01、广告平台的核心追求
流量销售准则:CPM居首者获选
广告平台收益 = 广告曝光总数 * 每次曝光获益 = 广告曝光总数 * 千次曝光获益 / 1000 = 曝光量 * CPM / 1000。
(CPM,cost per mille,千次曝光获益)
我们明白,广告曝光量由广告平台能够且愿意商业化的流量决定。像朋友圈这类用户基数相对稳固的平台,除去特殊节日,通常情况下流量不会有显著变动。虽说优量汇承接的是第三方APP流量,会随用户情况有所波动,但一般变化幅度不大。
所以,那个常见问题,“我今日消耗降低了,大盘流量是否有变化?”实际上,消耗下降不能归咎于流量。倘若自己账户的消耗出现较大幅度的下跌,还远未到考虑流量波动的程度。
那么,在流量不会有大幅波动的前提下,我们可知平台若要实现收益最大化,其流量的销售逻辑必定是CPM最高者取胜,所谓的竞争力指的正是CPM值。
02、广告主与广告平台的职责
广告主提高CPM;广告平台精准选定CPM最高值
那么,基于此逻辑。
广告主的任务,是提升CPM以获取流量,有责任和动力去探寻适宜的创意、优化落地页面(微信是否采用小程序)、甚至变更sku。
广告平台的任务,则是准确筛选出CPM的最高值。
这需要广告平台完成两件事。其一,需要构建一套统一的排序规范,表单、加粉、APP等属于不同的标的,该如何进行统一比较;其二,尽可能精确地预估,数十万乃至上百万的广告在某个人身上的eCPM值(e为estimated的首字母,意为预估),经过激烈竞争后选出最高者并展示广告。
03、广告主:提升CPM的途径
提升CTR、CVR、CPA
对于广告主的任务而言,提升CPM的路径究竟是什么呢?
我们需要对CPM进行拆解。
CPM = 1000 * CTR * CPC ——CPM与点击率、点击均价的关系
CPC = CVR * CPA ——点击均价与转化率、转化成本的关系
CPM = 1000 * CTR * CVR * CPA ——CPM与点击率、转化率、转化成本的关系
那么对广告主来说,提升CPM,无非就是尽力提高ctr、cvr以及cpa出价,这是很直白的道理;
信息流广告的重要公式仅有这三个,就算忘记了其他事情,也不能忘记它们!
附:具体的推导公式如下
04、广告平台的首要任务:
确立所有标的的统一竞争排序标准
以eCPM统一标的
对于广告平台的任务而言,首要之事,如何达成统一的竞争排序标准呢?
“不同的投放标的,如表单、加粉、APP,它们是否在同一个人群池子里竞争呢?出价和转化率各不相同,又该如何进行比较呢?”
依据CPM = 1000 * CTR * CVR * CPA,相应的eCPM = CPA * eCVR * eCTR * 1000,只要知晓了eCVR、eCTR以及CPA出价,就能够在eCPM维度上进行统一比较了。
从这张图能够看出,面对同一批A人群,针对不同的标的都有相应的eCPM值,很容易得知投放广告2表单标的的eCPM最高,从而胜出。
*当然,在实际的广告系统中,eCPM最高者胜出后,系统并非直接按照第一名的eCPM收费(一价收费),而是依据第二名的eCPM收费(二价收费)。为何如此呢?可在视频号搜索“信息流运营王学长”了解。为了便于下文讨论,此处均以第一名的eCPM收费(一价收费)为例。
那么,eCPM与CPM之间的关系是什么呢?eCPM是广告未曝光前的预估CPM值,实际曝光后便可得知真实的CPM值。因此,广告平台的使命便是使eCPM趋近于广告主的真实CPM值。
在此需要强调,平台无法改变广告主的真实CPM值,除了广告主自身!那种“只要成本达成,预算不限,帮我花完”的言论,怎么说呢…以后还是放在心里吧。
05、广告平台的第二重任务:
精确预估eCTR、eCVR
表单、加粉、APP等在同一流量池竞争
对于广告平台的任务来说,第二件事,如何精确地预估eCTR、eCVR呢?
预估是通过机器学习建模来实现的。
一直提及模型学习,它看不见也摸不着,那它究竟是什么模样呢。
模型可以抽象为一个函数 f(用户特征,广告特征,上下文特征),输入用户信息、广告信息、上下文信息后,便能输出用户的预估转化率。
详细的用户特征:
人口学属性:自然属性、教育状况、工作状态、婚恋状况、消费状态等
地理属性:地点、工作地点、居住地点、家乡、到访地点等
行为&兴趣爱好&意向
再营销属性:公众号关注、App安装、对广告是否感兴趣等
详细的广告特征:
广告基本属性:行业、广告主、商品类型、优化目标、出价、计费类型等
广告数据:广告历史曝光点击转化数据等
素材相关:文案、创意类型、素材指纹等
商品相关:商品维度的曝光点击转化数据等
详细的上下文特征
流量和广告位相关:广告位属性
环境相关:设备特征、联网方式、浏览内容特征等
需要注意的是,模型是动态更新的,这是因为不断有新的“输入 – 预估 – 真实比较”,广告模型函数每隔几小时就会更新一次。
例如,第一条样本,用户A在朋友圈点击了一条男装广告,模型预估eCVR为3%。实际已转化,所以模型会收到正反馈结果;经过学习迭代后,模型下一次更新后对于相似的用户在朋友圈点击这条男装广告,预估的eCVR可能会高于3%;
第二条样本,用户B在XQ点击了一条手机广告,模型预估eCVR为4%。实际未转化,所以模型会收到负反馈结果;学习迭代之后,模型下一次对于相似的用户在信息流点击这条手机广告,预估的eCVR可能会低于4% ;
…
大家都清楚,数据样本积累得越多,预估就会越准确。所以,点击预估eCTR相对较为容易,与真实CTR的偏差较小;但转化预估eCVR由于仅为点击数的百分之几,与真实CVR的偏差较大,这对于广告平台来说是最大的挑战。
06、广告平台的第三项任务:
实施动态价格调整
成本过高时降低价格,成本过低时提高价格
只要是预估,就会存在偏差,进而导致成本产生波动。
高估(预估会转化,实际未转化),成本会升高;
低估(预估可能不会转化,实际有转化),成本会降低。
当成本不符合目标预期时,系统该如何进行调整呢?
这便是广告平台需要完成的第三件事:通过调价因子进行价格调整。
根据公式,eCPM = CPA * eCVR * eCTR * 1000,所谓调价就是依据实时成本来动态调整eCPM,主要通过在CPA这个环节设置调价因子,当成本过高时降低价格,成本过低时提高价格,以使广告的实际成本更接近目标转化成本。广告主的实时调价需求,也可通过调价因子的变化来实现。
但倘若两个小时过去了,成本依然偏高,且这条广告的量级较大,那就需要找媒体运营查看,调价因子是否正常运作,然后给予下一步的建议。
07、oCPX:信息流广告的璀璨之星
在博弈中,oCPX被历史所选择
相对准确的预估和实时调价能力,使oCPX出价方式在计算广告领域成为出价的主流。
细数当下历史中常见的出价方式,CPM、CPC出价无法解决广告主的成本问题;
CPA出价也无法解决媒体平台可能受损的问题。因为只有在收到广告主的转化数据后,媒体才能进行扣费,要是有人故意少传转化数据来占媒体便宜该怎么办?即便将数据完整地传递给媒体,媒体在预估转化率时,只要存在预估,就必定会有偏差,超出的成本由媒体全部承担,这对媒体而言是不公平的交易。
这也不行,那也不行。该如何是好?
此时,oCPX站出来对广告主和媒体平台表示。
这样吧,广告主依然按照CPA出价,媒体平台全力协助达成目标。但为避免媒体吃亏,我们提前约定好,虽然按照CPA出价,但计费按照点击或曝光来收取。这是什么意思呢,就是只要有点击,就会进行收费。对于广告主来说,反正媒体已经先收费了,少传数据还会影响竞争力,那自然会如实上报,这个机制有效规避了广告主作弊的问题。
那广告主可能会担心,钱收了,效果能得到保证吗?坦白讲,无法像CPA那样完全满足成本要求,但由于能够实现相对准确的预估和动态调价,不会像CPC或者CPM出价那样,成本完全无法控制,广告平台会尽力将成本偏差稳定在一个合理的波动范围内,例如优先拿量不超过30%,稳定拿量不超过20%。
这里需要补充一下,关于oCPX,百度、字节、腾讯等公司曾各自有自己的叫法,如oCPA、oCPC 、oCPM等,其本质是相同的,名称并不重要。现今业界基本会统一为oCPC 、oCPM这两种叫法,按照CPA出价,计费按照【点击收费】则称为oCPC,计费按照【曝光收费】则称为oCPM。选择哪种计费方式由广告平台决定,主要是基于收益稳定性的考虑,但总体上效果差异不会太大,因为点击收费和曝光收费是可以相互转化的。
举个例子,系统预估某广告在A人群上预估其中CPA出价 = 20,eCTR = 2%,eCVR = 5%。若按照oCPM计费,那么CPM = eCPM = 20元;若按照oCPC计费,根据公式CPC = CVR * CPA,那么CPC = 1元。
总结,信息流广告基础原理的七个关键知识如下:
1、从平台收益角度考虑,流量归属于CPM最高者;
2、广告主的任务是提升CPM,广告平台的任务是准确选出CPM最高值;
3、公式CPM = 1000 * CTR * CVR * CPA,为广告主提升CPM指明了方向;
4、eCPM为广告平台找到了统一所有标的竞争排序标准;
5、机器学习能够相对准确地预估eCTR、eCVR;
6、成本的波动可通过实时调价来进行校正;
7、准确的预估和调价使oCPX成为信息流广告的闪耀之星。
以上内容基本上涵盖了信息流广告的全部知识,甚至如果只保留一条的话,那就是
(e)CPM = CPA * (e)CVR * (e)CTR * 1000的公式了。
有了这个公式,优化师的核心操作就明确了:
1)通过提升CTR * CVR来增强竞争力;
2)通过合理的运营操作,助力模型迅速积累必要的转化数据,使模型在大多数情况下能够准确预估广告的CTR、CVR,以实现成本目标。
毫无神秘之处,常识往往简单,却容易被忽视。
2 本站部分内容来源于网络,仅供学习与参考,如有侵权,请联系网站管理员删除
3 本站一律禁止以任何方式发布或转载任何违法的相关信息,访客发现请向站长举报
4 精准获客感谢您的访问!希望本站内容对您有所帮助!
暂无评论内容