程序化广告基础（二）：四大核心平台

解析程序化广告四大核心平台的协作机制。

产品经理需重点掌握各平台在交易中的角色与决策逻辑，这对设计商业化策略至关重要：

一、四大平台的核心功能与定位

💡 类比理解：

• ADX 像证券交易所（撮合买卖）
• DSP 如券商交易系统（帮买家出价）
• SSP 似上市公司IR部门（管理待售资产）
• DMP 则是行业研究报告（提供决策依据）

二、全链路协作流程（以一次广告展示为例）

分步骤详解：

1. 流量发起（SSP）

• • 用户打开APP浏览信息流时，SSP向ADX发送请求，携带关键参数：

{
  "adslot_id": "首页信息流_第三位",  // 广告位ID
  "user_id": "device_123",       // 设备ID（已脱敏）
  "context": ["科技","数码"],     // 页面内容标签
  "floor_price": 2.0             // 媒体设置底价
}

1. 竞价广播（ADX）

• • ADX将流量信息广播给接入的DSP平台（通常20-50家），同时向DMP查询用户标签（如：男性_25-30岁_近期搜索过相机）。

1. 出价决策（DSP）

          ○ DSP基于DMP标签计算用户价值：
                eCPM = 预估CTR × 预估CVR × 出价  
                    ■ 若用户标签匹配“摄影爱好者”，CTR预估从1%提升至3%  
                    ■ 设置最高出价5（假设转化价值100×目标ROI 5）
  ○ 仅当eCPM > SSP底价时参与竞价（此处5×3%=15 > $2）。

1. 竞价胜出（ADX）

• • ADX在100ms内比较所有DSP出价，选择eCPM最高者（假设A品牌DSP出价$15获胜）。
  • 向SSP返回胜出方的广告代码（如：创意素材URL+监测链接）。

1. 广告渲染（媒体端）

• • SSP将代码返回给媒体客户端，渲染展示广告，并触发效果监测（曝光/点击/转化数据回传DSP）。

三、关键数据交互逻辑

1. DMP赋能定向的核心方式

1. DSP与SSP的博弈点

• • SSP策略：通过分层定价最大化收益

if 用户城市 in ["北京","上海"]:  # 高价值人群
    floor_price = 5.0          # 设置高底价
else:
    floor_price = 2.0

• • DSP对策：基于历史数据预测动态出价

if 用户标签包含“母婴人群” and 广告主是奶粉品牌:
    出价 = 基础出价 × 1.8  # 高溢价

四、行业协作案例解析

案例：某社区平台信息流广告投放

1.SSP（媒体平台端）

将广告位分为三级：

• Tier1：首页首屏信息流（底价$10）
• Tier2：回答页信息流（底价$5）
• Tier3：关注页信息流（底价$2）

2.通过DMP识别用户标签：

• 高价值人群：搜索过“考研” → 出价系数1.5x
• 中价值人群：关注教育类话题 → 出价系数1.0x

3..竞价结果：

当用户A（考研搜索者）浏览平台首页时：

• DSP出价 = 基础出价8 × 1.5 = 12
• eCPM = 12 × 预估CTR 4% = 48
• 胜出并展示广告（因48 > SSP底价10）

五、产品经理的实战关注点

系统设计层面：构建可扩展的技术框架

1. 理解API交互协议（如OpenRTB 2.6）：SSP与ADX需约定流量字段格式：OpenRTB协议实战解析

• 核心作用：标准化SSP与ADX间的流量交易语言（减少对接成本）
• 关键字段设计（以OpenRTB 2.6为例）：

• 协议扩展技巧：

"ext": { 
  "zhihu": { 
    "user_score": 8.2  // 基于用户活跃度与付费意愿的评分
  }
}

• • 自定义字段传递媒体特有数据（如某平台的zhihu.user_score用户质量分）

2. DMP标签体系设计原则：确保标签可操作（如“近7天点击3C类广告”）。

• 标签分层架构：

• 可操作性设计要点：

• 避坑指南：

• • 避免无效标签：如male（性别）需结合age_25-34才有价值
  • 衰减机制设计：行为标签权重随时间递减（如点击广告的衰减系数=0.8/天）

策略优化层面 ：平衡商业价值与用户体验

1.DSP出价模型进阶设计需平衡短期ROI与用户LTV（避免高价值用户被过度广告骚扰）。

• 基础公式：eCPM = bid × pCTR × pCVR × 1000
• 引入LTV保护机制：

def dynamic_bid(user_ltv_tier, base_bid):
    # 高LTV用户降低广告频次避免流失
    if user_ltv_tier == "VIP": 
        return base_bid * 0.6  # 降价40%减少骚扰
    else:
        return base_bid

• 行业最佳实践：

• • 电商广告主：bid = f(用户购物车金额, 历史转化率)
    → 购物车有$500相机的用户，出价提升300%
  • 游戏广告主：bid = f(用户设备型号, 游戏品类偏好)
    → 使用iPhone 14 Pro的SLG玩家，出价提升150%
  • SSP分层逻辑：按用户价值（非单纯位置）划分流量等级（如mou ping tai按内容匹配度分级）。

1. 行业趋势应对

• • 隐私合规下替代方案：

• • • 联邦学习：DMP不输出原始数据，只提供加密模型（如Google FLEDGE）
    • 上下文定向：SSP加强页面内容标签（如“金融资讯页”匹配理财广告）

2. SSP分层逻辑的收益最大化策略

• 传统误区：按广告位物理位置分层（如首页>详情页）
• 价值导向分层模型：
  流量价值 = 用户价值系数 × 场景匹配系数 × 竞争热度

• • 用户价值系数：

def user_value_coef(user):
    if user.purchase_power == "high": return 1.5
    if user.activity_level == "high": return 1.2
    return 1.0

• • 场景匹配系数（某平台案例）：

• 动态底价公式：
  floor_price = 基础底价 × 用户价值系数 × 场景匹配系数
• • 示例：基础底价1 × VIP用户(1.5) × 相机评测页(2.0) = 3

实战案例：视频平台SSP分层与DSP出价联动（重点标记）

场景：某手机品牌在视频平台投放新机广告

• SSP分层策略：

• DSP出价策略：

if 用户标签含“手机发烧友”:
    bid = 基础出价$10 * 2.5  # 高溢价捕捉核心人群
elif 用户观看过竞品视频:
    bid = 基础出价$10 * 1.8  # 争夺竞品用户
else:
    bid = 基础出价$10

• 效果对比：

结论：精准分层减少低效曝光20万，CPA降低29%，投诉率下降42%