贝壳智能投放技术实践

1. 智能投放在贝壳的实践王志勇

2. 目录 CONTENT 01 贝壳效果广告介绍 03 02 智能投放关键技术智能预算分配

3. 01 贝壳效果广告介绍

4. 贝壳效果广告 --- 业务目标 GMV / MAU /线上成交占比贝壳内容技术支撑系统直投工具直投策略流量接入 DMP 贝壳全域流量智能采买平台（泛DSP）

5. 贝壳效果广告 --- 形态&链路媒体展示下载 APP 打开 / 注册

6. 贝壳效果广告 --- 业务痛点效果广告营收 = 预算预算申请额度和效果评估困难 × 预算分配怎么调？调多少？调整粒度？多久调？ × 转化率渠道众多，单渠道优化，全局感知弱

7. 02 智能投放关键技术

8. 智能投放 --- 核心技术能力请求量参竞率用户定向参竞量竞价成功率竞价成功量展示量商机价值预算平滑 pCTDTR 智能出价 pCVR Bid Landscape Forecast CTR 点击量调起率日活UV 商机量 CVR !cpm = &'( ∗ &*+ ∗ &,-,+ ∗ 1000

9. 用户定向 ---- GEO城市定向定向能力延展： • 跨渠道 & 跨站点数据融合 • GEO & IP • 楼盘字典 DSP数据 DMP数据直投数据 GEO定向离线 GEO信息楼盘字典 GEO扩充 GEO偏好

10. 商机转化率 --- 反馈延迟建模(1) 挑战：反馈延迟模型 • 成交转化周期长 • Model Freshness vs Label Correctness 100% 90% 80% 71% 64% 70% 54% 60% 50% 40% 30% 20% 10% 42% 37% 33% 27% 36% 31% 24% 16% 67% 83% 77% 73% 79% 88% 83% !("|x,c=1) =#(x)exp(−#(x)") 92% 87% 96% 91% 60% 50% 264 0% 成交累计占比商机分布

11. 商机转化率 --- 反馈延迟建模(2) 目标 : 同时解决延迟反馈问题、点击后多个成交问题核心思想 : 基于多任务学习，将label分解为多个delay buckets 基础思路 : y[0, t4]= y[0, t1]+y[t1, t2]+y[t2, t3]+y[t3, t4] P = P(M1) + P(M2) + P(M3) + P(M4)

12. 商机转化率 --- 校准( 平滑保序回归+核访质量 ) 挑战： • 真实转化率波动较大 • 商机转化label延迟校准作用 : • 价值预估和竞价策略隔离 • 平滑保序 • 核访质量: 半转化行为应用 CVR pCVR CVR CVR pCVR Calibration SIR 参数更新 caliCVR Auction SmartBid 媒体广告展示点击/核访/关注… 行为特征 Score 核访质量 pCVR 调起贝壳 App CVR 核访后转化概率预估 pCVR

13. RTA应用&价值挑战： • 出价不直接起作用 • 媒体间请求信息差异大 • 媒体返回信息缺失流量优选流量粗选干预出价定向用户质量预估频控竞价扰动出价系数 AB分流媒体侧预估 !"#$ = "&'&( ∗ "#* ∗ +*"&, r = "&'&( ∗ "#* ∗ "&'&( ∗ ".( ∗ /0' 1234256 广告主预估

14. 03 智能预算分配

15. 用户/商机价值供需行情投放策略广告预算 MNU 线下运营策略商机政策法规 CVR (站内) 成交线下运营策略收入应用层 ROI复盘能力层用户/商机价值模型层统计建模数据层站内行为预算申请用户/商机成本趋势分析因果分析机器学习投放效果 … 预算分配投放策略财务因果解释时序分析政策法规

16. 基于ROI的预算分配(1) 最优化问题定义：以收入最大化为目标 max ∇%&'&()& = + /012 ,∗ ∗ 405 ,∗ − /012 ,7 ∗ 405 ,7 ,∈. 1. 2. /012 ,∗ ≥ /012 ,:;<=>;?@A + /012 ,∗ = + /012 ,7 ≤ C)DE&2 ,∈. ,∈. ∗ 405 , ≥ 405 ,FG>= H = {J(D405D, 1&L, M&&D1. . }

17. 基于ROI的预算分配(2) 拟合目标：成本曲线函数假设：业务合理性 => 函数特性上下文全渠道全局模型训练 => 函数单调递增，一阶导>0 l 花费越高-商机量越大 l 花费越高-商机成本越大 => 函数边际递减，二阶导 < 0 函数选型： y = ! " ∗ $ % & s.t. w1>0 and 0< w2 <1 生成各渠道预测数据市场环境 ROI的数学表达： ' ( $ ∶ ' ( $ _1 Value : ROI = 投放数据回收单位花费新增商机量参数概率分布 : 新增单位商机量所需花费单位商机价值 34567 = Value * f’(x) _ 8 9 : ; 基于Bandit 选取参数分布设置投放计划

18. 基于ROI的预算分配(3) 全局模型引入上下文特征，降低样本的市场干扰，优化拟合效果： l 利用机器学习模型，对上下文特征进行复杂模型拟合 l 锁定上下文特征，生成同上下文下的增强样本 l 综合增强样本，进行目标函数拟合外推和冷启动 l 冷启动，可基于全渠道模型进行迁移学习 l 基于贝叶斯推断，生成拟合参数的概率分布 l 利用Bandit机制和参数概率分布，选取拟合进行应用 l 回收数据后，迭代概率，使得拟合选取逐步置信

19. 非常感谢您的观看