对 oCPC 予以优化，乃是智能投放之途上必然且大概率会长久遭遇的一项挑战。特别是，各平台的产品和技术尚不成熟，功能更新频繁、变动众多，营销人员倘若无法深度领会其背后的优化逻辑，就难以把握“人为操作”的价值与界限，很难在如此多不确定因素的投放市场中，做出相对出色的决策。
一、深入探究 oCPC 的优化逻辑
1. 非零和的博弈
以百度搜索 oCPC 为例，尽管它距离成熟的智能投放产品还有较大差距，但却让我们看到：借助 AI 优化复杂广告转化效果的未来可能性。
搜索 oCPC 的工作原理在于锚定 CPA（每次行动成本）来调节每次的点击出价，进而使 CPM（千人展现成本）达到最大化的过程。
大家留意到了吗？机器学习的终极目标是让平台的 CPM 实现最大化，即展示收益的最大化，而非单个广告的 CPA 更为经济实惠。但也无需过于悲观，因为这属于一个非零和博弈，技术的升级拓展了投放的规模，同时广告主也能够从中获益。其产生的原始动机固然是平台能够增加收益，然而所采取的手段是积极的——平台通过投入 AI 模型提升其流量的转化价值。
这同时也揭示了一个事实：一个 oCPC 计划的优劣，本质在于模型能否尽快寻找到能够平衡自家品牌与广告大盘的那个最优 CPA 解。
2. 最优 CPA
我们的投放目标是“能够把控住 CPA 的成本，并且保持充足的量”。最优 CPA 肯定并非更低的 CPA，而是在成本与转化量之间寻得一个平衡的 CPA。如下图，我绘制了一个均衡图来阐释其中的逻辑，期望助力大家理解。
X 轴代表计划的转化成本，Y 轴代表计划的转化量，递增的曲线代表“投放价格曲线”，出价越高，竞争力越强，转化量会提升（非线性）；递减的曲线代表“业务成本曲线”，鉴于规模效应的考虑，随着转化量的降低，企业需要支付的投入成本上升（非线性）。如此，两条曲线的交点便是我们想要找寻的最优 CPA 值。因此，在投放人群未出现差错的前提下，一切投放优化策略均可遵循此图的逻辑。
如此一来，我们的优化场景仅有以下两种：
1) CPA 处于最优点右侧
CPA 偏高，需要设法降低，同时大概率会牺牲一定的量。我们从拆解 CPA 展开分析，公式如下。
开启 ocpc 后，广告主的 CPC 会因流量更为精准而升高，同时，CVR 由于分配到了转化效果更好的受众也会提高——两者的增速比例决定了 CPA 的最终水平。所以，可控 CPA 又能够拆解为可控的 CPC 和更高的 CVR。
此时，人为干预的要点是：控制住 CPC 、提升 CVR。主要方式有：
a.确保在第一阶段的 CPC 阶段，夯实数据基础
b.检查数据回传，确认是否准确
c.提升展现量-优化关键词
d.提高点击率-优化创意
e.提高转化率-优化着陆页
2) CPA 在最佳点左侧
此时 CPA 看似较低，但转化量严重不足，需要提升转化量。人工干预最为直接的一个思路是：适当提高目标 CPA，但一定要控制好幅度，最高一次不要超过 20%，一点点进行尝试。
此外，还能够通过外部提升转化量的方式。我们可以依据下面的“流量问题归因图”标记出流量少的外部主要诱因，逐个加以解决。
a. 预算不足
重新估算消费，如果是由于预算较少所致，可以重新为 ocpc 计划分配量。
b. 因展现量低导致的消耗困难
i. 增添关键词，建议手动操作或使用主流的 AI 拓词工具，增加人群曝光的可选范围，不建议开启智能拓词，以免引入垃圾词汇。
ii. 匹配模式单一，可以适度放宽匹配精准度。
c. 因 CTR 低导致的消耗困难
i. 提升 CTR（点击率）
优化创意、配置更完备的高级创意、信息阵列、多图样式、动态标题，结合细分业务和人群，个性化设置创意。进一步提高转化率，进行着陆页优化。
ii. 排名低（依旧需要运用上文提及的提高 CPA 方法，此处不再赘述）
二、把握人机协作的关键
倘若理解了上述的优化逻辑，那么大致明确了哪些环节需要手动参与，哪些环节只能交由机器运作。我们也可以这样认为，oCPC 承担了人类无法完成的高强度算法，依照既定框架去捕获更高质量的流量；人工则需要负责为 oCPC 模型提供充足的“饲料”、随时观察“环境变化”。
1. 人工的关键作用
从人机协作的角度，梳理一下 Part1 中的要点，能够发现人的核心价值体现在：
1）账户的第一阶段，需要依靠人，提供充足且优质的数据“饲料”。
第一阶段的效率取决于优化师在 CPC 阶段的能力，从账户结构、策略调整、创意优化、效果分析等方面，需要以可控的成本达到转化门槛，让机器知晓何种流量是所需的。
2）账户的第二阶段，即便运行稳定，我们也清楚这只是阶段性的，需要人工持续监控，在出现波动时进行人工干预。
这要求人对市场和客户的变化保持清醒的认知，例如创意策略的优化、落地页设计的更新等。
2. 人工需要规避的投放误区
由于对 oCPC 投放原理认识不足，投放人员在模型的学习阶段仍然依据经验进行优化操作，致使效果变差。例如，看到点击价格过高，就匆忙调整出价；发现系统自动添加了大量莫名其妙的关键词，赶紧删除；发现同一个关键词，系统多次添加到不同计划或单元，便怀疑是否出现问题。
在模型认识你的转化用户过程中，不能再以惯性的思维去紧盯账户了，这个时候，很多现象反映的是机器的语言，复杂问题可以先交由机器处理，稳定后再查看结果是否符合预期。切忌过多地干预模型，打乱学习的节奏。
3. 何时干预，何时不干预？
1）前期预算少进行干预
ocpc 是 AI 算法优化，大概率是预算越多，分配的流量越多。所以，预算通常要充足。在设置上限时，最好高出你的承受能力 20%-30%，比如日承受能力是 1 万，预算至少设置 1.2 万。实际情况是前期预算越充足、流量越多。预算设置好后，密切关注消费，但不要频繁调整，接近承受极限时再通过调节时段等方式来平衡。
2）基础定向晚些干预
许多投放人员会设置众多二级定向，受经验和惯性驱使。但实际运行效果却表明，刚开始还是通投最佳，这样能够获得足够大的曝光量。等效果显现，有了一定的数据积累，再逐步缩小定向，此时行业、业务经验就能发挥作用了。
3）出价仅在探索最优 CPA 阶段进行干预
这部分已在本文 Part1 中详细阐述，回想一下“寻找最优 CPA”曲线图，出现明显的偏左、偏右特征时，需要人工干预。
4）创意大力干预，但优化稳定后减少干预
如果前期将创意素材准备充分，系统学习能够分辨出差异，各种不同的配图、标题、落地页，会让系统的学习结果更有效，自动优化时更有依据。但完成学习阶段后，应减少大幅更改广告创意的情况，减少对模型的干扰。
5）最终效果不佳时，要进行强力干预
账户效果不好再考虑上新，如果账户效果良好，最好不要进行上新调整。因为上新会影响到原有计划，损失运行良好的计划，得不偿失。另外，新计划要与原有计划有所差异，价格、图片、标题，直至落地页，最好都能有所区别。
6）落地页随时进行强力干预
实际上，当下大部分品牌企业都非常注重页面，因为落地页承载着转化——推广中最应当被重视的一环。落地页的改版和更换是投放策划的常态，但很少有企业能够做到科学改版、高频优化、有效分析，落地页优化环节目前在智能领域相对滞后，这也是灵蹊要在此发力的原因，因为企业缺乏有力工具的支持。
三、未来的新突破点
搜索 oCPC 的红利期已然消逝，随着越来越多的行业加入，效果不稳定的情况只会增多，不会减少。此时的突破点，会后置到落地页的转化能力（承接能力）上。
平台的智能性提升，能够识别不同客户的转化意愿。但精准度并不能降低竞争度，当流量资源抢夺激烈时，高昂的价格始终是难以回避的难题，投放的优化空间会愈发受限。这时，竞争的主战场就会后置，ROI 的控制能力被压缩到从落地页开始的每个承接细节环节。
不仅如此，落地页归属于广告主，如果广告主能够对页面的智能化进行自主控制，完全能够通过动态化功能大幅提升页面的转化能力，提高低转化意愿人群（平台判定）的实际转化率。换言之，低价获取的流量也有机会获得不错的转化率！
这里涉及到广告主容易忽视的一个方面——
拓量能力的积累
。实际上，这一块是能够间接积累数据资产的。
以当前百度搜索 ocpc 为例，拓量的模式主要分为三种类型：保守扩量、均衡扩量、积极扩量。
投放时，可以创建不同的计划，采用不同的拓量模式，对接不同的落地页。通过完善的转化优化/分析工具，帮助企业积累属于自身的分群识别能力，从而针对不同价格/属性的流量探索出一套适合自己的 ROI 算法。
这样的操作，不但能够摸索出业务的拓量规律，更能够结合落地页的承接环节，进行人群的细分匹配和数据积累，从而让转化承接的能力更为强大。
暂无评论内容