您現在的位置是：首頁 > 企業推廣 > 常見問題

OCPC在線廣告計費及定向方式簡析

2021-06-17 08:52:47作者：企業好幫手人已圍觀

簡介在線廣告投放是對于實時性和響應率有極高要求的推薦營銷類應用場景，其多種lookalike算法思想對于銀行的推薦營銷類產品有極強的借鑒意義。...

　　隨著互聯網的誕生與發展，在線廣告也應運而生，這是一種以各類互聯網產品為媒介向潛在消費者傳遞營銷信息的新型廣告形式。

　　目前主流的在線廣告媒體主要包括：傳統網站、搜索引擎、視頻網站以及社交媒體等。

　　與基于電視、報紙為載體的傳統廣告相比，在線廣告的優勢在于可以實時精準記錄廣告曝光、產品點擊、下載、購買等實際數據，從而能夠有效結合新興的大數據和機器學習技術完成廣告的智能付費和精準營銷。

　　本文中，筆者將總結目前主流在線廣告的業務投放流程，并介紹幾種主流的在線廣告計費模式CPT、CPM、CPC、CPA以及近年出現的智能計費模式OCPM、OCPC、OCPA。在智能計費模式下，系統將協助廣告主通過實時預估每一次點擊的轉化率并基于競爭環境智能出價，強化高轉化率流量獲取，弱化低轉化率流量展現。

　　最后，本文將重點介紹提升廣告效果的兩種主流定向方式以及目前適用于解決不同場景下用戶定向問題的4種Lookalike方法。

一、在線廣告系統投放業務流程簡介

　　不同的媒體都有著適用于自家形式的廣告投放歷程，但一般至少包含以下流程：

　　下面將詳細介紹以上流程：

1.廣告投放計劃設置

　　廣告主一般通過媒體提供的客戶系統創建自己的廣告投放計劃，投放計劃中一般至少包含：

　　預算計劃，如每天的最大消費上限、預算消耗速率等。

　　定向計劃(廣告投放客群選擇)，如使用標簽直接篩選，如指定地域、性別、年齡段、職業等進行投放，實力較強的媒體(或依托第三方科技)可能會提供基于lookalike算法等新興技術的智能化定向投放方式。

　　計費方式，廣告主可結合自己的營銷目標和實際情況從CPT、CPM、CPC、CPA中選擇最適合自己的計費方式,實力較強的媒體一般還提供智能化的OCPM、OCPC、OCPA等計費模式以供廣告主進行選擇。

2.廣告競價隊列篩選

　　當用戶產生媒體的瀏覽行為(如搜索網站)時，網站除了展示自然內容，還要展示廣告內容。

　　例如，當用戶搜索“新型肺炎病毒”后，系統會先判斷當前用戶是否可以投放廣告，如客戶未達到系統規定客戶每天廣告瀏覽上限(過多的廣告會影響用戶體驗，網站會在收益和用戶體驗之間權衡)，系統才會進入后續流程。

　　接下來，廣告投放引擎會通過廣告位管理模塊判斷當前頁面可以展現什么類型的廣告，然后從已經完成廣告投放計劃設置的廣告中篩選符合展現條件的廣告，并將所有符合條件的合法廣告放到一起，產生一個合法廣告隊列。

　　例如，如果某個廣告預算消耗完了，或者廣告內容與客戶搜索的內容差異較大，將無法進入合法廣告隊列。

　　此外，對于設置了定向客群投放的廣告，如果瀏覽用戶不滿足篩選條件，則將該廣告從廣告隊列剔除;對于采用Lookalike相關定向算法的廣告，系統通過前期訓練的模型對瀏覽用戶進行點擊率、轉化率的預估，過低的廣告將會從廣告隊列刪除。

3.廣告競價隊列排序

　　一般來說，處于競價隊列中的廣告既能滿足媒體用戶的需求，也能滿足廣告主的需求，但由于瀏覽用戶的廣告位m有限，而競價隊列中的候選廣告數n一般較多(m

　　現存的競價機制主要有三種：廣義第一價格(GFP)、廣義第二價格(GSP)和VCG。

　　GFP機制的缺點主要在于廣告主需要不斷地調整出價才可能達到最優，系統整體收益也會因此而變得不穩定，另一方面，VCG雖然通過激勵兼容(講真話)的機制取得全局均衡效果，但計算較為復雜。

　　因此目前主流的媒體主要采用GSP來實現競價模型，并且實際中都會對GSP做各種調整。

　　GFP、GSP競價模型的設計都是以提升媒體廣告收益的為目的的，在單次的競價中一種常用的標準是通過量化競價隊列中不同廣告本次投放后的預期展示費用排序標準。

　　此時，不同計費模式下的廣告可以通過計算可能為媒體帶來的收益期望來進行統計量化排序。如CPC計費模式下，廣告主為媒體帶來的收益可預估為:

　　rank=Bid_cpc*eCTR

　　其中，Bid_cpc為客戶的CPC出價，eCTR為系統預估的該廣告點擊率，而在CPA計費模式下，收益將被預估為：

　　rank=Bid_cpa*eCTR*eCVR

　　其中，Bid_cpa為客戶的CPA出價，eCVR系統預估的該廣告轉化率。

　　廣告引擎將根據系統計算出的預期收益對競價隊列中的廣告進行排序，進而從m個廣告中挑選出能為自己帶來最高收益的n個廣告進行投放。

　　值得一提的是，在廣告位資源有限、廣告主預算有限，不同廣告投放條件也不同的情況下，傳統的競價機制只能保證媒體在單次的廣告投放中預期收益最高，但如果知道了一天的所有流量信息，往往可以找到收益更大的方式(局部最優->全局最優)。

　　如何優化廣告系統的在線匹配策略，提升系統總體收益，還值得深入研究。

4.廣告展示與結算

　　從競價隊列中確定好要展示的廣告后，展現端會根據排序結果展示廣告(一般排名越高的展示位置越好)。

　　如果用戶點擊了廣告，廣告系統會自動記錄點擊日志，這些日志可以作為廣告系統中各類算法優化的數據源。

　　同時，相關數據也會經過統計分析后展示給廣告主，讓他們能夠看到自己廣告的展示信息、點擊信息、轉化情況。這些日志(一般會實施A/B測試)，也是各類算法評估效果好壞的重要依據，并可根據展示效果逐步優化改進。

　　最后，平臺會根據廣告主選擇的計費方式對投放廣告成功的廣告主進行扣費，扣費前一般會經過反作弊系統的過濾(主要是惡意點擊)。

二、在線廣告計費模式的發展

　　與傳統的電視、報紙不同，在線廣告的媒體一般會提供給廣告主多種不同類型的候選計費模式，這些計費模式都是互聯網規模和技術發展到一定階段的產物，下面按照出現順序介紹一下目前主流計費模式：

1.CPT/CPM

　　互聯網早期，由于用戶對新鮮事物的好奇，在線廣告的點擊率一度高達40%(Templeton and Brad,2008)，產品的轉化率也能達到一個廣告主比較滿意的水平。

　　由于效果良好，廣告主愿意接受類似于傳統媒體(如電視、報紙等)提供的按投放時間(CPT)、按展現次數(CPM)進行計費的方式。

2. CPC

　　隨著互聯網的普及和發展，在線廣告也變得越來越多，用戶不再好奇，隨之而來的是在線廣告點擊率(CTR)、轉化率(CVR)的大幅下滑，廣告主開始深入思考廣告和企業營收之間的關系、廣告實際效果如何精確衡量。

　　與此同時，隨著對用戶行為的深入分析，廣告系統的設計人員發現不點擊廣告A的用戶，可能點擊廣告B，這說明不同用戶對廣告的點擊偏好不同。

　　如果能根據用戶的喜好，只投放給他們可能會點擊的廣告，那么同一時段內，流量可以同時售賣給多個廣告主，不僅可以保持整體的廣告效果，系統也增加了收益。

　　于是，在網站和廣告主協商后，按用戶點擊次數計費(CPC)的模式應運而生。在CPC模式下，網站可以將流量賣給更多的廣告主，而廣告主也樂于為更直接的效果付費，雙方均更愿意接受這樣的模式。

3. CPA

　　CPT、CPM、CPC模式下，廣告主通過估算每次點擊的費用(eCPC)，可以靈活選擇性價比最高的廣告產品。

　　但越來越多廣告主對廣告位的競爭導致eCPC逐漸升高，且用戶的點擊行為和廣告主關心的最終轉化仍存在一定距離，廣告主尤其是對短期實際ROI(投資回報率)如GMV(成交總額)等提升更加敏感的小型廣告主開始更關注廣告對最終轉化的影響。

　　在此情況下，部分媒體推出了按用戶實際轉化數(CPA)計費的新模式以豐富不同廣告主的選擇。

4.OCPM/OCPC/OCP

　　CPM模式下，廣告主會擔心投放后CPR和CTR不高，即錢花了，沒點擊或沒轉化;CPC模式下，廣告主會擔心投放后CTR不高，即錢花了卻沒轉化，所以很多廣告主都希望媒體能按照CPA模式進行計費。

　　但媒體方的顧慮在于，廣告效果如CPR、CTR等不僅取決于媒體方流量質量還取決于廣告主自身產品、廣告、落地頁等多方產品的質量，采用CPA等于擔保了廣告主的廣告效果，對于媒體而言風險較高，因此市場上大部分媒體僅愿意考慮對少數優質產品提供CPA的計費方式。

　　當CPM、CPC和CPA分別無法滿足廣告主和媒體方時，OCPM、OCPC(OCPA)應運而生。

　　OCPM、OCPC(OCPA)的本質還是按照CPM/CPC方式計費，但其采用更科學的轉化率預估機制，在廣告主費用一定的情況下，強化高預期轉化率的流量占比，降低預期轉化率的流量占比。

　　因此，OCPM、OCPC(OCPA)更像是一種以優化廣告主廣告效果為目標的智能化出價策略。

4.1OCPC下的廣告投放

　　目前主流的OCPC模式主要包含兩個廣告投放階段：

　　第一階段：數據積累。

　　第一階段和傳統的CPC模式沒差別，廣告主需自行設置合理的CPC出價，在獲取一定的轉化樣本后即進入二階段(樣本用于系統進行轉化率預估模型的優化訓練)。

　　部分媒體也支持直接跳過第一階段進入第二階段，其缺點在于直接跳過第一階段(或一階段積累樣本過少)可能會影響轉化率預估模型的精準度。

　　第二階段：智能投放。

　　根據eCVR進行智能投放，以轉化成本為優化方向，幫助廣告主提高廣告轉化效果，此階段廣告主可設置合理的CPA范圍作為OCPC二階段的優化目標。

4.2 OCPC作用原理和優勢

　　下面我們通過媒體不同模式下的實際計費方式和廣告位競爭排序值理解OCPC的原理和優勢：

　　GFP、GSP競價模式下，媒體在廣告滿足基本條件的前提下(如廣告不能涉嫌欺詐、影響用戶體驗、eCVR過低等)，從最大化收益的角度出發，主要的參考指標是eCPM(每次展示的期望收益)。

　　例如，廣告主選擇傳統的CPC模式計費，其eCPM = eCTR * CPC，而在OCPC二階段中由于eCPM被調整為eCTR * eCVR * 目標CPA。因此，在目標CPA一定的前提下，廣告主可以提升自己在高eCVR流量中的eCPM值，提升競價排名。

　　直觀感受就是二階段的OCPC理解就是通過智能預估轉化率，幫助廣告主針對適合自己的廣告位(高eCVR)，動態提高CPC = eCVR*預期CPA，強化了高轉化率流量的曝光占比。

　　例如，廣告主A和B設置的目標CPA均為100元;在OCPC二階段模式下，系統計算出某廣告位A和B的預估點擊率eCTR_A、eCTR_B分別為0.1、0.2,預估轉化率eCVR_A、eCVR_B分別為0.1、0.3，那么系統計算出的A和B的排序水平分別為：

　　Rank_A = eCTR_A*eCVR_A*100 = 1

　　Rank_B = eCTR_B*eCVR_B*100 = 6

　　此時，B勝出，且系統將此次廣告的價格實時調整為：

　　CPC_A = eCVR_A*100 = 1

　　CPC_B = eCVR_B*100 = 3

　　上述分析說明OCPC模式下，系統通過動態調整CPC價格，在CPA不變的前提下，增加了高預期轉化率廣告的曝光機會，實現流量增值。

4.3 OCPC和CPC/CPA比較

　　OCPC和CPC的實際計費方式都是按照點擊計費，OCPC的一階段與CPC完全相同，區別在于OCPC的第二階段，系統會根據廣告主設定CPA目標動態調整CPC出價，其通過智能算法出價替代了傳統CPC計費模式下人工調整CPC出價的工作。

　　OCPC和CPA的區別在于兩者使用的計費方式不同，在OCPC第二階段，廣告主設置的目標CPA僅作為系統的優化目標，實際的計費方式仍采用CPC。

4.4OCPM/OCPC（OCPA）比較

　　OCPM、OCPC還是OCPA一定程度均為媒體和廣告主博弈的產物，都是通過廣告主設置目標CPA后由系統完成出價策略的智能優化，它們在評估、排序以及定價邏輯上基本一致的，差別在于實際的計費方式。

　　OCPM和OCPC的區別在于實際計費模式是用CPM還是CPC;而OCPC和OCPA幾乎完全一致，均采用CPC方式計費，筆者猜測只是不同媒體按照實際計費模式或優化目標的不同命名方式而已。

三、在線廣告定向方式

1. 兩種定向方式

　　在線廣告定向投放的方式主要有兩種：內容定向和用戶定向。

　　內容定向主要是對廣告位的內容進行選擇，如在搜索媒體中常見的關鍵詞匹配模式下，廣告主可指定一組希望投標的關鍵字來定位其廣告。

　　如果關鍵字出現在合適的上下文中(搜索查詢或頁面內容)，該廣告才會進入廣告位競價隊列。該模式的缺點在于廣告主可能很難枚舉它想要投標的整個關鍵字集。

　　為緩解此問題，許多廣告平臺推出了寬泛的關鍵詞匹配模式，該模式下，廣告商提供的每個關鍵詞都被擴展到一個更大的關鍵詞集合，如關鍵字“自行車修理”可以擴展成近似的關鍵字 “修車”和“修理我的自行車”。

　　用戶定向模式下，廣告主可通過特征篩選用戶。這些特征可以顯式地指定，也可以從用戶的行為中推斷。

　　傳統的特征篩選主要依賴于廣告主在了解自身產品的基礎上通過業務經驗結合一定的數據分析后找出合適的篩選標簽，如年齡、時段、地理位置等。

　　這種方式的缺點在于對廣告主業務經驗的要求較高(新產品往往較為缺乏)，且往往篩選出來的人群規模不易控制，需要不斷嘗試;另一方面，與關鍵字廣告一樣，列出所有目標用戶特征對于廣告主來說是極其困難的。

　　為解決此問題，一些廣告平臺提供了智能化的篩選方式，廣告主可以通過給定一批種子客戶來告訴系統自己想要將廣告投給什么樣的人。

2.Lookalike算法

　　Lookalike是優化解決用戶定向問題的一系列方法集合，Lookalike通過各類數據分析、數據挖掘和機器學習技術，減少用戶定向對于廣告主業務經驗的依賴，實現廣告目標客群的精準定位。Lookalike主要有四類：

　　基于多方計算平臺的數據分析

　　基于相似度量化的Lookalike算法

　　基于響應率預測的Lookalike算法

　　基于社區擴散的Lookalike算法

2.1基于多方安全計算平臺的數據分析

　　嚴格來說，該方法不能稱之為一種Lookalike算法，其和依賴于廣告主自身業務經驗或者數據分析確定目標客群方式的差別主要在于其數據標簽和維度的豐富程度上。

　　廣告平臺可以基于多方安全計算平臺在保障數據隱私安全的前提下從多個外部數據源擴展可用的數據標簽范圍。

　　通過更加豐富的數據和標簽維度，提供Lookalike技術服務的公司往往可以提供比廣告主自身更加豐富合理的目標客群標簽信息。

　　另外，該模式下的多維數據標簽均可以作為其他類型Lookalike算法的輸入。

2.2 基于相似度量化的Lookalike算法

　　基于相似度量化的Lookalike算法，主要通過將用戶向量化表示后構建相似度量化模型完成任一用戶與種子客群之間的相似度計算。

　　2.2.1 用戶的向量化表示

　　進行相似度量化計算的前提是客戶的向量化表示，包括word2vec、doc2vec、node2vec等技術都可以用于對于客戶不同類型數據的轉化，主要的數據類型包括：

　　屬性類數據：如年齡、性別、學歷、職業等基本數據;在處理類似于學歷、職業等多分類數據的時候，一種可行的方法是進行one-hot處理，部分類別較多的變量可能會衍生出過多的0-1變量，此時可以考慮將該變量中的不同類別命名當成單詞處理，這樣即可以使用word2vec技術完成該分類變量的向量化表示。

　　社交類數據：在微博等強社交型媒體中社交類數據一般較為豐富，其對用戶相似性的影響較大;目前基于圖數據的挖掘技術主要包括兩類：基于客戶圖特征的挖掘，如距離、中心性等圖指標;另一種是基于隨機游走條件下的node2vec方式挖掘，其核心思想是使用隨機游走模型抽樣出大量的節點序列，之后利用類似于word2vec中使用的skip2gram算法完成圖節點的向量化表示。

　　文本類數據：短語或者詞匯類數據采用目前成熟的word2vec即可以完成詞向量的轉化;對于一段話這種，文本的向量化可以通過word2vec算法結合詞的重要性量化算法tf-idf完成，或者直接采用doc2vec完成，doc2vec算法的優勢在于考慮到了語序信息對文本的影響。

　　2.2.2相似度量化模型構建

　　主流的相似度量化模型主要包含三個步驟：不同特征的相似度計算、用戶間的相似度計算、用戶與種子客群的相似度計算。

　　特征的相似度計算以用戶特征的向量化表示為前提，可用如余弦相似度公式進行計算，之后可以進行用戶間的相似度計算。

　　假設和分別代表某個種子客戶和某個候選用戶的向量化表示，兩者之間的相似度可以量化為：

　　其中，為各個指標的相似度(可用如余弦相似度公式進行計算)，為不同特征的相似度權重。

　　考慮到不同特征和客戶相似度的相關性不同，因此我們需要預先訓練出不同向量在相似度計算中的權重。

　　例如，我們將歷史上經常在同一廣告中響應的客戶作為正樣本，將很少或基本不在同一廣告中響應的客戶作為負樣本，通過構建LR模型進行不同指標的相似度權重訓練。

　　另外，不同的機器學習方法如RF、GBDT、DNN、FM等也可以用于不同數據條件下用戶間相似度模型的比較訓練。

　　種子客群往往有多個種子節點，因此需要結合候選節點與各個種子節點的相似度結果共同量化其與種子客群的相似度。

　　可以取候選節點與種子客群中客戶的最高、最低或是平均相似度作為最終的相似度結果，或者取候選客戶與種子客戶中相似度最高/最低的N個值平均作為最后的相似度結果。

　　顯然，N取決于種子客群的差異性和規模，差異性較大的種子客群可能由幾類不同的客群構成，此時較小的N值可能可以取得一個比較好的模型效果。

　　2.2.3相似度量化模型的優缺點

　　相較于傳統的客戶畫像方式，基于相似度量化的Lookalike算法通過訓練不同特征相似度權重的方式充分利用了所有特征的信息，其本質上是應用了客戶對于歷史廣告的響應數據進行遷移訓練。

　　基于相似性量化的Lookalike算法很容易在用戶客群規模較小時方便快捷的實現，難點在于當用戶規模急速擴大后，計算用戶間的成對相似性不是一項簡單的任務。

　　例如，對于M個種子客戶N個候選客戶以及K個特征的場景，使用訓練好的相似度模型進行相似性計算的時間復雜度為O(MNK)，這在大規模的實時應用場景中需要極強的算力支持。

　　在相似度計算中，將用戶視為點，相似度視為邊，進而構造出一張user-2-user的全局圖，能夠極大程度上加速發現相似用戶的速度。

　　然而，天下沒有免費的午餐，構建這張全局圖的時間復雜度為O(NNK)。

　　為解決此問題MiniHash+LSH是一種近似計算的優化方案，該方案下，相似度高的能以較高的概率映射至不同的桶中，因此只需在每個桶中構建user-2-user的子圖即可實現高相似度目標客群的查找，時間復雜度可優化為O(CnnK),C為桶數，n為一個桶的客戶數。

2.3基于響應率預測的Lookalike算法

　　基于相似度量化的Lookalike算法通過確定用戶不同屬相似度的占比權重完成相關的相似度量化，權重訓練依賴于用戶在歷史中各類產品或廣告的表現進行構建，其缺點在于未考慮不同類型的產品，同一特征占有的相似度權重是不同的。

　　比如對于電子類產品，客戶性別、愛好等應占有較高比例，而教育、培訓類產品可能對客戶的職業、學歷特征較為敏感。

　　因此，通過定義正樣本的種子客戶，以及從候選客戶中抽樣出一定比例的負樣本，通過LR、RF、GBDT、DNN等機器學習對于不同的廣告構建自己的響應率模型是一種較為理想的解決方案。

　　相比較于相似度模型，響應率模型的優點主要包括：

　　可以加入構建LSTM子模型的方式完成對于不方便向量化表示的時序類信息進行挖掘。

　　針對不同的數據類型可以有更多的數據處理方法提供選擇以最大化的保留原始數據的信息含量，如使用lightGBM可直接訓練分類變量。

　　機器學習的本質是將種子的信息抽象到一定的公式或者表達上，在模型訓練完成后進行候選客戶的響應率預測時，相比于相似度量化中的O(MNK)，其時間復雜度可降至O(NK)，代價就是對于不同廣告主的種子客戶需要訓練不同過的機器學習模型，這就要求系統在模型精度和時間復雜度方面作出權衡。

　　響應率預測方式的缺點：

　　機器學習的訓練效果對于種子客群的規模大小較為敏感，過小的種子客群訓練出來的模型容易過擬合;過大的種子客群往往包含了幾類客群，也需要通過分群的方式提高模型精度。

　　當頻繁有新的客戶加入種子客群時，為保證模型效果，需要加入新的正樣本持續優化訓練模型，資源開銷較大;解決方案包括采用基于GBDT類算法的增量學習方式。

　　響應率模型的構建對于種子客群的規模有一定要求，因此必定存在一個種子客戶不足時的冷啟動過程，而相似度量化模型可通過借鑒歷史上其他廣告的客戶表現來完成相似度量化，對種子客群規模的要求大大降低。

　　一種合理的優化方式是通過遷移學習的方式，利用同類廣告已構建的模型來完成客戶的初始化定向，在種子客戶增多的過程中，逐漸調整優化模型;

　　另一種克服冷啟動的方式可以在無種子客戶(=0)時，通過內容匹配或者基于業務經驗的客戶匹配方式完成廣告投放，當種子客戶較少不滿足建模條件(如<100)時，通過相似度模型找到類似客戶完成投放，在規模一般(如100-1000)時考慮將相似度和響應率模型結合的方式篩選出候選節點，并隨著種子客群增大逐漸提高響應率結果對客戶的評價權重，最終(如>1000)完全依賴響應率模型的預測結果。

2.4基于社區擴散的Lookalike算法

　　相較于傳統的媒體，社交類廣告不但應考慮候選節點自身的自身對于廣告的響應率，還應該考慮的節點協助進行二次社交傳播的可能性，即節點的社交價值。

　　相比較于其他類型的廣告，社交類廣告的最主要特點是具有互動和傳播屬性，因此相比于傳統的搜索、視頻類媒體，社交類媒體中，用戶關系類數據是一類獨有的數據。

　　相較于前面方法中側重于找到與種子客戶中相似的人，社交類媒體中可以利用社交數據尋找種子客戶占比較高的社區來完成目標投放。

　　另外，由于社交類媒體的廣告效果不僅僅停留在投放期的即時互動上，好的社交廣告會引發大眾的傳播效應，從而大幅提升社交類廣告的作用。

　　因此，社交類廣告在投放時，廣告主不但要考慮候選客戶自身的響應概率，還應該考慮候選客戶在網路社區中的口碑和影響力，高影響力的候選客戶有助于廣告主的產品在短時間內形成“病毒傳播”，從而擴散到世界上的每一個角落。

　　一種可行性的方案是通過圖數據庫構建用戶的關系網絡后，通過如Louvain或標簽傳播等社區發現算法完成社區劃分，從中找出種子客戶濃度較高的的社區，之后通過如Pagerank等中心性算法量化節點在社區中的影響力，最終結合相似性和傳染能力(如中心度)兩方面綜合篩選出優質的候選節點。

3.不同定向方式的效果評價

　　在線廣告定向方式的核心目標均在于在提升廣告主的投資回報率(ROI),因此大部分定向方案可以通過A/Btesing比較不同方案下對于廣告主關心的各類指標(如點擊次數、轉化次數)來比較方案的優劣。

　　值得一提的是，社交類廣告的效果往往不僅只局限在廣告目標客戶的點擊和轉化等直接結果，它有一個重要的特點是可以互動和二次傳播，如何衡量該類廣告不同方案下的廣告投放效果值得研究。

專業名詞解讀：

　　CPT(Cost Per Time):照展示時長收費