小红书跨渠道全站投放策略

今天顺时顺势介绍一下各大广告平台近两年都在重点发展的广告投放机制策略方向——跨渠道全站投放策略，目前的重点产品像阿里妈妈的万相台、京准通的京速推、多多广告的全店托管、巨量千川以及小红书的全站智投，都是基于此策略衍生发展的产品线。

我们今天单独挑选小红书的全站智投作为案例来详细分析，为什么各家广告大厂投放平台在近2年都热衷做跨渠道推广，以及背后有哪些策略应用，着重先讲讲智能预算策略和智能出价策略部分。

一、小红书跨渠道投放策略简介

1. 诞生背景

作为一个生活消费决策平台，小红书内有多种场景在为消费者提供着信息获取的服务产品线（有专门投放推荐信息流feed的产品，有专门针对性投放搜索广告位的产品），广告主也可在各个场景通过广告触达消费者。如何跨场景进行高效的广告投放一直是困扰广告主投放的一道难题，为了给广告主提供更加友好的广告投放方式，提升广告投放效果，小红书建设了“全站智投”智能营销工具——跨渠道投放产品工具，为广告主提供一站式跨场景的智能投放能力。

当前广告投放现状痛点：

1）运营成本高

投放搜索结果页面、推荐结果页面需要创建多个推广计划，并且每个计划都需要设置对应的预算、定向（关键词、人群）、出价方式以及创意类型等等，人工推广计划实现的运营成本过高；

2）预算效率无法最大化

计划投放的主体、出价、创意以及定向范围存在差异最终带来的结果就是存在效果的差异，某些计划预算使用率偏低难以花费出去，某些计划一直在“空耗”未产生任何转化，还有些计划效果非常好，广告主来不及频繁的进行计划之间的预算调整，发挥预算最大价值。

2. 跨渠道投放产品——全站智投简介

小红书搜索/推荐信息流结果页面

可以看到小红书在APP内有着非常丰富的营销场景资源位从左至右分别是信息流Feeds推荐位，query搜索结果页面的广告内容，多渠道之间的协同可以更大范围内来触达小红书的用户群体，充分利用搜索广告结果触达点击转化率高，信息流推荐位触达新客、潜客范围更广的特点优势，从而达到多元推广商品、服务广告主的目标。

小红书一站式推广设计架构方案

解决方案简述：针对上述说到的两个痛点问题，小红书广告平台配置了一系列智能化算法的能力（智能预算分配能力、智能出价能力、智能人群定向以及智能关键词定向能力）打造了全渠道推广的营销工具，广告主在DSP投放平台只需要设置整体的总预算Budget和目标成本CPA即可快速实现推广，DSP在底层创建推荐、搜索虚拟计划进行投放，通过智能化算法达成商家既定目标。

二、智能投放策略拆解

1. 智能预算分配策略

前面提到全站智投会在底层创建推荐信息流和搜索的虚拟计划，那么就会涉及到不同计划之间的预算分配，使得预算同时在信息流feeds场域和搜索结果场域消耗，不同场景下的流量价格和效果存在明显的差异，因此高效控制不同场景的花费会对于投放效果有着非常重要的作用，在实现策略上主要有两种核心思路。

智能预算分配设计构想

方案一统一出价方案：统一的智能出价模块直接进行流量pv粒度出价（Bid），不同场景提供流量以及流量价值预估分（pValue，之前在Nobid给大家讲过pValue的代指，主要是流量的pCVR/CPA_real），如左边图所示。该方案优点是能实时考虑计划的整体预算进行调控，架构实现清晰，缺点就是对系统要求较高，两个场景的投放系统耦合更重，转化率预估的能力也需要对齐。

方案二基于预算分配方案：搜索和推荐场景提前将预算分配好，场景内根据分配到的预算各自进行智能出价，如右图所示。预算分配的结果对最终的投放效果影响很大，一步到位做到最优的预算分配结果比较难，但系统相对解耦，鲁棒性也更好。

小红书在搜索推荐上设置了相对独立的投放系统，召回、预估模型等模块都存在差异，如果考虑系统鲁棒和迭代高效，都会选择基于预算分配的方案。

预算分配的目标和客户投放目标一致，即预算和成本约束下最大化价值，假设对于任意场景，平台已知预算和价值之间的关系value = F（Budget），直接最优化求解即可得到各个渠道的最优预算分配。

对于函数 F 的获得，业内常用的方案是通过成效预估技术来估计，但是实际的广告竞价环境波动大，难得到精准估计的 F 。因此，小红书的算法策略团队采用了一种启发式的动态调整预算分配的方案，该方案核心思路是基于预算消耗率和拿量成本调整场景预算：

计划新建时会初始化场景预算分配比例，通过成效预估技术（后续可以单独开问进行介绍）预估当前计划能拿到的流量和消耗水平，提前预判预算分配。
每隔一定时间，根据各个场景的预算消耗率、投放成本以及约束超限情况，重新分配预算，核心还是通过PID控制计算调整预算之间的比例，做到全局效果最优，降低计划空耗问题。具体可见之前对于Nobid出价的介绍中预算控制部分。

2. 智能出价策略拆解

小红书广告算法团队为了平衡拿量和目标成本（笔记收藏、评论等）的难题，在跨场景投放提供了全自动带约束的最优出价方案，客户表达预算、目标成本，平台在推荐feeds域和搜索query域对高质量value的流量应拿尽拿，最大化解决广告投放的效率，提升平台的流量利用率。

对于该问题进行问题形式化建模，抽象成为带约束条件的最优化问题，基于线性规划的primal-dual方法把之前的问题转化到对偶空间求解，得到最优出价公式，建模思路如下所示：

成本上限约束下最大化目标量建模

通过建模思路我们得到最优的出价公式为：

如形式化内容所示，这个问题明显是一个带线性约束的最优化问题，可以直接求得最优的流量分配方案（未知数xi的值）。具体地，尝试把这个问题转换到对偶空间，来找寻客户出价和是否竞得的关系，最终得到含有一个超参数α的最优出价公式。得到了最优出价公式，基于该出价公式进行出价，就能筛选性价比最高的流量，保障投放效果最优。

智能出价策略说明

出价PID控制在广告系统中的说明

模型会通过反馈控制（PID控制为代表）来不断地调整出价参数α的值，让全天的投放效果在满足预算和成本双约束的前提下，最大化竞得流量价值。每隔一段时间，MCB的出价模型就会从广告日志系统获取到历史投放的效果数据（最重要的就是客户的实际成本达成情况、当前时间点以及预算消耗率情况），结合当前的出价水位以及未来竞价环境的预估，对出价的动态参数调整，保证最后的投放效果达成客户的成本，同时保证当天预算尽可能能够花光。