基于第二价位的广告竞拍

点击率预测可以提供对广告优劣的一种预测，还需要机制来决定如何从众多的广告中进行选取,这就是广告的竞价排名。

广告位竞价排名的出现有两个原因。第一，发布商的广告位是有限的。不管是搜索广告还是展示广告，绝大多数的发布商都以一定的比例在原生的内容，例如新闻、社交媒体内容里插入一些广告位。但是这些广告位的数目是有限的，特别是在优质的发布商资源里，就会出现一些广告位有着很大的竞争。第二，既然有竞争，那么如果引入一种竞价机制的话，势必有可能抬高广告的单价，从而让广告中间平台例如DSP，或者是发布商从中获取更高的价值。

基于第一价位的竞拍

所谓基于第一价位的竞拍，指的是所有的投标方都定好自己的出价，然后一次性统一出价。 在出价的过程中，所有的投标方都是看不见竞争对手的出价的，这保证了出价的诚实性。当竞拍平台接到所有投标方的出价以后，按照出价由高到低排序，出价最高的投标方获得投标的胜利。

在广告系统中，如果要采用这样的形式，那么，决定最后投标顺序的不再是单纯的价格，而往往是一个投标价格和点击率的函数，最简单的函数就是点击率乘以投标价格。这其实也可以被认为是一种“期望收入”。也就是说，如果发布商或者DSP是按照广告的每一次点击来收取费用的话，那么，点击率乘以投标价格就是这种收入的一个数学期望值。

所以，基于第一价位竞价的广告系统，按照广告收入的期望值进行竞价排名。排名第一的广告被选为显示的广告。

这种机制在早期的互联网广告平台中曾被大量使用。但是一段时间以后，大家发现，基于第一价位竞价的竞价结果往往是“虚高”的。这也很容易形象地解释，在大家都不知道对方出价的情况下，如果希望自己能在竞拍中胜出，势必就可能报出比较高的价格。另外一个方面，投标方并不清楚这个广告位的真实价值，大家只能在条件允许的情况下，尽量抬高价格来获取这个机会。从某种意义上来说，这样的竞价并不利于广告商的长远发展，也打击了广告商的积极性。

基于第二价位的竞拍

就是在基于第一价位竞价的基础上， 互联网广告界逐渐衍生出了一种新的竞拍方法一基于第二价位的竞拍。首先，和基于第一价位的竞拍模式一样，基于第二价位的模式也是按照广告的期望收入，也就是根据点击率和出价的乘积来进行排序。但和基于第一价位模式不一 样的是，中间商或者发布商并不按照第一位的价格来收取费用，而是按照竞价排位第二位的广告商的出价来收取费用。也就是说，虽然第一名利用自己的出价赢得了排名，但是只需要付第二名所出的价格。时至今日，基于第二价位的竞拍方式已经成为了互联网广告的主流竞拍模式。

基于第二价位的竞拍方式好处在于，在这种形式下，广告商按照自己对广告为价值的理解来竞拍是相对较优的策略。技术难点在于对于广告商来说，主要是希望知道在当前出价的情况下，究竟有多大的概率赢得当前的竞拍。这也就是所谓的“赢的概率”，这对于广告商调整自己的出价有非常重要的指导意义。对于整个出价的概率分布的一个估计，有时候又叫作竞价全景观(Bid Landscape)预测。这是一个非常形象的说法，因为广告商希望知道整个赢的概率随着出价变化的整个分布，从而调整自己的安排。

这样的预测工作会用到一些简单的模型。比如，有学者认为，赢的价格服从一个“对数正态分布”(Log-normal) 也就是说，广告商出的价格并且最终赢得竞拍的这些价格，在取了对数的情况下，服从一个正态分布。当然，这是一个假设。但是有了这么一个假设以后，我们就可以从数据中估计这个对数正态分布的参数，从而能够对整个“竞价全景观”进行估计。

对于“竞价全景观”或者是赢的价格分布的估计有一个比较困难的地方，那就是，作为广告商来说，往往并不知道所有其他竞争对手的出价，以及在没有赢得竞拍的情况下，那些赢得竞拍的出价是多少。简而言之，也就是我们只观测到了一部分数据，那就是我们赢得这些广告位的出价。在这种只有一部分信息的情况下，所做的估计就会不准确。

广告竞价策略

竞价策略

其实这个问题主要是在“实时竞价”，或简称RTB的背景下来探讨的。RTB是DSP目前流行的竞价模式，也就是广告商等利用计算机程序来自动对广告竞拍进行出价。从实际的运作中来看，这样的自动竞价模式要比人工竞价更加方便快捷，也更加高效。然而，在自动竞价的模式下，我们势必需要一种指导思想，来让我们的计算机程序能够随着形式的变化来进行出价。

在RTB中，竞价策略的环境。竞价的一个重要特征，作为一个竞价方，并不知道其他竞标方的点击率和出价，因此处在一个信息不完整的竞价环境中。只能根据自己的点击率估计和自己的出价，以及过去出价的成功与否来对整个市场形势进行判断。这就是RTB竞价策略的一大挑战和难点。

在这样的背景下， RTB竞价策略的研究和开发集中在以下两种思路上。

一种思路是把整个竞价策略当做一种“博弈”(Game) ，从而根据博弈论中的方法来对竞价环境中各个竞标方的行为和收益进行研究。 用博弈论的方法来对竞价进行研究有一个最大的特点，那就是博弈论主要是对各个竞标方行为之间的关联性进行建模，这种关联性包括他们之间的收益和他们的动机。

另外一种思路是把整个竟价策略当做是纯粹的统计决策,也就是直接对广告商的行为进行建模,而把整个竟价环境中的种种联系都当做是当前决策下的不确定因素。在这样的思路下,各个竞标方之间的行为关联变得不那么重要,而对于整个不确定性的建模则变得至关重要。

第一种思路,也就是利用博弈论的方法来对竟价策略进行硏究主要存在于学术界。虽然从理论上来说,博弈论可能提供一种比较有说服力的解释,但是这种思路需要对整个竟价环境有非常多的假设(例如竞标方是不是理性,市场是不是充分竞争等等)。而第二种思路,仅仅需要从广告商自身的角度出发,因此在现实中,这种思路的操作性更强,从而受到工业界的青睐。

总的来说,第二种思路其实就是根据当前的输入信息,例如页面信息、广告信息、用户信息以及上下文信息等,学到一个输出价格的函数,也就是说,这个函数的输出就是在现在情况下当前广告的出价。当然,这个函数势必需要考虑各种不确定的因素。

搜索广告和展示广告的竞价

搜索广告和展示广告的竞标存在着不小的区别，因此，从技术上来讲，就发展出了一系列不同的方法。

对于搜索广告来讲，在大多数情况下，每-一个出价都是针对某-个搜索关键词的。利用机器学习方法对搜索广告的出价进行建模的工作。在这个工作里，每一个关键词的出价来自于一一个线性函数的输出，而这个线性函数是把用户信息、关键词以及其他的页面信息当做特性，学习了一个从特性到出价的线性关系。这可以算是最早的利用线性函数来进行出价的例子了。

展示广告的竞价则面临着不同的挑战。首先，在展示广告中，场景中并不存在搜索关键词这种概念。因此，很多广告商无法针对场景事先产生出价。这也就要求RTB的提供商要能够在不同的场景中帮助广告商进行出价。

同时，相比于搜索广告针对每一个关键词的出价方式来说，针对每一个页面显示机会出价的挑战则更大。理论上讲，每一个页面显示机会的价格都可能有很大的不同。很多RTB都利用一种叫作CPM的收费模式，也就是说，一旦某一个广告位被赢得之后，对于广告商来说，这往往就意味着需要被收取费用。所以，在展示广告的情况下，如何针对当前的页面显示机会以及目前的预
算剩余等等因素进行统一建模，就成为一个必不可少的步骤。

竞价策略的其他问题

因此，在广告竞价策略中，还存在着一个叫“预算步调”(Budget Pacing)的技术，也就是希望能够让广告的展示相对平缓而不至于在短时间内使用完全部的预算。这势必对于广告如何出价有着直接的影响。

另外，对于平台而言，虽然竞价保证了一定的竞争，但是也并不是所有的展示机会都有非常充分的竞争。因此，从平台的角度来说，如何能够保证一定的收益就变得十分重要。在这样的情况下，有的平台有一种叫作“保留价格”(Reserved Price)的做法，用来设置一个 最低的竞价价格。保留价格虽然能够来保证收益，但是也可能会让广告商觉得不划算，因此如何来设置这个保留价格，也就成为了出价策略中的一个重要组成部分。