首页专业知识商业算计老实人

商业算计老实人

来源：晰数塔互联网快讯时间：2023年09月22日 21:50

我们，都活在机制的顶层设计里。

数字广告，全球每天有数以千亿次交易，每一次成交价都是竞争和博弈的结果——有人想买得划算，就有人想卖得更贵，大家都在相互“算计”。

没有人愿意被算计，只是很多人不知道自己身处其中。

你的流量价值多少？其实没有确数。有的人越赚越多，有的人却被“算计”到陷入下旋，越做越少。

是的，商业总是算计老实人。无条件遵从规则，在这个零和游戏中，可能是最受伤的那一个。

今天，就站在卖方立场，聊聊如何在与机制的博弈中，获益更多。

而这些点，往往潜于水面之下，鲜为人所知。

一、算计从何而来？

任何一个流量主做商业变现，都免不了将流量卖给第三方和程序化渠道，例如：在国外有Google、Facebook这样的大广告平台，以及像Verve、Openx、TTD等这样的DSP（Demand Side Platform）或者SSP（Supplier Side Platform）；国内也基本同理，也分成BAT大平台，和独立营销服务商。

而且在发展早期，卖给三方可能是唯一选择，因为直投自营广告体系的建设周期和成本，不是任何一个开发者都能承受得起的。

在流量售卖过程中，很多卖方都会发现一个现象，eCPM（effective cost per mille，每一千次展示可以获得的广告收入）越走越低，流量被卖得越来越便宜。就像一个扎了洞的轮胎，在不断跑气。为什么？

有人告诉你，是天然衰减。

这话，一定程度是对的。

因为，再大的广告平台，其广告库存都是有限的，再加上如果卖方流量的体量不是很大，很容易在短期内用户被“洗干净”；可以想见的是，所有商品都向用户推广过一遍后，转化概率必然是断崖式下跌。

这里有一份我以往的经验数据，可见一斑（这只是某个样本上的统计，不代表普遍情况，仅供参考）：

同一个广告，向同一个用户展示3次以上，点击率会降低60%；

同一个广告，用户二次点击的占比仅有2%不到。

广告展示频次与点击率关系（来自某个样本数据）

仅基于上面这个数据，可以知道，假设极限情况广告库存仅有1个广告，那么曝光3次以上基本也没什么转化了。

这就是天然衰减的本质原因，买卖双方库存，以及用户消费力的天花板，决定了这是一个必然的过程，是不可抗力。

很多有经验的人还会给出另一个原因：冷启动期间对新流量有扶持。

是的，这是买方决策引擎普遍都有的策略。

例如，基于Admob的变现圈子，都会熟知的一个手段是，换新版位收入会大涨一段时间——这就是冷启动带来的效应。

但是，做过冷启动算法策略的都清楚，冷启动是有退出条件的。

冷启动根本目的是避免新广告或者新流量被饿死，所以前期会给予一定补贴；但这种补贴是建立在对长期收益的预期之上，短期的付出希望换来长期回报，不可能一直无条件给到扶持。例如，当曝光或者转化达到一定数量或者超过了一定时间窗口，或者是预估到补贴与长期收益之间已经达到临界点，将不会再继续，直接退出冷启动。

所以，快乐是短暂的，一般3天之后会逐步趋于平稳；不过，也有不嫌烦的，一周换2次版位，就可以基本达到全年都拿补贴的效果；这也算是一种人工的博弈手段了。

除了上述两原因外，还有一个很少被人注意到的点——竞价博弈机制偷走了卖方应有的收益。

这就是很多人被“算计”了而不自知的地方。

这是一种来自顶层设计的影响，流量主往往没有这方面的领域知识，很难注意到，更不用提如何针对性从中获利。

但，这里面，其实有很深的利益空间。

二、顶层机制

一次广告曝光到底该卖多少钱？没人能给出精确答案。但物以稀为贵，抢的人越多，价格就越贵，这是自古以来的道理。

所以，早在20余年前，广告界就引入了竞拍机制——让市场竞争来决定出最优价格。

这是符合所有利益方的设计：

买方有充分的决策自由；

卖方也尽可能卖得更多；

广告受众也因为这双方的博弈，能够看到更有价值的推广。

因为受众可以用脚投票，广告推得不好，可以不点；不点广告，买方就白买了，所以不得不想办法推得更精准，而不是用高价去暴力抢流量；当买方与受众都满意了，那么卖方的收入也会更持久。

这本质是一个经济命题，一个好机制，能让生态中核心利益方，达到完美动态平稳，每一方都有机会拿到自己理想中的收益。

这也是计算广告有别于传统电线杆上牛皮癣的开始——一个被精心设计过的体系。

大都知道计算广告背后是大数据支持，可做到千人千面、精准定向，但鲜为人知的是，背后还有这么一张“机制”大手在控制整个生态。

1. 机制演变触动利益

过去几年，竞价机制发生了根本性变化。

数字广告最早的10余年时间，包括搜索广告、展示广告、程序化交易普遍使用的竞拍机制是广义二价成交（Generalized Second Price，GSP）。

在GSP拍卖中，胜出者会被收取第二名的出价，再加上最小货币单位，比如一分钱；例如，如果最高出价5，而第二名是2，那么结算价是2.01。

这种机制的好处显而易见——让出价者不必保守，可以专注于评估出符合自身利益的真实价格；甚至出更激进的价格，因为从心理上来讲，如果知道获胜后的结算价，大概率会在出价基础上打折，那么自然会更放得开手脚。

其实，GSP机制诞生由来已久；早在18世纪就有人通过二价成交机制卖过一份手稿；而真正被以学术方式描述，则要到1961年；最后被发扬光大规模化使用，就是在广告交易中了（线下很多拍卖也用了这样的机制，有兴趣的自行Google）。

然而，GSP在实操中存在致命漏洞。

从2017年开始，其地位开始被动摇，逐步被一价成交（Generalized First Price，GFP）取代，很多DSP或者SSP，例如APPNexus、OpenX等都转向了GFP；至2019年，随着Google——这个占据全球30%数字广告市场的领头羊放弃GSP，GFP几乎占据了100%的市场。

这其中核心原因是数据透明性，因为在GSP机制中，结算价格存在黑盒操作空间，引来财务和审计风险。

还是前面的例子，如果两个竞价方分别出价5、2，结算价格应该是2.01，那么操作空间从哪里来呢？

来自于卖方平台。虽然竞价方彼此不知道对方出价，但平台方是上帝视野，这时候为了让自己的流量卖得更高，可能虚拟一个竞价者，出价到4，则结算价格会被抬高到4.01；简单的操作，平台方可以多赚100%的收益，这是谁都难以抵挡的诱惑。

这也是为什么很多情况下会感觉流量越买越贵，因为与你竞价的可能不是人。

当然，还存在商业道德问题，由于黑盒空间的存在，双方业务人员也存在合作套利的可能，将额外收取的更多费用以某种方式转移自身腰包。

GFP则完全规避了这个问题，要么输掉竞价，要么按出价结算。

尽管从理论推导上，GFP并不是完美的机制，但一切数据都公开透明，不存在任何操作空间和多余风险。

一切业务运行的基本原则：安全是第一要义，稳定压倒一切。所以，尽管GFP理论上不如GSP平衡，但仍然成为了新的选择。

诚然，GFP也存在一些重大问题。

GFP其实很难达到策略平衡，简单地讲，容易引起恶性竞争，买方想赢得拍卖的最简单方法是频繁调整出价，而不是将价格的判断专注于真实价格，整个体系内的价格波动将加剧。虽然高价对于卖方来讲是可能喜闻乐见的情况，但短期的收益敌不过长期下去失衡的状态，玩家都下桌，可不是卖方愿意看到的结果。

此外，机制的变化引发一个连锁反应，表面上卖方收费更高，能赚更多钱；实际上买家心理发生了剧变，出价将会更加保守，长远看卖方利益实质上是受损的。

这一轮机制的演变，卖方躺着中了一枪。

2. 躺枪的卖方

在GFP中，卖方可能是最受伤的一方。

因为买方一旦出价过高，会导致过度支付（Overpay）问题，以至于买量性价比降低，所以买方能少出价就少出，循环下去，越来越保守，像极了“通货紧缩”。

转变为GFP之后，买方常见的做法类似于：如果出价最高者是 5，第二名出价是2，那么结算价格是5；但如果策略性出价 3 ，就能省下一笔预算。

这意味着买方为了得到最佳性价比，会分析可能的成交价，并尝试下调出价；这样如果竞价获胜，则只需要支付更低的费用。

这种对出价进行策略性调整的做法被称为Bid Shading（隐藏价），其实是许多线下拍卖系统中经常使用的做法，例如在美国牛市拍卖、国库拍卖都有这么做。

可简单理解为：保持对市场竞价态势感知，在竞价时保留一部分出价空间，先出比较低的价格，如果低价拿不到预想的量才去加价，最终使得拿量性价比最大化。

这里用一个简单的过程来做一个直观演示：

假设买方评估流量价值为1块，在Bid shading的作用下，首先将出价保留一部分，例如20%，最后的实际出价为0.8；

如果买家一直赢，则持续下探并降价，例如每次下调10%；

一旦第一次失败，例如在0.5时开始大面积输掉竞价，则终止下探，并提高出价，例如比上一轮高出 8%，价格抬升至0.54；

如果加价后又赢了，则可能降价，例如4%，变成0.52；

……以此类推，最终达到一个出价与获胜率的平稳点，将拿量价格水分挤掉，达到最佳性价比。

这跟菜市场讨价还价非常像是不是？是的。不过这里写这么简单，仅仅为了理解方便。

实际上，真正的算法要比这个复杂得多。

有许多顶尖大脑在想办法帮助买方省钱，在KDD、CIKM这样的顶级学术会议上就发表过多篇关于Bid Shading的算法研究，例如：

《阿里：An Efficient Deep Distribution Network for Bid Shading in First-Price Auctions》

《Yahoo&清华：MEOW- A Space-Efficient Non-Parametric Bid Shading Algorithm》

《斯坦福：Learning to Bid Optimally and Efficiently in Adversarial First-priceAuctions》

各个算法实现不一，有不同的适用场景和假设条件，但出于篇幅限制，本文并不打算讨论其中的细节，这些论文可以轻松Google到，有兴趣的可自行研究，未来有机会单独做一些论文解读。

不过，抛开算法实现差异，都逃脱不了的基本原理是：成交价是可预测的；在预测成交价的基础上，如何来决策自身利润和获胜率，就各显神通了。仔细阅读上面几篇文章，他们对问题的建模公式不敢说十分相似，也可以说是一模一样了。

其实早在10年前，就有很多对于成交价预测的研究，也就是Bid Landscape相关的研究，例如2011年发表在KDD上的一篇相对经典的文章《Bid Landscape Forecasting in Online Ad Exchange Marketplace》以及2016年的一篇优化《Functional Bid Landscape Forecasting for Display Advertising》。

3. 有多少利益被偷走？

其实很难说出一个精确数字，一点市场公开数据可以略窥一二。

根据业内主流的程序交易服务商The Trade Desk、Rubicon和Pubmatic的数据，通常可以为买方省下20%左右的成本。

也有一些面向卖方的服务商，例如optidigital，说他们帮助卖方在对抗Bid shading的基础上，多增加了60%的收入。

在我了解的过往实践中，可能会有成倍提升。

但无论20%还是60%，虽然看起来很精确，但因为数据集不同、统计对象不同，且都是平均值，因此只能当作感性数据，仅供参考。

这些数据只说明一个问题，如果不懂如何对抗机制，将会造成显著损失。

广告交易与股票交易一样，是一场零和游戏，买方省得多，卖方就赚得少。

三、如何挖出隐藏收益？

1. 意识是根本

在讲具体方法前，先说一个意识层面的事：变现是一件主动创收的事，重点在主动。

很多开发者或者卖方做商业变现时，认为我只要接了主流的变现平台，就可以就地坐等收钱了。