企业官网建设流程全解析

广告主在短视频平台投放转化广告，使用 oCPM 出价，模型越训越准，广告后端 ROI 越跑越高。但从平台视角看，问题并不简单：小商家开始拿不到量，部分广告主为了冲 ROI 不断压缩出价，用户对同质化广告的反馈也在变差。单条广告的"最优"叠加在一起，并没有让平台变好。

快手在 KDD 2026 平台上提出的 PlatformBid，核心命题就是打破这种局面：从"单广告主各自出价优化"走向"平台侧全局协同出价"。这类工作解决的不是单个模型精度，而是竞价链路里更上层的问题——出价信号本身，是否反映了流量对广告主、对平台生态的真实价值。

这篇文章不是论文复现，我不会试图猜测论文里的每个公式。我更想把问题背景、技术挑战、可能的系统设计思路、离线评估和上线注意事项讲清楚。如果你正在做广告竞价、出价策略或机制设计相关工作，读完这篇文章应该能建立一张比较完整的技术地图。

1. 广告主与平台：一场天然的利益拉锯

先看一个很常见的投放链路。广告主进入广告平台，设定预算，选择转化目标，系统通过模型预估流量价值，最终在拍卖中决定谁获得这次曝光。整个过程看起来是公平透明的：广告主表达意愿，平台执行拍卖，价高者得。

但本质上，广告主和平台的利益并不完全一致。

广告主要的，是在预算约束下获得尽可能多的转化、尽可能低的成本。平台要的，是广告收入与用户体验、商家生态之间的长期平衡。如果只按广告主自己的意愿出价，一定会出现"高举高打"的广告主买走大量流量，而生态中的新商家、中小商家很难获得冷启动机会的情况。用户也会被同质化广告反复触达，负面反馈增加，反过来让广告效果继续下降。

这个拉锯不是某一家公司的特殊问题，而是整个计算广告行业的基本矛盾。过去的解决方案是平台在拍卖规则上做约束，比如质量分、频控、负反馈惩罚。但这类硬约束比较粗糙，没有真正进入出价决策的内部。

PlatformBid 这个方向值得关注，是因为它把矛盾的解决点放在了"平台是否应该参与出价决策"上面。它不是在拍卖规则外加一个惩罚项，而是尝试在出价层就引入全局视角。

2. 几个绕不开的基础概念：oCPM、出价与拍卖

在继续之前，有必要把几个基础概念对齐。很多人做广告系统，但谈到 oCPM 和出价策略时，仍然容易把"出价"和"成本"混在一起。

2.1 oCPM 是什么

oCPM 可以理解为一种以目标转化为优化方向、按千次展示计费的出价模式。广告主告诉平台一个目标转化成本，比如"我希望一个激活不超过 20 元"，平台通过模型预估每次展示的转化概率，把广告主的目标成本换算成每次展示的出价。

核心逻辑是：

出价 ≈ 目标转化成本 × 预估转化率

注意，这里的出价不是广告主实际付出的成本。在二价拍卖中，赢家只支付次高价对应的费用；在一价拍卖中，支付自己的出价。所以"出价"是一个表达意愿的信号，不是最终账单。

2.2 拍卖机制的作用

拍卖系统负责根据出价和预估点击率、转化率计算 eCPM（千次展示预估收入），然后排序：

eCPM = pCTR × pCVR × bid

排序靠前的广告获得展示机会，并按规则计费。广告主优化出价，平台优化拍卖和排序，两者是决策链路的两个层级。

2.3 出价策略扮演的角色

广告主的出价策略解决的是"我该为这次流量出多少"的问题。常见策略包括：

• 固定出价：对每笔流量出同一个价格，简单但低效。
• 动态出价：根据流量价值预估实时调整出价，典型做法是在高价值流量上加价，在低价值流量上降价。
• 预算平滑出价：结合预算消耗速度，避免预算过早花完。

如果只有广告主在优化出价，平台只是被动执行拍卖，那么整个系统的优化信号是非常单一的：谁愿意出更高的价，谁就能拿到更多流量。这个信号对广告主个体来说是合理的，但对平台全局来说远远不够。

3. 为什么单广告主最优不等于平台全局最优

这是整个 PlatformBid 想解决的核心问题。从建模角度看，单广告主的出价优化是一个局部最优问题，它只考虑自己的转化价值，不考虑自己的赢标对其他广告主的排挤、对用户体验的影响，以及平台生态的长期健康。

3.1 竞价中的外部性

广告拍卖中存在典型的外部性。一个广告主赢得流量，意味着其他广告主失去这次机会。如果广告主 A 对高活跃用户出价极高，长期来看，广告主 B、C 在这个用户群体上永远没有曝光，它们的模型无法学习这个群体的反馈，出价能力会进一步下降。

在机制设计理论里，这就是竞拍者忽略了自己带来的负外部性。平台如果只是价高者得，最终得到的是一个"强者恒强"的马太效应结构，从平台收入角度短期可能没问题，但生态会变窄。

3.2 探索与利用的冲突

单广告主的模型天然偏向"利用"。因为转化模型是在历史行为上训练出来的，模型对已有的高质量流量预估会比较准，转化概率高，愿意出高价；而对新流量、新用户、新广告位预估不确定性高，出价低。

当所有广告主都倾向于利用已知流量，平台的新流量就无法得到充分竞价，新广告主也无法完成冷启动。平台的长期收入潜力会被透支。平台需要的是有控制的探索，而这个探索成本单靠广告主个体很难承担。

3.3 预算约束下的流量分配不均

广告主的预算约束会放大问题。头部广告主预算充足，可以覆盖多个流量群体；中小广告主预算有限，只能集中在少数精准流量上。如果平台不做干预，热门流量价格越来越高，中小广告主逐渐被挤出去，最终平台流量价格虚高，广告主数量和活跃度下降。

所以平台全局最优，并不是各个广告主最优的简单相加。它需要一种机制，让出价信号包含广告主价值之外的信息，比如生态价值、用户体验成本和长期流量价值。而实现方式，不一定是改拍卖规则，更现实的方式是在出价层做文章。

4. PlatformBid 的核心思路：平台出价调优

从命名来看，PlatformBid 的关键词是"平台侧出价"。这类方案通常不是要替广告主决定最终出价，而是在广告主出价的基础上，由平台施加一个全局视角的修正。

4.1 核心直觉

广告主对自己的商品利润率、预期转化价值最清楚，但广告主看不到平台全貌。平台知道当前流量竞争强度、用户对广告的容忍度、新广告主的冷启动需求，以及长期生态目标。所以一个合理的架构是：

• 广告主层：输出基础出价，表达自己的私有价值。
• 平台层：根据全局信息，对基础出价进行校准、修正或限制。
• 拍卖层：继续执行排序和计费，保持机制稳定。

这样既保留了广告主的表达自由，又让平台拥有了引导全局结果的能力。

4.2 约束优化视角

把平台出价调优看成一个带约束的优化问题会更容易理解。平台要优化的目标可能是广告收入、平台总成交额、用户时长或这些目标的一个加权组合；与此同时，要满足一系列约束：

• 广告主 ROI 不能低于某个下限，否则广告主长期会流失。
• 预算消耗不能过快，避免预算浪费在低质量流量。
• 用户负反馈比例不能超过阈值。
• 中小广告主需要获得一定的曝光占比，保证生态多样性。

用抽象形式表达：

max 平台全局目标 s.t. 广告主ROI ≥ 下限 广告主预算平滑 用户负面反馈 ≤ 阈值 中小广告主曝光占比 ≥ 阈值

这里的难点在于，平台目标函数中多个指标之间往往是冲突的。提升广告收入可能降低用户体验，增加中小广告主曝光可能降低短期收入。所以 PlatformBid 调优的本质不是找到一个全局最优解，而是找到一个在多个约束下可落地的平衡点。

4.3 为什么选择"改出价"而不是"改拍卖"

这是工程上很关键的一个判断。修改拍卖规则，比如从 GSP 改成 VCG，理论上可以更好地处理外部性，但拍卖机制的改动影响面极大，牵涉计费、排序、广告主认知，甚至可能违反已有的平台承诺。

相比之下，平台侧出价调优的改动面小得多。出价层是广告主决策和平台机制之间的接口，平台在这个接口上增加一个修正环节，不需要改变拍卖规则，不需要广告主改变投放方式，可以通过流量配额逐步灰度。这也是我判断 PlatformBid 这类方案更容易在工业界落地的原因。

5. 系统架构与关键模块拆解

抛开论文细节，从工程角度推演，一个支持平台出价调优的系统大致包含以下几个模块。

5.1 数据层

最底层是数据资产，包括：

• 流量日志：曝光、点击、转化、计费数据。
• 广告主数据：预算、目标成本、投放计划、商品类目。
• 用户行为序列：长期兴趣、近期反馈、广告负反馈。
• 生态指标：广告主数量、活跃度、新商家成长曲线。

数据层决定了平台能计算出什么样的全局信号。缺少广告主生态数据，平台就很难评估"当前出价是否会挤压中小广告主"。

5.2 预估层

预估层负责回答几个核心问题：这次流量对广告主的价值是多少？用户点击或转化的概率是多少？广告主愿望出价合理吗？

传统预估层以 pCTR、pCVR 为主，PlatformBid 场景下还需要一个更关键的能力——流量价值预估。也就是说，平台需要估算的不是单纯转化概率，而是"这次展示量对一个广告主、以及整个生态，能带来多少可量化的长期价值"。

5.3 出价调优层

这是 PlatformBid 的核心模块。它接收预估层的输出，结合广告主的基础出价，输出一个平台修正后的出价。这个模块需要考虑的因素包括：

• 广告主基础出价的合理性：是否存在过高或过低定价。
• 流量竞争态势：当前流量池中竞争者的出价分布。
• 用户反馈风险：该广告对当前用户是否已经过度曝光。
• 生态约束：中小广告主保障、新广告主冷启动需求。

下面我用一段简化伪代码帮助理解这个模块的可能结构。需要注意，这段代码只是表达思路，不是任何论文源码。

# 文件路径：platform_bid/adjuster.py # 说明：平台侧出价调优模块的简化逻辑 def adjust_bid(ad, flow, base_bid, model): # 1. 预估这次流量对广告主的转化价值 conv_prob = model.predict_pCVR(ad, flow) conv_value = model.predict_conv_value(ad, flow) # 2. 预估这次流量对广告主的边际价值 marginal_value = conv_prob * conv_value # 3. 计算外部性成本：该广告赢得流量后，对其他广告主的排挤影响 externality_cost = model.predict_externality(ad, flow) # 4. 计算用户体验风险 user_risk = model.predict_user_negative_feedback(ad, flow) # 5. 约束检查 if not check_roi_constraint(ad, base_bid, marginal_value): return 0.0 if not check_frequency(ad, flow.user_id): return 0.0 # 6. 平台修正出价 adjusted_bid = base_bid * alpha(flow) - externality_cost - user_risk * beta # 7. 保证不低于流量底价 return max(adjusted_bid, flow.floor_price)

这段逻辑的关键在于：平台并不完全忽略广告主的基础出价，而是在基础出价上叠加一个负向外部性修正和一个用户风险修正。如果某条流量对广告主价值很高，但对平台生态的损害也很大，最终出价会低于广告主的原始出价，从而减少赢标概率。反之，如果某条流量有长期价值，比如广告主冷启动期的小流量，平台可以适当提高出价。

5.4 拍卖层

拍卖层保持稳定，继续使用 eCPM 排序和二价计费。平台修正后的出价只是进入拍卖时使用的"信号"，不会改变拍卖的基本规则。这样至少有三个好处：广告主感知到的机制不变，作弊风险可控，系统灰度范围可以收窄。

6. 离线仿真：先证明策略可行再上线

平台出价调优不是改一个参数就能上线的。它影响到流量分配、广告主 ROI、平台收入，一旦出错代价很高。所以在线上 A/B 之前，必须先做离线仿真。

离线仿真在广告场景里通常叫做 replay，核心思路是：用历史流量日志作为固定输入，回放整个拍卖过程，把"新的出价策略"放到历史流量池里重新计算排序和计费，观察关键指标的变化。

一个简化版的 replay 流程如下：

# 文件路径：platform_bid/replay.py # 说明：离线回放历史流量日志，评估新出价策略 def replay(logs, base_bid_func, platform_bid_func): stats = { "platform_gmv": 0.0, "ad_roi_sum": 0.0, "user_bad_feedback": 0, "small_ad_impression": 0, "total_impression": 0, } for event in logs: candidate_ads = event["candidate_ads"] context = event["context"] for ad in candidate_ads: base_bid = base_bid_func(ad, context) ad["base_bid"] = base_bid # 平台侧修正 ad["final_bid"] = platform_bid_func(ad, context, base_bid) # 按 eCPM 排序 candidate_ads.sort( key=lambda x: x["pctr"] * x["final_bid"], reverse=True ) winner = candidate_ads[0] # 二价计费 if len(candidate_ads) > 1: second_price = ( candidate_ads[1]["pctr"] * candidate_ads[1]["final_bid"] / max(winner["pctr"], 1e-6) ) else: second_price = winner["final_bid"] # 更新统计指标 stats["platform_gmv"] += winner.get("gmv_value", 0.0) stats["ad_roi_sum"] += winner.get("roi", 0.0) if winner.get("on_shelf", False): stats["small_ad_impression"] += 1 stats["total_impression"] += 1 return stats

离线仿真最关键的两个问题是数据偏差和模拟精度。

历史日志是旧策略下的数据，新策略会改变流量分配，这会导致一些流量在新的竞价结果下并没有真实发生。解决思路是只对"竞价近似稳定"的流量做回放，同时对探索流量打上低置信度标记。模拟精度方面，需要把真实计费日志和模拟计费日志做对比，校准模拟器偏差，确认模拟器能还原当时线上结果，再基于它评估新策略。

7. 效果评估与 A/B 实验设计

离线仿真通过后，还要设计严格的线上 A/B 实验。平台出价调优的评估，比单个模型迭代复杂得多，因为利益相关方多、指标层级多。

7.1 指标分层设计

为了避免只看单一指标导致误判，我建议把 A/B 实验指标分成三层。

在实验分析时，不能只报告"平台收入上升了多少"。如果收入上升是建立在中小广告主流失、用户负反馈激增的基础上，这个策略不能算成功。PlatformBid 这类方案的价值恰恰是希望在多个目标之间找到平衡，所以评估时尤其要关注分层指标的结构性变化。

7.2 A/B 实验流程建议

一个完整的评估流程可以这样设计：

1. 小流量灰度：先在 5% 流量上开启平台出价修正，观察核心指标和风险指标。
2. 分桶对照：确保实验组和对照组广告主分布接近，避免大广告主集中在同一组。
3. 逐步放量：如果核心指标正向、风险指标无恶化，逐步扩大到 20%、50%、100%。
4. 长期观测：至少观察一个完整的投放周期，包括广告主预算重新分配、模型重新训练后的效果。

7.3 一个容易踩的坑

平台出价调优会改变流量分布，广告主在实验期间的 ROI 是波动的。如果实验周期太短，看到的广告主 ROI 变化很可能是流量结构差异导致的，而不是策略本身的真实效果。所以实验周期要足够长，并且要分广告主规模、分行业看结果，不能只出一个总指标。

8. 落地常见问题与边界条件

把 PlatformBid 这类方案落到真实系统时，会遇到不少具体问题。这里整理几个共性问题，供参考。

还需要特别强调一个边界：平台出价调优并不能解决所有广告生态问题。广告主恶意刷量、素材低质、商品本身竞争力弱，这些因素不在出价层的控制范围内。平台侧需要的是一个组合方案，出价调优只是其中一环。

另外，平台出价修正的透明度和合规性也值得关注。广告主有权知道平台如何参与出价决策。如果平台在广告主不知情的情况下大幅修改出价，即使短期效果提升，也可能引发信任问题。所以在工程实现时，建议保留广告主基础出价、平台修正量和最终出价的完整日志，方便审计和解释。

9. 工程实践建议与未来方向

如果你所在团队准备尝试平台出价调优，下面几条建议可以作为切入点。

9.1 先做最保守的修正

不要一开始就做完整的全局优化。建议先做"约束型修正"：平台只在某些危险边界施加限制，比如广告主出价过高、用户负反馈过高、中小广告主曝光不足。这种保守修正容易解释、容易回滚，也更容易获得业务方支持。

9.2 建立完善的审计日志

要记录三个关键值：广告主基础出价、平台修正量、最终进入拍卖的出价。这个日志不仅是排查问题的依据，也是对外沟通和评估信任度的基础。没有审计日志，任何策略优化都很难复盘。

9.3 监控要覆盖生态指标

除了常规的广告收入和用户指标，建议增加广告主生态类监控：新广告主冷启动成功率、中小广告主月活、广告主退出率。这些指标改变很慢，但对平台长期价值影响很大。如果只看日级指标，很容易忽略长期生态损失。

9.4 把平台出价调优做成一个可配置服务

工业界很少把出价调优逻辑写死在某个业务脚本里。更现实的做法是把它做成一个独立的服务或策略引擎，支持模型特征、约束条件、目标权重的动态配置。这样产品和算法可以根据实验快速迭代，不需要每次改代码上线。

9.5 与广告主出价策略的配合

平台侧修正和广告主侧出价策略不是替代关系，而是配合关系。广告主的智能出价负责表达自己的私有价值，平台侧负责叠加全局信息。未来更理想的形态是允许广告主在投放计划中声明"接受平台全局优化"，平台在广告主允许的范围内做更积极的调优。这样既避免了信任问题，又能在特定场景下显著提升全局效果。

9.6 未来方向

从更长远的视角看，平台出价调优有机会和更多技术结合。比如用大模型对流量长期价值做更细粒度的预估，或者把平台出价调优从"单次流量"扩展到"跨场景、跨周期"的协同优化。广告市场是一个多智能体博弈系统，单纯追求个体最优的优化范式终将走向瓶颈，未来的增量大概率来自机制层面的设计。

回到 KDD 2026 快手 PlatformBid 的方向，它给我的最大启发不是某个具体公式，而是把问题意识从"广告主怎样出价最好"升级到"平台怎样设计机制，让每个参与方的出价最终构成一个共赢的系统"。这个视角，对广告算法工程师和机制设计研究者都值得认真咀嚼。