电商平台广告算法解析

电商平台的广告算法，虽各公司有所差异，但部分本质相通。个人认为阿里技术团队19年写的cpc优化算法论文很值得一读。

这里尝试用人话讲解该论文中与电商卖家相关的内容，着实有些麻烦。论文虽为阿里技术团队所写，但在峰会上只摘取了通用于所有电商平台的核心思想，即如何最大化利益的策略。

平台优化广告的依据

论文提到平台优化卖家广告的策略，是在ROI和流量质量前提下，最大化卖家的GMV，因为这最符合平台利益。

As a typical case, this paper sets ROI and gaining quality traffic as the advertisers’ demand, and GMV as the platform ecology index, which along with platform revenue are optimized by adjusting the advertisers’ bids.

最大化卖家GMV是基于稳定的预期ROI，其公式如下。

参数说明：

roi_a: 特定广告（称为a）的预期ROI。 分子上的v_a：PPB（Paid Per Buy），预期客单价。 分子上的sum_u of n_u · p(c|u, a)：sum象征统计学总和，sum_u是用户总和，n_u是用户在一段时间内点击广告的次数，p是接受u和a作为输入的函数，u是用户数据，a是广告整体数据，所以p(c|u, a)是预估的用户u针对广告a的转化率c，sum_u of n_u · p(c|u, a)就是一段时间内所有看到广告的用户的点击总数乘以该用户的支付转化率。 分母上的b_a：广告a的竞价bid。 分母上的sum_u of n_u：一段时间内看到广告的所有用户的总共点击次数。 分子上的E_u[p(c|u, a)]：综合考虑所有用户数据后所得的预期用户转化率c。

这个公式很直观，体现了平台内每天发生的广告事件。众多用户点击广告，他们对商品的预期CVR不同，商品的预期PPB也不同，最终导致不同的预期ROI。

ROI决定了平台的自动调价功能

上述公式不能单独运作，它只是一个店铺中一个广告a的预期ROI。平台有了预期ROI后，就有了稳定ROI的公式。

b-*_a就是自动调整的出价bid，平台调整的价钱符合上述公式，就能避免ROI下降。

重要的是，这个公式基于平台计算用户对商品的预期CVR（即p函数）。若CVR数值在一定统计范围内正确，公式才正确，否则错误。一般电商平台会融合深度学习提高p函数准确率，错误概率应在统计学范围内可接受。

该公式中需注意，分母是一段时间内所有用户的预期转化率CVR，分子是广告展现给特定一个用户时的预估CVR。

平台的算法并不一定能长期优化你的广告ROI/Acos

很多卖家说不清为何随着时间推移，广告的ROI或Acos表现越来越好。核心原因是p函数使用了深度学习技术，随着时间增加，p函数针对广告会有越来越好的CVR预测模型。

即使p函数不随时间优化，广告系统也会筛选广告候选人，如淘宝的o Search Node (SN) Server，亚马逊体系中虽名称未知，但原理相同，即不可能向用户展现所有广告，需计算用户对产品的预测喜爱程度，数学上最好的体现就是E[CVR]（即原文中的E[p(c|u,a)]）。

然而，这并非必然，很多产品的ROI/Acos不会随长时间广告明显下降。原因在于优化p函数需考虑用户画像，产品特征不明显或设计太独特，平台难捕捉合理人物画像，p函数会越来越畸形，失去区分优质流量和劣质流量的功能。

产品差异化，也要满足大部分人的需求

一直鼓励差异化，但很多卖家的差异化脱离了大部分人的需求。在电商环境中，小部分人的需求市场太小。不过，这种说法较人文，需讲究科学。

在广告算法中，过度差异化的产品，即过于小众的产品，广告难捕捉准确人群。部分运营认为可依赖关键字定向，但小众产品的关键字搜索量难以想象，投放广告时多依赖广泛匹配等自动匹配算法，这又回到人群定向和p函数范畴。上文讲过，产品款式特殊，p函数很难训练准确，反而会越来越变形。

如果产品差异化严重且只适合小众人群，推荐选择独立站。

产品调整的策略更加明确

如果一个产品在一定周期内，ACOS/ROAS没有下降，大概率在推荐过程中未得到系统优化，即产品人群特征不明显。此时运营要审视产品是否为大众款。

若产品不是大众款，需判断listing是否有问题，因为小众款式需listing上的关键字协助系统持续优化p函数。

若产品是大众款，问题可能出在款式/图片上。运营可选择放弃或趁早换图。因为面对大众款式，p函数的持续优化能力值得信任，其应能提升计算预测CVR的能力。产品Acos未随时间下降，可能是图片或评论区评分等小因素阻碍了转化，所以要重新审视同行及自身图片和review的对比。

这里所说的Acos随时间下降，并非一定会从80%降至10%，可能是80%降至65%，不同类目竞争压力不同，下限也不同。

平台广告vs流媒体广告

在峰会上讲解公式时，提出一个重要问题，即为什么facebook广告这么难，多数卖家投放facebook广告时ROI难看。因为Facebook广告的优化方向与平台电商不同，一般Youtube、Facebook和国内的抖音这类流媒体以优化CTR为主，它们无法像平台电商那样用GMV最大化作为策略，因为缺乏CVR数据。

站外广告大多数以优化CTR为主

站外流量渠道因缺乏CVR数据，很难用最大化GMV、稳定ROI的策略优化广告，多采用最大化CTR、最大化预估页面逗留时间来实现广告优化目的。

有人认为Facebook和Tiktok有Pixel，Google有analytics可跟踪站内销售，能通过最大化GMV进行广告优化策略，我坚决否定。因为pixel和analytics无法100%正确跟踪，数据丢失会极大影响广告算法判断，最终得到畸形的GMV优化策略。以目前互联网形态，优化CTR最为合理。

Facebook具备代表性，拥有庞大人群、成熟广告系统、一流广告优化算法，备受中国大陆卖家喜爱。

Facebook知道单纯预测CTR不可行，依赖用户隐私信息增强广告准确度，其算法中有用户隐私参数。所以在2020年12月，Facebook对苹果IOS14修改IDFA隐私条款表示不满，因为苹果设备IDFA会影响facebook广告准确度和效果跟踪，进而影响盈利。

值得强调的是，平台电商烦恼较少，因为掌握了用户所有购物数据，可直接使用例如Collaborative filtering这类算法进行好物推荐。

而且平台电商具备搜索功能，用户购物时直接搜索关键字，进入广告系统和CVR预测流程，这些是Facebook等流媒体不具备的。

这就是为什么Facebook广告以最大化CTR为最终目的，在这种模型下，虚假广告因CTR爆表往往获得青睐，系统对其预测模型会错判，误认为产品人见人爱，形成了现在的facebook爆款模式。

Q：Facebook Pixel能不能合理跟踪CVR

A：可以跟踪，但数据不完整，在广告优化过程中具参考价值，但不能作为绝对依据。

精品模式 + Facebook何去何从

爆款模式因离谱的虚假广告在facebook称霸至少5 - 7年，精品模式的卖家想在Facebook这类流媒体中存活，需做对很多事。

第一件事情就是，你需要明确你的方向，是出单还是品牌。

在峰会中详解过为什么CPM曝光广告被多数卖家低估，以及如何结合CPM和CPC一起打才有效。峰会上强调了Youtube的视频广告，Facebook的CPM广告也可考虑。做精品卖家并结合Facebook发展时，要想清楚投放CPM还是CPC。

记住，一开始就投放CPC，很可能永远赚不到钱，因为CPC的ROI可能永远亏损，除非产品和广告创意非常出色。

这里温馨提示卖家，做精品直接投放cpc亏损概率大，基于产品是正常卖家水平。若产品超级好，广告创意图或视频很棒，cpc赚钱也有可能，但要客观审视自己的产品。

投放CPM会让产品在特定人群（由自己设置的人群特征控制）中知名，大概100万曝光至少。后续会发现网站自然流量增多，其他cpc广告的ROI也会逐步攀升。

所以要做出选择，是花时间在产品和广告创意上做cpc广告，还是花资金烧CPM广告销售大众产品，再配合cpc和自然流量出单。

在目前恶劣竞争环境下，可能优秀的产品 + cpm打造品牌 + 自然流量/cpc广告进行转化是唯一出路。

盲目在Facebook投放CPC这类以转化计算效果的广告，会让精品之路走向死胡同，因为竞争对手可能是夸张广告和虚假产品。

---未完持续---

（来源：牛津小马哥）

以上内容属作者个人观点，不代表风口星跨境立场！本文经原作者授权转载，转载需经原作者授权同意。

（来源：牛津小马哥）

如今电商行业竞争愈发激烈，广告算法对于卖家来说至关重要。一些新兴的电商平台也在不断探索适合自身的广告算法模式，以提升卖家的GMV和平台收益。比如某新兴电商平台通过大数据分析用户行为，精准定位目标客户群体，优化广告投放策略，取得了不错的效果。这也进一步证明了合理运用广告算法对于电商平台发展的重要性。