Overview
1.Target CPX v.s. Max Return 客户视角对比
2.Target CPX v.s. Max Return 平台视角对比
Target CPX v.s. Max Return 客户视角对比
| 客户视角 | Target CPX | Max Return |
|---|---|---|
| 成本 | 客户获得确定性的成本达成效果 一把双刃剑: 最大优势也是最大限制 |
最大化投放预算下的期望转化数: 考察竞得流量 pcvr 之和 不做成本达成承诺, 成本结果受限于广告平台对流量匹配能力以及流量环境变化 |
| 冷启动&跑量效果 | 在严格成本约束下, 能否跑出消耗, 跑出多少消耗客户可干预程度较低 得益于严格的成本约束, 冷启动成本由平台赔付承担 |
受限于不承诺实际成本, 无赔付, 冷启动成本由客户承担; 得益于不受实际成本约束, 具有确定性的渡过冷启&跑量的能力 |
| 优化师操作要求&可操作性 | 操作要求不高, 只真实表达成本; 跑量可操作性低, 投手难以基于自己对不同素材的先验信息影响投放 |
操作要求高, 实质上要求优化师会结合实际的成本诉求+平台指导设置/调整预算 可操作性更高, 投手可用对不同素材的先验信息调整预算 |
| 使用场景 | 日常投放 | 针对渡过冷启期场景, 或者关键节点冲量 |
Target CPX v.s. Max Return 平台视角对比
| 平台视角 | Target CPX | Max Return |
|---|---|---|
| 转化数据 hack 带来 model 预估准确性问题 & bidding agent 调价难度问题 | 客户可以通过改变回传的转化数, 从而直接影响模型学习, 产生高低估问题; 从调价算法来看, 影响 bidding agent 的调价方向和调价幅度, 有可能实现在相同的成本下获得更多的跑量 客户具有 hack 回传获利的 motivtaion |
客户只有真实地回传数据, 才可能保证模型预估值准确, 进而使得期望下的最大转化与实际结果的最大转化方向一致 |
| 投中阶段算法影响 | 客户的预算启停动作会介入算法的发挥, 控预算导致预算撞线的操作反而会影响全天交付的结果 | 通过 freeze 预算的方式, 保证稳定的预算供给&稳定连续的算法优化时间, 有利于平台运转&广告主效果的持续优化 |
转载请注明来源, from goldandrabbit.github.io
