开屏广告 = 让用户等？小红书如何兼顾用户体验和广告投放效果

2023-04-19
上海
本文字数：4422 字
阅读完需：约 15 分钟

开屏广告作为小红书品牌广告的重要组成部分，已成为诸多品牌客户触达目标用户、实现品牌营销诉求的强力助推器。小红书开屏广告的投放策略，既要满足客户对保量和效果的诉求，还要兼顾对用户体验的影响。由此我们配套了“流量优选+动态决策”方案，从开屏广告流量优选的形式化出发，推导得到最优分配策略，基于反馈调节实现了在线的流量分配；同时为尽可能缩短开屏场景下用户的等待时间，我们设计了动态决策机制，在满足用户体验要求的前提下实现了流量优选。

开屏广告会在用户打开小红书 APP 时进行全屏展现，整屏曝光带来的沉浸式视觉体验，能够高效帮助品牌和产品提升用户认知。配合丰富的交互样式与落地页类型，小红书开屏广告已成为诸多品牌在新品上市、品牌活动等期间快速触达目标用户的强力助推器。

目前小红书的开屏广告主要支持以合约的方式售卖，即客户采买流量时，提前与平台确认预定的曝光量，在投放当天由平台自动投放并保证曝光量满足预期。

近年来在品效结合的大背景下，除了保量，投放开屏广告的客户更希望平台能够优化广告的投放效果。在实际的业务场景中，客户主要基于 CTR 来评估广告的投放表现。过去小红书的开屏广告投放更多注重的是订单保量，未充分考虑如何优化投放效果，我们希望通过将投放策略升级为流量优选，在满足订单保量的前提下，优化开屏广告的 CTR。

接下来我们将分两部分介绍小红书开屏广告的投放策略：

● 第一部分介绍我们如何在较为理想的情况下通过流量优选满足客户对开屏广告保量和效果的诉求。我们从问题定义与形式化出发，通过推导得到流量优选的最优分配策略，并基于反馈调节实现了在线的流量分配；

● 第二部分介绍决策机制升级。在工程落地时，由于小红书对用户体验的高要求，APP 启动时间被压缩得很短以致难以进行实时广告决策，我们设计了异步决策的方案，并在此基础上进一步实现了开屏广告的动态加载机制，在满足用户体验要求的前提下落地了开屏的流量优选。

小红书开屏广告的流量优选，目标是在满足保量的基础上，尽可能优化广告 CTR。这是一个典型的流量分配问题，业内针对此类问题的常⽤做法是对分配问题进⾏形式化建模，并通过对偶求解的⽅式将问题进⾏转换，求解出流量最优分配公式，然后基于最优分配公式，采用反馈调节的方式实现流量优选的落地。遵循这一思路，我们先介绍问题形式化建模与求解。

问题定义与求解

我们定义开屏全天流量集合为 ${p v_{i} ∣ i = 1, 2, 3, \dots, n}$ ，广告订单集合为 ${o r d e r_{j} ∣ j = 1, 2, 3, \dots, m}$ ，每个订单的保量目标为 $d_{j}$ ，用 $x_{i, j} \in [0, 1]$ 表示流量优选的结果， $x_{i, j} = 1$ 即表示第 $i$ 个流量被分配给了第 $j$ 个订单； $p c t r_{i, j}$ 表示第 $j$ 个订单在第 $i$ 个流量上的 pctr；考虑到在一些特定的业务场景中，某些订单格外需要优化 CTR，我们引入了点击价值权重 $v_{j}$ 以表示不同订单 CTR 优化的重要性。根据上述参数定义，可以将流量优选问题建模为：

其中公式(1)表示每个订单均需要满足保量约束，公式(2)表示每个流量最多只能分配给一个订单。

考虑到实际投放时，可能由于售卖过多导致无法保量，进而上述问题无解，因此引入各个订单的缺量惩罚权重 $w_{j}$ ，将问题转换为：

上述问题作为典型的线性规划问题，通过对偶变换和互补松弛定理推导，可得最优的排序分 (rank score) 计算公式为： $r a n k_s c o r e_{i, j} = p c t r_{i, j} \cdot v_{j} + w_{j} - α_{j}$ ，其中 $α_{j}$ 为第 $j$ 个订单保量约束的对偶变量。

该最优公式对应的流量优选策略为：同一流量上所有订单基于上述公式计算各自的 rank score，如果有订单的 rank score 大于 0，则 rank score 最大的订单竞得该流量；如所有订单的 rank score 均小于 0，则无订单竞得该流量，用户在本次启动 APP 时不会看到开屏广告。

在线分配策略

通过问题形式化和推导，我们得到了最优的流量分配策略。在假设全天流量集合已知的前提下，可以直接通过 LP 求解的方式得到每个订单的最优 $α_{j}$ ，进而计算每个订单在全部流量上的 rank score，得到流量优选的结果。实际落地时考虑到每天开屏的广告流量会有一定波动，线上的流量是难以预知的，因而无法直接求解。我们参考业内的常见方案，将 LP 问题求解转化为参数调控问题，采用反馈调节的方式动态更新每个订单的 $α_{j}$ 。

根据公式 $r a n k_s c o r e_{i, j} = p c t r_{i, j} + w_{j} - α_{j}$ 和对应的流量分配策略，当 rank score 小于 0 时，订单是无法参竞对应的流量的，即每个订单只能参竞满足 $p c t r_{i, j} + w_{j} \geq α_{j}$ 的流量，参数 $α_{j}$ 直接决定了订单 $o r d e r_{j}$ 的参竞流量范围。更进一步分析参数 $α_{j}$ 对订单投放的影响：对于任意一个订单 $o r d e r_{j}$ ，在实际分配流量时，如果下调 $α_{j}$ ，则该订单满足 $p c t r_{i, j} + w_{j} \geq α_{j}$ 的流量会增加，参竞流量增加，且整体的 rank score 会上涨，可竞得的流量增多，进而加快投放速度；反之则投放速度变慢。反馈调节的思路就是根据各个订单的投放进度，动态调整每个订单的 $α_{j}$ ，从而在达成保量目标的前提下优化投放效果。

具体的方案上，算法策略每隔一段时间（比如 5 分钟）会获取在投的开屏广告当天累计的曝光量，同时结合不同订单的保量目标和大盘流量的分布，得到每个订单预期的曝光量。对于每个订单，单独根据各自的预期曝光量和实际曝光量，反馈更新各个订单的 $α_{j}$ 。从实际投放的效果来看，这种方法能够较好地在达成保量目标的前提下，优化开屏广告的 CTR。

用户体验高要求

对小红书这样一个社区平台来说，广大用户是平台得以持续发展的根基，一直以来小红书对用户体验都尤为重视。我们不希望因为开屏广告让用户在启动 APP 时等待太久，导致用户体验不佳甚至用户流失，因此 APP 的启动时长被压缩得很短。

那么之前小红书的开屏广告是如何满足启动时长要求的呢？

早期小红书的开屏广告，采用的是提前加载物料+决策的机制，来规避 APP 启动时长限制的影响。由于开屏主要支持合约售卖，因此在每天开始投放前就已经确定了当天要投放的广告。早期一方面考虑到广告数量相对较少，可以提前将所有物料加载到用户手机上；另一方面还可以基于已经售卖的广告订单，提前计算每个用户的曝光内容，并将计算结果下发到用户的手机上，标注每个用户当天每一次看到的广告内容。

这种提前决策广告曝光结果的方式，尽管不会受到 APP 启动时长限制的影响，但也不会根据每个订单的投放情况动态调整用户看到的广告内容，无法适配流量优选的反馈调控，难以充分释放流量优选的效果。为了适配流量优选，业内通常的做法是在开屏场景落地广告内容的实时决策，即每次用户在打开 APP 时，由客户端实时请求广告系统在线决策，并将结果返回给客户端完成广告曝光。

然而在小红书的开屏场景中，由于 APP 的启动时长很短，很多时候有限的时长无法支持我们完成“广告请求→在线决策→结果下发”的整个过程，因此无法像其他平台一样，实现实时决策。为了解决这一问题，我们设计了一套新的决策机制，在满足 APP 启动时长要求的前提下，实现广告内容的决策，释放流量优选的效果。

异步决策机制

上文提到，很多时候 APP 启动的执行时间不足以决策“本次”开屏曝光的内容，我们就转换思路，仍旧保持提前加载全部物料的机制，但是调整广告决策的方式。我们假设绝大多数用户的兴趣在相邻两次开屏曝光之间不会有大的变化，这样就可以在尽可能不损失广告投放效果的前提下，将决策机制从决策“本次”调整为决策“下次”开屏曝光的内容。通过异步交互，每次广告请求返回的结果，用于下一次用户在开屏的曝光，这样就不受 APP 启动时长的限制，实现开屏广告的流量优选。这种异步决策机制的具体逻辑可以参考下图：

在用户完成开屏广告曝光之后，APP 会发起广告请求，广告系统会基于流量优选决策该用户下一次开屏广告的展现内容并返回，客户端会将返回结果缓存到本地；在下一次用户打开 APP 时，读取 APP 的本地缓存，为用户展示相应的广告，并在完成曝光后继续请求接下来的广告内容。

动态决策机制

异步决策机制也不是十全十美的，在异步机制下，广告请求和曝光之前有天然延时，进而使得流量优选存在决策延时，影响优选的效果。为了提升开屏广告决策的时效性，一方面我们适当增加了异步决策的请求时机，尽可能缩短流量优选中“请求→曝光”的间隔；另一方面，我们也在一些 APP 启动时长更长的流量中，落地了实时请求，进一步提高广告决策的时效性。

具体的方案是，我们根据 APP 启动的类型将广告流量分为热启和冷启两部分，热启主要指 APP 从后台切换至前台时曝光的开屏广告，此时 APP 的启动流程很短，我们采用直接读取已有的异步决策结果的方式确定本次启动展示的广告；冷启则是 APP 从无后台的状态启动时的开屏广告，由于涉及 APP 初始化等流程，启动时间较长，可以采用实时请求的方案，执行完整个“广告请求→在线决策→结果下发”的流程。通过“热启+异步决策”和“冷启+实时决策”，我们实现了小红书开屏广告的动态决策机制，并在此基础上落地了开屏广告的流量优选。