为什么要进行CTR预估？这篇文章告诉你

刷微信和微博的时候，有时候会惊叹广告很精准——“这就是我想要的！有时候会觉得广告极其不靠谱——“我怎么能点呢？“在所有这些背后，广告工程师都尽了最大努力——即使在我们看来不准确，他们也挑选了机器认为你最有可能点击的广告，这取决于CTR估计技术。CTR估计是招标广告的核心逻辑之一。许多人认为CTR估计非常深刻，根本无法理解逻辑。事实上，作为一个纯技术模块，CTR估计要做一个简单的科学推广并不容易。威西致力于用简单的语言描述复杂的问题，今天试图用人话来解释CTR估计的背景。请放心，这篇文章不会涉及任何深刻而难以理解的公式和技术逻辑。懂中文的学生可以理解逻辑。首先，CTR在招标广告系统中起着神马作用？CTR（Click-Through-Rate）为了点击率，它是互联网广告中最基本的概念。让我们来看看点击率是否意味着一个竞价广告系统？让我们先做一个简单的话题——阿迪和耐克作为广告商竞价。阿迪每次点击2元，耐克每次点击1元。如果微信广告平台曝光100次，应该给谁？阿迪还是耐克？有人说，当然是给阿迪的。它的价格很高。答案是错误的。如果阿迪的点击率是1%，耐克的点击率是5%，那么阿迪可以生成一个点击，每个点击1元，微信可以赚2元；耐克可以生成5个点击，每个点击1元，微信可以赚5元。广告平台不傻。当然，我们应该给耐克！好吧，从这个简单的案例中，我们可以看到几点：广告平台关心自己的流量价值——也就是说，他们的流量曝光是昂贵还是便宜，通常使用ECPM(earningcostpermille)衡量这一指标，即每1000次曝光带来收入。广告商通常根据点击扣除费用，即广告商通常关心结果，投标原则取决于点击要花多少钱。广告平台需要将点击投标转换为ECPM进行扣费和排序。CTR架起了从点击到曝光的桥梁，为排序提供了基础。总而言之，这是一个简单的公式——ECPM=1000*CTR*点击出价，在上述情况下，阿迪的ECPM=1000*10%*2=20，而耐克的ECPM=1000*5%*1=50。显然，耐克的ECPM大于阿迪的ECPM，所以耐克会在这次竞价中获胜。从这种情况下，我们可以看到CTR用于广告排名，排名本身就是竞价广告的核心，所以CTR估计也是竞价广告的核心技术之一。不仅广告系统需要CTR估计来排序，推荐系统也需要CTR估计来排序，所以CTR估计应用实际上比我们想象的更广泛：YouTube、CTR估计将应用于亚马逊、今日头条等涉及个性化推荐的系统，即他们想向您推荐您最有可能点击的内容。广告系统的CTR估计在具体值上比推荐系统要求更高。比如推荐系统可能只需要知道A的CTR比B大就可以排序，而且广告系统不仅要知道A的CTR比B大，还要知道A的CTR比B的CTR大多少。二、为什么要进行CTR预测？在这里，我们已经明白了CTR的重要性，即CTR是广告排名的前提，它连接到点击和曝光，然后我们会有一个新的问题：为什么要估计CTR？你不知道它的CTR有多少钱吗？“你不知道它的CTR有多少钱吗？“这句话一般都是对的，但事情远没有那么简单。我举个例子，你就知道了。如果广告平台上有四个广告商投放广告，那么这个广告平台上有4000个用户。这四个广告商分别卖娃娃、游戏机、西装和高跟鞋。出价是1元一次点击。在这个时候，当我们不知道CTR时，我们应该做什么，所以我们尝试投资，每个广告投资100次曝光。最后，我们发现他们的CTR是25%，出价和CTR是一样的。根据我们上面的公式，ECPM是一样的，我们按ECPM排序，所以我们不能排序——每个ECPM都是一样的，所以我们只能在广告平台上随机发布这四个广告。但让我们回去看看实际情况。我们可以理解，25%的点击率是如何发生的。CTR的整体不可靠。事实是，该平台共有4000名用户，均匀分为四组：1000名成熟男性；1000名成熟女性、1000名女性和1000名男性只点击她们喜欢的东西，比如成熟男性只点击西装，他们对自己喜欢的东西的点击率是100%，对自己不喜欢的点击率是0%。当我们随机投放时，每个人的点击率都是25%。嗯，现在你可以看到，直接用试投的点击率来估计结果是用群体数据代表个体差异，也就是说，当一个成熟的男人要求广告时，我们会认为给他一个娃娃和给他一套西装没有区别。嗯，现在你可以看到，直接用试投的点击率来估计的结果是用群体数据代表个体差异，也就是说，当一个成熟的男人要求广告时，我们会认为给他一个娃娃和给他一套西装没有区别。因为娃娃和西装在试投阶段的整体点击率是25%，虽然他们的点击率实际上有很大的不同，一个是100%、另一个是0%。因此，当我们能够通过特征差异正确个性化地估计CRT时，我们就能够正确地排序。当一个成熟的男人要求广告时，广告商西装会在竞价中获胜，因为我们知道它的CTR100%高于娃娃、高跟鞋和游戏机的0%。因此，从这种情况下，我们可以理解，我们不应该直接、一般地看试投的点击率，而应该对个人进行有针对性的单独估计。试投阶段仍然存在，但我们将通过某个模型以交叉特征查看每个个人的点击率，以便下一个具有此特征的人访问时，我们可以相对更准确地估计。同时，我们也从上述案例中发现，CTR的正确估计已经从25%增加到100%，广告平台的收入也将增加，这就是CTR估计的意义所在。三、如何进行CTR预测？通过这个案例，我们可以看到，至少有三个特征决定了广告的点击率——广告商行业、用户年龄和用户性别。事实上，在实际的广告系统中，决定广告点击率的因素数不胜数。我们主要将这些因素分为三类——第一类是广告商，如广告创意、广告表达形式、广告商行业等，劳斯莱斯的广告和可口可乐的广告点击率肯定有很大的不同。二是用户侧，如人群属性，上述案例是年龄和性别。事实上，决定创造力的因素有很多——年龄、性别、地区、手机型号、WiFi环境和兴趣..三是广告平台侧，如不同的广告空间、交付时间、流量分配机制、频率控制策略等。在CTR估计中，这些决定因素被称为特征，而CTR估计的第一步是“特征工程”，即找到并数字化这些特征。特色工程是一个复杂的工程。仅仅判断不同的特征是否会对CTR产生影响是一个巨大的项目。特色工程的攻城狮必须在第一步列出不同的特征，这可能会影响CTR。这有时取决于直觉，有时取决于经验。确定特征后，需要处理这些特征——即将特征数据化，例如，将所有特征转化为0和1的二值，并将连续特征分散，平滑特征值，量化多个特征....以上一段看不懂吗？不懂也没关系。你只需要明白，所有这些特征都会被攻城狮编码成一系列可计算的数组。特色工程是一项重要的基础工作。像今日头条和百度这样的广告平台有一个庞大的团队来做特色工程。嗯，特征项目完成后，模型开始建立。许多学生看到“模型”这个词就开始皱眉。没关系。你可以这样理解模型：模型是一个黑盒子。我们在盒子的一侧输入大量参数，在盒子的另一端输入CTR值。例如，我们输入这样的参数：一个高跟鞋广告商，20-30岁的女性用户，对金融感兴趣，周末在微信时刻排名第三。.给CTR一个值。例如，我们输入这样的参数：一个高跟鞋广告商，20-30岁的女性用户，对金融感兴趣，周末在微信时刻排名第三。.请给出CTR值。模型将根据不同特征的值计算一个值。至于如何计算，非技术学生很难理解。我们可以简单地理解CTR是一个具有无数特征的函数，CTR=f(x1、x2、x3、x4、x5..)，模型是选择神马样函数进行预测。让我举一个最容易理解的线性函数：CTR=ax1 bx2 cX3 dx4 ex5...(这只是一个假设，实际上模型是这个复杂N倍以上)。每个函数都有相应的参数(如刚才案例中的a)、b、c、d），如何确定这些参数需要历史数据进行培训，即喂养一些已知的数据。模型根据这些数据不断调整参数。喂食越多，调整越准确，最终预测效果越好。在所有这些特征中，有些影响因素会更大，有些会更小。例如，在搜索广告中，搜索关键词和广告关键词的匹配程度是一个影响因素很大的因素，历史CTR也是一个影响因素很大的因素，其他因素会有不同程度的影响。为了使CTR估计更加准确，工程师每天的工作就是尝试新的特征，尝试新的模型，训练不同的模型参数，谷歌，Facebook、阿里巴巴和百度的工程师在这些领域发表了许多顶级论文。CTR估计效果如何评估？好吧，下一个问题，如何评估CTR估计的效果？工程师将有一个特定的指标来衡量效果。对于非技术学生，有些人会直观地说，这当然取决于CTR是否变得更高：正确估计CTR不是为了挑选和展示真正高CTR的广告吗？错误的估计-低估高CTR或低CTR将使高CTR排名第一，从而减少CTR。这种说法是建立在推荐系统中，但在广告系统中是不准确的，因为广告排名不仅是CTR排名，而且是综合竞价排名，即ECPM排名，有时CTR估计准确，但（实际）CTR会下降，我们看到一个实际的例子：这大量的数字你可能不理解，我们只需要理解以下逻辑：广告通过估计ECPM的大小来判断谁获胜，而估计ECPM等于估计CTR*竞价。在这种情况下，图1中的CTR预测是正确的，阿迪达斯的CTR30高于耐克的20，因此获胜。实际的广告ECPM是赢家的ECPM，因为广告平台把所有的曝光都给了赢家，这相当于赢家的实际CTR*出价。实际的广告ECPM是赢家的ECPM，因为广告平台把所有的曝光都给了赢家，这相当于赢家的实际CTR*出价。图2中，耐克的CTR从2%错误估计为4%，导致其预测ECPM高而获胜，而实际发布的CTR为2%。在这种情况下，如果预测正确，CTR就会很低，如果预测错误，CTR就会很高。然而，如果图1的预测正确，实际ECPM30高于图2的预测错误ECPM20。因此，从这种情况下，我们可以看到ECPM是衡量CTR估计最重要的指标。当然，在实际实践中，ECPM通常是正确的、CTR、这些收入指标通常会上升。另一个非常简单的方法是直接比较估计CTR和真实CRT。因为估计CTR将估计每个广告显示，例如，这次估计CTR为2%，但单个广告的真实CTR只有两个结果，点或不点，即100%、0%，所以看单个结果是没有意义的。我们应该从一个群体的角度来看——根据预测的CTR从小到大对每个广告曝光进行排序，然后，CTR和实际CTR的平均预测可以根据单位(如每1万次曝光)来知道预测CTR的准确性。以上就是关于CTR在竞价广告中估计的入门级科普，广告是一个复杂的系统，里面有无数精致有趣的逻辑。