28 计算广告：互联网广告到底是如何运行的？

来自刘鹏和王超所著的《计算广告：互联网商业变现的市场与技术》，内容涵盖了互联网商业变现的市场、技术和算法。它从工程实践的角度探讨了大数据问题的界定标准，并结合图表分析了不同类型数据处理问题对技术架构的需求。书中详细介绍了多种在线广告形式，如富媒体广告和视频广告，并阐述了广告效果评估的阶段，包括曝光、关注、理解和决策等。此外，它还深入讲解了程序化广告生态系统中的关键技术，如实时竞价（RTB）的流程、需求方平台（DSP）、供给方平台（SSP）以及数据管理平台（DMP）的架构和业务模式，并探讨了竞价机制设计、优化算法（如拉格朗日法和梯度下降法）和大数据计算框架（如Spark和Hadoop）的应用。最后，来源还讨论了点击率预测模型的挑战、探索与利用（E&E）策略以及广告系统中的隐私保护原则，特别强调了稀疏行为数据带来的隐私风险。

广告竞价与分配策略对最优化理论的运用，是计算广告实现商业目标和收益最大化的核心所在。计算广告的核心挑战在于为一系列用户与环境的组合找到最合适的广告投放策略，以优化整体广告活动的利润,。

最优化理论的应用贯穿于广告系统的各个层面，从宏观的市场机制设计到微观的流量实时决策，确保在资源有限和多方博弈的环境下达成商业目标。

I. 计算广告的核心优化问题

计算广告将商业目标转化为可量化的数学问题进行求解。

目标函数确定（Objective Function）：广告系统的最终目标是利润最大化。这被表述为对一段时间内所有广告展示的总收入 ($r$) 与总成本 ($q$) 的差进行最大化：$\max \sum_{i=1}^{T} {r(a_i, u_i, c_i) - q(a_i, u_i, c_i)}$。

约束条件引入（Constraints）：由于存在预算限制（如DSP）或合约量的要求（如展示量合约GD），该问题成为一个带约束优化问题（Constrained Optimization）。

收入分解与eCPM：广告收入 $r$ 通常被分解为千次展示期望收入 (eCPM)，即点击率 ($\mu$) 和点击价值 ($\nu$) 的乘积，这是计算广告中评估收益最核心的量化指标,,。在竞价广告中，这可以具体表示为：$eCPM = \mu(a, u, c) \cdot \nu(a, u)$。

II. 竞价机制中的最优化应用（机制设计）

竞价广告（如搜索广告和广告网络）通过设计市场规则来保证市场稳定性，并最大化平台收益。这属于机制设计（Mechanism Design）的范畴。

定价问题（Pricing）：广义第二高价（GSP）在有多个广告位（Position Auction）的拍卖中，竞价定价策略旨在使得广告主有动力给出真实的估价，并防止市场收益的不断下降,。
GSP策略要求赢得广告位的广告主支付其下一位广告主的出价（按eCPM排序后）。对于按点击结算（CPC）的竞价，实际支付价格需除以该广告的点击率，以实现eCPM上的第二高价。
虽然VCG定价（Vickrey-Clarke-Groves）在理论上是更合理的，因为它确保了市场是“truth-telling”的（广告主说出真实估价），但由于其逻辑复杂，GSP因实现简单、易于解释而在实际系统中更为主流,。

市场保留价（Market Reserve Price, MRP）为了控制广告质量和保持出售单价，竞价广告市场会设置最低价格（底价）。
优化理论被用于计算最优的动态MRP。通过分析竞价广告主的eCPM分布，可以确定一个既能提高整体收益，又不会导致流量填充率显著下降的CPM底价。

价格挤压（Price Squashing）在eCPM计算中引入价格挤压因子 ($\kappa$)，如 $r = \mu^{\kappa} \cdot bid_{CPC}$，可以影响竞价体系，使其偏向质量或出价。平台可以通过调整 $\kappa$ 来更主动地影响市场竞争方向，例如提高 $\kappa$ 以强调质量，降低 $\kappa$ 以鼓励竞争或提高短期营收。

III. 流量分配策略中的最优化应用

在流量分配层面，最优化技术用于解决如何在流量分配和出价中平衡预算约束和收益目标。

合约广告（GD）中的在线分配（Online Allocation）担保式投送（GD）的核心问题是在线分配问题，即在满足所有合约的投放量要求的前提下，实时决定每一次广告展示的分配，以优化整体效果。
该问题被抽象为具有供给约束（Supply Constraint，流量不超过总量）和需求约束（Demand Constraint，满足合约量）的二部图匹配问题。

实用优化算法：由于问题的规模庞大且需要在实时在线环境中决策，直接求解（如线性规划）效率低,。因此，常采用：基于对偶算法的紧凑分配方案（Compact Allocation Plan）：利用拉格朗日对偶函数将原问题转化为对偶问题求解，可以得到一种紧凑且无状态的分配方案，便于多台服务器高效执行。
启发式算法（如HWM）：高水位算法（HWM）通过离线计算每个合约的资源紧缺程度，确定分配优先级和分配率，然后在线上根据概率和优先级进行投放决策。

需求方平台（DSP）的出价策略DSP通过实时竞价（RTB）购买流量，其优化目标是在广告主预算约束下最大化自身利润。
出价策略被建模为量约束下的效果优化问题，其目标函数是最大化单位流量产生的利润（$r_{ia} - m_i$），其中 $m_i$ 是市场价格的估计值。
DSP利用最优化模型估算流量的 eCPM 和市场清算价（market clearing price），将预算集中投入到利润率最高（eCPM与市场价的比例最大）的流量上，从而实现套利。