关于转化效果的一点延伸

考虑像电商等平台的推广位.

通常来说是有限的.
换句话说,在一定顶尖内,为这些广告位付费的广告主用户也是有限的.

那么,在不考虑增加广告位等扩展的前提下,盈利的提升就应该对于广告位的竞价价格增长.

但这个竞价不是无止境增长的.

最基本的,对于投放广告方来说,投放的决策一个边界在于用户导入成本和用户lift time value的一个差额边际.
在这个边际为0之前,就有持续投入的动力.
反之就没有必要继续投入.

因此,对于广告平台来说,竞价的利润边际在于广告主的成本边际.

那么如果这个边际被触大之后呢?

或者说除此之外还有其他拉动利润增长的方式么?

考虑Google的广告网络.

Google的广告渠道一个是搜索结果里的展示.
一个是各个站点内的Google广告.

共同的点在于,对于一个页面访问session来说,广告位是固定的.
但是展示内容并不是长期固定.

对于不同的展示人群来说,在同一时间同一页同一广告位存在着不同的展示内容.
也就是不同的广告主投放.

换个角度来说,就是对于整体人群在同一时刻做了区别性的对待.
某种类似A/B Test的隔离策略.
或者说某种分时策略/思路.

其关键点在于,并不是通过扩展广告位来解决销售增长的问题.
而是某种形式的"space sharing".

一个简单的描述就是,考虑一个页面有N个展示位,总共有P数量的人群访问/PV.

那么,对于不扩展广告位的做法来说,就是只能销售N个展示.

但是,如果对PV数量P做个划分/sharing.
即假设分成G组/group的群体.

那么实际上就相当于在同一时间由原来的N个impression变为G*N个impression.

也就是说,在这种情况下,可销售展示的个数从N变为N*G.

也就是说通过简单改变G的数值就可以相对轻松的增加可销售基础.

这里的一个隐含假设是PV是无限的.
或者是对G的再划分不敏感的.

也就是说,PV的基数基本使得,即使G不停划分和细化,对于一定用户基数的广告主来说,也不会转化率方面的波动影响.

那么这里的一个问题就是,转化效果的评估再用转化率这种百分比方式还合适么?

假设对于当个广告主来说,有用户基数U,转化率为R.
总共有N个广告主的话,就是总共N*U*R的总体PV转化.

那么对于广告平台来说,没有产生价值的pv数margin就是M=P-N*U*R.

然后考虑做了G划分的情况.
这时总体的转化PV就是G*N*U*R,未产生价值的pv margin就是M=P-G*N*U*R.

也就说说,对于M来说,这是一个关于G的函数.
函数特性是-1,也就是G越大,margin越小.

于是,对于一定流量的广告平台来说,策略选择的一个依据就是尽可能地minimize M.
也就是提高可转化PV的数量.

这样的话,只考察广告主的转化率水平并不能很好地反映minimize的objective satisfaction.

因为一个情况就是G退化为1的情况也并不影响广告主的转化率.

实际上,对于minimize objective的一个最直观反应就是有效广告价值PV数E的增长.
也就是E=P-M.

即只要看转化PV增长了多少就可以了.

换句话来说,在广告平台的角度,调整展示策略的一个效果评估主要应该看转化PV的增长绝对数值.
而不是单纯地关注广告主的转化率变化.

一个极端情况就是,一个策略的调整导致广告主的转化率下降.
但是对于平台来说,因为转化基数变更了,所以整体盈利是上升的.

这里的一个积极意义还在于,转化基数的变更可能对应的是曝光类型的多样化.
也就是说,参与曝光的广告主也变多了.

那么,一个理想的策略调整结果就应该是广告主的转化率没有太大的边际波动.
同时转化基数得到增长,拓展了广告主的曝光个数.

某种程度上来说,可以说是保持点击转化的前提下.
对广告的展示和消费人群做更多的个性化方面的区分.