DSP如何做广告竞价推荐？

本文为AdBright知乎账号发表的“DSP如何做广告竞价推荐？”原创文章，内容来自AdBright广告技术团队成员，后续也将持续不定期分享。

以下为文章全文：

在移动互联网广告生态中，DSP即需求方平台，是面向广告主的广告投放管理平台，帮助广告主进行广告精准投放并从中获取广告分成收益。本文主要从业务逻辑和技术实现逻辑两个层面介绍DSP如何实现广告竞价推荐。

▲广告竞价链路

业务逻辑

DSP上游对接媒体资源，下游对接广告主和广告代理商，DSP的竞价策略受到上下游两端的影响。

一方面由于媒体对接的DSP数量较多，且大多数媒体都采用广义第二高价的竞价机制，这就要求DSP对于过来的流量要尽可能选择出价较高的广告订单进行竞价，不然可能因为DSP出价太低，不能竞赢流量无法产生消耗，短期平台收益受到影响。

另一方面又要顾及广告主的利益和体验，即保证广告投放效果在广告主的考核范围。

那么，对于DSP来说，是要选择高出价订单竞价，优先保证平台短期收益呢？还是选择高转化订单竞价，优先保证广告投放效果，提升广告主投放体验，实现长期收益呢？

当然是可以综合的，DSP可以通过预测综合订单竞赢率与订单转化得出一个综合指标来作为竞价推荐评分。

技术实现逻辑

如何预测？订单竞赢率的预测比较基础，这里只介绍订单转化预测实现的原理。

订单转化预测（一般为点击率预估），可以基于产品（订单）历史投放数据进行预测，前提是DSP平台要有用户画像标签数据。

▲基于数据标签的效果广告定向体系

比如用户的人口学标签，如性别、年龄、居住地、学历、婚恋生育状况、资产及收入、行业及职业状况等，以及兴趣类标签如酒店、餐厅、美容美发、鞋服箱包、游戏、音乐、电影、运动健身等等，还有其它类型的用户画像标签数据。

有了用户画像标签数据之后，就可以基于投放数据和用户画像标签数据，再结合一些数据挖掘算法做点击率（CTR）预估，比较常用的算法有LR、GBDT+LR、FNN、DeepFM等等；

DSP平台的竞价推荐也可以不做点击率（CTR）预估，而是通过用户相似（协同过滤）来实现，常用的相似度度量有欧式距离（Euclidean Distance）、余弦相似度（Cosine）等等。

做竞价推荐需要有一定的技术实现能力以及资源支撑，具体选用哪种算法取决于DSP平台自身的技术实力和实际业务场景。

*以上内容仅供参考，欢迎与AdBright交流，合作共赢