广告技术系列（二）：程序化广告与竞价机制

上一篇讨论了广告主、媒体和平台的目标。本篇沿用运动鞋新品投放的场景，回答一个更具体的问题：同一次展示机会来了，谁能参与、按什么排序、最终付多少钱？

这三个问题分别对应交易资格、分配机制和支付规则。再加上计费事件，才能解释一笔广告费用如何产生。把它们都归入“竞价”，容易混淆固定价格与拍卖、预估价值与实际收入，以及胜出与成功展示。

程序化交易不只有公开竞价

程序化的核心是用系统执行交易与交付，它既可以服务预先谈好的合同，也可以组织实时拍卖。是否保量、如何定价、谁能参与，是三个可以分别约定的维度。

“Programmatic Direct”可以泛指程序化直采，不宜统一等同于保价保量；PMP 也可能作为私有交易的较宽泛名称。本文用表中的具体安排讨论合同含义。RTB 描述实时竞价机制，私有拍卖也可以通过 RTB 完成，不能只把公开拍卖叫作 RTB。

四种安排没有普遍适用的固定优先级。媒体可能需要保障合同交付，也可能让部分 Deal 与公开报价一起竞争。平台实现必须按合同、交付进度、底价和产品规则执行，不能直接硬编码“保量 > 优先 > 私有 > 公开”作为行业标准。OpenRTB 实施说明

Deal ID 用于关联交易条件，条件仍需由双方配置并校验。持有一个 ID 不等于自动获得参与权限；邀请制也不能单独保证库存真实、可见或符合品牌要求。

先区分单位置拍卖与多位置分配

第一价格：报价影响胜率，也决定支付

在简单的单物品第一价格密封拍卖中，最高合格报价获胜，并支付自己的报价。若一次机会的价值为 10 个货币单位，报价越高通常越容易获胜，但获胜后的剩余价值越少。

设其他人的最高合格报价分布为 F，忽略平局与其他约束时，风险中性买方的期望收益可写为：

期望收益(b) = (v - b) × F(b)

这就是 Bid Shading 的基本权衡。工程中的难点是估计获胜概率，而不是寻找一个通用折扣系数。失败竞价、未返回清算价和平台过滤都会造成样本选择与截断，直接对已赢竞价的价格求均值，不能得到完整市场价格分布。

一个特定理论模型下，若 n 个风险中性竞价者的独立私人估值同分布于 U[0,1]，无底价、预算限制且 n ≥ 2，对称均衡报价为 b(v) = (n-1) × v / n。它用于说明竞争的作用，不是生产出价公式。所有人使用相同的严格单调策略时，压低报价也不必然改变价值排序。

第二价格：支付由竞争门槛决定

在单物品、私人价值、准线性收益等标准条件下，第二价格拍卖让最高报价者获胜，支付其他竞价者的最高报价；存在保留价时，还要满足对应规则。

为什么真实报价是弱占优策略？固定其他人的最高报价 p：若自己的价值 v 高于 p，真实报价能以 p 获胜；若 v 低于 p，真实报价会避免支付超过价值的价格。偏离报价无法改善这两种情况中的收益。

这个论证没有包含每次都额外加价、跨场预算、多次联动投放或复杂中介费用。实际的“Second Price Plus”需要单独核对其规则，不能将理论证明原样套用到所有广告交易。

GSP 与 VCG：多位置时不能只看下一位报价

简化的 GSP 按报价分配多个广告位，每位支付下一位的报价作为每次点击价格。若引入固定的质量系数 q，并按 q × bid 排名，维持当前排名的门槛则与下一位的排名分数除以自己的 q 有关，而不只是下一位的原始报价。

GSP 一般不具备真实报价的占优策略。VCG 则在其标准机制假设下选择使总报告价值最大的分配，并让每位胜出者支付自己对其他人的外部性。它优化的是社会福利，不等于平台收入最大，也不是脱离假设的“理论最优”。Edelman、Ostrovsky 与 Schwarz 的 GSP 研究

用一个可计算的 VCG 例子说明。假设三个位置的点击概率分别为 0.5、0.3、0.1，四个买方每次点击价值依次为 10、8、5、3 元；位置效应相同、无其他限制。A、B、C 获得三个位置：

例如 A 不参与时，B、C、D 分别上移一个位置；这些收益之和就是 A 的外部性支付。这个例子不代表实际搜索平台的结算规则，也不证明 GSP 收入在所有情况下都高于 VCG。相关收入比较需要指定模型与均衡，真实报价也不是 VCG 中必须压低到某个水平的策略。

Google Ad Manager 的公开拍卖与私有拍卖使用其公布的第一价格规则。平台历史上的变化可以说明产品选择，不能代替对单个交易请求的机制识别。Ad Manager 拍卖说明

把报价换成同一单位，才能讨论排序

运动鞋广告的候选可能按 CPM、CPC 或 CPA 报价。30 元/千次展示、2 元/点击和 50 元/订单无法直接比较，需要先换算为同一口径。

本文将排序用的预测千次展示价值与报表中的实际 eCPM分开。后者是实际费用或收入除以实际曝光，再乘 1000，需明确买方成本还是媒体收入；前者依赖预估模型，不是已经赚到的钱。

在不考虑费用扣减、质量惩罚和其他约束的简化模型中：

若 pCTR 为 1.5%，点击后的 pCVR 为 10%，则 CPC 2 元对应 30 元/千次展示，CPA 50 元对应 75 元/千次展示。若模型直接预测展示后的转化概率，则应直接乘该概率，不能再乘一次 pCTR。存在浏览后转化时，也不能把所有转化强行放进点击链路。

出价折算还不等于支付金额。竞价规则、底价、服务费和结算事件共同决定实际支出；在第二价格类机制中，将上限出价直接称为平台最终预期收入尤其容易误导。

质量和体验可以作为资格条件、排序因子或其他约束引入，但应说明设计。不能把所有质量因素都压成一个已知公式。Google Ads 的 1–10 分 Quality Score 是诊断指标，官方明确说明它不是广告拍卖输入，因此“Ad Rank = Max CPC × 报表 Quality Score”不是对其实际机制的准确描述。Google Ads 质量得分说明

计费点与优化目标是两条轴

点击计费把未点击展示的部分商业风险转给卖方，但不代表卖方只优化点击。CPM 平台同样有维护广告主效果、续投和用户体验的动力，不能据计费点推导其没有转化优化动机。

以目标转化成本 t 为参考，简化的单次展示价值为 t × pCTR × pCVR，点击报价参考值为 t × pCVR。若后一式中的 bid 已经是折算后的点击价值，就不能再乘一次 pCVR。

实际自动出价还会考虑预算节奏、反馈延迟、模型不确定性和平台规则。将这些都记作一个 α 可以帮助说明控制作用，但不应把“成本低就立刻提高 α”描述成所有平台的实现，更不能承诺目标 CPA 是每笔转化的成本上限。

CPA 也不能保证 ROI：订单可能退款，客户价值不同，部分转化可能不是新增。优化范围不由收费点决定，oCPC 同样可以优化候选、素材、展示位置和点击后的质量。

从竞价请求到结算，保留不同事件的语义

OpenRTB 定义跨系统竞价通信结构。本文以 2.6 文档为参考，接入时仍需固定对方支持的版本与扩展：

bid.price 使用 CPM 口径，不能因为广告主按 CPC 管理预算，就把每点击报价直接放入该字段。tmax 包含传输时间约束，本地计算不能用满全部期限。可用用户字段受版本与隐私限制，不能假定每次请求都有年龄、设备标识或精确位置。OpenRTB 2.6

胜出后素材可能加载失败，用户也可能离开页面。计费通知由双方约定的可计费条件触发；即使有 burl，也要处理重复、迟到、丢失与重试。账本应基于明确的计费事件及唯一键幂等入账，并保留对账路径，不能只收到 win notice 就记为成功曝光。

这里的端到端时间线至少包括请求接入、候选过滤、预估、返回报价、结果处理、素材加载和计费回传。竞价接口的期限与完整可见展示的耗时是不同指标。

工程优化围绕期限与价值展开

假设某次接入约定响应期限 100 毫秒，这只是设计输入。需要为往返网络、解析、特征读取、推理和响应留出预算，再以实际分位延迟验证；不是列出一组“典型耗时”就证明能够达标。

提前过滤明确不参与的库存，可以减少后续成本。过滤依据包括交易资格、素材状态、地域、频次、预算和已知无效流量。频次上限应区分竞价次数、展示次数和点击次数，不能把投标一次等同于用户看到一次。

特征缓存与模型缓存需要版本和时效管理，超时后应及时返回 no-bid 或约定的降级结果。容量按实际接入流量、扇出、工作量和失败策略规划，不能从交易平台总 QPS 推导每个 DSP 都必须处理同样流量。

多副本预算控制还要计入在途竞价或可计费事件，防止多个节点都看到“还有余额”而一起超投。分布式配额、迟到回传和结算在本系列第六篇展开。

质量验证覆盖供应路径、事件和展示环境

无效流量既可能来自自动化程序，也可能来自人工点击农场、误触或错误计数，不能统一定义为“非真人欺诈”。低转化或异常频次是调查线索，也不能单独证明作弊。

供应路径声明有助于核验卖方关系，无法单独证明本次请求真实、页面安全或广告可见。竞价前过滤和展示后验证应结合使用，第三方报告也要核对方法、覆盖范围与商业关系。

可见性衡量的是广告满足约定面积与持续时间条件的可被看到机会，不等于用户实际注视或理解了广告。采用具体标准时，应固定桌面、移动、视频等适用范围和版本；计费是否按可见展示发生，则由合同决定。

如果模型已按全部展示样本预测了点击概率，再无条件乘一次可见性概率，可能重复折扣。只有将点击概率明确为“可见条件下的点击概率”，并满足对应事件分解，才可以按条件概率链相乘。

对于运动鞋新品投放，最终需要核对的不只是一次拍卖是否赢了，而是合格素材是否在约定环境展示、计费事件是否真实、后续转化如何归因。交易规则决定资源如何分配，数据质量决定预估与复盘是否可信；下一篇继续讨论身份、特征和模型如何支持这一过程。