型，线下线上先看看auc正不正常，然后线上可以用Enhanced CPC(ecpc)的形式做ab看看转化率是否上涨，论文可以参考《Optimized Cost per Click in Taobao Display Advertising》^[1]，虽然淘宝把它叫ocpc，实际实现的还是Enhanced CPC的形式。

简单说说ecpc，同是优化广告主成本，ecpc和ocpc的区别主要在于ecpc不需要广告主给出成本出价。这里给出其中一种形式，

式中的cvr是历史广告主转化率的统计值。简单理解就是当本次预估cvr大于广告主历史统计cvr，就调高出价，反之调低出价。

具体的原理推导细节可以参考《oCPC实践录 | 成本优化策略之eCPC(2)》^[2]，本文不再赘述。

第二期

让运营拉几个广告主做测试，给定他们的目标转化成本，后台配置“广告主-成本出价”白名单形式做线上ocpc的效果测试。

这个时候不是ABTest，指标主要关注广告主转化率是否上升和转化成本是否下降。同时也可以开两组完全一样的测试组，一组配置成本出价跑ocpc，一组跑cpc看看ocpc各数据指标是否正向。

第三期

在投放后台开放功能，邀请广告主测试，分一二阶段。一阶段还是cpc出价积累转化数据，达到门槛后进二阶段上PID智能出价以及cvr校准，指标主要关注二阶段成本控制情况。这一时期，基本上就在调参，处理各种bad case细节了。

第四期

功能正式上线，设置自动赔付，定业务数据指标。建立监控体系，比如成本稳定性、赔付率、功能使用率、消耗占比、广告主ltv等等。可能这时还要出一下同广告主下ocpc计划与cpc计划的数据指标对比来证明ocpc效果优于cpc。

后续优化点

到此为止，基本上一个ocpc业务就建立完成能用了。这之后就是模型、机制策略、指标体系的细分、优化以及迭代。比如说是否取消一阶段，投放方式分保量、保成本，离线优化增加仿真测试环节等等。

总结一下ocpc业务中的算法优化点，竞价排序最终都是转化成ecpm排序的，所以由ocpc中ecpm计算公式

可以分别优化公式中的每个变量。

其中 是流量控制系数，可以搭配投放方式来调整，该项非必须。

、 分为模型与校准两个方面优化预估准确率。

模型和校准又分别可以细化，比如模型按广告位或者行业维度划分，校准按模型整体校准和广告细粒度校准划分等。

负责优化成本，展开公式

可以看出优化点就是PID控制算法中的偏差函数与响应函数的选取，采样时间、延迟时间、Kp、Ki等各种参数的整定等。

至此，如何从0开始建立ocpc业务以及业务中的算法优化点基本介绍完毕。这其中有很多细节，后续文章会继续深入介绍这些细节。

精彩预告:

• ocpc一阶段机制

• ocpc行业模型详解

• 延迟模型在ocpc中的应用

• ctr校准与cvr校准

• ocpc自动扩量技术

• ocpc中的深度转化模式
  

• ocpc智能出价离线仿真模块

• 评价ocpc效果的指标

• ocpc中的赔付机制

• ocpc中的流量控制

Reference

[1]

淘宝展示广告中的OCPC智能调价算法: https://arxiv.org/abs/1703.02091

[2]

《oCPC实践录 | 成本优化策略之eCPC(2)》: https://blog.csdn.net/bigheadyushan/article/details/102760482

由于微信平台算法改版，公号内容将不再以时间排序展示，如果大家想第一时间看到我们的推送，强烈建议星标我们和给我们多点点【在看】。星标具体步骤为：

（1）点击页面最上方"AINLP"，进入公众号主页。

（2）点击右上角的小点点，在弹出页面点击“设为星标”，就可以啦。

感谢支持，比心。

欢迎加入广告技术交流群

进群请添加AINLP小助手微信 AINLPer（id: ainlper)，备注广告技术

推荐阅读

这个NLP工具，玩得根本停不下来

征稿启示| 200元稿费+5000DBC（价值20个小时GPU算力）

完结撒花！李宏毅老师深度学习与人类语言处理课程视频及课件（附下载）

从数据到模型，你可能需要1篇详实的pytorch踩坑指南

如何让Bert在finetune小数据集时更“稳”一点

模型压缩实践系列之——bert-of-theseus，一个非常亲民的bert压缩方法

文本自动摘要任务的“不完全”心得总结番外篇——submodular函数优化

Node2Vec 论文+代码笔记

模型压缩实践收尾篇——模型蒸馏以及其他一些技巧实践小结

中文命名实体识别工具（NER）哪家强？

学自然语言处理，其实更应该学好英语

斯坦福大学NLP组Python深度学习自然语言处理工具Stanza试用

关于AINLP

AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLPer(id：ainlper)，备注工作/研究方向+加群目的。

阅读至此了，分享、点赞、在看三选一吧🙏