频控究竟所指为何？

广告频次控制（frequency capping）

频次控制介绍

在广告领域，频次控制指的是限制一个用户在特定时间内看到某个广告（或相似广告）的最大次数。例如，广告主能够设定一个用户一天最多看到某一广告 3 次（本文不考虑由 publisher 来指定频次控制）。

这里所提及的频次控制并非绝对硬性的。也就是说，展示次数增多只是会降低相同广告出现的概率，而非达到特定次数后就完全不再出现。二者的差别在于：前者需要广告主自行尝试摸索在多长时间段内展示多少次最为适宜，过程较为繁琐，但倘若他能获取接近实际情况的次数，将对其有益。而后者虽让广告主省事了，但其代价是广告平台仅会去优化 eCPM，而不会顾及广告主的利益。

引入频次控制具备如下优点：

1. 拓展触达受众的规模。频次控制能够使更多的受众接触到广告。这是由于频次控制避免了广告主有限的预算持续消耗在向同一群人反复展示广告上。

2. 提升 CTR。频次控制是增强广告 CTR 的有效途径之一。一般而言，相同广告展示约 4 次后，CTR 就会变得很低，因为用户已对该广告不再关注。

3. 提高 CVR（转化率），这与 CTR 类似，首次展示时转化率最高，展示 4 – 6 次后基本不再有转化。

频次控制原理

1. 所有广告均会随着展示次数的增加，CPM 降低。

2. 以蓝线和红线为例，蓝色广告展示 1 次的 CPM 高于红色广告展示 1 次的 CPM，但蓝色广告展示 2 次后的 CPM 低于红色广告展示 1 次的 CPM。

3. 每条折线下降的速率存在差异。

回想一下公式：CPM = CTR * Bid，eCPM = pCTR * Bid。公式中的 Bid 是已知且固定的，那么 eCPM 因展示次数发生变化，是由于展示次数影响了 pCTR。如此一来，如果基于展示次数对 pCTR 进行调整，那么 eCPM 将会更加合理。

基于已展示的次数对 pCTR 进行调整，在理想状况下，我们能够收获更高的 CPM，也就是说公司能够赚取更多的收益。

实现频次控制后的图示应是如此，紫色的线即为优化后的效果。需要注意的是，最左边其实缺少一根黑化的竖线（再次强调，图中的 Ad Network 视作广告，如果您是 SSP，就无需考虑）。可以明显看到紫色的线高于蓝线。

频次控制实现

首先，基于展示次数对 pCTR 进行调整是否属于 pCTR 自身的问题，我一直存有疑问。展示次数显然能够作为一个特征添加至 pCTR 的模型中，但我本人未曾尝试过。然而，无论展示次数是否作为特征加入，做法大致相同，关键在于如何获取数据。

数据分为两部分，一部分是实时数据，另一部分是离线数据。需要使用 storm 收集实时数据，原因在于编写 hive 数据库通常存在小时级的延迟。KV DB 中保存的是聚合了实时数据和离线数据的结果，Key 是 user，value 是[ad_n, count_n]的列表。

倘若将展示次数作为特征纳入 pCTR 学习中，那一切顺利。若不这样做，则会较为麻烦。首先，要获取前面图中的折线，明确展示次数对每个广告 pCTR 的影响。这里就存在问题，若广告曝光不足该如何处理？点击仅有几十个，怎样进行统计？是从维度上计算推广计划？曝光依然不足又该怎么办？再提升到广告类别？广告主维度？还是更直接些，装作未看到这些数据，直接忽略，目标仅去解决具有统计意义的广告。

思考得更深入些，还会有更多问题。人群 A 可能看过一次不点击就不再点击，人群 B 看过一次的点击概率与从未看过的点击概率近乎相同。人群的定义能够有无数种。另外，一个广告出现在顶部广告位和底部广告位，难道都视作被展示了一次？所以，虽然我未曾尝试，但我觉得将展示次数放入 pCTR 模型中作为一个特征，应当是最为简便合理的。